针对自适应蚁群优化(AACO)算法在图像边缘提取中经常出现效率低、易陷入局部极值等问题，提出一种结合生物Predator-Prey 行为的自适应蚁群图像边缘检测算法。该算法将Predator-Prey 行为与AACO 算法相结合，将蚁群分成Predator 种群和Prey 种群，初始阶段利用AACO 算法进行搜索两种群，一定迭代次数后，两种群进入排斥阶段；通过自动阈值法提取图像边缘。实验结果表明，与AACO 算法和Canny 算法相比，在精确度方面，该算法提取的图像边缘明显优于前两种算法提取的边缘；同时保持了AACO 算法收敛速度快的特点，并克服了其易陷入局部极值等缺点；因此，该算法能够高效准确地检测出图像边缘。

动态RWA( 路由与波长分配) 问题是智能光网络的核心问题, 以蚁群算法为代表的启发式算法是解决此类问题的优选方案之一。文章提出一种基于ADACO(自适应蚁群优化)算法的RWA机制, 针对信息素挥发系数ρ采取自适应策略, 实现了对全局信息素更新态调节。理论分析和数值仿真结果表明, 与Dijkstra+FF(首次命中)算法相比, 改进的ADACO+FF算法可以有效地降低网络阻塞率, 规则型Mesh网络和NSFNET(国家科学基金会网络)的阻塞率最高分别降低了0.3和0.2。