研究群居性昆虫行为特性的科学家发现,昆虫在群落一级上的合作基本上是自组织的,在许多场合中尽管这些合作可能很简单,但是它们却可以解决复杂的问题,如个体行为简单、盲目的蚂蚁组成蚁群后能够发现从蚁巢到食物源的最短路径,这种由群居性生物产生出来的集体行为,即群集智能引起了包括计算机科学家在内的众多研究人员的兴趣。生物学家经过仔细研究发现蚂蚁之间通过一种称之为“外激素”的物质进行间接通讯、相互协作来发现最短路径。受这种现象启发,意大利学者M.Dorigo、V.Maniezzo和A.Colorni于1992年提出了一种基于种群的模拟进化算法--蚁群算法,该算法的出现引起了学者们的巨大关注,在过去短短十余年时间内,蚁群算法已经在组合优化、函数优化、系统辨识、网络路由、机器人路径规划、数据挖掘以及大规模集成电路的综合布线设计等领域获得了广泛应用,并取得了较好效果。本文围绕蚁群算法的原理、蚁群算法的改进策略、基本改进算法以及应用展开,就如何改进蚁群算法、抑制算法出现停滞进行了深入研究,并采用TSP对改进算法进行测试。本文主要研究成果包括:1、提出了一种改进蚁群算法。在蚂蚁搜索过程中采用动态伪随机比例选择机制,局部信息素更新和全局信息素更新相结合,同时对更新策略进行改进,首先是局部信息素递减更新策略,其次是全局更新中采用新的更新策略。改进算法扩大解的搜索空间,避免算法陷入局部最优。2、提出了一种分阶段信息素更新蚁群算法。在蚂蚁搜索前期采用迅速积累信息素的更新策略,实现算法快速下降;在搜索后期实行新的更新方式,同时加入随机变化因素使得算法具有随机性,新的更新策略使搜索到当前最优解上信息素更新程度减少,使没有被搜索到的路径和搜索到的路径上信息素相差不是很多,蚂蚁搜索范围相应变的更加广阔,有利于算法在后期搜索到全局最优解。仿真实验结果显示,这两种改进算法在避免早熟、搜索最优解和稳定性等方面具有较好表现。在文章最后,对全文工作进行总结,并展望了蚁群优化算法发展的前景。