自然界中生物的某种行为可能只是简单的重复性的生存方式,却往往可以从这些细小的发现衍变为智能领域的大智慧,蚁群算法(Ant Colony Optimization,ACO)就是其中的一个典范。作为一种典型的启发式搜索算法,它的优势在于“遇强则强”,在简单问题的求解中相较其他算法可能没有显著优势。但是在求解传统优化方法难以奏效的NP-hard问题中显示出很高的效率,不仅降低了获得大规模组合优化问题解决方案的成本,而且具有高速度和高精度的优点。因此,从旅行商问题到机器人路径规划,从数据挖掘到深度学习等都有蚁群算法的身影。尽管ACO有着诸多的优点,但也存在其作为启发式算法固有的缺陷:收敛速度慢和早熟停滞等问题。针对这些问题,本文在基本蚁群算法的基础上,做了基于搜索集中度、动态信息素更新和信息素回滚机制的改进。通过在选择策略中引入“搜索集中度”因子,让算法可以自适应的调节蚂蚁选择城市的范围,即当蚂蚁在上轮搜索中过于集中,则扩大搜索范围,反之则缩小搜索范围,这样可以加快收敛速度。此外采用信息素增量动态更新的方式能够充分利用当前已获得的解,对路径上的信息素增量及时调整,使得改进的算法能够更好地搜索全局最优解。同时信息素回滚机制的参与,也使算法更容易跳出局部极值避免早熟停滞现象的发生。实验结果表明,改进后的算法相比基本蚁群算法和其他几种采用动态更新方式的蚁群算法,在收敛速度、求解精度、全局性和稳定性等方面都有了明显的改进和提高。本文将改进的蚁群算法应用于景区内的旅游路线规划,并设计了一种景区多目标路线规划模型,根据旅游时间段的不同,运用不同的方法,即在旅游旺季使用景区多目标路线规划模型,旅游淡季使用改进的蚁群算法规划路径。该路线规划模型的优势在于不单一使用路径长度作为选路的目标,而是考虑到游客人数较多时人群密度对行走时间的影响,景区承载量对等待时间的作用,以及游客个人的兴趣爱好,根据这些指标来选择下一节点。以“云南民族村”景区为实例,采用真实数据与随机数据相结合的方式,在相同条件下与利用改进的蚁群算法进行路线规划作对比试验,结果在客流量较大时,新模型可以有效缓解游客过度聚集,缩短游客的行走、等待时间,在一定程度上提高了游客的满意度。