背包问题不仅具有重要的理论研究价值,而且在实际问题中有着重要的应用,与企业效益密切相关。在经典的背包问题中,物品的价值是事先给定的,与放入的背包无关。但是对于一些实际问题,例如为公交车辆选择停车场问题,现有的经典背包问题及其扩展形式并不适用。本文从一些实际的问题得到启发,抽象出价值可变的0-1多背包问题。为求解该模型,首先设计了适用于该问题的动态规划算法。由于动态规划算法对大规模问题不能在可接受的时间内进行求解,而启发式算法可以在有限的时间和空间内求得问题的一个次优解,所以又设计了适用于该问题的贪婪算法。对于任何规模的算例,贪婪算法都可以快速生成一个可行解,而且可以用作比较算法效率的基础解,但是解的质量有待于提高。为进一步改进解的质量,本文研究了传统AS算法和传统MMAS算法的求解性能。通过对传统算法的停滞现象的分析,我们认为在求解大规模问题时,由于目标函数值比较大,而信息素与目标函数值直接有关,这样就造成在选择概率中信息素所起的作用比较小,算法接近于贪婪算法。为了解决这个问题,在应用最大最小信息素限制的基础上,通过设计一个与目标函数值有关的函数,使其函数值在一定的范围内周期性变化来调节信息素的重要性,避免蚁群陷入局部最优。在此基础上提出了一种改进的MMAS算法MMAS2。在测试算例上的实验结果表明,MMAS2算法在不同的测试用例集上均可以有效地缓解停滞现象,得到较好的优化效果,其求解性能显著性好于MMAS算法和AS算法。