群体智能是指任何启发于群居性昆虫群体和其他动物群体的集体行为而设计的算法和分布式问题解决装置。群体智能具有分布性、鲁棒性、非直接通信和简单性等特点,在解决组合优化问题、知识发现、通信网络、机器人等研究领域显示出了巨大的优势和潜力。蚂蚁算法是群体智能算法的重要内容之一。根据蚂蚁群体不同方面的行为特征,蚂蚁算法分为受蚂蚁觅食行为和标注路径行为启发的模型、受孵化分类启发的模型、受劳动分工和协作运输启发的模型。本文重点研究了前两种蚂蚁算法模型。　　受蚂蚁觅食行为启发的模型又称为蚁群优化算法(ACO),它是一种新型仿生进化算法,是继模拟退火、遗传算法、禁忌搜索等之后又一启发式智能优化算法。从提出到现在,蚁群算法已成功应用于求解TSP、二次分配、图着色、车辆调度、集成电路设计等优化问题。本文针对蚁群算法收敛时间长、易陷入局部最优的缺点,提出一种带佳点杂交算子的非均匀窗口蚁群算法。该算法能够有效地缩短搜索的时间,并能对最终解进行优化。　　受孵化分类启发的模型又称为蚂蚁聚类模型。很多种类的蚂蚁都能够将卵和小幼虫紧密地排列成束并放置在巢穴孵化区地中心,而最大的幼虫位于孵化束的外围。Deneubourg等人最先提出了一个基本模型来模拟该现象。对基本模型比较成功的改进有LF算法和CSI算法。本文对LF算法和CSI算法进行了研究,并提出一种基于蚂蚁算法的离群数据挖掘算法,按照蚂蚁聚类模型的特点定义离群数据,使其不受簇形状和大小的影响,而且该算法参数较少,最大程度的避免了主观影响。另外又提出一种改进的CSIM算法,采用复相关系数的倒数赋权法改进了CSIM算法中的距离计算,使得相似的数据对象能快速的聚集到一起,从而避免了大量无效的相似度计算,提高了算法的效率。　　最后,本文将上述两个基于蚂蚁算法的改进算法应用到客户关系管理的客户细分中,验证了算法的效果,拓展了蚂蚁算法的应用领域。