人工蜂群算法是近年来较为流行的一种全局优化算法,通过模拟蜂群的觅食行为来实现寻优,具有算法结构简单、性能优良等特点,受到了众多研究人员的关注和应用。然而,类似于其他进化算法,人工蜂群算法在求解复杂优化问题时同样面临了性能不足的缺点,主要表现为算法收敛速度慢、解的精度不高和算法求解时间较长。为此,本文研究如何利用种群中的精英个体来提高算法性能,提出了一种基于精英组指导的改进人工蜂群算法,并将其进行GPU并行加速,最后将该算法应用于求解多阈值的灰度图像分割问题,主要工作如下:(1)在经典的人工蜂群算法中,个体通过解搜索方程生成后代,但由于该策略存在勘探能力强而开采能力弱的不足,使得算法性能受到了局限。为此,本文从利用精英个体的思路出发,提出了一种基于精英组指导的改进人工蜂群算法(ENABC),从种群中选择若干较好个体构成精英组,再基于该精英组设计了两种新的解搜索方程分别用于雇佣蜂阶段和观察蜂阶段,试图平衡算法的勘探和开采能力。进一步,基于精英组提出了一种改进的邻域搜索操作,在精英个体附近进行细粒度搜索,以期找到更好解,加快算法的收敛速度。为验证ENABC算法的有效性,在50个测试函数上与8种优秀的改进人工蜂群算法进行对比,实验结果表明ENABC算法具备更好性能。(2)与传统的最优化算法相比,人工蜂群算法求解高维复杂优化问题的运行时间往往令人难以接受。为此,本文研究了基于图形处理器GPU上的并行人工蜂群算法,采用NVIDIA公司的CUDA编程模型实现了ENABC算法的并行化版本,通过结合人工蜂群算法的特点,采用单个线程模拟单个个体的方式,分别对个体的初始化操作、更新操作、以及适应度函数计算操作等进行GPU并行加速,从而减少算法的运行时间。为验证并行算法的有效性,分别在CEC2013测试函数为30维、50维、以及100维时与CPU串行版本进行对比,实验结果表明GPU并行版本的加速比最高可达10.41,有效缩短了算法的运行时间。(3)灰度图像的多阈值分割问题是图像分割技术的一个难点,也是实现图像语义理解的重要一环。为此,本文提出了一种基于人工蜂群算法的灰度图像多阈值分割方法,采用图像的Kapur熵作为优化目标函数,把一组分割阈值编码为种群个体,再通过ENABC算法来进行求解,最终得到一组阈值可使得Kapur熵最大,同时完成图像的分割。为验证该分割方法的有效性,在BSDS500数据集上进行实验,与穷举法和3种不同的ABC算法进行对比,实验结果表明与穷举法相比,在分割准确率接近的情况下,ENABC算法的运行时间要远小于穷举法;而和其他3种ABC算法相比,ENABC算法在分割准确率和运行时间上均有更好性能。