最优化是许多工程设计领域都需要解决的一个问题,其本质就是在给定约束或者无约束的条件下,从所求问题的可行解空间中寻找最优解。通常情况下,我们会采用经典的确定性数学方法求解该问题,例如梯度下降法、牛顿迭代法、拟牛顿方法等。在实际求解优化问题中,上述确定性数学方法在处理凸优化目标时表现出较好的优化性能,但是在求解非凸优化目标时存在易陷入局部最优的缺陷。为了提供一种更加有效的优化途径,科研人员通过仿生生物行为,相继提出了一系列的群智能算法,例如粒子群优化算法、差分演化算法、蚁群算法、人工蜂群算法等。群智能算法的大量研究结果表明,相比传统的优化算法,群智能算法在求解非凸优化问题表现出明显的优势,并且成功应用到神经网络训练、组合优化、电力系统优化、工程设计等多个领域。人工蜂群(Artificial Bee Colony,ABC)算法作为一种相对较新的群智能优化算法,受到了智能计算学术界的广泛关注。由于该算法提出时间相对同类算法较晚,因此对它的理论研究以及应用还处于比较分散的阶段,同时算法本身存在早熟和开采能力不足等缺陷。因此本文针对人工蜂群算法存在的缺陷,进行深入研究,提出两种改进的人工蜂群算法。第一种,依据引领蜂、跟随蜂以及侦查蜂的任务分工不同,制定不同的搜索策略,使得算法的勘探能力与开采能力之间达到一个相对均衡的状态。第二种,借鉴机器学习中集成学习模式,将现有改进效果较好的搜索策略按蜂种类别不同组成不同的策略池,让每个蜂种都拥有自己的搜索策略池,同时为了不提高算法的时间复杂度,每个蜂种的搜索策略的选择采用随机选择和循环淘汰的机制,从而充分利用已有的改进搜索策略,集众家之所长。最后,基于包含单峰函数和多峰函数在内的13个标准测试函数,两种改进的ABC算法分别与多种经典改进的ABC算法进行对比实验,实验结果表明本文提出的两种改进的ABC算法求解精度高,收敛速度快,同时将本文提出的两种改进的ABC算法应用到神经网络分类器的权重训练中,有效提高了分类器的分类准确率。