网络优化在通讯网络、计算机网络、经济管理、交通运输等众多领域,都有广泛的应用,也有多种具体的模型。其中,网络编码链路优化问题以及网络流量监测点设置优化问题都是通信网络和计算机网络中的具体优化模型,无论从理论方面还是经济方面都有其重要的研究价值。本论文针对这两个具体的网络优化问题进行了相应的研究。针对网络编码链路优化问题,本论文给出了混合编码的差分进化算法与遗传算法相结合的混合优化算法。每一次迭代过程中,先是采用标准差分进化算法的变异、交叉操作生成中间群体,这样可以使算法较容易跳出局部性,弥补遗传算法对初始种群的质量敏感,容易使算法陷入局部性的缺陷。然后采用遗传算法中的赌轮选择操作生成下一次迭代的种群,这可以较大程度的避免差分进化算法中因使用贪婪选择操作而淘汰种群中潜在质量较好的个体的可能性。我们的仿真实验证明该混合算法可以应用于网络编码链路优化问题,并且可以取得较理想的结果。而将原本只能用于连续问题的差分进化算法,应用于网络编码链路优化这样的离散问题,且与遗传算法相结合,互相弥补算法自身的不足,则是网络编码链路优化问题的创新点。网络流量监测是流量工程的一个重要内容,但大量设备的频繁轮询的数据采集增添了网络额外负担,进而造成路由器性能下降且成本较高。那么,为了减少监测过程对网络实际带宽的影响以及额外的经济开销,网络流量监测点的设置问题就格外重要。本论文将网络流量监测点设置优化问题抽象为最小顶点覆盖问题。并基于学者们的研究给出了两种选取监测点的策略,考虑到求解最小顶点覆盖问题是NP难的,我们又给出了一种去冗余方法,对已有结果进一步优化,得到更满意的监测点集合。通过一些具体的实例,我们证明了这两种算法对很多网络拓扑图来说是有效的,而且可以验证它们能得到比已有算法更优的效果。