随着科学技术的不断发展,工程领域中的全局优化问题变得越来越复杂,由于其往往具有不连续、不可微、非凸、多模等特点,而传统基于梯度的优化算法已不适于求解此类优化问题,因此如何有效地求解此类复杂全局优化问题一直是科研界所面临的难题。在这种情形下,受到达尔文“物竞天择,适者生存”的启发,许多基于种群且与导数无关的智能进化算法应运而生。目前,进化算法在求解这些复杂优化问题时表现出巨大的潜力,并且在很多领域得到了非常广泛的应用。人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC)是进化算法的一个分支,由于它具有结构简单、参数较少、易于实现等特点,提出之后就受到很多学者的关注和研究。与其它进化算法相似的是,传统的人工蜂群算法也存在着计算精度不高、收敛速度慢、对于复杂的优化问题容易陷入局部最优解从而形成早熟收敛或停滞等问题。针对这些问题,本文以提高人工蜂群算法的高效性、鲁棒性和通用性为主要目标,提出了两种改进的人工蜂群算法,主要工作如下:1.针对人工蜂群算法开发能力差、收敛速度慢的缺点,提出了一种基于精英解和随机个体邻域信息的改进人工蜂群算法,其中本文利用精英解、随机选择个体及其邻域的有益信息和群体最优解的信息分别提出适用于雇佣蜂和观察蜂阶段的搜索方程。将本文提出的改进人工蜂群算法与基本的人工蜂群算法以及其它4种经典的人工蜂群改进算法在22个基准测试函数上进行比较,结果表明本文算法不仅拥有较快的收敛速度还在一定意义上保证了算法的搜索能力。2.针对人工蜂群算法局部搜索能力差的缺点,本文将拉格朗日插值算法应用于最优个体邻域附近某个维度的局部搜索,从而提出了一种基于拉格朗日插值的人工蜂群算法。因为本文提出的基于拉格朗日插值算法的人工蜂群算法可以作为一个框架应用到各种类型的人工蜂群算法上,所以本文将这个框架应用到DFSABC＿elite算法中,得到一个基于拉格朗日算法的DFSABC＿elite算法(简称La DFSABC＿elite算法)。本文将DFSABC＿elite算法和La DFSABC＿elite算法在22个基准测试函数上进行了比较,数值实验结果表明本文提出的La DFSABC＿elite算法提高了人工蜂群算法的局部开发能力,加快了收敛速度。