用蚁群算法进行多模函数优化时,容易陷入局部最优,从而影响了寻优精度和收敛速度。当函数维数较高时,蚁群算法运行速度会明显下降。为了解决这些问题,本文提出了两种改进算法。　　 提出的第一种算法是用于求解连续空间优化问题的分组蚁群算法。该算法将连续空间优化问题的定义域划分成若干个子区域,并给每个子区域分配一组蚂蚁。每组蚂蚁在各自的区域里进行搜索,当一组蚂蚁陷入局部最优时,其他组可以正常工作,组之间相互不受影响。且在搜索过程采用“精英策略”并利用精英蚂蚁更新普通蚂蚁的位置信息,以加快算法的收敛速度。同时,当普通蚂蚁离精英蚂蚁之间的距离较长时,使用大步长搜索,以加快搜索速度,反之,采用小步长搜索,可提高搜索过程的精细程度。该方法使每组蚂蚁的搜索空间成倍地缩小并能有效地改善陷入局部最优的情况,从而能使收敛速度和精度大幅提高。　　 提出的第二种算法是遗传算法与网格蚂蚁算法相结合的混合算法。在进行函数优化时,遗传算法具有很大的灵活性且全局搜索能力强,但其存在早熟收敛和后期收敛速度慢及局部搜索能力弱的问题;网格蚂蚁算法具有局部搜索能力强、优化精度高等特点,但其全局收敛速度较慢。因此提出了用于连续优化的遗传网格蚂蚁融合算法。该算法将遗传算法和网格蚂蚁算法相结合,用遗传算法进行大范围全局搜索,用网格蚂蚁算法进行局部迭代寻优,经过若干次循环迭代产生最终结果。为了使得初始遗传算法中的基因具有更好的多样性,本文采用了具有很好遍历性的混沌算法对基因进行初始化,以改善算法全局收敛的可靠性。　　 对上述两类算法进行了大量的计算机仿真实验,并且与其它同类算法进行了实验比较与分析。仿真实验结果表明,这两个算法在解决复杂函数优化问题时全局收敛性能好、速度快,尤其在解决高维多峰函数优化问题时效果更显著。