蚁群算法是一种新型的模拟进化算法,它通过模拟蚁群在觅食过程中寻找最短路径的方法来求解优化问题。该算法的出现引起了学者们的极大关注,在过去十多年的时间里,它已在通讯、交通、人工智能等领域获得了广泛的应用,并取得了较好的效果。论文围绕蚁群算法的基本理论,就如何改进蚁群算法及其实现和改进蚁群算法在旅行商问题(TSP,Traveling Salesman Problem)、Flow-shop生产调度问题、连续对象优化问题等领域的应用进行了较为深入、系统的研究,完成的主要工作有: 1.针对蚁群算法易于陷入局部最优解的缺陷,提出了一种具有信息素变异算子及局部随机寻优策略的改进蚁群算法(PMACO,Pheromone Mutation Ant Colony Optimization),并对其进行了收敛性分析。信息素的变异操作给搜索过程中路径的选择提供了新的可能性,扩大了搜索空间,提高蚁群算法跳出局部最优解的能力,增大了收敛到全局最优解的可能性,有效地解决搜索停滞的问题;局部随机寻优搜索可以加强近似最优解邻域内的局部搜索,提高算法的搜索效率。2.从TSPLIB中选取几个典型问题对PMACO进行了TSP问题上的性能测试,仿真实验结果表明,该算法不仅对解决蚁群算法的停滞问题非常有效,而且提高了运算精度和速度;将PMACO用于求解Flow-shop生产调度问题,选取两个应用实例对其进行检验,优化结果均令人满意。3.针对连续对象优化问题,提出了一种引入微粒群操作的分区混合蚁群算法(PSACO,Particle Swarm Ant Colony Optimization)。该算法首先将连续对象定义域平均分成许多边缘相互重叠的小区域,区域的稠密程度决定了算法解的精度,每个区域赋予一定的信息素值;蚂蚁根据状态转移规则在随机生成的可行解与利用微粒群算法得出的可行解之间选择下一步要去的位置;引入局部寻优策略,加强近似最优解邻域内的局部搜索,提高搜索速度和精度。对于几个典型连续函数进行了优化研究,优化结果表明了该算法的有效性。最后,对全文的研究工作进行了总结,并指出了蚁群算法进一步还要研究的问题。