蚁群优化算法是一种基于蚂蚁觅食行为而设计的元启发式优化算法,在旅行商问题、二次分配问题和车间任务调度问题等经典的离散组合优化问题中得到应用。在优化领域,许多问题的变量往往都是连续的,因此,将离散的蚁群算法扩充到连续域就是一个新的研究热点。本文主要针对连续域蚁群算法进行研究和改进,并取得了以下结果:针对单一改进方法效果有限的问题,提出了一种动态划分的混合连续域蚁群优化算法(DPHACO)。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用局部搜索策略进行预处理,这样能提高算法的收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增加解的多样性,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效地改善解的质量。针对连续域蚁群优化算法(ACO_R)中个体信息利用率低的问题,提出了一种基于信息交流策略的连续域蚁群优化算法(ICACO)。ICACO算法在对解的更新过程中选取一部分解,利用信息交流策略进行处理得到候选解,并采用贪婪方式接受能够改善解的质量的候选解。通过标准测试函数对所提算法进行测试,实验结果表明ICACO算法能够有效地加快ACO_R算法收敛速度并提高寻优结果的精度。本文算法与相关改进的连续域蚁群算法及其它智能优化算法相比全局搜索能力更高,效果更好。针对电力系统经济调度问题,将改进的连续域蚁群算法应用到该问题中。电力系统经济调度是一个非凸最优化问题,包括一些实际特征,如阀点效应、禁止区间、斜率限制和传输损失。连续域蚁群优化算法是一种较新型的群智能优化算法,具有简单易实现、并行搜索与计算效率高等特点,适合于复杂优化问题,能以较大概率找到全局最优解。本文主要将改进的连续域蚁群优化算法应用到电力系统经济调度计算研究。对基准测试系统的数据进行仿真,与标准的连续域蚁群算法进行了对比,证明了改进的蚁群算法更有效。