蚁群算法是意大利学者Dorigo M在蚂蚁觅食行为的启发下，提出的一种智能计算方法。该算法在解决具有NP-Hard特性的组合优化问题中取得了令人鼓舞的效果，因而受到学术界和工业界的广泛关注。蚁群算法现已发展成为智能计算中的一个重要分支，成为蓬勃发展的热点研究课题。目前，广大学者对蚁群算法的研究主要集中在算法理论和应用研究两个方向，也取得了一系列的研究成果。　　 自Dorigo M提出了第一个基本蚁群算法以来，所有针对蚁群算法的改进都采用的是原始的信息素更新方式，缺乏有效地创新。此外，蚁群算法的模型过于具体，也阻碍了算法理论的发展.针对此问题，文献[1]提出了广义蚁群算法理论，扩展了蚁群算法的定义。其中，广义蚁群算法采用了函数式的信息素更新策略，是在信息素更新方式上的创新。本文引用广义蚁群算法作为理论基础，并进一步考虑了启发式信息的影响，合理的补充了广义蚁群算法理论。另外，引入了信息素更新标志函数，使得信息素更新方式更为灵活。这些工作对于蚁群算法的设计有着指导意义。本文还提出了多目标广义蚁群算法模型，是算法在多目标优化中的探索性研究。目前，蚁群算法的理论研究相对滞后，特别是在算法的收敛性研究方面。文献[1]对广义蚁群算法的收敛性进行了有效地证明，对收敛速度并没有做相关的阐述。本文建立了广义蚁群算法的连续时间马尔科夫过程模型，以此为基础对算法的收敛速度做了初步的估计。在TSP问题平台上，论文对广义蚁群算法与基本蚁群算法做了对比实验，记录了它们的收敛过程。实验数据表明，改进后的广义蚁群算法收敛较快，特别是随着问题规模的扩大，其效果越明显。　　 为了验证广义蚁群算法的理论价值，论文中设计了基于广义蚁群算法的机器学习方法(Gaco-Miner算法)，用来学习样本集中的分类规则。Gaco-Miner算法的思想来源于Ant-Miner算法，但是采用了广义蚁群算法，并考虑了分类规则中属性项顺序的影响。由于广义蚁群算法具有较好的收敛速度，这有效地减少了算法收敛到一条规则的迭代次数。考虑构建规则的属性项顺序，提高了学习规则的准确率和规则的简约性。在机器学习中的成功应用，验证了广义蚁群算法的理论及应用价值，促进了算法向重要应用领域的开拓。