蚁群算法(ACO)是由意大利学者M.Dorigo,V.Maniezzo等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径的行为而提出的一种基于种群的启发式仿生进化算法。他们通过对蚂蚁觅食行为的研究,发现整个蚁群是通过一种叫做信息素的化学物质进行相互协作,形成正反馈,使多个路径上的蚂蚁逐渐聚集到最短的那条路径上来。蚁群算法的出现引起了学者们的巨大关注,在过去的短短不到二十年时间内,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的应用,并取得了较好的效果。但是,随着解决问题复杂程度的不断增加,传统的蚁群算法越来越显现出其解决问题的局限性,于是,越来越多的学者展开了蚁群算法的改进研究,从目前来看,蚁群算法的改进主要从两个方面展开,一是对蚁群算法本身的改进,诸如针对信息素释放修改进行改进、针对概率选择方式进行改进等;二是与其它其他智能优化算法进行融合改进。本文通过对基本蚁群算法原理的研究与分析,从蚁群算法本身的改进,与其他智能优化算法的融合改进和改进蚁群算法的应用等方面进行了比较系统的研究论述。(1)在二进制蚁群算法的基础上,提出了两种二进制蚁群算法的改进方案,一是将解空间变量直接进行二进制离散化,根据区间大小确定二进制转化位数n,即精度,然后将整个变量组成的这个n位二进制数列看成一个n个城市的TSP问题求解。完全区别于传统蚁群算法和已有二进制蚁群算法中将解空间划分成若干子域,在每个区间内将每个种群独立并行地遍历求解的方法。经测试函数进行测试,算法的收敛速度和寻优迭代次数方面都有了很大程度的改善;二是将加权策略成功应用于二进制蚁群算法的信息素更新方面,使得算法的全局收敛性能大大提高,通过经典测试函数测试,效果明显。(2)将蚁群算法与PBIL分布估计算法相融合,提出了一种新的分布估计蚁群算法。该算法以蚁群算法为主,引入分布估计算法中的PBIL算法的概率分布模型来指导启发蚂蚁的路径选择,从而可以大大的改善蚁群算法由于信息素的正反馈机制而造成容易陷入局部最优的缺陷。(3)从Qos属性最优的角度将蚁群算法成功应用于Web服务组和优化问题。Web服务组合本身就是一种解决复杂问题的方法,其应用也越来越广泛,采用蚁群算法解决Web服务组合优化,并最终给出了最优服务组合对应的Qos属性值,实际上是解决了与之相关的一类问题,具有非常的现实意义。(4)将蚁群算法成功应用于白洋淀景区旅游线路规划问题,从而在第一时间为《白洋淀旅游开发总体规划》规划研究人员提供轮廓性资料,让研究人员节省更多的时间进行细节规划,从而大大提高规划效率。