移动agent技术是一种具有自主性、协作性以及迁移性等特点的新型网络计算技术，它可以代替用户去完成各种所需的任务，而且能根据用户需求和实际情况在网络中自主地进行迁移，其最大的特点就是迁移性，合理的迁移路径和有效的迁移策略将使移动agent的性能得到极大的改善。而旅行agent问题（TAP）是移动agent迁移方面的一个经典的路径选择问题，它是一个复杂的组合优化问题，该问题的目的在于搜索到移动agent在不同主机间移动时的最优路径，其时间复杂度极高，这就要求该问题的求解方法必须具有自适应、自学习、分布式和并行化的特点。蚁群算法是一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法，具有正反馈、分布式计算和富有建设性的贪婪启发式搜索等特点，是解决TAP问题的有效方法。但在求解TAP问题时，基本蚁群算法不仅易于陷入局部最优而且搜索时间较长。针对这些缺点，论文首先结合蜂群算法中跟随蜂思想，引入跟随蚁加快算法搜索到问题最优解的过程。同时，加入阻塞度因子以避免算法陷入局部最优。在此基础上，构造信息素全局更新规则使算法更符合TAP问题的特征。实验结果表明，文中改进的算法能够较好的解决群体多样化与搜索耗时长之间的矛盾，使得移动agent能以更优的效率找到问题的最优解。论文通过实验比较了蚁群算法中各种参数（信息启发式因子α，期望启发式因子β和信息素挥发系数ρ）取值对算法效率的影响作用。在前述算法基础上，进一步引入信息熵，构建出对信息素挥发系数能够进行自适应调整的改进算法。仿真实验结果表明，改进算法在解决实际的旅行agent问题时，有更好的适用性。