随着群智能优化算法被应用于解决各种工程问题,例如系统控制、生产调度、模式识别等问题,群智能优化越来越受到广大学者的青睐。人工蜂群算法由Karaboga首次提出。作为一种新型群智能优化算法,因其参数少、操作简单、开发能力强等优点,人工蜂群算法已被广泛用于解决各种工程问题,例如滤波器设计的优化、神经网络优化、波达方向估计、数据挖掘、波束成型技术等工程问题。良好的优化性能及不错的应用效果使得人工蜂群算法成为当今研究热门。本文的主要研究成果包括3个方面:(1)针对人工蜂群算法在高维复杂优化问题上存在收敛速度慢、收敛精度低等问题,本文提出一种求解高维复杂优化问题的改进人工蜂群算法(BAABC)。在跟随蜂阶段,BAABC算法摒弃轮盘赌选择策略,而是直接选择适应度高的蜜源。BAABC算法将吸引子引入到观察蜂搜索方式。首先,全局最优解波动产生吸引子。然后,观察蜂以吸引子为中心等比例收缩,共同开发同一区域,从而提高了算法的开发能力。实验结果表明,BAABC开发能力显著增强。关于迭代次数和时间,收敛速度都明显提高。在解决高维复杂优化问题方面,BAABC算法的优势十分明显。值得一提的是,BAABC算法的收敛效果与问题维数无关,具有很好的鲁棒性。BAABC算法适合在解决高维复杂优化问题上推广应用。(2)针对人工蜂群算法寻优过程中的搜索效率低下问题,本文提出一种基于反馈机制和丛林法则的改进人工蜂群算法(LFABC)。LFABC算法在全局搜索公式中加入反馈机制,提高了算法搜索速度,减少了无用的搜索。LFABC算法直接搜索可能存在最优解的区域,不再无规律地搜索全部空间。本文同时又在搜索公式中加入线性微分递增策略,使得算法在迭代初期有足够大的探索能力,同时保证了算法在迭代后期有足够大的开发能力。为了防止算法陷入局部最优,LFABC算法引入一种全新的变异方法。LFABC算法从适应度较差的个体中随机选择一个个体进行初始化。实验证明本文中提出的变异策略有效防止了算法的早熟收敛。LFABC算法的各项性能都优于ABC算法。LFABC算法在有效提高了算法的收敛精度的同时,其收敛速度也是非常突出。(3)针对原始算法所存在的收敛精度低下的问题,本文提出一种基于自扰动的改进人工蜂群算法(IGABC)。IGABC算法对ABC算法进行了两方面改进。一方面,针对算法中个体越界问题,提出边界改进方案。一方面,针对算法开发能力不足问题,提出基于自扰动的全局自适应搜索方程。通过对18个基准测试函数寻优及与其他6种改进ABC算法进行对比,实验结果表明本文提出的改进算法IGABC算法在收敛速度和精度上都有很大的提高。相对于其他6种改进ABC算法,IGABC算法在处理Rosenbrock和Schaffer等这些很难寻优的复杂函数时,收敛精度提高了16个数量级。