仿生智能计算是一类模拟自然界生物、生态等系统中“优胜劣汰”行为的模型和算法，具有自适应、自组织、自学习等特点，能够解决传统计算方法难于解决的各种复杂问题。仿生智能计算在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力，近几年吸引了国内外许多学者对其进行了多方面的研究工作。人工蜂群算法是由土耳其学者Karaboga提出的一种模拟蜜蜂群体寻找优良蜜源的仿生智能计算方法，该算法提出至今才9年。人工蜂群算法优点明显,如原理简单、控制参数较少、容易实现，还具有很高的收敛速度，且己被证明是一种优秀的全局优化算法,因此受到很多的国内外学者关注。但是，目前的人工蜂群算法的研究和应用还处于初级阶段，还存在一些不足,如易早熟收敛,进化后期寻优速度慢等。针对人工蜂群算法的不足,本文在对人工蜂群算法的原理、模型和信息共享机制进行深入探讨的基础上对人工蜂群算法进行改进,提出了两种改进算法,实验结果表明改进算法达到了预期效果。论文的主要贡献如下:首先，人工蜂群算法中的侦察蜂阶段的搜索操作在一定程度上可以解决算法陷入局部最优的问题，但也和其他启发式优化算法一样，存在着局部搜索能力差，在接近最优解时搜索效率下降，以及求解复杂问题时可能陷入局部最优而使算法停滞等缺陷。为了改善此缺陷，本文采用NM算法来取代人工蜂群算法侦察蜂阶段的随机产生个体机制，提出了一种基于NM算法的改进人工蜂群算法(NMABC)。希望基于NM算法优异的局部搜寻能力，改善人工蜂群算法局部搜索能力较差之缺陷并提高搜索效率。其次，考虑到NM算法反复搜寻的机制可能导致搜寻时间增加，因此本文另外引入PT扰动机制取代NM算法，提出了一种基于PT扰动机制的改进人工蜂群算法(PTABC)。希望达到降低适应值计算次数，在避免陷入局部最优的情况下，提高算法的进化速度,从而较好地达到了全局寻优和局部寻优的平衡。最后，对本文提出的人工蜂群算法进行仿真实验。实验结果表明，本文提出的两个改进算法在一定程度上避免了基本人工蜂群算法易陷入局部最优和早熟的缺陷。