蚁群优化（ACO）是一种概率搜索算法，其灵感来源于蚂蚁在蚁群和食物来源之间寻找路径的行为。它用于解决优化问题，特别是那些涉及寻找有效路径或序列的问题。真正的蚂蚁会在它们经过的路径上留下信息素，其他的蚂蚁倾向于跟随信息素浓度更高的路径。随着时间的推移，较短的路径会积累更多的信息素，从而引导蚁群收敛到最佳路线。ACO 模仿这种行为，使用“人工蚂蚁”迭代地构建解决方案，调整信息素水平，以引导搜索朝着更好的结果发展。例如，ACO 广泛应用于旅行商问题（TSP），其目标是找到访问所有城市恰好一次的最短路线。
在 ACO 中，每只人工蚂蚁逐步构建解决方案，根据信息素水平和启发式信息（例如，TSP 中的距离）做出概率选择。最初，蚂蚁随机探索，但随着信息素在高品质路径上积累，算法会偏向这些路径。在每次迭代之后，信息素会略微蒸发以防止停滞，并根据解决方案的质量添加新的信息素。对于 TSP，蚂蚁可能从一个随机城市开始，并使用由边缘上的信息素强度和距离的倒数加权的概率重复选择下一个城市。一旦所有蚂蚁完成旅行，信息素就会更新：较短旅行中的边缘会收到更多信息素，而蒸发会减少较少使用的边缘上的信息素。这种探索（尝试新路径）和利用（加强良好路径）之间的平衡有助于避免局部最优。
ACO 具有灵活性，适用于 TSP 之外的各种问题，例如车辆路径、作业调度或网络路由。例如，在电信中，ACO 可以通过模拟蚂蚁发现低延迟路径来优化数据包路由。实施 ACO 的开发人员通常将问题建模为图，跟踪边缘或节点上的信息素水平，并调整蒸发率、蚂蚁数量以及信息素与启发式数据的相对重要性等参数。虽然 ACO 在组合问题上表现良好，但其有效性取决于参数调整和问题表示。ACOTSP 等开源库提供了预构建的工具，但可以使用矩阵进行信息素存储和循环来模拟蚂蚁探索和信息素更新来构建基本实现。