试验采用的技术蚁群算法的提出与TSP问题的研究紧密相连，该问题又称为旅行商问题，或者货郎问题，该问题可以表述为：“一个旅行商人要访问n个城市，他必须选择相应的路径，路径的限制条件是每个城市只能访问一次，而且最后要回到商人原来出发的城市。那么计算出来的路程就是路径在所有之中的那个最小的”[1]。
　　本文采用蚂蚁觅食来对这一问题进行模拟。为了方便说明，首先引入下面一些数学符号：C为个城市（或觅食点）的集合；则1，2，，Cn=ijdt。为两个城市i，j之间的距离。表示t时刻位于城市i的蚂蚁的个数，令m为蚂蚁的总数，即：ibt1nimb=∑。表示t时刻（i，j）上的信息素量，则ijtτijτV表示信息素增加量，kijτV表示第k只蚂蚁在周游过程中释放在边ij上的信息素。ρ为残留因子，这里令（0，1]ρ∈。
　　kL表示一次周游中第k只蚂蚁所形成的回路的长度，kijp表示第k只蚂蚁移动方向的概率。初始状态下，0ijτ=，0τ为一个常数，0ijτ=V。当所有蚂蚁完成对n个城市的游历，所剩的信息量为残留的信息量总和加上信息增量总和。信息量的更新将遵循以下原则：1ijtntτρττ+=+V1（2）nkijkτ=∑V本文通过Ant-cycle模型来研究第K只蚂蚁周游一周而产生的信息增量，在蚂蚁没有经过的地方是为零，如果蚂蚁经过，则该数值为某一常数Q与该蚂蚁行进长度的比值：ij30kijQifkLtelseτ第只蚂蚁在本次周游中经过边V蚂蚁向何种方向进行移动受到概率的控制，我们令k时刻可路线总体为，不可选择的禁忌表为，则有kallowedktabu{}0，1，，1kallowedntabu。通过引入信息启发因子α与期望启发因子β，以及启发函数ijtη，可以构建出以下概率表达式，在TSP问题中的ijtη与两座城市之间的距离成反比，表示从i转向j的期望程度，公式为ij1ijn。
　　d=因此，蚁群算法就是通过信息素及其变动确定行动模式和路径，实现一种无序到有序的过程。m只蚂蚁从一个城市出发，通过公式（4）实现判断，进入下一个城市，并将经过的城市放入tabu，周游之后信息素按照公式（1）（2）（3）发生变化，这一变化再次影响公式（4）建构，反过来作用于蚂蚁的选择，由此不断反复，直到最终出现最优解（实现最短路径选择）。
　　k当然，由于蚁群算法的一些问题，学者们也做了一些修补，主要体现在如下几个方面：其一，针对该算法搜索较慢的缺陷，Tseng指出通过引入逆转变异方式，以增大搜索所需的信息量，来实现搜索速度的提高，也就是将该算法结合其他的搜索方法，改善算法缺陷[2]。
　　其二，改变定义规则，赋予函数新的界定模式。Lee等[3]试图按照经过个体的“高级”与“低级”程度进行信息素的增减。原则是：一旦“高级”个体（即可以导向最优解的个体）路过之处，相应的信息素增加；反之，“低级”个体（即不能导致最优解的个体）则会导致信息素减少，一般来讲，高级与低级个体在一个TSP问题中各有50%的概率。此外，对于的计算方法也很多，陈鹏在《基于蚁群算法的TSP优化》中，就列举了Ant-Quantity、Ant-Density、Ant-cycle等3种算法kijp[4]。
　　其三，对于，，Qαβ等系数加以调整。FabioAbbattista将遗传算法（GA）与蚁群算法相结合，对上述三个系数加以优化[5]。覃刚力、杨家本等则将Q看做动态变量，建构起Q与搜索过程的动态关系。王颖、谢剑英等出了自适应改变ρ值的方法。
　　蚁群算法仿真设计按照蚁群算法的基本逻辑，本文在蚁群算法实验性分析的基础上，浙江除尘设备考虑蚂蚁经过的节点作为信息素扩散浓度的源点，通过直接交换部分边上的信息素和合理设定每条边的信息素挥发速度，强化协作和交流，避免算法出现停滞和提高搜索效率。
　　结论通过仿真结果看出，本文采用一条灌溉优化路径走遍所有的节点，这样在路径实现上较短，从而有利于减少循环的次数，提高搜索效率，避免停滞等情况。根据节水灌溉方法曲线比较图及实验数据分析结果表明，由于采用了蚁群优化算法，在实际农业灌溉应用中使单位时间内流经管线的灌溉水量比原来单位时间内的流经水量减少了近30%，真正达到了节水灌溉的目的。当然，由于仿真测试采用顺序访问每一个“地块节点”，而信号源上的信号传达到每一个“地块节点”上的时间与两者之间的距离成正相。因此，两者距离越长，造成的信号延迟时间就越长。由此，各个“地块节点”获得的信号会出现偏差。这是蚁群算法优化研究过程中进一步需要完善的。