蚁群算法是通过模拟真实蚁群之间相互作用的行为而提出的一种随机搜索算法,与遗传算法、粒子群算法、模拟退火算法、禁忌算法等启发式算法一样是应用于求解组合优化问题的启发式搜索算法。随着算法应用范围的扩展,其越来越受学者的注意。同时,蚁群算法结合了分布式计算、正反馈机制和贪婪式搜索算法等特点能够快速可靠地解决困难的问题。因此,在仿生智能领域中,蚁群算法是其研究热点之一。尽管蚁群算法已被广泛地应用于求解组合优化问题、静态问题等,但在理论研究方面还需要进一步的深入,而且蚁群算法在运行过程中需要较长的搜索时间,且容易陷入局部极小值,同时算法还容易受到初始因素的干扰。因此,需要对蚁群算法更进一步的研究。本文首先对蚁群算法近几年的国内外研究现状进行了归纳总结;其次整理了蚁群算法的原理及其基于TSP问题的数学模型,分析了蚁群算法的搜索策略,利用MATLAB软件对蚁群算法的各个参数进行了仿真分析,得出了参数对算法性能的影响程度;同时探讨了蚁群算法的典型应用实例。最后,在深入研究目前各种改进的蚁群算法模型的基础上提出了一种融入遗传算子的蚁群算法。该算法为了说明节点之间的长度对后来的蚂蚁选择该路径的贡献程度,在信息素局部更新过程中采用新的更新规则;该算法通过引入遗传算法中的反序算子对蚁群算法中得到的解进行反序,并以Metropolis接受准则接受优化的解,从而对算法得到的解进行改良;在参数设置方面采用正交试验设计方法确定参数的最佳组合。仿真结果表明,本文提出的改进算法提高了最优解的收敛速度。