蚁群算法是一种根据蚂蚁的习性创造出来的优化算法。该算法的原型就是一个蚂蚁找食的过程。该算法具有很多优点，诸如结构简单、鲁棒性强、容易实现等。因为基本蚁群算法只适用于离散空间的优化难题，所以如何将蚁群算法较好地应用于连续优化问题便成了一大难题。首先，本文引用TSP问题详细阐述了蚁群算法的思路及特性。针对该算法可能出现次优解或搜索较慢等特性，对蚂蚁的选择规则进行改进。蚂蚁在旅行的过程中具有两个时变属性，即：此刻经历了的城市数目和已走过了的路径长度。这里通过引入了这两个属性来影响蚂蚁的选择，并通过仿真验证了蚁群算法改进后的效果。然后，本文着重提出了一种应用于连续空间的改进蚁群算法。该改进算法是在基于网格划分策略的蚁群算法的基础上，分别在三个方面作了改进。1.由于网格划分后,网格呈均匀分布，连续空间的有些点值就容易遗漏。又由于混沌现象具有遍历性和内随机性等特性，本文融入混沌序列，使得网格呈混沌分布。2.网格每次缩小的间距对搜索精度也具有较大影响，本文针对网格每次缩小的间距也进行了自适应改变。3.网格附近可能存在非网格点的最优解，引入了“优胜劣汰”和“局部搜索”。函数优化问题是个经典的应用优化问题，本文选择了四种经典的复杂函数，通过仿真验证了改进后蚁群算法的性能有所提高。最后，连续蚁群算法的实践一直以来都深受研究学者们的关注。常规PID控制算法并不适用于模型比较复杂的控制系统。在PID控制算法的基础上融入单神经元，则该控制算法的控制效果也会有所改善。精校机是一种校直设备，负载情况不同，该系统的传递函数也不同，因此，本文根据控制系统的两种负载情况建立了对应的传递函数。由于该系统的复杂性，导致一般的PID控制难以达到一定要求。本文中采用改进蚁群算法整定单神经元PID控制器参数并应用于精校机的控制系统。通过MATLAB仿真，可以比较连续域蚁群算法改进前后的控制性能差异。