蚁群算法在求解TSP问题时,有陷入局部最优解、收敛速度太慢和求解质量不高以及稳定性不足等三个缺点。文章针对这三个缺点,提出了一种以基于斥候蚁实现的动态局部搜索为核心策略,城市分类、加大信息素浓度差和继承式的信息素清零策略等3种策略进行辅助改进的蚁群算法。城市分类即在蚂蚁开始搜索时对城市进行分类,不同类别的城市代表不同的等级,会向等级高的城市更多的蚂蚁,而对于等级低的城市则相反；而通过仿生学引入的斥候蚁,是在蚂蚁的寻路过程中,若发生选择困难,蚂蚁很难选择出该走那一条路的时候,则酌情派出斥候蚁帮助进行探索,之后通过对比斥候蚁和蚂蚁的路径长短来决定哪一条路径更优；在每次寻路完毕后,采用新的更新信息素的策略,即获得当次迭代的最短路径,与当次迭代前所得到的最短路径进行求比,若比值越大,信息素更新幅度也就越大；当算法陷入局部最优时,为了不让信息素完全被清除,采用有补偿的信息素清零策略,这样不仅能跳出局部最优,还能提高算法的效率。文章对传统的蚁群算法对TSP求解的原理进行详细的阐述,分析了蚁群算法在求解TSP问题时产生三大缺陷的根本原因,从根本原因入手,设计出改进蚁群算法,并通过Matlab和TSPLIB对两种算法进行了仿真实验。对比仿真结果表明,改进的算法在求解TSP问题时,能够极大的优化求解质量,让求解结果也变得稳定,同时可以有效地跳出局部最优解,并能大幅度加快收敛速度。各方面都显示,它的性能要优于传统蚁群算法。