蚁群算法（ACO）是二十世纪九十年代初由意大利学者M.Dorigo等人提出的一种真实模拟自然界中蚂蚁群体觅食行为的新型启发式算法。它是继神经网络算法、模拟退后算法、遗传算法等启发式算法之后的又一应用于组合优化问题的启发式搜索算法。在过去的时间里，蚁群算法已经广泛应用在组合优化、数据挖掘、函数优化、网络路由、系统辨识等领域。本论文围绕蚁群算法的原理及理论，就蚁群算法在控制系统中的的应用做了较为深入的研究。本文的主要研究成果包括：1).提出了一种基于蚁群算法的满意PID参数优化的方法。当被控参数是定值时，传统PID参数优化多采用Z-N法等进行优化；当被控参数是区间变化时，PID参数优化一般采用鲁棒算法，但鲁棒算法理论性强，难以掌握，所以在此提出了一种基于蚁群算法的满意PID参数优化的方法。仿真结果表明了算法的有效性和可行性。2).提出了一种基于蚁群算法的非线性方程组的求解方法。非线性方程组的求解一般采用迭代的数值方法解决，此算法收敛速度较快。但对于一些非强线性方程组的求解，数值方法易导致失败且效率较低，所以在此提出了一种基于ACO的非线性方程组的求解方法。结果验证了该算法的有效性，其求解速度高于传统数值方法。3).提出了一种基于蚁群算法的Wiener模型辨识的方法。由于静态非线性函数的多样性及中间信号的不可测，Wiener模型的辨识变得困难。当Wiener模型的非线性模块变得复杂时，模型的参数会达到几十个，甚至更多，使用传统的优化算法很容易进入局部最优，几乎无法得到正确的解，所以提出了一种基于蚁群算法的Wiener模型辨识方法。仿真结果表明了该算法的有效性及可行性。