近年来,随着群体智能[1][2]算法在数据处理分析问题上表现出来的巨大潜力,大批的研究人员投身于其中进行研究。但是这类的群体智能算法往往存在着调节参数过多,所得解不是最优解,收敛速度这些问题[3],这些问题限制了这些方法的实际应用。群体智能的发展还有很多的路要走,这也为我们的课题提供了实际的意义。收到大自然的启发和研究人员的努力,提出了人工蜂群[4]算法。随着研究的不断深入,人工蜂群算法在处理聚类分类等问题上取得了巨大的成功。过去的研究主要集中在算法性能提高,函数优化,组合优化,收敛性证明这些方面。一直以来,不同思想的融合和学科的交叉结合都是创新思想的重要来源,这也是人工蜂群算法能进一步发展和应用必不可少的趋势。主要的例如有人工智能,它是机器学习、统计学和数据库等学科的有机结合,现在已经是热门的研究课题。在这样的背景下,本文提出了该课题,本文对蜂群算法进行了深入的研究,在本文的开始,我们详细介绍了蜂群算法的技术理论,之后我们使用蜂群算法处理了一些实际问题,并且和同类算法进行比较,通过实验比较来展示蜂群算法在同类算法中突出的性能并且找蜂群算法的不足；然后针对实验暴露出的算法的局限性,通过查询文献和实验,我们提出了蜂群算法的改进策略,并且详细给出了改进的理论依据;最后,通过从算法的结构入手,我们提出了可变种群规模的人工蜂群算法,针对收敛速度和局部最优化的问题,我们选用了合适的函数,从理论上解决了这些局限性。本论文的具体贡献如下：(1)详细阐述了蜂群算法的理论并且将其应用到具体研究中去。我们阐述了原始的人工蜂群算法的数学模型,我们将这个模型运用到我们研究中常用的问题中去,蜂群算法能够完美的解决这些问题,性能比同类算法有显著的提高。(2)人工蜂群算法的改进策略。从第三章中暴露出了蜂群算法的一些不足,我们从算法性能为原点,提出了第4章中的算法改进策略,分别是初始解的改进,选择策略的改进,解更新公式的改进,与其它算法相结合的改进策略。并且通过仿真实验来验证这些更新策略的效果。(3)可变种群规模的人工蜂群算法。这是针对蜂群算法收敛性和准确性的问题,提出的新的人工蜂群算法框架,通过多次迭代的蜂群规模来扩展蜂群的种群规模,通过这种方式更新参数和循环标准,从而达到提高算法性能的目标。