蚁群算法(ant colony algorithm简称ACA)是最近几年才提出来的一种新型的模拟进化算法，它来源于对真实蚂蚁群体寻找从巢穴到食物源最短路径方法的模拟，体现了真实蚁群的协作过程。算法由若干个蚂蚁共同构造解路径，通过在解路径上释放信息素，借助选择策略、信息素更新等操作来提高解的质量，进而达到优化的目的。可见，它是一种随机搜索算法。蚁群算法不仅能够智能搜索、全局优化，而且具有高度的本质并行性、正反馈性、鲁棒性及协同性等优点，在解决复杂优化问题上显示出了良好的适应性，具有许多优良品质和实际应用价值，是一种很有前景的方法。因此，蚁群算法的研究无论从理论上还是实用上都具有较高的价值。作为一种近年提出的新算法，蚁群算法还没有像遗传算法、模拟退火算法等那样形成系统的分析方法和坚实的数学基础，算法中各个参数的选择也没有理论上的指导；算法初期信息素匮乏，导致搜索时间较长；算法运行过程中容易出现收敛过早或停滞现象；不能扩大解的搜索范围；不能很好的利用当前解所带的信息等。本文以基本蚁群算法的性能分析为背景，通过实验分析了基本蚁群算法中五个参数：启发因子α，期望因子β，信息素挥发度ρ，蚂蚁数量m以及总信息量Q各自对算法性能的影响。实验结果表明α，β，ρ这三个参数对算法的影响较大，并且他们的作用是紧密耦合的。目前对于这些参数的选择大多以经验或试验来确定，造成试验工作量大且难以得到最佳的参数配合，影响了算法的使用。本文利用遗传算法来优化这三个参数，并将其应用在TSP问题的仿真实验中。实验表明，该方法能够快速的找到一组较优解，可使蚁群算法获得较优的运行性能，说明了该方法的可行性和有效性。本文在查阅大量国内外参考文献的基础上，针对前面基本蚁群算法初始信息素匮乏的缺陷，给出一个可行的解决方案：将蚁群算法与遗传算法相结合形成混合算法(GA-ACA)。其基本思路是：算法一开始充分利用遗传算法快速性、随机性、全局收敛性的特点，搜索出待求解问题的初始信息素分布；然后在此初始信息素分布的情况下，充分利用蚁群算法并行性、正反馈性、求精解效率高等特点来求解。此外，GA-ACA混合算法相对于基本蚁群算法在以下几个方面进行了改进：①引入确定性与随机性相结合的选择策略，减少算法陷入局部解的概率；②对局部信息素与全局信息素采用自适应的信息素更新策略动态调整，更好的利用当前解；③引入2-opt局部搜索算法来扩大解的搜索空间。将混合算法在经典的组合优化问题旅行商问题(TSP)和二次指派问题(QAP)上进行了仿真验证。实验结果表明，该混合算法不但加速了蚁群算法的收敛速度，而且提高了所得优化解的质量。