基于自然的元启发式算法一直是人工智能领域中一个非常重要的研究课题，在以往的研究工作中，学者们提出了神经网络，模拟退火，遗传算法等许多优秀的元启发式算法，并在解决各类问题时取得了良好的效果。而作为一种较新颖的启发式算法，蚁群算法自上个世纪九十年代初诞生以来，一直受到研究人员的关注。蚁群算法在优化求解许多问题时都能够取得很好的效果，特别是在对一些离散问题求解时的表现尤其突出。 然而，时至今日蚁群算法还是存在一些内在的问题有待解决。和许多其他的启发式算法一样，蚁群算法的一个缺点在于，算法的优化性能往往取决于对于算法控制参数的取值，这些取值在以往的工作中往往是非常机械的，各个参数的取值也是独立的，如果取值不当，蚁群算法将容易陷入局部最优，并且优化性能也不理想。 本文对以TSP问题为优化对象的蚁群优化算法ACS进行参数研究，分析各个控制参数在优化过程中对算法的影响，以及某些参数之间的关系。从而制定一种有效的参数预设规则，在保持算法优化性能的前提下，降低算法参数设置的复杂度。本文的工作主要可以分为四个部分，第一部分，回顾了一些的经典的蚁群算法的优化性能及其应用领域，同时研究了它们参数设置的规则。第二部分，描述ACS算法，研究收敛状态变化对优化性能的影响。第三部分，通过分析算法优化原理，研究算法各个参数在迭代过程中对路径构建的作用，选取具体的预设参数。第四部分，进行ACS算法的仿真试验，研究参数对优化过程的影响，以及参数之间的关系，制定一种有效的参数预设规则。本文的研究工作表明，参数预设规则应用于不同的TSP问题实例时都能取得较好的效果，并且对蚁群算法的参数研究具有很高的发展价值。