随着科学和技术的快速发展,很多领域都会涉及到优化问题,如:旅行商问题、函数优化、电力调度、桁架结构设计等。然而,很多优化问题都是多峰、高维度,存在着难解性。传统的优化算法如共轭梯度法、单纯形法、牛顿法等都已经很难满足人们的需求。因此设计高效的优化算法成为很多科研工作者的研究目标。本文主要研究群智能优化算法,针对各个优化算法的优缺点进行改进,并将其应用到实际问题中,使其发挥出自身的应用价值。本文主要对人工蜂群算法进行改进,并将其应用到实际领域,本文的具体研究内容如下:(1)比较各种流行的算法,为后续改进的人工蜂群算法提供了理论支持。(2)针对传统人工蜂群算法全局搜索能力强,局部搜索能力弱的特点,本文提出了一个新的策略来保留整个种群搜索的历史最优解群。在这个基础之上,对人工蜂群算法的雇佣蜂阶段和观察蜂阶段的搜索公式进行改进,将改进的人工蜂群算法(MNABC)放在标准测试函数上以及电力经济调度的实际问题上进行实验测试其性能,实验结果表明提出的算法高效可靠。(3)针对人工蜂群算法收敛速度慢,后期精度不高,在处理复杂的优化问题时不易陷入局部最优的特点,受粒子群算法的启发,本文为人工蜂群算法的雇佣蜂阶段和观察蜂阶段提供了一个智能化的学习策略。此外,在侦察蜂阶段,根据侦察蜂的特性,本文提出了一种新颖的学习策略。然后,将改进的算法(EABC)放在标准测试函数上以及桁架结构设计的实际问题上进行实验测试其性能,和当前流行的多种算法比较结果验证了算法的可靠性。本文针对人工蜂群算法的收敛速度慢,在迭代后期其局部搜索能力弱的特点,提出了两种改进的算法,即基于智能学习策略的人工蜂群算法(MNABC)和基于精英搜索策略的人工蜂群算法(EABC);然后将这两种算法应用到实际问题中,其中将MNABC算法应用到电力经济调度问题中,将EABC算法应用到桁架结构设计问题中,实验结果验证了算法的有效性。