随着社会快速发展,在计算机、工业发展等领域都会存在着许多优化问题,传统方法已无法很好的解决这些问题。因此,人们也在不断探索和改进,提出了许多有代表性的优化算法。优化算法主要分为了传统算法以及群智能优化算法,其中的群智能算法是一种通过模拟自然界的简单生物体的各种行为来演化出的群智能优化算法,能够解决传统算法优化范围局限、计算量不足的问题,具有适用性广、效率高等优点。人工蜂群算法则是这一种新型仿生智能算法,具有高效简单、鲁棒性强、高精度等优势。然而,蜂群算法也有一些问题,例如较慢的收敛速度、容易陷入局部最优。因此,针对这些问题,本文在查阅国内外资料后,对蜂群算法的深入研究和探索,从算法的改进优化和应用两个方面进行了研究:对算法中的初始化解、蜂群的搜索策略进行了改进,然后将改进后的算法运用到旅行商问题中。本文的研究工作如下:首先,由于标准蜂群算法随机生成初始解,虽然保证了初始解的多样性,但也使得解具有随机性,解的质量得不到保证,本文引入对比机制,对每个解的各个维数采用多次迭代,进行对比竞争,从而提高初始解的质量。其次,处于侦察蜂阶段的蜜蜂,由于在筛选最优解的过程中,邻域个体之间共享的信息减少,本文引入算法因子,通过在搜索过程中,调整算法因子,来进一步控制个体间信息共享度,提高搜索能力,使得侦察蜂能够跳出局部最优值,在更大的范围内寻找最优值,避免陷入局部最优。改进后的算法,通过在5种标准测试函数实验验证对比下,可以发现本文算法一定程度上提高了收敛速度,也优化了较易陷入局部最优的问题。从算法的应用方面角度,本文将改进后的人工蜂群算法,应用到了旅行商优化问题中。在应用的过程中,我们通过整数编码的方式来解决蜂群算法离散化的问题,采取最邻近法作为初始解的生成策略,可以让旅行商很快找到离自己位置最短的城市,并使用交换因子和倒置因子来提高邻域搜索范围。最后通过实验数据验证,证明使用本文的优化算法,旅行商问题可以得到更好的解决。