优化问题的理论和方法是一个重要的数学分支,应用在我们生活的方方面面。随着现代社会各个领域不断提出越来越复杂的优化问题,传统的优化算法已经难以应对。一些现代群体智能优化算法的提出,为人们解决优化问题提供了新的思路。这些算法一般不需要知道目标函数的先验信息,能很好地适应复杂问题条件的优化问题,提出以来就受到学者的广泛关注和研究。人工蜂群算法是一种受自然蜂群觅食行为启发而提出的新型群体智能优化算法。人工蜂群算法具有控制参数少、易于实现和鲁棒性强等优点,已经在越来越多的工程领域得到成功应用。但算法本身也存在收敛速度较慢、全局搜索能力强而局部搜索能力弱等问题。本文针对人工蜂群算法存在的问题进行了深入研究,提出一种基于多维搜索优选策略和自适应步长的人工蜂群算法(MS-SABC)。首先,将均匀设计方法引入种群的初始化阶段,让初始种群均匀地分布在搜索空间,提高了算法的全局寻优能力和收敛速度。其次,针对原算法搜索新蜜源时只对随机一个方向进行搜索的盲目性带来的收敛速度较慢、开发能力较弱的问题,提出一种多维搜索优选策略,对蜜源领域的每个方向进行一次搜索并选择最优蜜源,这样能够稳定有效地提高算法局部搜索和收敛精度。最后,以蜜源未更新的次数trial作为蜜源进化阶段的依据,提出一种自适应的步长幅度更新公式,当trial较小时,蜜源在进化初期,采用较大的步长幅度;当trial接近蜜源要淘汰的最大未更新次数limit时,蜜源已经接近收敛,采用较小的步长幅度。加强了算法的局部搜索能力,有效避免了算法在极值附近的搜索振荡。通过6个单峰测试函数3个多峰测试函数对MS-SABC算法、标准人工蜂群算法和基于全局最优引导的蜂群算法的仿真,结果表明,MS-SABC算法在收敛速度、收敛精度等性能指标上,都要优于标准人工蜂群算法和基于全局最优引导的蜂群算法。说明本文改进算法有效提高了算法的收敛速度和收敛精度,加强了算法的局部搜索能力,同时具有较好的稳定性。