伴随着互联网的高速发展,涌现了大量的大规模多用户应用,如视频会议、远程教育、分布式交互仿真等。这些应用的出现带来了带宽的急剧消耗和网络拥塞等问题,而IP组播是有效支持这些应用的重要技术。在传统组播中,组播组数据由一棵覆盖所有组成员的组播树进行转发,树上路由器必须保存每一个组播组的转发状态。当大量组播组并存于网络时,数量庞大的转发状态表占用了大量内存资源并且减缓了组播地址查询过程。同时,大量控制开销用于维持大规模并存的组播树,这些都导致网络性能急剧下降。这就是组播状态可扩展问题,该问题已成为IP组播大规模应用的重要瓶颈。由UCLA网络实验室提出的聚合组播使域内的多个组播组共用同一棵聚合树来转发组播数据包。组播组的聚合使得网络中组播树的数量减少,路由器需要维持的组播转发状态和传递控制信息带来的控制开销都大大降低。其核心思想是不超过带宽浪费门限的情况下最小化聚合树的数量,使之覆盖所有组播组。传统的聚合组播包括三个主要步骤,分别是候选树生成,树选择和组树匹配。其数学思想本质是最小集合覆盖问题,是一个NP-C问题。本文在对传统聚合组播模型深入研究的基础上,提出了优化组播状态可扩展问题的两种方案：基于蚁群优化的聚合组播算法和基于聚类聚合组播的蚁群优化算法。1.基于蚁群优化的聚合组播算法是针对传统聚合组播算法容易收敛到局部最优解,因此难以达到理想的聚合效果的问题而提出的聚合组播解决方案。该方案对集合覆盖问题进行了适当的转化,通过蚁群算法的自组织、分布式协作产生的集体的正反馈效果,使得聚合效果不断向全局最优解进化。试验结果表明,基于蚁群优化的聚合组播与传统的贪婪算法所得到的局部最优解和拉格朗日松弛算法通过放宽约束条件得到近似的优解相比在聚合度、状态转发降低率这些反应聚合组播效果的优劣的指标上存在明显的优势。2.基于聚类聚合组播的蚁群优化算法是针对大规模网络拓扑环境情况下或允许大带宽浪费情况下,可扩展链路数增多,传统聚合组播算法的时间复杂度呈指数增长的问题而提出的新的聚合组播方案。该方案在新的基于约束条件聚类问题的数学模型基础上,依据聚合组播问题的特性并融合了蚁群算法的优化方法,在各项变量及参数综合影响下优化聚合组播的聚类结果。实验结果表明,在可扩展链路较大的实验环境下,基于聚类聚合组播的蚁群优化算法与传统聚合组播算法相比有着明显的时间性能优势。