移动Agent迁移过程中路径选择的一个经典的、代表问题——旅行Agent问题(TAP),是一个复杂的组合优化问题。蚁群算法(ant colony algorithm)作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,在求解该问题上具有一定的优势,但搜索时间长,易陷入局部最优是其突出缺点。本文结合现有的蚁群算法和移动Agent本身的特点,提出了基于任务权重和算法迭代次数来修改路径上信息素更新规则和信息素挥发系数ρ这两种新方法,来更好的提高蚁群算法的求解性能。本文主要的工作包括:1.首先,介绍了基本蚁群算法的基本原理及其在TSP问题上的应用,给出了该算法的研究现状及应用领域。然后介绍了移动Agent的系统结构及其关键技术,并对其优点及应用进行了简单的介绍。2.针对蚁群算法在求解移动Agent迁移过程中路径选择存在的不足,并结合移动Agent本身的特点,对蚁群算法提出了两种改进的方法。第一种改进蚁群算法——基于任务权重来自适应的修改经过路径上的信息素更新规则及挥发系数ρ。携带任务t i的移动Agent在算法运行的不同阶段,根据自身的任务权重值TW k,自适应的增大或缩小经过的路径上的信息素增量和信息素挥发系数ρ,实验证明,这样可以自适应的克服该算法的缺陷,更好提高求解该问题的能力。第二种方法是利用算法的迭代次数来动态的、自适应的修改经过路径上的信息素更新规则及挥发系数ρ。因为算法在不同的运行过程中,会表现出不同的缺陷,所以根据算法的迭代次数运用相应的策略,来提高该算法的全局搜索能力和防止出现早滞现象。实验证明,本文的算法在求解该问题上具有更强的优势。3.最后,将上述两种改进的算法应用到旅行Agent问题(TAP)上,进行了大量仿真实验,对实验的结果进行了深入分析和比较。实验结果表明,这两种改进的蚁群算法比基本蚁群算法在寻优的能力上有了进一步的提高。