人工蜂群算法(Artificial Bee Colony, ABC)是近年来流行的一种进化计算方法,受启发于蜂群个体间相互协作的特定社会群体行为,是一种基于种群搜索策略的启发式优化算法。人工蜂群算法优点明显,如原理简单、参数少和容易实现等,且已被证明是一种优秀的全局优化算法,得到了众多学者的关注。但是人工蜂群算法还存在一些不足,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。本文具体工作如下：首先详细介绍了人工蜂群算法和两种其他蜂群算法。全面分析了人工蜂群算法,包括人工蜂群算法的原理、组织框架以及算法的参数选择,同时分析了算法的发展动机、特征及优缺点。其次对混合人工蜂群算法进行了改进。将混沌搜索算法的思想引入人工蜂群算法,在观察蜂进化后期应用混沌搜索的思想,防止陷入局部最优。同时在采蜜蜂寻优过程中,利用两个进化因子来引导进化趋势,加快进化速度。实验结果表明：混合人工蜂群算法能在保证蜂群多样性,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。再次,在前面混合人工蜂群算法的基础上,进一步提出了基于并行的混合人工蜂群算法。算法应用当前流行的并行多线程技术,使两个种群在同时进化的过程中,进行信息交流,有效加快了算法的进化速度,提高了该算法的性能。实验表明：算法有效提高了寻优效率,取得了全局与局部寻优的平衡,与人工蜂群算法和混合人工蜂群算法相比,具有更高的综合性能。最后,对本文的分析研究以及相关工作进行了概括和总结,提出了下一步研究的几个方向。