蚁群算法属于仿生学算法中的一个分支，为求解组合优化类问题开拓了一种全新的思维方式。多年来，各国科研人员均对该算法加以利用和改造，使其技术日趋成熟。但由于现阶段待求系统条件的日益苛刻，原先理想化环境中的种种假设也不再适合当前的情况，这就使得单纯的蚁群算法对复杂实际问题显得有些无能为力。因此，如何使该算法逐步适应技术发展的新局面便成为了首要课题。首先，在介绍蚁群算法的求解原理、参数定义法则和研究近况后，通过分析得知该算法相对于其他算法，具有目的性强、应用广泛的特点，同时也有着计算时间长、收敛缓慢的缺陷，因此拥有的较大的改进空间，如果与其他方法相结合寻优效果会有很大的提高。其次，针对蚁群算法的不足，在其基础上引入粒子群算法与之相叠加，利用粒子的随机性为蚁群系统做预先的计算。相比较于原始算法，新算法的全局性和随机性得到了加强，寻优过程中易于陷入局部最优解的问题得到了改善。最后，将粒子群算法深度融合到蚁群算法当中去，并针对收敛速度较慢的缺点应用精英策略，利用精英蚂蚁的正反馈作用加快整个系统的寻优速度，在不影响最优解准确度的前提下使系统尽快收敛。同时由于单个蚂蚁本身的粒子性，精英策略所带来的深度正反馈也能部分作用到粒子群上，使之寻优能力获得加强。新算法在寻优质量和速度上得到了明显的提高，为组合优化问题的求解提供了理论依据和技术指导，论文利用Matlab在TSP eil51等问题中进行了数值仿真，实验结果也证明了该方案的有效性和正确性。