随着电力系统规模的不断发展,系统的优化问题变得越来越复杂,传统数值优化方法在解决此类问题中也变得越加困难甚至无法求解。启发式智能优化方法虽然开辟了一条新的道路,但是由于算法在求解大规模系统优化问题中计算时间过长而难以在工程实际中获得应用。为此,本文在迁移学习的基本思想上,结合强化学习的决策能力以及人工蜂群多元多主体的协同机制,提出了一种全新的迁移蜂群优化(Transfer Bees Optimizer,TBO)算法。算法首先应用Q学习的试错与奖励机制构造蜂群的学习模式,以此提升蜂群的信息利用能力;然后分别采用强化学习的行为迁移和知识迁移技术实现蜂群的迁移学习。为解决算法求解多变量优化问题遇到的维数灾难,提出了状态-组合动作链的方式将状态-动作空间分解成若干低维空间,明显降低算法的计算难度;在基于概率分布的动作选择策略基础上引入人工蜂群的协作模式,提出了一种全新的动作选择策略以均衡算法对信息的搜索和利用问题;采用二进制编码的方式对连续变量进行离散化,拓展了算法在连续变量或者混合变量问题上的应用;为了进一步增强算法在随机复杂环境中的学习能力,从优化任务的状态信息和最优Q值之间的关系出发,提出了一种网格化知识迁移方法。最后,分别在IEEE 118节点算例和IEEE 300节点算例上对算法进行了仿真验证,仿真结果表明:本文所提算法可以保证最优解质量的同时,寻优速度能提高到常用启发式群智能算法的4~67倍左右,非常适用于大规模复杂系统非线性规划问题的快速求解。