在网络拥塞机制研究的发展历史上，人们关注的焦点从源端走向中问节点是第一次重要变革。第二次重要变革就是将整个网络系统视作一个被控系统，把成熟的控制理论引入到拥塞控制算法的没计之中，为网络拥塞算法的设计提供了大量的素材。2001年C．Hollot等人将经典控制理论引入到AQM算法的设计之中，提出了用于网络拥塞控制的PI算法。由于PI算法本身的特性，使得该算法的响应时间比较长，于是人们又引入了微分环节，相继出现了PID算法和PD算法，微分环节的引入使得系统的响应时间缩短，超调量降低。但是面对具有强时变性、强非线性的计算机网络，微分环节会放大这些特性对算法性能的影响。模糊算法也被引入到网络拥塞控制算法的设计之中，文献12提出了一种基于模糊控制的主动队列管理算法，该算法使用一个二入一出的模糊控制器，两个输入量分别为输入速率和队列长度的变化，输出量为丢弃率的增量。为了能够容纳突发数据流，对输入速率采取加权滑动平均的办法，两个输入量的模糊化均采取非均匀分割。一种将模糊算法和PI算法相结合的新算法，该算法使用一个模糊控制器对PI算法的两个参数进行实时的自适应调整。模糊控制器以队列误差和队列误差的变化作为输入量，根据两套模糊控制规则，对PI算法的比例系数与积分系数进行调整。文献13提出了一种基于模糊调节滑膜面的TCP拥塞控制算法，该算法通过模糊调节滑膜表面，使得队列的跟踪性能得到改善。一种基于模糊理论的拥塞控制算法。该算法充分利用了模糊理论在处理不确定问题上的优势，依据路由器负载的模糊化，将拥塞程度划分为四个状态：正常、轻度、中度、严重，结合整体与局部的拥塞状态，取得了较好的效果。模糊算法本身具有一些良好的特性，例如：不需要精确地被控系统模型，可以适应变化的被控系统，响应速度快，可以引入专家经验等等。但是模糊算法不能保证较小的稳态误差，通常只适用于一个或者两个输入量，当输入量超过两个之后，模糊规则表的设计就会变得十分困难。同时得益于人工神经网络理论的发展，神经网络理论也被应用在网络拥塞控制算法的设计之中。神经元是神经网络的基本单位，具有比较简单的结构和一定的自适应能力、自学习能力。一个神经元具有多个输入，每一个输入均会有一个对应的加权系数，单个神经元使用线性的传递函数和LMS学习规则算法，通过改变各个输入的加权系数来获得一定的自学习能力。文献15提出了一种基于独立神经元的自适应主动队列管理算法，该算法针对传统PI算法自适应性不足的缺点，利用两个独立的神经元控制器来动态调整PI算法参数，两个神经元根据系统实时的状态采用最速下降法。根据TCP流模型，利用RBF辨识器进行在线地辨识，将辨识结果提供给单神经元控制器，单神经元控制器对PID的三个参数进行在线整定。文献17设计了一种单神经元自适应PID控制器。该算法依据队列长度的变化信息动态地调整神经元的三个输入加权系数和一个输出比例系数。一种基于模糊神经网络的捐j塞控制算法。该算法使用神经网络对模糊控制器的隶属度函数的参数和加权系数进行实时地修正，避免了依据经验确定算法参数的弊端。实时队列长度的误差以及输入输出速率之间的误差作为神经网络的两个输入，通过神经网络的输出对模糊控制器的相关参数进行动态地调整。

自1998年Braden等人提出主动队列管理技术以来，很多学者对此进行了大量的深入研究，设计出了很多种拥塞控制算法。但是在当前的网络环境下，已有的拥塞控制算法依然无法很好的解决网络拥塞这一问题。原因就是计算机网络本身具有很强的时变性和非线性，致使单一的算法和单一的参数设置不可能在不同的网络环境下取得良好的拥塞控制效果。因此，设计一个对网络状态的变化具有一定自适应能力的拥塞控制算法就显得极为重要了。可以提高算法自适应能力的方法有很多，常用的有模糊算法、神经网络、遗传算法等等。算法将PI控制器视作一个二入一出的神经元，依据网络的实时状态信息，让PI控制器的两个参数按照LMS算法进行在线调整。算法将当前队列长度与上一次计算出的平均队列长度相比较来实时调整RED算法的加权系数缈，依据当前队列长度来实时调整RED算法的最大丢弃率。一种基于模糊参考模型机制的网络自适应拥塞控制算法，该算法以模糊参考模型机制的核心来提高AQM算法的自适应能力，用两条通道分别实现AQM的控制能力与学习能力，并结合参考模型机制实现模糊反向推理。文献22在灰色预测、自适应控制、虚速率三者的基础之上，提出了一种基于自适应灰色预测的虚速率算法。该算法将二次型性能指标引入到VRC算法中的PID控制器参数整定之中，按照性能指标的负梯度方向修改加权系数。