蚁群算法(Ant colony algorithm，ACA)从产生到现在，依靠其并行性计算能力及较高鲁棒性的优势，在离散域得到了广泛的研究与应用，然而，针对连续域问题，连续域ACA虽然取得一定的研究成果，但远远不及离散域ACA，仍有较大的发展空间。 本文针对连续域ACA前期搜索速度慢及容易陷入局部最优的缺点，使用PBIL(Populationbased incremental learning)算法和交叉、变异操作混合改进蚁群算法，提出了一种混合蚁群算法(Hybrid ant colony algorithm，HACA)。 HACA以二进制蚁群算法为主框架，将PBIL算法的概率分布模型用来指导蚂蚁信息素分布，同时，蚂蚁位置转移概率又影响了概率分布模型。 HACA通过分布模型概率、蚂蚁位置转移概率及二者融合概率产生新的蚂蚁个体，并对蚂蚁个体进行交叉和变异操作，从而保持蚂蚁个体的多样性，使算法的收敛能力及收敛速度得到了提高与改善。 本文对HACA又进行了一系列函数极值优化的仿真实验，仿真结果表明HACA算法不仅克服了ACA的缺点，而且计算效率和全局寻优能力均有所提高。 之后，将HACA用于PID参数整定，对三种不同控制对象进行仿真测试，实验结果表明基于HACA的PID的控制效果明显优于基于Z-N法的PID控制器。 最后，将HACA与BP神经网络相结合，并应用于有机物毒性的QSAR研究与裂解炉裂解深度软测量建模，得到了合适的网络模型参数，较好地满足了工业过程中的实际需要。