蚁群算法是一种求解复杂问题的元启发式算法,它是意大利学者M. Dorigo, V.Maniezzo等人于20世纪90年代初,受到自然界中蚂蚁在觅食过程中所表现出来的路径寻找模式的启发率先提出的。从M. Dorigo首先设计出了蚂蚁系统(Ant System, AS)开始,许多国内外学者对这类算法进行了不断的改进,到目前为止已近形成了一套成熟的框架,由于蚁群算法所表现出全局性、稳健性等优点,蚁群算法的成功不仅表现在处理各种组合优化问题上,而且也体现在处理优化题时所取得的极佳的性能。它已广泛的应用在各行各业,并且取得了非常不错的成果。由于蚁群算法到目前为止主要成功大多是在实验层次上,虽然它的性能在不断的提高,但是在理论上还未像演化算法、遗传算法、模拟退火等算法那样具有严格的理论基础。对蚁群算法理论方面的研究,目前主要集中在它的收敛性证明、欺骗性问题、时间复杂度估计等方面。虽然初步取得了一些理论成果,但还存在着一些非常重要的问题亟待解决,如搜索偏离性的问题。蚁群算法在求解一些问题的过程中存在着两种搜索偏离：一种是正搜索偏离,一种是负搜索偏离。产生这种情况的主要原因是源于算法本身或者问题本身的性质。我们期望的情况是蚁群趋向于正搜索偏离,它可以引导蚂蚁的搜索向着最优解方向前进。但是,在许多情况下蚁群会产生负搜索偏离,它会使我们在求解问题的时候最终不能收敛到全局最优解。如果不能够对这种偏离进行估计和避免,我们在用蚁群算法求解一些优化问题时,我们却不能意识到自己所得到的解可能不是一个最优解,这在许多实际应用中是十分有害的。本文中主要对蚁群算法的搜索偏离性进行了全面的研究,提出了反馈性偏离的概念,提出了一种衡量偏离大小的标准。我们提出了一种改进的蚁群算法用来避免搜索偏离。为了纠正搜索偏离所产生的负作用,加强解群体的多样性,我们提出了三种改进的蚂蚁路径选择策略,以增加解的多样性,使改进的算法能够有效的避免搜索偏离。最后我们还将蚁群算法应用在了社团检测上。本文的研究工作和主要研究成果有：(1)在已经发现的蚁群优化算法的两种搜索偏离(即表征性偏离、构建性偏离)之外,我们提出了第三种偏离,即反馈性偏离。我们给出了反馈性偏离的定义,并且举例说明了反馈性偏离的存在。我们针对这三种偏离提出了一种衡量偏离大小的的统一的评价标准,并对该评价标准进行了测试,用实验证明我们的评价标准的合理性和有效性。(2)提出了一种BA_ACO (Bias-Avoiding ACO)算法来避免蚁群算法产生的搜索偏离。我们分别对传统的蚁群算法和BA_ACO算法在不同问题上的收敛性进行了理论证明,实验结果也充分说明了我们改进的蚁群算法可以避免搜索偏离,最终收敛于全局最优解。(3)为了纠正搜索偏离所产生的负作用,加强解群体的多样性,我们提出了三种改进的蚂蚁路径选择策略,以增加解的多样性,使改进的算法能够有效的避免搜索偏离。我们以n-digital问题为例,用实验来验证三种选择策略的有效性。实验结果表明我们提出的方法可以有效地增加解的多样性,克服了搜索偏离产生的影响。(4)我们将改进的蚁群算法用于解决对复杂网络的社团检测问题,我们用人工合成的数据集,和真实数据集对算法进行了测试,试验结果表明我们的改进的蚁群算法都能获得非常高的准确性。