移动互联网时代的来临,使得我们对互联网的依赖正在与日俱增。在人类和互联网的关系越来越密不可分的同时,人们对互联网的安全意识也必须有所提升,因此建构鲁棒性更强的网络就显得尤为重要。本文在此应用背景下做了进一步的深入研究。对网络的研究离不开用图论工具建模,现存的网络模型有复杂网络模型和规则网络模型。本文基于mesh网络(规则网络)这一模型,将mesh网络的概念推广至广义mesh(Generalized Mesh,GM)网络,在此概念基础上提出了一个GM网络的应用场景,GM的鲁棒生长。即通过一次只添加一个节点的方式向当前的GM网络中添加节点,从而生成一个更大的GM,在此过程中同时要保证每一个状态下的GM网络均为鲁棒性能最优的网络。鲁棒性指标是用来确保网络鲁棒性的重要工具。本文在GM网络的应用场景下也提出了一种新的工具——启发式算法Proximity-Growth来衡量网络的鲁棒性。本文的主要内容如下:①从课题的研究背景和意义入手,分析了该课题目前的研究现状。并有针对性的研究了目前研究该课题需要的工具及常用的网络模型和鲁棒性指标。②对广义mesh鲁棒生长的问题进行了详细的解释说明,然后基于这一问题提出的Proximity-Growth算法的相关理论及算法设计都给出了相应的分析,并简单分析了该启发式算法的性能。最后对该算法可以扩充的方式给出了两个样例。③用Proximity-Growth算法解决GM的鲁棒生长问题,得出一个最优解序列(鲁棒性最好)。然后换用另外四种网络鲁棒性指标(代数连通度,有效阻抗,平均边介数,效率)分别得出了四种相应的解序列。④对比分析五种不同的解序列,发现本文提出的启发式算法Proximity-Growth能够较好地刻画网络鲁棒性,而且在计算效率上略胜一筹。⑤对比分析四种传统的鲁棒性指标发现,计算代数连通度得到的最优解很快就偏离了启发式算法的解序列,而且明显得到的网络鲁棒性不是最优的,说明代数连通度能够较好地刻画网络鲁棒性是值得怀疑的;计算有效阻抗和平均边介数均得出了和启发式算法一致的解序列,一定程度上加固了其衡量网络鲁棒性的能力;计算效率得到了解序列渐渐偏离了启发式算法的解序列,该实验现象说明效率作为网络鲁棒性指标,它的适用范围可能比较受限。