蚁群算法是一种随机搜索算法,与其它模拟进化优化算法一样,通过由候选解组成的群体的进化过程来寻求最优解,它具有许多优良性质和实际应用价值。本文以基本蚁群算法的性能的分析为背景,探讨了蚁群算法的构成、性能、特点其及改进措施,并提出了在连续空间蚁群算法的模型,结合混沌理论提出了混沌蚁群算法,并通过实例分析了一般函数优化问题中蚁群算法的性能、特点以及进一步研究的方向。首先,着重探讨了蚁群算法的特点,分析算法的主要参数对优化性能的影响。针对蚁群算法搜索时间长、易出现停滞现象一直制约着它在众多领域进一步推广应用这一缺点,文中对基本的蚁群算法做一系列改进,使其在优化的过程中能够快速找到全局最优解。通过函数验证,改进的蚁群算法在加快收敛速度上收到一定的效果。其次,由于改进蚁群算法在提高全局收敛能力上的局限性,文中在对Logistic映射和Ulam-von Neumann两种典型混沌映射进行分析的基础上,分析了混沌算法的内随机性、遍历性、规律性和对初值的敏感性的特点,进而提出将蚁群算法和混沌算法进行混合。用标准函数对混合算法进行验证,函数优化结果表明混合算法比混沌算法具有更高的全局收敛能力及运行稳定等优点。最后,论文还提出了用于连续空间优化问题的蚁群算法模型,为蚁群算法付之于实际应用提供了一条可行途径。通过仿真实验证明该模型用于处理一般函数的优化效果良好,值得进一步研究;并且针对PID控制器参数优化设计问题,将蚁群算法设计的结果与Z-N设计的结果进行了比较,数据仿真结果表明蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。蚁群算法是一种随机搜索算法,它具有许多优良性质,它比目前应用广泛的混沌算法等具有更好的适应性。蚁群算法己经在若干领域获得了成功的应用,但仍有许多尚待研究和解决的课题。