Varios estudios han demostrado que el algoritmo de optimización de colonia de hormigas (ACO) tiene un buen rendimiento en la aproximación de problemas complejos de optimización combinatoria como el problema del viajante de comercio (TSP) para aplicaciones del mundo real. Sin embargo, desventajas como el largo tiempo de ejecución y la fácil estancamiento aún restringen su aplicación más amplia en muchos campos. En este estudio, se propone un algoritmo de optimización de colonia de hormigas de evolución saltatoria (SEACO) para aumentar la velocidad de optimización. A diferencia de investigaciones anteriores, este estudio comienza de manera innovadora desde la perspectiva de la identificación de rutas casi óptimas y perfecciona el conocimiento del dominio de la identificación de rutas casi óptimas mediante un modelo de análisis cuantitativo utilizando los datos de evolución de la matriz de feromonas del algoritmo ACO tradicional. Basándose en el conocimiento del dominio, se construye un modelo de predicción de ruta casi óptima para predecir la tendencia evolutiva de la matriz de feromonas de la ruta para fundamentalmente ahorrar tiempo de ejecución. Los extensos resultados experimentales en una base de datos del problema del viajante de comercio (TSPLIB) demuestran que la calidad de la solución del algoritmo SEACO es mejor que la del algoritmo ACO, y es más adecuada para conjuntos de datos a gran escala dentro de la ventana de tiempo especificada. Esto significa que puede proporcionar una dirección prometedora para abordar el problema de la lenta velocidad de optimización y la baja precisión del algoritmo ACO.