意大利学者M.Dorigo,V.Maniezzo和A.Colorni于1992年通过模拟蚁群觅食行为提出了一种基于种群的模拟进化算法——蚁群优化。该算法的提出引起了学者们的极大关注,在过去短短十多年的时间里,已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得了广泛的应用,并取得了较好的效果。本文围绕蚁群算法的改进及其应用,就如何改进蚁群算法、与其它算法混合、以及在组合优化领域的应用进行了深入研究。文章的主要研究工作如下:首先,针对蚁群算法的初始信息素匮乏和容易出现早熟,提出了一种免疫克隆-蚁群算法。首先采用免疫克隆算法生成初始信息素分布,然后利用融入免疫克隆算子的蚁群算法进行搜索。这种方法能有效地抑制了收敛过程中的停滞现象,提高了算法的搜索能力。在求解大规模优化问题时,为了克服了轮盘赌的盲目性,本文引入一种基于对比度增强的路径选择规则,算法的收敛速度有了很大的提高。将改进后的算法应用于TSP问题,仿真结果表明改进后的算法比原有算法具有更优越的性能。其次,通过汲取蚁群算法(ACA)和抗体免疫克隆算法(AICA)的优点,提出了一种新型的求解0-1背包问题的混合算法。蚁群算法的正反馈机制使其具有突出的局部搜索性能,但容易陷入停滞;而抗体克隆算法搜索区域比较大,但收敛较慢。本文算法充分利用了前者的搜索能力和后者的种群多样性。实验结果表明,本算法是一种收敛速度和寻优能力都比较好的优化方法。最后,对全文的研究工作进行了总结,并展望了蚁群优化进一步还要研究的课题。