蚁群算法是一种较好的群体智能算法,它有诸如健壮性、并行性以及正反馈性等优点。正是基于它的这些优点,当今许多国家都对其进行研究,现已成为世界各国深入探究的前沿学科。在蚁群算法中,设计虚构的蚂蚁和信息素,通过这些虚构的蚂蚁来寻找不同的路径,而信息素会根据蚂蚁寻优的时间变化而慢慢的减弱。在每只蚂蚁要选择它的周游路径时,它们会最大可能的去选择那些离当前位置距离最短的节点,并且还要求选择的路径上的信息素浓度较高,根据这个原则,就能选出最优的路线。旅行商问题是一个比较常见的NP难问题,由于所有类型的TSP问题都可以转化为基本的TSP问题,因此本文以最基本的TSP问题作为研究的对象。虽然蚁群算法有很多优点,但是它也存在求解过程中收敛速度缓慢、容易陷入局部最优值等的缺点。针这两个缺点,本文给出一种基于领域搜索的最大最小蚁群算法,通过改变信息素的更新方式,采用先局部更新,然后全局更新的信息素更新方式,很好的改进了易陷入局部最优的缺点、改善寻优的概率。然后通过对迭代过程中增加邻域搜索算法,设定优化的终止条件,采用邻域搜索节点减半的方法,即每次优化路径的一半,：并优化由改进最大最小蚁群算法所求得的最优解。进一步提高改进蚁群算法的求解效率,它可以获得更好的收敛效果,而且在寻优方面有所改善。并且通过对TSP问题进行验证,该算法取得了很好的寻优效果和求解效率。21世纪是一个信息化大爆炸的时代,人们对大数据的依赖越来越重,信息及数据较为快速的增长,云计算(Cloud Computing)在这样的背景下应运而生,它给人们的日常生活带来了很大的变革。谷歌在2004年提出MapReduce模型,它是一种超大集群F的编程模式,主要针对海量数据进行计算,主要被用来处理大规模的数据量且计算时间在可接受范围的时间内完成的任务。云计算广泛的用于商业中,它的实质是一种计算模型,将计算任务分布在大量的资源池上,这些资源就是有大量计算机组成的。这个计算模型可以处理大规模数据,就是把巨大的数据分解成较小的模块,这些模块随机的分布在廉价的计算机上,而这些计算机通过一些设置组成并行化的处理平台。通过这些途径,大数据的使用者们可以方便的管理资源,处理数据。现在,世界上好多国家以及互联网的大企业都建立了自己的云计算处理中心。本文将最大最小蚁群算法和MapReduce模型相结合,提出了基于MapReduce的最大最小蚁群算法。然后使用该算法并行地处理TSP问题,通过对不同节点的TSP问题进行对比试验,并与在串行的环境下实验结果进行比较,实验结果验证了基于MapReduce的最大最小蚁群算法的处理大规模数据的有效性和可行性。