蚁群优化（ACO）是一种受蚂蚁觅食行为启发的计算算法。它主要用于解决优化问题，尤其是在旅行推销员问题或网络路由等情境中，寻找最佳路径或路线的场景。ACO模拟了真实蚂蚁发现食物路径的方式，蚂蚁最初会探索随机路线并留下信息素。从一个点到另一个点的信息素足迹越强，其他蚂蚁更有可能跟随这条路线，随着时间的推移，最终形成集体向最有效路径的收敛。
该过程始于一群人工蚂蚁，它们遍历表示潜在解决方案的图。每只蚂蚁的决策基于边上的信息素强度和启发式信息（如距离或成本）的组合，这指引着它们向更好的解决方案移动。经过多次迭代，蚂蚁在其经过的路径上沉积信息素，强化那些产生更好结果的路线。随着越来越多的蚂蚁强化这些路径，它们对未来的蚂蚁变得更具吸引力，逐渐引导整个蚁群朝着一个最优或近似最优的解决方案发展。
ACO的一个显著应用是在物流和运输领域，此算法可以优化卡车的送货路线。通过模拟寻食行为，ACO能够识别网络中最短且交通流量较少的路径。另一个例子是在电信领域，ACO可以优化数据包在网络中的路由，以减少延迟并提高吞吐量。总体而言，ACO利用简单规则和分散决策的方式，在开发者希望优化各种系统时，有效解决复杂问题。