蚁群算法是Marco Dorigo等学者在真实蚂蚁觅食行为的启发下提出的一种具有高度创新性的元启发式搜索算法。它是继遗传算法、模拟退火算法、人工神经网络算法、禁忌搜索算法等之后提出的又一种启发式搜索算法。实验表明,蚁群算法具有较好的求解能力,但是蚁群算法存在收敛速度慢,容易陷入局部最优解等缺陷。本文的目的就是进行蚁群算法在连续域寻优问题中的改进研究,提高蚁群算法在连续问题寻优时的性能。针对蚁群算法本质的离散性,将蚁群优化算法用于解决连续优化问题的难点在于信息素的表示、分布及留存方式。本文以高斯分布概率密度函数作为连续优化空间的信息素模型,提出一种引入记忆表丁的连续蚁群优化算法-TACO。在信息素的指引下,全局最优蚂蚁执行局部挖掘式搜索,其它蚂蚁通过对信息素模型进行抽样,执行全局探索式搜索,蚂蚁在经过的空间释放一定的信息素,实现整体信息共享。在算法TACO的基础上,结合先进的约束处理机制,根据可行解与不可行解的不同情况对蚂蚁全局转移规则做相应处理,提出用于解决约束优化问题的约束连续蚁群优化算法-CTACO。仿真实验结果表明,算法TACO和CTACO在处理优化问题时的离线性能、在线性能、稳定性、鲁棒性及收敛性等性能良好。最后,将约束连续蚁群优化算法用于解决实际工程应用中的啤酒原料配方的优化设计问题。实验结果显示,算法CTACO的优化方案与企业配方相比,能够大大降低原料的总成本,提高企业的生产效率和经济利益。