近年来,研究人员基于自然界各种生物行为和现象,提出了许多智能计算模型,用于解决实际工程问题。其中,人工蜂群算法(Artificial Bee Colony algorithm,ABC)作为智能优化算法的一种,因其控制参数少、易于实现且结构简洁的特点,成为近年来研究的热点。本课题在了解并研究有关人工蜂群算法资料的基础上,针对算法全局搜索能力和局部搜索能力不均衡、算法后期易陷入局部最优值等缺点,提出了两种不同改进策略的人工蜂群算法——引入高斯分布缩放因子的人工蜂群算法GDABC与种内竞争计算资源的人工蜂群算法ICABC。主要工作如下:1、在保证算法探索性的基础上增强开发性,提出引入高斯分布缩放因子的人工蜂群算法。在引领蜂阶段采用基于邻域的最优解学习搜索策略,增加种群多样性;在跟随蜂阶段采用能够自适应调节搜索步长的三角变异搜索策略,并修改其食物源的选择方式;两个搜索方程中引入高斯分布缩放因子。利用搜索方程特性及通过实验设定高斯参数,实现算法在探索和开发之间的平衡。最后采用28组不同特性的标准测试函数进行仿真实验,对改进后的GDABC算法在搜索质量、收敛速度、鲁棒性等方面进行验证。2、针对解决原始ABC算法轮盘赌阶段作用弱化等弊端,提出竞争式计算资源分配机制:在引领蜂与跟随蜂阶段配合使用多种搜索策略,以倾向性的计算资源配置方式模拟种内竞争环境;侦察蜂利用其结构特点,提出等位替补模式;同时未占用计算资源的外部文档中的成员提供种群多样性,在保证探索的同时加强对潜能区域的开发。最后,使用22个基准测试函数与CEC2014特别会议提出的30个函数集进行对比实验,分析讨论ICABC算法的综合性能。上述提出的两个改进算法,其中一个注重协调算法的探索性与开发性之间的平衡,另一个充分利用种内竞争模式从计算资源配置的角度提高算法的优化效率。两者都具有很高的优化性能,并通过实验加以验证。