随着科学技术的发展,优化方法已应用于各种领域,如函数优化、图像处理、机器人控制以及工业生产等。然而这些领域中的优化问题通常具有多模态、多维度、不可微分以及受约束等特点,传统的数学优化方法不能很好的解决此类问题。由于不受待求解问题函数性质的限制,近年来元启发式算法吸引了众多研究者的关注。在众多元启发式优化算法中,人工蜂群算法由于有着较强的全局搜索能力而显得尤为重要。本文重点研究人工蜂群算法,分析了人工蜂群算法的优缺点,从维数更新策略、初始化策略、变量间关系、迭代公式以及平衡全局和局部搜索策略等多个角度出发,对人工蜂群算法进行改进,并将其应用到工业生产、通信网络管理、机器人路径规划及特征选取等多个领域。主要工作如下:(1)针对传统人工蜂群算法搜索速度慢,后期精度不高,但在处理复杂优化问题时却不易陷入局部最优等特点,本文分别对雇佣蜂和观察蜂的搜索策略进行改进去平衡算法的探索和开发能力。本文首先分析了更新维数对算法的影响,提出了合理的线性更新维数机制并运用在雇佣蜂更新策略中,保证了前期搜索的准确性并加快了搜索更好食物源的速度。此外,将高质量引导策略和最差维度更新策略融入到观察蜂迭代公式中,以提升算法精度。最后,将算法应用在属于电磁装置优化的扬声器模型设计问题及软件定义网络中多控制器放置问题中。实验结果证实了算法的有效性。(2)人工蜂群算法有着强大的全局搜索能力,但其收敛速度慢且精度不高,这种缺点在处理变量相关的问题上更为明显。本文针对该问题设计一种改进的人工蜂群算法来提升变量相关优化问题的效果,分析了差分进化算法和人工蜂群算法搜索公式的性质,分别针对变量相关和变量无关问题提出了有效的更新策略,并用协同进化方法将两种策略融合。本文采用14个经典的变量无关标准测试函数以及15个变量之间相关的CEC2015函数来验证改进算法的性能。最后,本研究还利用机器人路径规划问题对算法的有效性进行了验证。(3)在离散优化问题领域,本文提出了一种基于多滤波式的离散人工蜂群算法用于诊断帕金森疾病。算法结合了滤波器和包装器的优点,消除了大多数冗余特征及噪声数据。在滤波式阶段,采用三种不同的Filter方法分别对每个特征进行评分并进行归一化处理,然后根据特征的综合权重初始化人工蜂群。在包装式部分,人工蜂群算法根据分类器的分类精度评估个体的优劣,以实现得出最匹配的优化器和特征子集。实验结果表明,本文提出的算法提升了帕金森诊断的准确率。