人工蜂群算法(ABC)是一个模拟蜜蜂觅食的基于种群的优化算法.该算法具有实现简单、通用性强、寻优能力良等特点，常用来解决复杂函数最优化问题，且优化能力比基本的差分进化算法、粒子群算法出色.但该算法有个普遍的缺点，就是易陷入局部最优解和局部搜索能力较弱.为此本文为了提高人工蜂群算法的局部搜索能力，引入目前常用的混沌系统.混沌系统具有随机性、遍历性和对原始条件的极度敏感性等特征等特点，它可以在确定的范围内根据自身的规律不重复地遍历种群的所有状态，因而利用混沌函数来进行局部搜索无疑对算法的寻优能力带来一定程度的提升.　　混沌函数的寻优过程概括来说分两个阶段进行:开始阶段，以当前种群中的最优个体为中心，在其周围附加一段混沌小扰动;然后，在以混沌函数确定的半径范围内进行寻优.这种一定范围内的随机遍历，对提高最优解的精度是有一定的积极作用.　　根据混沌优化的遍历性和人工蜂群算法的反演性，本文将两者进行组合，提出了基于混沌局部搜索的人工蜂群算法思想，在这个思想的基础上经过改进和优化，使其对提高人工蜂群算法的局部搜索能力更趋明显.　　概括来说，本文主要进行了如下两个方面的研究工作:　　1、为了提高混沌函数的局部搜索能力，将原混沌局部搜索策略进行适当改进，并将其与人工蜂群算法结合:新算法在每一代的所有个体的平均值附近利用混沌函数进行细化搜索，然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于六个标准测试函数的仿真结果表明，本算法能有效地加快收敛速度，提高最优解的精度，其性能优于已有的人工蜂群算法.　　2、提出了一种自适应策略的混沌局部搜索人工蜂群算法:其基本思想是在原搜索区域的基础上，根据每次寻优的结果中种群的相似度自适应地调整搜索空间，逐步缩小搜索区域，并利用混沌变量的内在随机性和遍历性跳出局部最优点，最终获得最优解.基于六个标准测试函数的仿真结果表明，本算法具有较强的局部搜索能力，又有较强跳出局部最优解的能力，提高最优解的精度，尤其适合高维的复杂函数的寻优.