自从上世纪50年代中期创立仿生学以来，人们不断地从生物进化的机理中得到启发，提出了许多用于解决复杂优化问题的新方法，比如神经网络、遗传算法、模拟退火算法、进化规划等，并成功应用于解决实际问题。由意大利学者M.Dorigo，Vmaniezzo，A.Colorni于1992年首先提出的蚁群系统(Ant ColonySystem，ACS)，是一种新颖的仿生进化算法，适用于求解复杂组合优化问题。目前，蚁群系统己成功应用于求解旅行商问题(TSP)、二次分配问题和job-shop调度问题等，取得了很好的实验效果。受其影响，蚁群系统的研究已经逐渐引起了更多学者和专家的关注。虽然，该研究方法处于研究的初级阶段，但是一些研究成果已经显示出蚁群系统在求解复杂优化问题方面的优越性。作为一种全局搜索的方法，蚁群算法具有正反馈性、并行性、分布性、自组织性等特点。但是，蚁群算法也存在一些不足之处:例如，算法需要较长的搜索时间、容易出现早熟停滞现象等。 针对上述不足，我们在深入研究蚁群算法的同时，又对免疫算法和禁忌搜索等算法进行了一定的分析和研究，提出了几种新的用于求解旅行商问题(TSP)的蚁群改进算法。旨在借鉴其他仿生算法的长处，利用其优点弥补蚁群算法的不足，从而提高蚁群算法的求解性能。 本文的主要内容包括：首先，针对蚁群算法中的个体蚂蚁缺乏识别问题特征信息的能力，将免疫算法中疫苗的思想引入到蚁群算法中，新算法从TSP问题本身出发，提取出该 问题的一种本质特征，将此特征信息作为疫苗注射给精英蚂蚁，使其具有“免疫”的能力，能识别该固有特征，以提高精英蚂蚁的搜索质量，从而使得整体的求解能力得以提高。其次，因为蚁群算法容易出现早熟停滞，而禁忌搜索算法可以接受劣解，搜索时能跳出局部最优解，转向解空间的其他解，从而获得更好的全局最优解。故将两种算法混合，用蚁群算法作全局搜索，禁忌搜索算法作局部搜索。从而加速收敛速度，使算法的搜索性能得以提高。最后，根据蚁群算法与遗传算法、模拟退火算法的特性，提出了采用遗传算法生成信息素分布，利用蚁群算法求精确解的遗传蚁群混合算法，以及采用模拟退火算法生成信息素分布，在蚁群算法寻优中采用模拟退火的在领域内找另外一个解的策略的模拟退火蚁群算法。并用新算法解决旅行商问题，得到更有效的解。将上述几种改进算法应用于旅行商问题，进行仿真试验，检验改进算法的相关性能。 实验结果均表明，这几种改进的蚁群算法较之基本蚁群算法，在寻优能力上均有了较大的提高。