如前所述，蚁群优化方法主要适用于求解组合优化问题，已经被成功应用于很多这类典型问题。根据问题求解过程中参数特性发生改变与否，可以将这类问题划分为静态和动态这两种组合优化问题。其中，前者的参数特性保持不变，这类问题主要包括JSP（job-shop scheduling problem）、VRP（vehicle routing problem）、SOP（sequential ordering problem）、TSP（traveling salesman problem）、QAP（quadratic assignment problem）等，而后者的参数特性则是发生了改变，主要有网络路由问题等。

第一，求解TSP问题。

蚁群算法最早是用来求解TSP问题，且这类组合优化问题最常采用的求解方法也是蚁群算法。Colomi等在应用蚁群算法求解TSP问题的同时，还设计出了几种不同类型的模型，它们分别是Ant-quantity、Ant-density和Ant-cycle，其中优化性能最好的是Ant-cyclec。Gambardella等人针对TSP问题，将Q学习算法融入蚁群算法中，提出了Ant-Q算法。为了简化Am-Q算法，Dorigo等利用2-0pt和3-0Pt局部搜索算法改进了蚂蚁所构造的解（方案），并有效解决了TSP问题。在排序思想的引导下，Bullnheimer等人提出了一种改进蚁群算法——ASrank，用以解决TSP问题。

第二，求解QAP问题。(www.daowen.com)

QAP问题与TSP问题具有很大的相似性，是另一种应用蚁群算法进行求解的典型组合优化问题。因此，QAP问题的求解方法通常是基于求解TSP问题的蚁群算法的改进算法。Stutzle等人对MMAS在QAP问题中的应用进行了一定的研究。Maniezzo等针对QAP问题，提出对蚁群算法进行改进，利用禁忌搜索法实行对蚂蚁所构造解的局部优化操作，并有针对性地提出了ANTS-QAP算法。此外，Tailland等提出了FANT算法，该算法在运行过程中只使用了一只蚂蚁，且能够自适应地调整信息素所更新的学习步长。Gambardella等提出了HAS-QAP算法，这种算法的主要特点是在改进解的过程中使用了信息素浓度。Talbi等设计出了依靠并行机制实现、结构与HAS-QAP算法相似的ANT-Tabu算法。

第三，求解网络路由问题。

在动态组合优化问题中，网络通信问题是蚁群算法需要解决的主要问题，而选择网络路由则成为一个重中之重的问题。简单地讲，这个问题实质上就是要在全连接图（通信网络）中找到两个任意节点之间最短的路径。假使处于静态的环境当中，则可以采用多项式算法求解该问题。但是由于节点间的流量（也就是边的权重）会随时间而发生变化，因此，这个问题的求解难度也加大了。Caro等提出了Ant-Net算法来解决网络路由问题。