TSP问题是一个典型的组合优化问题,也是一个易于描述却难以处理的NP难题。针对TSP问题的研究,长期以来,人们一直在寻求一种高效、快速的近似算法,以便在合理的计算时间范围内准确地求解一个规模较大问题,其中,典型的智能优化算法有蚁群算法和遗传算法以及两者的混合算法等。本文主要研究一个改进的遗传蚁群混合算法并用于求解TSP问题,其主要研究工作如下：(1)结合TSP问题的特点,在求解初期,应用Delaunay三角剖分的候选集策略来减少求解问题的搜索空间,以加快搜索速度,并以此作为运用改进算法求解TSP问题的基础。(2)重点分析了蚁群、遗传及其传统的混合算法的不足,针对这些缺陷提出了一些改进：1)引入动态融合的策略以确保两种算法的最佳融合时机；2)引入灰预测模型对最大最小蚁群算法信息素限界进行估计；3)引入云关联规则,实现混合算法的参数自适应调节。经过这些改进,使得遗传算法与蚁群算法更好地的动态融合在一起,充分发挥各自优势,更高效地用于求解TSP问题。为了验证改进算法的性能,本文利用TSPLIB提供的实验数据,对比分析了本文所提出的改进算法与最大最小蚁群算法、改进前的遗传蚁群混合算法的运行结果。结果表明,本文所提出的改进算法的性能相对较优。