蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁群体觅食行为的仿生优化算法,该算法采用了正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法结合等优点,在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力,近几年吸引了国内外许多学者对其进行了多方面的研究工作。目前,蚁群算法已经成为国际智能计算领域中备受关注的研究热点和前沿性课题。本文首先综述了蚁群算法国内外的研究现状,分析了算法的主要优缺点,并且深入研究了蚁群算法的基本原理和算法模型,介绍了ACS算法和MMAS算法两种改进的蚁群算法。然后针对蚁群算法的优缺点,提出了基于TSP问题的QMACO蚁群算法,主要有三个方面的改进:(1)针对蚁群算法前期蚂蚁比较盲目,收敛速度慢的缺点,引入了QPSO算法思想,用QPSO算法的快速性、全局收敛性作为前期搜索,将QPSO算法搜索到的各粒子的历史最优值作为后期蚁群算法的初始信息素分布,这样就使得初期蚂蚁不再盲目;(2)针对后期蚁群算法易陷入局部最优化的缺点,引入了多种行为的蚂蚁,充分利用蚁群算法的正反馈机制以及求解效率高等特征最终求得最优值;(3)融合了ACS算法和MMAS算法的优点,对蚁群算法进行了适当的改进。并针对TSP问题进行了仿真实验,结果表明,QMACO算法提高了在解决TSP问题上的寻优能力。接着又将QMACO算法应用于网络路由问题,分别对单播和组播进行了算法设计,提出不同的算法模型。并分别进行了仿真实验,实验结果表明了QMACO算法在解决QoS路由问题上的可行性和有效性。最后,对本文所做工作进行了总结,并对今后的研究方向进行了展望。