蚁群优化算法作为群集智能领域应用最为广泛的算法之一,已受到越来越多研究者的关注。近年来,其理论研究正在不断充实,其应用领域亦在进一步拓展,在解决NP难题和网络路由等方面的优越性已被广泛证实。由于网络环境的动态性和网络应用的多样性,一些网络中的关键应用已不能适应传统的算法,需要提出新的针对具体网络应用的解决方案。蚁群优化为网络中数据资源的获取提供了一个好的解决思路。本文首先介绍了群集智能的主要理论研究及典型应用,概述了网络数据获取中的任播和查询两大关键技术,在此基础上对基于群集智能的蚁群优化算法及其在分布式网络环境下任播和查询两大关键数据获取技术中的应用进行了系统和深入的研究,所做主要工作归纳如下:(1)在缺乏全局网络信息的情况下,针对因特网多约束任播这一NP难题,提出了一种基于多蚁群优化的任播路由算法MACA。该算法仅需局部网络信息,通过蚂蚁释放信息素来改变网络环境,从而间接引导其它蚂蚁根据信息素强度动态调整自身的选路行为。仿真实验表明,具有正反馈效应的分布式MACA算法使得各蚂蚁能以较高的概率选择满足自身QoS约束的较优路径,有效降低路由时延,显著提高任播请求的接受率。(2)在节点位置信息未知的情况下,针对无线传感器网络多约束任播路由问题,结合蚁群路由和蚁群聚类思想,提出了一种基于蚁群优化的可靠任播路由算法ARMCA。该算法兼顾节点能量和路由时延双重约束,引入带正反馈特征的蚁群优化来为每个数据包寻找自源节点至相应Sink节点的较优路径,以降低路由传输时延,节省路由能耗。算法同时引入基于蚁群聚类思想的自恢复机制来应对网内簇头或Sink节点的失效,通过平滑过渡到新的稳定态来自动消除节点失效造成的负面影响。仿真实验表明,在相同QoS约束条件下,随着网络规模的增大,ARMCA算法在能耗和时延两方面的优越性更为显著。在遭遇节点失效时,ARMCA算法仅需相对较短的时间便可恢复至新的稳定状态,从而保证了网络数据的可靠传输。(3)在网络拓扑结构动态变化的情况下,针对移动自组网多约束任播,提出了一种基于蚁群优化的任播算法AMMCA。该算法充分考虑节点的移动性,引入信息素扩散模型以增大对较优路径周边的节点扩散信息素,从而降低因节点移动导致的路径断裂;同时,通过构建多路径路由以均衡网络负载,进一步减轻因节点移动造成数据传输中断带来的负面影响。仿真实验表明,在平均数据包接受率及端到端路由时延等方面,与其它移动自组网任播路由算法相比,AMMCA算法具有良好的性能优势。(4)对于能量等资源受限的规模较大的无线传感器网络,如何节能地处理多个查询节点发起的并行式复制数据查询是一个挑战性难题。本文提出了一种基于多蚁群优化的节能复制数据查询处理算法MACQP。该算法首先执行事件数据的随机复制,然后在查询节点发送前向蚂蚁搜索到达事件某一副本的较优路径,搜索过程具有一定的智能性。当找到目标数据后,产生后向蚂蚁原路返回并执行事件数据二次复制,使得后继查询蚂蚁能沿信息素强度较大的较优路径在更近的节点找到目标事件数据,缩短了搜索路径的长度,使得总搜索能耗显著降低,整体上降低了查询总能耗。理论分析和仿真实验表明,MACQP算法通过蚁群协作产生的智能搜索和动态复制,在节能性方面优势明显。(5)针对大规模无线传感器网络的实时应用,兼顾查询处理的节能性和实时性,提出了一种基于多蚁群优化的实时查询处理算法ARTQP。该算法采用一种优化的分簇方法和分环存储策略,使得查询能区分处理不同优先级的事件数据,实时性越高的事件具有更大的概率被前向蚂蚁所探知,搜索过程具有较好的智能性。当找到目标事件后,产生后向蚂蚁返回并执行事件动态二次复制,使得后继查询蚂蚁能沿较优路径在更近的存储节点找到目标事件数据,以显著缩短搜索路径的平均长度和平均查询时延,降低查询总能耗。理论分析和仿真实验表明,与已存查询处理算法相比,ARTQP算法在实时性和节能性方面性能增益明显,且网络规模越大,性能优势越显著,在QoS要求较严格的情况下,亦能取得良好的性能。