群智能算法是一种通过模拟动物集体行为对优化问题进行求解的智能算法,它为解决大量存在于管理科学、计算机科学、控制工程等领域的优化问题提供了新的求解途径,近年来备受人们的关注。人工蜂群算法作为群智能算法中较年轻的一种优化算法,由于其操作简单、控制参数少及鲁棒性强等特点,在处理优化问题时有着优异表现,已被越来越多的学者接受及推广。但是在解决复杂问题时,人工蜂群算法依然存在易陷入局部最优、过早收敛等问题。本文从多个角度对人工蜂群算法进行改进,以提高其在处理复杂优化问题方面的寻优性能。首先,为了提高人工蜂群算法的优化精度、局部搜索能力和运算速度,提出了一种快速自适应蜂群算法(Quick Self-adaptive Artificial Bee Colony, QAABC)。该方法首先改进人工蜂群算法的蜜源更新模型,采用全新的比例因子自适应调整搜索邻域范围,然后对跟随蜂选择引领蜂的方式进行改进,从而提高算法的收敛速度和优化精度。通过对5个测试函数在低维和高维进行了对比实验,并将之运用于工业结构优化问题的研究,所得结果均验证了改进算法的有效性。其次,针对约束优化问题,提出了一种改进人工蜂群算法(Guide And Follow Artificial Bee Colony, GFABC)。该算法对于可行域内个体和非可行域内个体采用不同的方法处理,并把两个区域内的个体联系起来。将非可行域个体分为临近者和远离者。其中,临近者随机选取可行域内一个个体作为指引者,向可行域方向进化；远离者选取距离其最近的可行域个体作为指引者,逐步靠近可行域边界。通过对11个经典约束优化问题的优化结果,验证了改进后的算法在寻优精度和满足约束等方面均具有一定优势。然后将之运用于丁烯烷化过程效益最大化问题的求解,验证了改进算法的有效性和实用性。