分布估计算法(EDA)是新兴起的一类优化算法，是当前进化计算领域的一大研究热点。本文回顾了分布估计算法的发展历史和理论基础，简要介绍了分布估计算法和旅行商问题(TSP)的研究现状。针对以往的分布估计算法在处理问题时不仅需要先验知识，计算量大，而且问题规模较大时容易陷入局部最优的情况，改进了一种新的最大熵分布估计算法(MEEDA)，基于最大熵原理对分布概率模型及种群生成策略进行了改进。并将改进后的算法应用在了求解TSP问题上，与其他分布估计算法进行了性能对比。论文的主要工作如下：1．改进了一种新的基于最大熵原理的分布估计算法。通过对最大熵原理的学习和推理，运用最大熵原理的思想，通过随机变量的熵值估计其概率分布，最大熵分布就是在保证样本统计特性的条件下，通过调整随机变量x的概率密度分布P(x)使熵分布H(x)达到最大，以此改进算法的分布概率模型和种群生成策略。2．应用本文改进的最大熵分布估计算法对TSP问题进行求解研究。通过对TSP问题的学习研究，应用最大熵分布估计算法对旅行商标准测试库TSPLAB中一些测试实例进行仿真实验。并通过与其他分布估计算法进行对比分析，证实了本文算法在求解TSP问题上的有效性，稳定性。改进后的最大熵分布估计算法全局搜索能力提高，概率模型的构建不再需要先验知识，而是从选择出的优势种群中提取信息，运用最大熵原理加以学习估计出种群的概率分布模型，计算量减少，有效提高了算法的性能，展示了良好的收敛性和稳定性。