复杂的组合优化问题呈现于许多不同的领域,例如经济、商业、工程、工业和医疗。然而,在实际中这些种类的问题都非常难以解决。可以从理论计算机科学中摄取解决此类问题的内在困难,即很多这样的问题都是NP-难问题,这意味着迄今找不到在多项式时间内解决它们的算法。而且这些问题通常拥有较大的规模,传统的方法因其需要大量的计算时间而不再可行。　　 在20世纪90年代早期,一种用于解决优化的蚁群优化技术被成功提出。蚁群优化的灵感来自于真实蚂蚁群体的觅食行为。利用这种行为开发了人工蚂蚁群体,用以求解很多复杂组合优化问题的近似解,例如离散优化问题、连续优化问题以及电信通信中的路由和负载平衡的重要问题。从实验上已经证明了蚁群优化是群体智能中的成功算法种类。群体智能算法由简单个体组成,这些个体通过自组织来相互协作来完成工作,没有任何形式的对群体成员的中心控制。在大量的实验工作已经展示了蚁群优化在解决不同的组合优化问题上是行之有效之后,要加深对这种方法的内在机制的理解,不仅需要越来越多的复杂实验,更需要借助于基于数学而建立的理论。解答算法是怎样工作和为什么这样工作之类的问题是重要的,因为这有助于改进算法的应用。因此,理论方面的研究是必须的。　　 本论文首先回顾一些关于组合优化和计算复杂性的基础理论,研究了蚁群优化算法的生物学灵感来源,并展示了如何将生物学的启发灵感转化为一个用于解决离散优化问题的简单算法。然后,论文以更通用的形式概括了在离散优化背景下的蚁群优化模型,并且描述了一些当今最流行和性能最好的蚁群优化算法变种。通过基于旅行商问题的蚁群优化算法的实现,本论文力图在各种不同的蚁群优化算法中进行比较性分析,并且将蚁群优化算法和其他的元启发式算法进行了性能比较,如贪心随机自适应搜索过程和禁忌搜索。之后,论文提供关于蚁群优化元启发式的理论研究成果,理论研究的努力会直接让我们加深对蚁群优化算法的行为的理解。然后,论文阐述了蚁群优化的一些典型成功的应用,并总结了一些如何把蚁群优化算法应用到不同种类的问题上的原则和步骤。最后一节总结了全文内容,得出一些结论,并指出了算法未来的研究方向。