人工蜂群算法是群体智能领域新兴的智能优化技术，其灵感来源于自然界中蜂群的觅食行为。与其它群体智能算法相比，该算法采用了角色转换和多引领选择策略，具有参数简单、收敛速度快的优势。因此受到了国内外专家学者的持续关注，其应用范围也从最初的数值优化领域被逐步扩展到工程优化、机器学习、图形学和数据挖掘等领域。但在求解复杂优化问题尤其是多模优化问题时，人工蜂群算法存在扩展解的多样性差甚至陷入局部最优的缺陷，降低了算法的求解性能。因此，本文对原始蜂群算法进行改进，改变原有的单一种群进化策略，以多种群协同进化的方式扩展求解的多样性，克服算法陷入局部最优的缺陷。此外，本文通过多组性能实验对多蜂群协同进化算法进行了性能测试，并选取了人群疏散仿真问题作为应用实例验证了该算法的实用性与有效性。本文的主要工作及创新点如下：(1)将人工蜂群算法与多种群协同进化机制相结合，提出了三种多蜂群协同进化交互模型：基于中心控制的协同进化模型、基于环形传递的协同进化模型和混合协同进化模型。基于中心控制的协同进化模型采用全局通信模式，具有较快的收敛速度，但容易受到局部最优值的干扰；基于环形传递的协同进化模型采用局部通信模式，虽然收敛速度较慢，但能够有效地扩展求解多样性；混合协同进化模型对上述两种交互模型进行了结合，优势互补，使得算法的求解精度、收敛速度和鲁棒性都能得到一定程度的提升。(2)提出了基于极大似然估计和引领范数的解空间动态收缩方法和种群自适应调整方法。在利用多蜂群协同进化算法求解复杂优化问题的过程中，通过评估引领范数逐步收缩和精化候选解空间，直至收敛到全局最优区域；同时对种群的规模和内部组成进行动态调整，通过解空间的收缩同比例地减小种群的规模，保留精英个体，淘汰适应度值较差的解。通过收缩候选解空间和减小种群的规模，能够有效地降低算法的计算复杂度，提高求解复杂优化问题的效率。(3)本文以人群疏散仿真问题作为多蜂群协同进化算法的应用实例，提出了基于该算法的人群疏散仿真方法。在该方法中，利用基于混合协同进化模型的多蜂群协同进化算法为群体实施路径规划，生成由初始位置到达目标安全区域的无碰撞最优路径。与传统的路径规划算法相比，本文所述方法的模型及参数简单，同时对障碍物的大小和位置不敏感，可以在简单环境和复杂环境之间进行灵活迁移。该应用实例不仅证明了多蜂群协同进化算法的实用性价值，而且为人群疏散研究提供了新的思路，提高了疏散仿真的效率。(4)基于上述理论，结合在研的项目，设计并实现了基于多蜂群协同进化算法的人群疏散仿真系统，用于实现对人群疏散过程的仿真模拟。该系统提供了环境建模、参数设置、危险源及安全区域设定、目标设定、路径规划和数据导出六部分功能，可以根据实际需求灵活地设置疏散仿真环境和群体规模，以实现对不同应急环境下人群疏散行为的仿真。仿真实验结果表明，本系统能够生成分布均匀、移动快速有序的人群疏散方案，具有良好的仿真性和可视化效果。