随着科学技术和工业技术的飞速发展,如今的优化问题逐渐呈现出多模、非凸、不可微、不连续等特点,在给传统数学优化方法带来巨大挑战的同时,也促进了一个又一个新兴优化方法的诞生。人工蜂群算法(Artificial Bee Colony,ABC)是一种模拟蜂群觅食行为的新型群智能优化算法。该算法凭借着结构简单、鲁棒性好、易于实现等特点,一经提出便受到众多领域学者的关注和研究,并已成功应用到许多现实优化问题中。尽管如此,人工蜂群算法中仍然存在诸多不足,例如探索能力与开发能力不平衡、收敛速度缓慢、蜂群搜索策略单一、蜜蜂之间缺乏信息交流等。本文以提高算法的求解精度、加快算法的收敛速度和增强算法的鲁棒性为主要目标,提出了两种改进的人工蜂群算法,主要工作如下:(1)GABC和CABC是两个杰出的求解全局优化问题的人工蜂群算法变体。GABC由于其最优引导项具有较强的开发能力,适合求解单模和简单多模问题。而CABC由于个体选择的不确定性使其具备较强的探索能力,适合求解复杂多模问题。为了结合两者的优势,本文提出一种混合人工蜂群算法(HGCABC)。在雇佣蜂阶段,使用CABC和Modified ABC/best/1这两个等式进行搜索,并引入参数p来控制两者的使用频率。在跟随蜂阶段,优先开采质量较优的蜜源,并设计了一个新的搜索策略,使较优个体之间充分交流位置信息。通过在52个测试函数和7个现实优化问题上进行实验,证明了HGCABC的寻优精度、收敛速度和鲁棒性均优于很多优秀的人工蜂群算法变体。(2)受人类社会的工作专业化原理启发,为了体现不同蜂种之间、同一蜂种的不同个体之间搜索能力的差异,本文设计了一个基于多种群的人工蜂群算法(MPABC_RA)。在雇佣蜂阶段,根据目标函数值将整个种群划分成三个子种群,并为每个子种群分配不同的搜索策略,使种群在搜索过程中兼顾开发能力和探索能力。在跟随蜂阶段,重点开采优秀蜜源,并为优秀蜜源中的相对较差个体分配更多的计算资源。同时,还设计了一个能充分探索当前个体与最优个体之间区域的搜索等式,进一步提高了算法的开发能力。在52个测试函数和7个现实优化问题上的实验结果表明,MPABC_RA的优化性能较HGCABC有进一步提升。