随着网络通信的飞速发展,带宽资源越来越匮乏,如何高效率地利用网络容量资源成为网络通信研究的热点。在网络组播通信中,线性网络编码(LinearNetwork coding)作为一种编码方案简单且能够获得组播最大流限的技术,引起了广泛关注。线性网络编码将接收到的一组数据视为基域上的向量,通过允许节点对接收到的信息向量进行线性组合来实现编码,从而获得网络组播容量,而传统的路由和复制并不一定能够获得该上限。此外,通过线性网络编码可以获得节省网络带宽资源耗费,平衡链路负载,提高网络链接鲁棒性和网络纠错效率等好处。本文在分析了网络编码理论的基础上,对网络组播中线性网络编码的构造进行了深入研究。着重研究了Q学习(Q-Learning)与线性网络编码的融合,同时为了验证方案的性能,搭建的分层随机网络模型对算法进行了仿真分析。本文所做主要工作如下:(1)针对单源组播网络,研究了线性网络编码中的确定性多项式时间算法和分布式随机网络编码,提出了一种简单的具有多项式时间复杂度的随机网络编码算法,本算法通过节点编码系数的随机选取实现了网络编码的分布式构造。(2)针对单源组播网络,对基于强化学习(Reinforcement Learning)的线性网络编码进行了较深入研究,提出了一种Q学习线性网络编码算法。本算法核心是基于Q学习算法,在传输节点处引入轮盘赌概率思想,允许各信宿节点通过对输入码字的可译性判断来给与各传输边相应的奖赏,从而提高编码构造的效率。(3)参照层次化网络建模,搭建了适合网络编码传输的分层随机网络模型,通过Visual C++实现两种编码算法的性能仿真。仿真结果表明,Q学习线性网络编码算法能够比随机网络编码算法更快的完成编码的构造。