随着信息时代的不断发展,传统计算方法已无法解决工业发展领域中的优化问题。因此,群体智能优化算法应用而生。该类算法是群体智能行为算法的总称,也称元启发式算法,具有易实现、易扩展、鲁棒性强和自组织性等特点。作为典型群体智能优化算法之一的人工蜂群算法,具有原理简单、控制参数少、容易实现、收敛速度快等优点,其被广泛应用于优化问题的求解。然而,人工蜂群算法虽己被证明是一种优异的全局优化算法,但仍存在开发能力差、容易陷入局部最优、收敛速度缓慢等问题。本文针对上述问题,提出了一种极值个体引导的人工蜂群算法和基于鲸鱼搜索行为的人工蜂群算法。通过仿真实验分析了两种改进算法的优化性能,并通过求解3个机械优化设计问题验证两种改进算法的有效性。本文主要工作如下:（1）提出了一种极值个体引导的人工蜂群算法。首先,在雇佣蜂和跟随蜂搜索阶段引入全局极值个体和邻域极值个体,全局极值个体引导搜索有利于种群中优良个体的保留和发展,使算法跳出局部极值、克服早熟收敛现象;邻域极值个体引导搜索有利于提高算法的搜索精度,加快收敛速度;其次,引入小概率变异算子,对蜜蜂个体各维度以较小的概率进行变异,避免算法陷入局部极值并出现早熟收敛现象;最后,采用基于目标函数值的贪婪选择策略,提高算法的优化性能。基于28个测试函数进行仿真实验,并与其它几种算法进行比较,实验结果表明改进算法的开发能力较好、收敛速度较快。（2）提出了一种基于鲸鱼搜索行为的人工蜂群算法。首先,将鲸鱼优化算法的收缩包围机制引入人工蜂群算法雇佣蜂搜索阶段,通过全局最优解的引导,增强算法搜索的方向性,并准确识别最优食物源的位置,提高算法收敛速度和优化精度,避免陷入局部最优;其次,在跟随蜂搜索阶段引入螺旋更新机制,使蜜蜂种群在全局最优解附近局部搜索,提高算法的搜索速度和优化精度;并结合蜂群算法随机差分项进行全局搜索,有效解决算法种群多样性低和易陷入局部最优问题;最后,采用基准函数测试集和CEC’2013测试集进行仿真实验,并与其它智能优化算法进行比较,结果表明改进算法的优化精度较高,且不易陷入局部最优。（3）利用极值个体引导的人工蜂群算法和基于鲸鱼搜索行为的人工蜂群算法求解压缩弹簧、悬臂梁和焊接梁设计3个机械优化问题,并将优化结果与其它智能优化算法结果进行比较,验证了本文所提出的两种改进算法在求解机械优化设计问题方面的有效性和适用性。