蚁群算法(Ant Colony Optimization, ACO),又称蚂蚁算法,是一种模拟自然界真实蚁群集体觅食行为的启发式方法。该算法采用正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与启发方法相结合等优点,因此它引起了众多学者们的极大关注,在过去短短十多年的时间里,已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得了广泛的应用,并取得了较好的效果。本文介绍了蚁群算的发展情况及研究现状、基本原理和进化算法的数学理论和实现技术等。目前,混合蚁群算法的研究已经成为一种趋势,于是本文在传统算法——遗传算法和蚁群算法的基础之上对混合蚁群遗传算法进行了进一步的研究。通过对算法运行效率和群体多样性的研究,提出了基于目标函数变化率的混合蚁群遗传算法。数值实验表明：改进后的算法不仅保持了遗传算法运行效率高的特点,而且具有较佳的分布度。将其应用于车间调度问题的仿真实验中,取得了较为理想的优化结果。本文主要做了以下几个方面的工作：首先,简要介绍蚁群算法的研究历程和研究现状,论文的研究意义和主要内容；其次,介绍蚁群算法的基本原理、算法流程和参数设置、算法的优缺点等；再次,简单地介绍了蚁群遗传算法的基本原理及算法的实现技术；进而根据蚁群算法和遗传算法收敛性互补的特点,本文提出了一种基于目标函数变化率的混合蚁群遗传算法,并对新算法进行了性能评测。最后,将改进的算法应用于车间调度问题中,并对算法的性能进行了进一步的测试和验证。