群体智能算法是通过模拟群居生物的行为而发展起来的优化算法,目前已成为优化领域的研究热点。其中代表性的群体智能算法有意大利学者Marco Dorigo于1991年提出的蚁群优化算法(ACO),1995年James Kennedy和Russell Eberhart基于对鱼群、鸟群行为的模拟,提出的微粒群优化算法(PSO),D.Karaboga在2005年成功地将蜜蜂的觅食行为应用到函数优化问题而提出的人工蜂群算法(ABC)。由于上述算法简单、实现方便、鲁棒性强,在复杂组合优化中有明显的优越性,迅速在国际优化计算领域得到认可,并在实际问题中得到广泛应用。人工蜂群算法是基于蜜蜂群体的觅食行为而提出的一种新的启发式仿生算法,属于一类典型的群体智能算法。算法中每个蜜蜂被看做是一个智能体(agent),通过群体中不同个体间的分工协作、角色转换、记忆等行为涌现出群体智能。本文通过对已有人工蜂群算法的分析与总结,给出了一种人工蜂群算法解决组合优化问题的算法框架,并以典型的组合优化问题——背包问题为例进行了应用研究。在算法中,首先运用转移概率和随机性选择相结合的方法,对状态进行选择,这样既保证了好的状态被选择的概率较大,而又不失随机性;其次,角色转换是蜂群算法中特有的机制,本文通过研究蜂群中各种角色之间的转换并结合参数分析,给出了进一步提高算法寻优能力的改进算法。最后,将禁忌搜索的思想引入到人工蜂群算法中,以提高算法跳出局部最优的能力。通过应用上述改进算法对背包问题进行仿真验证表明,本文所提出的的改进人工蜂群算法对于解决组合优化问题是可行和有效的。