群智能算法是通过模拟自然界生物的群体行为而构造的随机优化算法,它为解决大量存在于计算机科学、管理科学、控制工程等领域的全局优化问题提供了新的途径,因此成为学术界长期研究的热点。人工蜂群算法(ABC)是一种模拟蜜蜂群智能搜索行为的群智能优化算法。由于其控制参数少、易于实现、计算简洁等优点,已被越来越多的学者所关注。但是目前关于人工蜂群算法的研究与应用还处于初级阶段,还存在很多问题有待深入改进和解决。为了有效改善人工蜂群算法的性能,论文从多个角度对其混合策略进行了研究。首先,论文对人工蜂群算法的选择策略进行了详细分析,通过引入三种不同的选择策略对人工蜂群算法进行了改进与比较,仿真实验表明,改进的算法具有更强的寻优能力,在收敛速度和精度上都有显著提高。其次,结合混沌优化的思想,提出一种自适应搜索空间的混沌蜂群算法(SA-CABC)。其基本思想是在原搜索区域的基础上,根据每次寻优的结果自适应的调整搜索空间,逐步缩小搜索区域,并利用混沌变量的内在随机性和遍历性跳出局部最优点,最终获得最优解。仿真实验表明,SA-CABC算法能有效地加快收敛速度,提高最优解的精度,其性能明显优于基本ABC算法,尤其适合高维的复杂函数的寻优。最后,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC)。首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度。仿真实验表明,BDABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。