蚁群优化算法是一种仿生型的智能优化算法,具有正反馈、分布计算和启发性搜索等特点。作为计算智能和群智能的重要分支之一,蚁群优化算法已经成功地应用于许多组合优化问题的求解。本文在对几种常见的蚁群优化算法进行了比较深入、系统分析的基础上,着重讨论采用蚁群优化算法求解旅行商(TSP)问题。论文首先采用国际上通用的测试问题库TSPLIB中的几种TSP问题作为测试对象,对几种蚁群优化算法进行了性能比较,并对算法参数的最优化配置进行了仿真实验和分析。结果表明,对于小规模的TSP问题,各种算法都表现出优越的性能,能在较短时间内找到最优解;但在大规模的TSP问题上,现有的算法都不能在有限的时间内找到最优解,容易陷入局部最优局面,算法过早收敛停滞。因此,有必要对算法进行改进,使算法在中大规模的TSP问题上有较好的性能。针对基本蚁群算法求解TSP问题容易出现停滞现象的缺陷,本文提出了一种改进的蚁群算法。算法的基本思想是将信息素分为局部和全局二种不同的信息素,在搜索过程中,对局部和全局信息素采用不同的更新策略和动态的路径选择概率,使得在搜索的中后期能更有效地发现全局最优解。利用TSPLIB的数据进行的实验结果表明,改进后的算法对于中大型TSP问题,具有更好的发现最优解的能力。本文引入了解的性能分布的概念,通过对算法求解TSP的解的性能分布分析和运行时间分布分析,得出了一些有意义的结论:算法找到最优解的概率是随着运行时间的增加而增大的;算法运行前期改进解的性能速度较快,但后期明显减慢;可以通过重启策略获得与最优解距离在一定范围内的解。