作为一种新兴的群智能优化算法,人工蜂群算法近几年来发展十分迅速。2005年,土耳其学者Karaboga基于蜜蜂采蜜原理提出了人工蜂群算法,并将其应用于多变量函数优化问题。由于人工蜂群算法具有参数少、操作简单和收敛速度快等优点,很快引起了众多研究者的关注。算法新的应用领域被不断地发掘,不再局限于函数优化方面。从目前的研究文献来看,人工蜂群算法已经被成功应用于旅行商问题、无线传感器网络节点部署、调度问题、参数优化和图像分割等众多领域中,而且新的应用场景仍在不断被提出。然而在应用的过程中,研究者们也发现了人工蜂群算法的缺点。在面对复杂的优化问题的时候,人工蜂群算法容易陷入局部最优,收敛速度也无法令人满意。因此,对算法的改进也成了一个热门的研究方向。本文的主要研究内容如下：首先,针对基本人工蜂群算法的缺点,本文提出了一种改进的人工蜂群算法。改进主要有两点。第一,改进了蜜源更新公式。基本人工蜂群算法的蜜源更新公式是在目标蜜源周围随机搜索一个新蜜源,由于搜索过于盲目导致收敛速度较慢。本文借鉴差分进化算法中的变异算子,在搜索新蜜源的时候利用邻居蜜源作为向导,并引入随机错位交叉策略吸收其他维度上的有利信息。改进后的蜜源更新公式搜索更有目的性,具有更强的局部搜索能力。第二,改进了蜜源适应度公式。基本人工蜂群算法的适应度公式有时并不能真实地反映蜜源的好坏,这严重影响了算法的优化精度。为了更好地评价蜜源和保护种群多样性,本文基于排序提出了新的适应度公式。为了证明改进算法的有效性,在参数设置相同的前提下,用改进算法、基本算法以及其他具有代表性的改进算法分别优化了一组标准测试函数,并对比分析了实验结果。实验表明,改进的人工蜂群算法收敛速度更快,函数优化精度更高。其次,将人工蜂群算法应用于图顶点着色问题。本文根据图顶点着色问题的具体需求重新设计了目标函数以及蜜源更新公式,提出了一种求解图顶点着色问题的人工蜂群算法。算法的可行解采用整数编码。可行解代表着色方案,用一个长度为图顶点总数的向量表示,向量的每一维的值是对应顶点的颜色编号。可行解的目标函数值越小,说明该着色方案越好。因此,寻找最优着色方案就是寻找使目标函数取得最小值的可行解。蜜源的更新操作是在保证总颜色数不增加的前提下随机改变图中一个顶点的颜色。实验阶段,用几个标准算例测试算法的优化效果。