如何设计有效的算法,求解科学研究和工程实践中遇到的大量优化问题,一直是众多领域研究的热点.近年来,进化算法在求解不连续、不可微、多峰等复杂优化问题上表现出色,受到了国内外研究人员的广泛关注.目前,进化算法已经在许多领域得到了十分广泛的应用.人工蜂群算法(Artifcial Bee Colony Algorithm,简称为ABC)是进化算法的一个分支,它主要模拟蜂群的智能采蜜行为.由于该算法具有结构简单、易于实现、参数较少等特点,一经提出便受到众多学者的关注和研究.然而,目前关于人工蜂群算法的研究与应用还处于初级阶段,尚有很多问题有待解决.例如,与其他进化算法类似,标准ABC算法也存在收敛速度慢、对过于复杂的问题可能搜索不到最优解、计算精度不高等问题.针对这些问题,本文以提高算法的通用性、高效性和鲁棒性为主要目标,提出了几种改进的人工蜂群算法,主要工作如下:1.针对人工蜂群算法的搜索方程探索能力强,开发能力弱的特点,受差分进化算法变异方程的启发,提出了两个新算法ABC/best/1和ABC/best/2.这两个算法的搜索方程只在最优位置附近产生新的候选解,从而提高了算法的开发能力.通过26个测试函数的仿真实验,结果表明ABC/best/1和ABC/best/2性能要优于其他两个人工蜂群算法.2.为了进一步提高算法的开发能力,提出了一个新的搜索方程.通过该搜索方程产生的候选解不仅围绕在最优解附近,并且搜索方向受最优解的引导,从而大大地提高了算法的开发能力.进一步,为了充分利用和平衡标准ABC搜索方程和所提出搜索方程的探索能力和开发能力,通过引入选择概率进而提出了一个新的人工蜂群算法(MABC).通过28个测试函数的仿真实验,结果表明所提的算法性能优于其他几种比较算法.3.提出了一个新的ABC改进版本(简称为EABC).在这个算法里,根据采蜜蜂和观察蜂在搜索过程中的侧重点不同,提出了两个不同的搜索方程分别被采蜜蜂和观察蜂用来产生新的候选解.从整体上看,新算法更注重于挖掘问题的特征信息.最后,通过48个测试函数的仿真实验,结果表明EABC性能优于,或至少可与标准的或改进的人工蜂群算法、差分进化算法和粒子优化算法相媲美.同时, EABC在高维测试函数上也表现出了优越的性能.4.首先,受遗传算法杂交算子的启发,通过设计一个新的搜索方程产生候选解,进而提出一种新的人工蜂群算法(简称为CABC)以提高算法的搜索性能.进一步,为了充分利用搜索空间中的有用信息,通过正交设计构造一个正交学习策略.由于正交学习策略利用了正交设计小样本特性,它可以产生更有前途的候选解.接着,结合正交学习策略提出了一种提高人工蜂群算法搜索性能的通用框架,得到了三种新颖的算法(分别记为OABC、OGABC和OCABC).对22个测试函数的仿真实验,结果验证了新搜索方程和正交学习策略的有效性.通过与几个具有代表性的进化算法比较结果表明,所提出的算法显著地提高了人工蜂群算法的性能.5.为了解决混沌系统控制与同步问题,提出一种改进的人工蜂群算法(简称为IABC).该算法在ABC/best/1和ABC/rand/1的基础上,引入参数M以提高它们的搜索能力.进一步,为了充分利用这两个搜索方程的优点,克服它们的缺点,按照一定的概率引入这两个搜索方程来产生候选解.以典型He′non Map系统为例进行仿真,验证了IABC算法的有效性与稳定性.