蚁群优化是意大利学者M. Dorigo，V. Maniezzo和A. Colorni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，它具有多样性、分布式并行处理、自组织、自适应和鲁棒性等功能，可以为工程领域的计算提供新的思路。它成功用于组合优化问题的求解，而在求解连续空间优化问题时，蚁群算法模型、各个参量的物理意义等必须做很大的改动才能应用。在求解连续空间优化问题方面其优越性相对其它各类启发式搜索算法要弱，在实际工程问题中也未见很好的应用。在实际控制工程的优化问题中经常遇到的是连续性问题。本文在Socha和蚁群算法创始人Dorigo2008年最新研究的基础上，以直接用于连续优化问题的扩展蚁群算法的分析为背景，研究了扩展蚁群算法的构成、性能、特点及其改进措施，并将其应用于模糊神经网络控制器参数优化、模糊控制器设计等智能控制中。本文的主要研究成果包括：　　首先，针对基本蚁群优化算法不能直接用于连续域优化问题，引进扩展蚁群算法。通过深入研究扩展蚁群算法原理和实验分析得出其性能受参数影响较大，提出了用粒子群算法来自适应调整扩展蚁群算法参数的扩展粒子蚁群算法。其根据优化过程中各参数条件下蚂蚁搜索解的好坏，由粒子群来动态地调整收敛速度参数和局部搜索参数以使其在“探索”和“利用”之间保持平衡，使设计的算法不仅要避免出现停滞现象，而且要具有较强的搜索较好解的能力。　　其次，研究了一种基于扩展粒子蚁群算法优化的正规化模糊神经网络控制器。首先，利用扩展粒子蚁群算法调整正规化模糊神经网络控制器的隶属函数参数和输出权值，然后将该控制器用于控制单级倒立摆系统仿真实验。　　然后，研究了用于混合变量优化扩展蚁群算法的改进策略。其引入调节因子ρ，通过调节ρ的大小使改进的混合变量优化扩展蚁群算法对离散变量优化时既具有较强全局搜索能力，又具有较快的收敛速度。通过限定方差的取值范围使改进的混合变量优化扩展蚁群算法对连续变量的优化避免陷入局部最优。　　最后，针对模糊控制规则的获取完全依赖专家经验以及模糊隶属函数参数与量化因子、比例因子的取值的主观性和盲目性的问题，提出了一种基于改进的混合变量优化扩展蚁群算法的模糊控制器设计方案。该方案利用改进的混合变量优化问题的扩展蚁群算法的离散变量优化部分来自动地设计模糊规则后件参数，用其连续优化部分来调整模糊控制器的比例因子和隶属度函数参数，设计一类满足性能指标的最优模糊控制器。