蚁群算法（Ant Colony Algorithm简称ACA）是最近几年才提出来的一种新型的模拟进化算法，它来源于对真实蚂蚁群体寻找从巢穴到食物源最短路径方法的模拟，体现了真实蚁群的协作过程。蚁群算法的出现引起了学者们的极大关注，目前它已成功应用于各种不同的离散优化问题，但对解决连续空间优化问题的研究还刚刚起步。　　 本文在查阅国内外文献的基础上，对蚁群算法的基本理论及在连续多目标优化问题中的应用进行了研究与分析。　　 首先介绍了真实蚂蚁的觅食原理和蚁群算法的基本思想，分析了蚁群算法与真实蚂蚁的异同，并阐述了基本蚁群算法的数学模型、实现步骤及优缺点，进而介绍了蚁群系统算法的基本实现步骤。　　 然后针对蚁群算法不能直接应用于连续空间优化问题这一问题，本文提出一种基于空间全局单位化的蚁群算法SACA（the Space global unit Ant Colony Algorithm）对其参数取值进行了分析，通过对SACA算法进行实验，验证了SACA算法的可行性与有效性。　　 本文针对提出的基于空间全局单位化的蚁群算法SACA易出现停滞的现象，对SACA算法引入了自适应策略，提出一种基于参数自适应的空间全局单位化蚁群算法ASACA（the Adaptive Space global unit Ant Colony Algorithm）。实验结果表明：ASACA算法能克服SACA算法出现的停滞现象，缩短迭代次数，防止陷入局部最优。　　 最后将提出的基于参数自适应的空间全局单位化改进蚁群算法ASACA应用于多目标函数优化问题和催化裂化分馏塔多目标优化问题中，得到了更加优良的结果，进一步验证了ASACA的可行性与有效性。