研究群居性昆虫行为特征的科学家发现,昆虫每个个体能力十分有限,在群落一级上的合作基本上是自组织的,在许多场合中尽管这些合作可能很简单,但是却可以解决复杂的问题。群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。蚁群算法就是利用群体智能解决组合优化问题的典型例子。蚁群算法是一种应用于组合优化问题的启发式搜索算法,具有正反馈、分布计算和启发性搜索等特点。蚁群算法自从其出现以来,先后应用于TSP问题、资源二次分配问题等经典优化问题,得到了较好的效果,吸引了大批学者的兴趣。近年来,其研究领域也拓展到了动态环境、混沌计算、多目标等领域,基于蚁群优化算法的新型技术也陆续的面世并且不断的改进。本文以研究典型的NP问题——旅行商问题入手,对蚁群优化算法的发展背景、内容、实现方法和性能作了详细介绍,对该算法本身进行了深入研究,提出了自己的改进方案。本文在蚁群优化算法的研究中主要作了如下几点工作:1.提出了一种新的基于群集经验的蚁群算法,构建了新算法的蚂蚁模型,并且通过程序实现了这个算法,完成了新的蚂蚁模型与最大-最小蚂蚁算法的结合,并且通过实验找出新算法的最优参数设置;2.在5个不同规模的TSP问题上,用改进的算法和最大-最小蚂蚁算法分别进行仿真。通过对比分析发现基于群集经验的的蚂蚁模型能够让已有的蚁群优化算法在寻优速度和寻优能力上有较明显的提高,但是在大型规模的城市群中算法的稳定性不够高;3.对原始的相遇算法进行了改进,提出了群相遇算法的思想。然后通过程序实现了该算法,并且通过实验分析改进后的算法有哪些优势;4.将这两种算法结合成为一种新算法:基于群集经验的群相遇蚁群算法,通过实验表明了新算法对于基于群集经验的蚁群算法不够稳定的缺点有了良好的改进,同时算法的寻优速度和寻优能力并没有下降。