蚂蚁个体智能十分低下，但整个蚁群却拥有惊人的智能，能够完成远远超出蚂蚁个体能力的复杂任务。通过对蚂蚁社会性行为的观察发现，蚁群通过一种媒介质机制来协调蚂蚁个体的行为，使它们总能找到巢穴和食物源之间的最短路径，这正是蚁群优化算法的灵感来源。20世纪90年代初，第一个蚁群优化算法—蚂蚁系统在意大利米兰理工大学诞生，之后蚁群优化算法逐渐发展成为一种重要的元启发式算法，而且它的应用已经渗透到学术、工业和商业等各个领域。作为一种新兴的仿生算法，蚂蚁系统吸引了大量专家和学者的关注并演绎出众多不同的改进版本。这些蚁群优化算法对原始蚂蚁系统所采用的具体改进方法虽各不相同，但是它们采用的改进思想却十分相近，改进策略大致相同。本文总结了蚁群优化算法的三种常用改进策略—基于解的构造的改进策略、基于信息素更新的改进策略以及基于解的处理的改进策略，以蚂蚁系统最为著名的四个改进版本—精英策略蚂蚁系统、基于排名的蚂蚁系统、蚁群系统和最大最小蚂蚁系统为例详细阐述了这三种策略，并通过实验验证了它们的改进效果。这三种改进策略可以帮助蚁群优化算法的学习和理解，并用于改进现有的蚁群优化算法，为新蚁群优化算法的设计的提供思路。现有的蚁群优化算法都采用了一种选择偏置，对搜索空间以一定的概率进行有偏的选择和搜索，从而实现正反馈机制，保证算法的寻优能力。然而，选择偏置的使用伴随着使算法陷入局部最优和早熟收敛的危险。为了克服蚁群优化的这个弊端，结合本文总结的蚁群优化算法常用改进策略，本文提出了一个全新的蚁群优化算法—适中蚂蚁系统。适中蚂蚁系统将人工蚂蚁分为两类：面向利用的人工蚂蚁和面向探索的人工蚂蚁。面向利用的人工蚂蚁专注于通过利用已有的知识和经验进行解的构造，逐步改进解的质量，而面向探索的人工蚂蚁则专注于对搜索空间中新知识的探索。受到自然界中一些小家蚁属类蚂蚁的适应性行为启发，本文为面向探索的人工蚂蚁设计了全新的转移规则，使其倾向于选择具有适中信息素浓度的边。此外，适中蚂蚁系统也采用一种新的信息素更新规则以配合两类人工蚂蚁的搜索行为。实验结果表明，适中蚂蚁系统能够在保证解质量的同时削弱选择偏置的负面影响从而更好地探索问题的搜索空间，一定程度上克服了局部最优和早熟收敛，具有优异的性能。