路由问题,诸如旅行商问题和车辆路径问题,由于具有极高的学术价值和广泛的现实应用,因此得到了广泛的研究。同时,多目标优化由于提供了对问题新的定义的机会,因而得到了越来越多的关注。本文主要针对多目标路由问题这一更加贴近现实应用的路由问题展开蚁群优化算法的研究,主要完成的工作和取得的研究成果包括:首先,本文针对蚁群优化算法在运行过程中如何保持对已发现的最优解的开发和对未知解的探索之间的平衡这一关键问题,通过引入云模型这一定性定量转换模型,提出了一种基于云模型的模糊蚁群算法CFACA。CFACA算法通过使用半云模型作为模糊隶属函数,对当前迭代中的一些次优解进行信息素更新,同时通过构建一种自适应机制,有效的避免了算法的早熟收敛,提高了算法在求解路由问题中的性能。其次,本文分析了基于云模型的模糊蚁群算法CFACA的收敛性。通过对CFACA算法概率模型的分析,证明了本文提出的CFACA算法是收敛的。同时,旅行商问题的求解结果表明CFACA算法在收敛速度和稳定性方面要优于现有的ACS算法和MMAS算法。第三,在CFACA算法的基础上,结合多目标路由问题的特点,本文提出了一种新的基于云模型的多目标蚁群算法CMACA。CMACA算法通过对多目标路由问题中的每个目标建立相应的启发式信息和信息素信息,并对其信息素信息采用云模型进行模糊处理,在对非支配解进行全局信息素更新的同时对某些次支配解也进行信息素更新。CMACA算法通过对信息素的状态评估,建立一种多目标优化的自适应机制,从而促使CMACA算法尽可能的探索Pareto前沿。多目标TSP问题的仿真实验结果表明CMACA算法比NSGA-II算法和SPEA2算法这两种进化多目标优化算法能获得更好的效果。