TSP(traveling salesman problem)是组合优化领域中一个著名的经典问题,迄今尚未彻底解决,现已被归入NP-完全问题类,由于它可能的路径数目与城市数目是成指数型增长的,所以一般很难精确地求出最优解。蚂蚁算法(Ant Algorithm)是近些年来启发式算法研究的一个热点,其自提出以来,便在求解复杂组合优化问题上显示出了强大的优势。作为一种全局搜索的方法,蚂蚁算法具有正反馈性、并行性、分布性、自组织性等特点。但是,蚂蚁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。针对上述不足,我们在深入研究蚂蚁算法的同时,又对禁忌搜索算法进行了一定的研究和分析,提出了蚂蚁算法的改进算法。旨在借鉴其他算法的长处,利用其优点弥补蚂蚁算法的不足,从而提高蚂蚁算法的求解性能,增加找到最优解的可能,加快算法的收敛速度。首先,针对蚂蚁算法搜索时间较长的缺点,我们通过增加每次循环中最优路径的信息素量,减少每次循环中最差路径的信息素量,来增强信息素对于算法的指导能力,加快算法的收敛速度。其次,针对算法容易出现早熟停滞现象,我们将禁忌搜索算法引入到蚂蚁算法的迭代过程中,提出了改进算法。禁忌搜索算法可以帮助蚂蚁在寻径过程中跳出局部最优,从而找到全局最优解,提高算法的寻优能力。最后,我们将上述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。实验结果表明,改进的蚂蚁算法较之原先的蚂蚁算法,无论是在寻优能力还是在寻优效率上均有了较大的提高。