本文研究了基于TSP问题的蚁群算法优化及并行策略，全文主要内容如下： 　　首先，简要介绍了几种启发式算法并引出蚁群算法，并对蚁群算法基本原理、几种算法模型和相应的数学公式作了详细阐述，同时对前人的研究结果进行了引用；此外针对蚁群算法的缺陷，综述了前人对算法所作的一些典型的优化：如蚁群系统算法ACS(也称蚁群优化算法ACO)、最大最小蚁群系统算法MMAS、具有变异特征的蚁群算法等。 　　然后，对蚁群算法中的关键参数的设置进行了深入的研究。对参数α、β、p、m的作用作了理论上的研究，对它们的最优化配置进行了分析：同时针对以往参数设定的不便，提出了一种全新的、比较适当的参数设置方案：通过将蚁群算法的参数设置问题描述成均匀设计中多因素多水平的试验设计，它能用较少的试验很快设置出参数值，并可使蚁群算法获得较优的运行性能。 　　接着，提出了建立在蚁群系统算法ACS基础上的一种新的优化策略：采用新方案进行关键参数设置，以克服以往的参数设置困难、不准确的缺点；通过引入遗传算法中用到的杂交算子，使前面蚂蚁所留信息素尽量少对后面的蚂蚁产生误导，增强算法的搜索能力；通过全局最小信息素浓度的设置，来扩宽算法的搜索空间；采用更高效的信息素更新和路径选择机制，以加快算法的收敛速度，使其更容易收敛到全局最优解。并对该优化策略进行了初步实验，证明了其有效性和可行性，也为蚁群算法的优化提供了一个新途径。 　　在此之后，对蚁群算法的并行策略进行了初步的探讨，深入分析了两种不同的并行策略：同步策略和部分异步策略；另外，还提出了一种新的模式学习并行蚁群算法，并对它进行了具体的介绍。 最后，对改进后的蚁群算法、以及蚁群算法的并行策略进行了总结性的阐述；同时对蚁群算法的进一步优化提出了自己的设想：引入种群入侵算子(也叫外变异算子)、权函数等；并对蚁群算法的研究前景进行了展望。