蚁群算法是近年来一种新兴的群智能算法,在解决大规模组合优化问题中取得很好的效果,具有广阔的发展前景。然而,现有蚁群算法的内在机制存在不足,限制了其性能的充分发挥。因此,提高蚁群算法性能,具有很强的理论和现实意义。本文介绍了人工蚁群算法(ACO)的基本思想和模型,列出了人工蚁群算法搜索时间较长,收敛速度慢的缺点,详述了并行蚁群算法(PAC),在PAC中,针对各个子机对固定模式进行重复搜索的缺点,提出基于模式学习的并行蚁群算法(MPAC),设定标准对固定模式进行学习,并传递给其他处理器,减少计算复杂度,分别应用MPAC、PAC和ACO针对bier52、 kroA100、kroE100、bier127、ch150、kroE150六个TSP测试问题在matlab平台上仿真显示MPAC运算精度与PAC相近,优于ACO。MPAC在大部分问题中收敛次数低于PAC和ACO, MPAC有效的记录下了最优模式,加快了收敛速度,模式学习同时降低计算问题的计算复杂度,减少搜索时间,因此,MPAC优于PAC和ACO。蚁群初始阶段等概率的选择路径,存在收敛速度较慢的问题,针对这一缺点,提出基于模式学习的并行混沌蚁群算法(CMPAC)。利用混沌运动的遍历性,进行混沌初始化,每个混沌量对应于一条路径,产生大量的路径,从中选择比较优的路径,使这些路径留下信息素(与路径长度的和成反比例)。各路径的信息素就不同,以此引导蚂蚁进行选择路径,从而大大加快了收敛速度。引入混沌初始化,加快了收敛速度,但是混沌初始化会导致算法更易陷入早熟状态,即陷入局部最优解,为了改进算法,加入了混沌扰动,在更新信息素时,加入一个混沌量来干扰信息素的更新,以使其跳出局部极值区间,同样应用CMPAC针对6个TSP测试问题仿真和MPAC、PAC比较发现,CMPAC运用在berlin52、kroA100、kroE100、ch150、kroE150最优解最小,证明其混沌干扰因子在大部分TSP问题中,一定程度上跳出了局部最优解,最优解的精度高于MPAC和PAC,在berlin52、kroA100、kroE100、bier127、kroE150中,经过混沌初始化使得较优路径赋予额外的信息素值,加快了收敛速度,CMPAC收敛速度最快,因此,CMPAC优于PAC和MPAC。