多目标优化是指在多个目标上同时进行优化，并且，一般这些目标是相互冲突的。证券投资组合的两个基本度量指标是收益和风险，且收益越大风险越大，收益越小风险越小。然而现实生活中，人们对于投资组合的期望和目标是收益大而风险小。所以证券投资组合优化可以看成是基于风险和收益两个目标的多目标优化问题。蚁群算法是人工智能算法的一种，被广泛地应用于求解组合优化问题中，都达到了预期的结果。然而，目前在证券投资领域基于蚁群算法的研究大部分是单目标优化的。本文使用蚁群算法在多目标优化下求出了证券投资组合的有效边界，即Pareto前沿。这是蚁群算法在多目标优化应用领域上的一次研究、尝试和拓展。本文的主要工作是：1.查阅文献，了解了当前证券投资和蚁群算法的研究现状。2.建立了证券投资组合问题在蚁群算法下的模型。3．基于多目标优化问题的连续域蚁群算法，改进了启发函数、自适应信息素、最大最小信息素范围。4.编码实现了改进的蚁群算法，求出了证券投资组合的有效边界。5.本文同时实现了基于多目标优化的模拟退火算法。在实验章节安排两个算法分别对同样的数据求解有效边界，在相同迭代次数和相同Pareto解集规模两种情况下，使用U-度量对两种算法得到的Pareto前沿的均匀度进行了比较。6．文章最后对蚁群算法中的参数进行了简单分析，明确了参数的作用。证券投资在理论研究和实际应用中都很有意义，而将蚁群算法用于证券投资组合的多目标优化问题，对于拓展蚁群算法的应用也是一次有意义的尝试。本文的研究是有一定的理论意义和实际价值。