群体智能(SWARM INTELLIGENCE)是在仿生学机理启发下提出的用于求解并行性分布式问题的一类算法。由于这类算法具有分布式计算、正反馈、鲁棒性和并行性等优点,在计算机仿真、模式识别、数据挖掘和网络通讯等诸多领域都得到了广泛的应用。蚁群算法是群体智能中现阶段研究较为深入的一种高效的优化算法。它基于蚁群在觅食中所体现出的高度智能性,为蚁群整体建立了一个相互通讯和协调的数学模型,并将该数学模型成功应用于传统的旅行商问题的求解过程中,取得了令人满意的最优解。　　 本文对蚁群算法的原理及其基本的数学模型进行了探讨和分析,在此基础上研究了蚁群算法在实际应用中存在的某些局限性,同时参考了其它不同类型智能算法的优势,对传统的蚁群算法理论提出了一些比较有效的改进,并建立了一个基于网络的蚁群算法基础性试验平台。本文具体主要完成了以下工作:　　 1.为解决传统的蚁群算法中所依赖的数学模型过于理想的问题,本文针对一类蚁群中个体不完全能控且在运输和转移的过程中随时可能发生停止或停滞的情况,提出了一种双重约束下的蚁群算法,在确保整个交通运输系统安全的前提下,引入了网络虚断的概念,通过修改网络间两类不同类型的非可达节点之间距离的方法对网络节点间的连接关系进行较正,比较有效地解决了此类问题并获取了完全符合安全性要求的系统最优解。　　 2.针对蚁群算法稳定性较差和所获得的解的质量不高的问题,本文将贪婪算法应用到蚁群算法中。根据贪婪算法中局部最优的思想,本文提出了一种基于最小距离均衡系数的负反馈蚁群算法,利用最小距离均衡系数得出系统的最优控制策略,并将之作为一种反向的抑制因素附加到蚁群算法的求解过程中,提高了解的质量。　　 3.为了改善最小距离均衡系数算法中局部最优的特性过强所导致的整个算法所能获取的“最优解”的质量较差的问题,本文提出了节点间距离预判断的思想,改进了最小距离均衡系数算法,提升了最小距离均衡系数算法的在求取最优解过程中整体性能。　　 4.构建了基于INTERNET的蚁群算法可视化基础实验环境。该实验可以在任意操作系统中借由任意支持JAVA插件的浏览器来访问该平台,为用户在该平台上开发并验证一些新的算法提供了可能性。