随着社会的发展,科学和工程领域需要解决的优化问题逐渐增多,同时优化问题越来越复杂,传统的优化算法对优化问题具有较多数学属性的限制,而且优化的精度低,消耗计算资源多。上世纪八十年代以来,研究人员受自然界中生物群体智能行为的启发,提出了一系列模拟群体智能行为的智能优化算法。人工蜂群算法是智能优化算法中的一种,由土耳其学者于2005年提出,因参数少、容易实现和良好的搜索性能,在智能优化算法中显示出独特的优势,受到国内外众多学者的关注与研究。本文根据人工蜂群算法的特点及研究情况,提出两种改进的人工蜂群算法,并与近期改进的人工蜂群算法在标准测试函数集中进行了对比实验,验证了提出算法的有效性。本文的主要研究内容如下:1.基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。首先,将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;同时,为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。然后,将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。通过与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中的对比实验,结果表明所提出的算法具有更好的搜索能力和更快的收敛速度。2.为在保证探索能力的基础上,提高算法的开发能力,提出基于双自适应机制的多策略混合人工蜂群算法。首先,为保持算法的良好探索能力,同时增强跳出局部最优的能力,受小生境思想的启发,提出第一种自适应机制以自适应地划分种群,并配合两种具有良好探索能力的搜索策略;然后,为增强算法的开发能力,采用第二种自适应机制以在候选池中选择合适的、具有强开发能力的搜索策略。将两种自适应机制分别用于雇佣蜂和观察蜂阶段,通过与近期改进的人工蜂群算法在22标准测试函数和CEC2014测试函数中进行对比实验,验证了所提出算法具有良好的探索能力、更强的开发能力和更快的收敛速度。