蚁群优化(Ant colony optimization,ACO)是一种模拟蚂蚁觅食行为的智能仿生算法。蚂蚁们释放特殊的化学物质信息素来进行个体与环境之间的交流,并通过感知信息素浓度来选择前进道路。这种行为启发了人类,进而发明出了人工蚂蚁来解决组合优化问题,并得到了很好的结果。因此,现实世界中的许多问题都能通过蚂蚁的相互协作有序地被解决。然而,传统的ACO主要解决的是静态优化问题,即在算法执行期间环境不发生改变。由于环境是固定的,ACO能够逐渐地收敛并最终发现最优解。事实上,现实中的大多数问题都是动态的,即变化的环境。目标函数,约束条件和控制参数等都可以随着时间的变化而变化,求解这些变量将变得复杂和困难。所以,应当利用原先环境的有效信息。尽管在解决动态问题上有很多困难,但ACO由于自身的鲁棒性和自适应性在传递环境信息时具有一定的优势。当环境发生变化时,ACO能够根据路径上的信息素来快速追踪最优解。在本文中,采用了ACO来解决三个动态优化问题,分别为动态旅行商问题,动态机车路由问题和动态定位路由问题。动态环境由随机和循环两种动态交通因素构成,用来实时表示交通拥堵情况。与此同时,各种改进的ACO被提出用来求解相应的问题。首先,基于近邻搜索的改进aco被提出用来解决随机变化的动态旅行商问题。由于动态旅行商问题的解是一条闭合路线,因此,通过局部优化解的组成可以有效提高在动态环境中解的质量,而近邻搜索就是一种有效优化解的组成的方法。交换、插入和2-opt三种优化操作被随机选择用来修改解。通过这种方式,解的多样性被提高,意味着当环境发生变化,算法有很高的概率快速发现一个更好的解。实验表明改进算法能够优于传统的aco和带有移民策略的aco。其次,aco结合随机移民策略、精华移民策略和存储移民策略被用来求解动态的机车路由问题。由于动态机车路由问题包含多条机车路线,局部优化的方式会显得十分复杂和低效,因此,利用移民策略可以提高aco在动态环境中对最优解的追踪能力。三种移民策略在不同的环境下展示出了各自的特性,与传统aco的对比实验表明了改进算法的高效性。最后,基于聚类和三种移民策略混合的aco被提出用来处理动态的定位路由问题。考虑到动态定位路由问题中仓库的选取,采用聚类的方式是一种较新的思路。先利用距离成本函数来自动确定仓库及其服务的顾客范围,再使用aco结合三种移民策略有效解决动态的机车路由问题。实验证明了聚类算法优化了解的结构从而提高了移民策略的效果,使得改进算法既优于未使用聚类的aco,还优于传统的aco以及模拟退火算法和遗传算法。本文的所有实验均验证了提出的改进aco的优越性,表明本文所提出的所有的改进aco在解决各自相应的动态优化问题上均是一种有前途的方法。