人工蜂群(Artificial Bee Colony,ABC)算法是最流行的群智能算法之一,具有控制参数少,结构简单等特点,竞争性更强.但是,该算法在收敛性方面仍然存在不足,这种算法擅长全局探索,局部开采能力却很弱.尤其当问题维数升高,算法的寻优精度会很低.本文针对ABC算法难以平衡全局探索与局部寻优的缺陷,基于自适应差分和跨邻域的生物地理学思想提出了两个改进的人工蜂群算法.算法1是基于自适应差分的人工蜂群算法(SADEABC).受自适应差分进化算法利用变异策略库自适应选择变异策略及其参数的启发,在人工蜂群算法的基础上,引入交叉率与惯性权重,利用差分向量与全局最好信息来增强雇佣蜂的搜索能力,达到平衡全局探索与局部寻优的目的.利用差分策略库使跟随蜂自主选择更新策略,将更多的计算资源分配给效果好的策略.此外,算法1利用混沌系统与反向学习初始化种群,使算法的初始解分布更加均匀.SADEABC算法在18个基准函数上进行测试,并与五个算法进行比较.实验结果表明,改进的算法在收敛速度与解的精度上都有明显的提高,具有显著的竞争力.算法2是基于跨邻域搜索与生物地理学迁移的人工蜂群算法(ANS-BMABC).受跨邻域搜索算法的启发,算法在雇佣蜂阶段自适应选择跨邻域搜索度,使得蜜源在更新过程中能学习多个其他蜜源的部分信息,可以得到潜在好解,加强算法的全局搜索能力.算法2还利用生物地理学迁移策略引导跟随蜂的搜索,加强蜂群间的信息交流,提高算法的性能.数值实验在18个单峰、多峰和旋转基准函数上进行,并且通过与当前高性能算法的比较,数值实验结果表明新算法在收敛速度与寻优精度方面均表现突出,并在高维问题上寻优性能更加稳定.