人工蜂群算法(Artificial Bee Colony algorithm, ABC)是受蜜蜂觅食行为启发而产生的一种新型群体智能优化算法。与遗传算法、粒子群算法及微分进化算法等智能算法相比,ABC算法具有更优的性能。加之,ABC算法控制参数少、易于实现,近年来逐渐被成功应用于经济、社会、科学等众多领域。然而,受进化方式和选择策略的影响,ABC算法也存在收敛速度偏慢、搜索方程探索能力强而开发能力弱等缺点。本文针对ABC算法存在的问题,进行了深入研究。首先,受已有搜索方程和一些进化算法的搜索策略的启发,提出了几个新的搜索方程。其次,将一般的反向学习的方法作为改进措施引入到算法中来,并在不同的改进算法中采用不同的使用方式。考虑到原始ABC算法中蜜蜂搜索蜜源只对一维向量进行更新而致使算法收敛速度较慢的问题,提出了动态调整搜索频率的改进策略。另外,采用一种新的基于目标函数值比较的贪婪选择方式更新较优解。综合上述措施,提出了几种改进的人工蜂群算法。通过对若干标准测试函数的实验证明所提的新算法可以不同程度地提高人工蜂群算法的性能。最后,将所提出的一种算法用于周期性轨道交通时间调度优化问题,并以广州城铁运行时间表优化为例,验证了所提新算法的有效性。下面分章节叙述本文的主要工作第一章为绪论部分,首先阐述了本文研究工作的背景和意义,其次介绍了元启发式算法及其分类,并简要介绍了几种具有代表性的元启发式算法,最后介绍了本文的主要内容和结构。第二章着重介绍人工蜂群算法,首先简要介绍了算法的起源与发展、算法的生物学原理；再者,对算法的基本模型、流程作以描述；最后,对算法的国内外研究现状进行了总结。第三章对于改进人工蜂群算法、提高算法的性能进行了研究。针对人工蜂群算法收敛速度较慢、搜索方程的开发能力较弱等缺点,提出了一系列的改进措施(包括重新设计搜索方程、调整蜜蜂搜索频率和改变较优解的选择机制等方面),进而提出了两种改进的人工蜂群算法。利用一组标准测试函数,将新算法与原始ABC算法、GABC及其他进化算法进行了实验对比,结果表明所提出的新算法能有效提升原始ABC算法的性能。第四章针对原始ABC算法搜索方程的不足,调整了蜜蜂在采蜜蜂阶段和跟随蜂阶段的搜索策略,主要包括采蜜蜂阶段引入一般的反向学习(GOBL)的方法作为搜索机制和跟随蜂阶段局部最优个体参与引导蜜蜂的搜索行为,提出了基于局部最优解的改进人工蜂群算法。通过实验数据对比,所提算法表现出较优的寻优性能。第五章受已有进化算法搜索策略的启发,首先提出了两个改进的搜索方程,进而设计了两个新的人工蜂群算法(分别简记为CPABC不OPABC)。本章还介绍了周期性轨道交通时间调度问题(PRTS),并改进了问题模型。最后将OPABC算法分别应用于数值优化问题不PRTS问题,数值优化问题的实验结果表明OPABC算法寻优表现良好,针对广州城铁系统运行时间表的优化结果表明OPABC算法具有较强的竞争力。第六章对本文的主要工作进行了总结,并对今后的研究工作作了展望。