蚁群优化算法是由意大利学者Dorigo M等人于1991年提出的一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法。蚁群优化算法以其分布式并发性、较强的鲁棒性、易于与其他方法相结合等优点引起越来越多的国内外学者的关注,成为目前国内外启发式算法的研究热点和前沿问题。尽管蚁群算法目前尚未形成严格的理论基础,国内外的相关研究还处于实验探索和初步应用阶段,但是研究工作已经由当初单一的旅行商问题领域渗透到多个应用领域,由解决一维静态优化问题发展到解决多维动态组合优化问题,由离散域范围扩展到连续域,而且在蚁群算法的硬件实现上也取得许多突破性的研究成果,从而使这种新兴的仿生优化算法展现出勃勃生机和广阔的发展前景。本文在阅读国内外大量文献资料的基础上,总结了当前蚁群算法的研究成果和亟待解决的问题,介绍了算法的发展历程、算法的基本理论、核心思想、数学模型、ACO优化算法的概念和实现框架、基本蚁群AS算法的实现框架及步骤。由于蚁群算法的参数配置没有完善的理论依据,且算法对于参数依赖性很强,参数α、β、ρ等的选取原则和选取方法直接关系到算法的收敛性和寻优能力。为了对算法的改进提供理论依据,本文进行了大量的参数测试,并详细地进行了参数的分析,确定了AS算法和ACS算法参数的最佳配置。在完成基本AS算法和ACS算法参数分析的基础上,进行了两点重要改进,提出了2点改进方案,即采用新的信息素初始化方法和局部搜索中通过聚类进行二次搜索,得到了一种改进的蚁群优化算法。利用Matlab完成了基本蚁群AS算法和改进的蚁群ACS算法的相关程序,并以TSPLIB中的Olive30为实例,对基本蚁群AS算法和改进的蚁群ACS算法进行了测试。仿真结果表明,本文改进后的蚁群算法,其收敛速度和全局寻优能力均优于同期的已有研究结果。