经过近20年的发展,蚁群算法已经被应用于无约束离散组合优化问题、无约束连续函数优化问题和聚类问题。但是,到目前为止它还存在以下四方面的缺陷：第一,当解决无约束的离散组合优化问题——贝叶斯网络结构学习时,它的计算复杂度过高,运行时间过慢：第二,蚁群算法求解无约束连续函数优化问题的效果不佳；第三,蚁群算法求解约束连续函数优化问题的效果不佳；第四,蚁群算法作为一种新型聚类算法针对多个经典benchmarks数据集,聚类效果欠佳。为了克服蚁群算法以上四个方面的缺陷,本文主要进行了如下改进。第一,针对经典无约束组合优化问题——贝叶斯网络结构学习的特点,提出了约束蚁群算法。新算法利用BDEu得分的局部一致性原理设计了一种增边规则,并且将此规则引入蚁群算法的框架中,从而实现了在搜索过程中利用启发式信息动态缩减搜索空间同时减少运行时间的目的。仿真实验结果表明,在解决较大规模的贝叶斯网络结构学习问题时,约束蚁群优化算法在保证求解精度的条件下比蚁群优化算法运行时间减少40%以上。此外,在约束蚁群算法基础上,设计了一种新颖的约束蚁群贝叶斯分类器,并将其应用于房地产投资项目前期的风险预测问题。实验结果显示该分类器预测效果良好,且可以预测指标与风险之间的因果关系。第二,针对无约束连续函数优化问题,提出了一种精度较高的改进自适应蜂群-蚁群算法。新算法首先提出了一种自适应设置机制；其次借鉴蜂群算法的基本思想引入了一种局部搜索算子。仿真实验结果表明,新算法能够有效的提升蚁群算法的局部搜索能力。第三,针对约束连续函数优化问题,提出一种基于状态转移准则的多成员组合差分进化算法。新算法在分散差分进化算法基础上,受到蚁群算法的状态转移准则的启发设计了一种新颖的分散机制,从而实现了对种群中不可行解信息的有效利用。仿真实验的结果显示,新算法在保留分散差分进化算法优势的基础上,成功解决了g10和g13函数,同时显著提升了g02函数的求解质量。第四,针对聚类问题,提出了一种核蚁群聚类算法。新算法利用径向基核函数改进蚁群算法中相似度度量,改善了聚类效果。仿真实验结果证明了核蚁群聚类算法成功解决了IRIS聚类问题。此外,将核蚁群聚类算法应用于房地产项目前期风险评价问题,通过一个算例来说明了整个过程,实验结果显示预测效果良好。