蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁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,并已成功地应用于诸如生产调度、布线等生产问题。但是,蚁群算法仍然存在一些缺陷,与其它方法相比,该算法一般需要较长的搜索时间,而且容易出现早熟和停滞的现象。在详细分析了基本蚁群算法及综述了当前国内外蚁群算法研究现状的基础上,本文重点研究了多态蚁群算法,通过仿真实验发现其在路径选择机制和信息素更新机制方面存在不足。详细分析了算法存在不足的原因后,针对多态蚁群算法在信息素初始化和状态转移概率选取方面存在的问题,提出了加权值的多态蚁群算法和结合Ant-Q算法的多态蚁群算法。加权值的多态蚁群算法在算法初始化和状态转移概率选取时加入了权值,信息素更新采用基本蚁群算法的全局更新机制。结合Ant-Q算法的多态蚁群算法采用Ant-Q选择策略进行路径选择,信息素更新采用基本蚁群算法的全局更新机制。两种改进算法都有效避免了多态蚁群算法中重复搜索某些城市和部分城市不被搜索的情况。本文还结合均匀设计思想对两种改进算法的参数进行了合理的设置。最后以TSP问题(Traveling Salesman Problem, TSP)为例进行了仿真实验,验证了参数设置的合理性,并证明了提出的两种改进算法的有效性。