蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁觅食行为的仿生优化算法。该算法采用了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、易于与其他方法相结合等优点,在解决许多复杂优化问题方面已经展示出其优异的性能和巨大的发展潜力,尽管蚁群算法的严格理论基础尚未奠定,国内外的相关研究还处于试验探索和初步应用阶段,但是目前人们对蚁群算法的研究已经由当初单一的旅行商问题渗透到了多个应用领域,由解决一维静态优化问题发展到解决多维动态组合优化问题,由离散域范围内的研究逐步拓展到了连续域范围内的研究。但是,蚁群算法仍然存在一些缺陷:如在性能方面,算法的收敛速度和所得解的多样性、稳定性等性能间存在矛盾。这是因为蚁群中多个个体的运动是随机的,虽然通过信息的交流能够向着最优路径进化,但是当群体规模较大时,很难在较短时间内从复杂无章的路径中找出一条较好的路径,如果一味加快收敛速度则很可能导致蚂蚁的搜索陷入局部最优造成早熟、停滞现象。本文首先详细介绍了基本蚁群算法并综述了当前国内外蚁群算法的研究现状;分析了蚁群算法中蚂蚁搜索过程的本质。在研究基本蚁群算法的缺点的基础上,借鉴了人工鱼群算法的诸多优点。虽然人工鱼算法在确定准确的最优解方面有些欠缺,但它能够快速的收敛于最优解所在的范围。根据这一特点,我们引申出了一个兴奋度的概念,用它来表示接近最优解的程度的大小。兴奋度越大,当前解就越接近最优解,反之则离最优解越远。通过确定兴奋度的大小快速确定最优解范围,从而为第二阶段确定准确的最优解打下良好的基础。通过仿真算例中与基本蚁群算法和多态蚁群算法的比较得出改进的结论。在论文最后一部分,我们给出了蚁群算法在聚类中的应用,重点提出了一种新的基于蚁群算法的改进K-means聚类算法,并给出了实验改进结果。