人工蜂群(ABC)是一个有效且非常高效的基于群体启发式算法,它是模拟蜜蜂集体觅食行为的一种智能优化算法。ABC有易于实现,鲁棒性好等突出优点。然而,在解决工程应用问题中,由于ABC的可行解搜索方程在广度搜索方面表现良好而在深度搜索方面表现较差,因而表现出较强的探索能力而缺乏良好的开发能力现象。此外,距离和适应度值隐藏的潜在信息具有益处,通过其构建一个更有效的邻居结构可以进一步提高ABC算法性能。因此,ABC还有发展和改进的空间。本文的研究内容是深入分析人工蜂群算法的理论知识,针对存在的一些设计缺陷问题,提出相应的改进方法以此增加ABC算法在求解全局优化问题上的优化能力。因此,我们提出两种改进版本的人工蜂群算法,即MPGABC和DFnABC。1)我们将提出新的搜索策略和新概率模型与ABC基本框架结合起来形成一种新的ABC变体,称为改进Gbest引导的人工蜂群算法与新概率模型(简称MPGABC)。具体而言,在新颖的搜索策略中,参数P用来控制被使用的搜索等式,也就是ABC原始搜索等式或新推荐的搜索等式。在新概率模型中,优秀可行解的选择概率要大于差的可行解,这就保证好的食物源能够吸引更多的旁观者蜂来搜索。通过在两组测试函数和一组现实优化问题上比较MPGABC和其他先进的ABC变体,实验结果表明MPGABC优于其它算法。2)我们基于距离适应值的邻居搜索机制提出新的ABC变体,称为基于距离-适应值邻居搜索的人工蜂群算法及应用(简称DFnABC)。具体而言,雇佣蜂通过利用具有高适应值而且靠近自己位置的好的近邻居信息,来专注于搜索自身周围的局部。此外,随着进化的演变,雇佣蜂可选择的探索范围逐渐减少,并且其搜索方向是由前Q个可行解中随机选择的一个领导者进行引导。另外,每个旁观者蜂首先选择一个高适应值且距离当前最优位置较远的食物源位置,来寻求在搜索空间中更注重全局探索的目的。另外,所选择的食物源位置的最佳邻居的信息被用于生成候选可行解。通过在22个基准函数、CEC2013和现实生活优化问题上进行的仿真实验,结果表明DFnABC优于其他竞争对手。