很多现实问题都可以建模成数学中的函数问题。为使利益最大化或成本最小化,求解函数极值问题就变得尤其重要。很多传统求解函数极值的方法都要受到函数可微、可导的条件限制,而群智能算法则突破了这些限制,在满足一定终止条件的情况下能够给出满意近似解。群体智能优化算法的思想来源于仿生动物学。人工蜂群算法是近年来提出的一种模拟蜜蜂采蜜过程的群体智能算法。粒子群优化算法是一种模拟鸟类觅食行为的群智能算法。人工蜂群算法具有相对较强的全局勘探能力,而粒子群算法具有相对较强的局部开发能力。它们都有自己的优势和特点,将不同的算法结合能够优势互补。因此,混合优化算法成为研究的热点之一。本论文的研究内容主要包括以下几个方面:1.针对人工蜂群算法种群多样性难以保持,进化速度慢等问题,本文提出了一种基于非线性递减选择策略的人工蜂群算法。算法在雇佣蜂阶段采用非线性递减选择策略以提高种群的多样性,进而改善种群的全局勘探能力;在跟随蜂阶段由全局最优解引导搜寻新解以提高种群的局部开发能力;在侦察蜂阶段采用贴近最优解策略以提高生成新解的质量,加速种群的进化。2.针对标准粒子群优化算法的种群多样性丧失较快,导致种群进化易出现陷入局部最优和进化停滞不前等问题。本文在基于分布更新规则的基础上引入了不平衡权重策略和局部搜索的方式,然后形成了一种基于不平衡权重和分布更新规则的粒子群算法。改进策略可以有效解决种群易出现早熟收敛和进化停滞的问题,同时提高种群的收敛速度。3.为了充分利用人工蜂群算法的全局勘探能力和粒子群算法的局部开发能力,本文结合了改进后的基于非线性递减选择策略的人工蜂群算法以及基于不平衡权重和分布更新规则的粒子群算法,形成了一种新的混合优化算法。最后,实验结果表明,该算法具有优越的综合性能。