近年来,由于具有全局优化、通用性且并行处理等能力,种群智能优化算法受到了很多关注。我们主要研究并改进了人工蜂群算法和花授粉算法。其中,人工蜂群算法有参数少、结构简单和易于实现的优点。但是,人工蜂群算法在寻优后期会遇到收敛速度慢、难以平衡探索能力和开发能力等问题。为了改善这种情况,我们提出了改进的人工蜂群算法,并应用到不确定分数阶非线性系统的参数估计问题上。另外,花授粉算法具有较强的全局寻优能力,但在迭代后期容易出现早熟现象、开发能力差等缺点,对此我们对其进行了改进,并用全局优化问题进行了测试。本文的具体工作如下:1.为了平衡人工蜂群算法的开发能力和探索能力,提出了改进的人工蜂群算法。首先,种群初始化是算法的第一步,也是比较重要的一步,是后面迭代的基础和保障。为了得出更好的初始种群,我们运用了混沌优化算法和反向学习方法结合的方式。其次,更新方程是算法迭代的核心,我们采用了两个新的更新方程来平衡开发能力和探索能力。另外,受到Nelder-Mead单纯形法的启发,我们使人工蜂群算法与之结合来解决迭代后期收敛速度慢的问题。最后,我们选用了两个分数阶混沌系统来进行参数估计。实验结果表明,与其他算法相比,改进的人工蜂群算法有更高的精度,更快的收敛速度。2.为了改善算法后期收敛速度慢等缺点,提出了一种带有记忆的自适应花授粉算法。与人工蜂群算法类似,我们用混沌优化算法和反向学习结合的方式来生成初始种群。另外,算法中全局探索和局部开发的平衡是很难控制的,而花授粉算法中的转换概率则是两种能力平衡的关键。我们采用自适应的概率机制,也就是根据两个搜索方程成功找到更优点的次数来决定转化概率值是否增加,这样可以实现,在早期全局探索的概率大,而在后期局部开发的可能性大。还有我们考虑到动物的记忆性,并且花授粉现象中传粉者多数都是生物,从而将记忆机制加入到算法中。最后,我们选用了 14组测试函数来对比算法的性能,结果表示,在全局优化问题上,花授粉算法得到的全局最优点更加精确,收敛速度更快。