人们从仿生学的机理中受到启发，提出许多解决复杂优化问题的新方法，称为元启发式(Metahueristic)算法，如进化策略、神经网络、模拟退火、禁忌搜索算法等。蚁群算法(Ant Colony Algorithm，简称AC)是20世纪90年代初由意大利学者Dorigo和Maniezzo等首先提出，在一系列系统优化问题求解中取得了成效。虽然对此方法的研究刚刚起步，但是这些初步研究已显示出蚁群算法的优越性，证明它是一种很有发展前景的方法。 但是，蚁群算法仍然存在一些缺陷。算法的收敛速度和所得解的多样性、稳定性等性能间存在矛盾。本文分析了蚁群算法中蚂蚁搜索过程的本质，针对蚁群算法中存在的上述问题，引入了小生境(Niche)技术，提出了一种嵌入小生境技术的自适应并行蚁群算法。该算法充分利用并行算法的特点，强化最优信息的反馈，当算法处于停滞状态时引入小生境技术。小生境技术在保留部分蚂蚁继续进行局部精确搜索的同时，重新初始化其它蚂蚁，并通过共享函数来阻止这部分蚂蚁向局部最优移动。这样既保留了原有的较优解，又达到了跳出局部最优的目的。该算法解决了蚁群算法收敛速度和解的性能之间的矛盾。 在应用范围方面，蚁群算法的应用尚且局限在较小的范围内，难以处理连续空间的优化问题。为此本文提出一种用蚁群算法求解连续空间优化问题的方法，通过修改蚂蚁信息素的留存方式和行走规则，定义了一个连续空间的蚁群算法。模拟蚂蚁用触角交流信息的过程提出了直接通信的学习机制，增强了蚂蚁的搜索能力。为了防止出现“早熟”现象，在局部搜索过程中嵌入了模拟退火的思想。同时为避免过大的残留信息，选择了新的信息增量计算函数。实例运算证明了该算法可以推广应用到其他连续空间的优化问题中，突破了基本蚁群算法的应用局限。 另外，我们还将蚁群算法应用到数据聚类问题中，提出了以Max-Min Ant System(MMAS)模型为基础的图形聚类方法。在这个算法中只要调整参数ε就能得到有效的结果，既不需要提前给出聚类个数也不需要给出聚类中心。通过大量仿真实例给出了ε的参考设定范围，这就使本算法可以得到广泛的应用。在蚂蚁转移方法中提出了一种基于“聚度”的锦标赛转移法。实验结果表明了本算法处理不同类型数据的潜力。