蚁群算法(Ant Colony Algorithm, ACA)根据蚂蚁的群体行为特性,模仿自然界中的蚂蚁寻找食物到蚁巢之间最短路径的行为,寻找搜索问题的最优解,是一种新型仿生进化算法；是继模拟退火算法、遗传算法、禁忌搜索等之后的又一启发式智能优化算法,在各类复杂组合优化问题中,有着广泛的应用。蚁群算法采用正反馈并行自催化机制,具有较强的鲁棒性、容易与多种启发式算法结合等优点,同时也存在着不可忽视的缺点：例如算法的收敛速度较慢,蚂蚁搜索容易陷入局部最优,从而造成算法停滞现象的出现。本文着重研究了多态蚁群算法在TSP问题中的应用并提出了自定义改进优化算法。多态蚁群算法对基本蚁群算法进行了一定的优化,将蚂蚁分类,所有蚂蚁各司其职,相互依赖,相互合作,形成一个整体。通过仿真实验,发现多态蚁群算法在路径选择和全局搜索方面存在着不足之处,比较容易陷入局部最优。本文对蚁群算法特别是多态蚁群算法进行了大量的研究和分析,提出了两种改进方法,以提高算法的性能。本文研究工作的主要内容有：(1)蚁群算法的概述和研究。介绍了蚁群算法的由来,以及数学模型和算法步骤,并对算法的优缺点进行了分析。(2)阐述了多态蚁群算法的原理,介绍了算法的模型以及步骤,并且通过大量的实验仿真,找到了多态蚁群算法中的信息素更新和路径选择中存在的问题。(3)提出加权值多态蚁群算法。通过加入权值q1和q2,使得蚂蚁能够更好更快更全面地进行全局搜索,并通过仿真实验验证了该算法的有效性。(4)提出BDB多态蚁群算法。重新对蚂蚁进行了分类,并对每一类蚂蚁定义了各自的行走机制,结合模拟退火算法,能够更为快速的搜索出最短路径,通过仿真实验得到结果,该算法具有良好的稳定性和高效性。