蚁群算法(Ant Colony Algorithm,ACA)是一种新型的用于求解组合优化或函数优化问题的启发式算法。它具有正反馈、较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点,已广泛应用于NP完全问题。但是蚁群算法也有一定的缺陷,如:容易陷入局部优化、收敛速度慢等问题。针对蚁群算法存在的缺陷,对蚁群算法搜索策略提出以下三个改进:(1)通过对基本蚁群算法已经生成的初始解产生自适应变异方式,通过自适应变异来产生两个变异点,然后在两个变异点之间执行二次蚁群搜索,从而产生新的解,这样,可以减少算法陷入局部极值的可能,提高算法的寻优能力和收敛速度。在此基础上提出了自适应变异蚁群算法(AMACA)。(2)通过将分支限界法(BABA)引入到自适应变异蚁群算法中,利用分支限界法对蚂蚁的侯选节点集进行优化,去掉不符合条件的可选节点,然后再执行自适应变异蚁群算法。这样,既可以减少很多无效搜索,又可以减少算法陷入局部极值的可能,提高算法的寻优能力和收敛速度。在此基础上提出了分支限界法和自适应变异蚁群算法融合的混合算法(BABA-AMACA)。(3)通过将人工鱼群算法(AFSA)加入到自适应变异蚁群算法的每一次迭代过程中,利用人工鱼群算法全局快速收敛的优点,来加快蚁群算法的收敛速度,并且人工鱼群算法的觅食行为,帮助提高了蚁群算法跳出局部极值的能力。在此基础上提出了人工鱼群算法和自适应变异蚁群算法融合的混合算法(AFSA-AMACA)。上述三种改进算法通过求解QoS路由优化问题,实验结果表明了改进算法的可行性和有效性。