برای حل مسائل بهینه سازی ترکیبی و سخت، بهینه سازی کلونی مورچگان (ACO) روشی بدیع است که به تازگی ارائه شده و از فرومون مورچه های واقعی و رفتار جمعی آن ها الهام گرفته شده است. در ACO اثر فرومون مثل اطلاعات عددی عمل می کند که در فضای جواب توزیع شده اند و مورچه پاسخ هایی را به صورت احتمالی با استفاده از آن برای مساله می سازد و مورچه ها در هنگام اجرای الگوریتم از آن استفاده می کنند تا تجربیات خود را به دیگران نشان دهند.
کاربرد امروزه الگوریتم های ACO در دو دسته مهم از مسائل جای می گیرند: مسائل بهینه سازی ترکیبی ایستا و پویا. مسائل ایستا آن هایی هستند که شکل کلی مسأله و هزینه آن ها در طی حل مسأله تغییری نمی کند. مثلا مسأله فروشنده دوره گرد در حالتی که مکان شهرها و فاصله میان شهرها در هنگام حل مسأله تغییری نمی کند از این دسته است. اما در مسائل پویا، شکل مسأله و هزینه در هنگام تولید جواب ها می تواند تغییر کند. یک مثال برای چنین مساله ای مسیریابی در شبکه های ارتباطات است که در آن الگوی تردد در مسیرها به صورت مداوم در حال تغییر هستند.