微粒群算法(PSO)是一种具有全局收敛能力的智能优化算法,它是模拟鸟群觅食而得到的仿生优化算法。该算法主要通过粒子间的相互合作和竞争来进行迭代寻优,微粒群算法具有算法结构简单、易于理解、需调节的参数少等特点,备受广大优化领域学者的青睐,有着广阔的应用前景。针对算法在迭代寻优过程中出现“振荡”现象以及算法寻优后期陷入局部最优的缺陷,引入了自适应机制到惯性权重中来提高算法的启发性,以平衡算法的全局寻优和局部寻优能力;引入飞行时间机制到位置迭代公式来减少粒子在全局最优解附近的“振荡”。针对算法在运行后期出现的早熟收敛的缺陷,将蚁群算法基于信息素表选择机制融合到基本的微粒群算法中,以提高粒子的多样性差异,改善算法跳出局部最优的能力。通过以上改进,从而提出了一种基于蚁群寻优策略的微粒群算法。为验证改进算法的有效性,将基于蚁群寻优策略的微粒群算法应用于函数测试中,实验结果表明,该算法具有较高的求解精度且收敛速度有所提高。最后以车辆路径优化问题为应用对象,将基于蚁群寻优策略的微粒群算法应用于车辆路径优化问题中,实验结果表明,改进的微粒群算法在车辆路径优化问题求解方面收到了较好的收敛效果。