受群集昆虫生物行为的启发,一些基于群集智能的优化算法被研究出来处理组合和数值优化等一系列问题。新提出的人工蜂群算法就是基于群集智能的用于解决优化问题的优化算法,它已经被用来解决很多的数值函数及非数值优化问题并且展现出良好的性能。由于蜂群算法是一种新的优化算法,研究分析其算法优化性能是很有必要和意义的。目前的一些蜂群算法大部分是针对低维度的优化问题,当优化问题维数变得非常高时,蜂群算法的优化性能会急速下降,因此研究蜂群算法的高维实现,使其能够较好地优化高维问题变得尤为重要。本文对基本蜂群算法进行了全面的研究,详细地介绍了蜂群算法的背景及其原理、典型的蜂群算法变种以及蜂群算法的相关研究和应用领域。为了得出基本蜂群算法在什么条件下能够取得最好的优化效果,本文对蜂群算法的性能进行了全面的测试和研究。实验分析了维数和粒子数对算法的影响,侦察蜂的活动对算法的影响以及初始解的位置对算法的影响。同时受遗传算法的启发,将典型的选择机制应用到蜂群算法并对其进行改进,并比较不同选择机制下蜂群算法的性能。此外本文针对优化过程中适应度大小的好坏,提出了基于互学习的改善机制,分析并且比较了该改进的蜂群算法的性能。针对高维优化问题,本文详细地介绍了高维优化背景及其原理、一些传统的以及典型的改进后的高维机制。本文使用动态分组机制,应用确定式采样法以及互学习的优化方式,协同进化地对基本蜂群算法进行改进,实现了蜂群算法的高维机制。分析并比较了该高维蜂群算法的优化性能。实验结果表明,对大部分的优化问题,在粒子数为40,维数为10或者30,均匀分布初始解的位置,采用确定式选择法和无放回余数选择法代替蜂群算法中轮盘赌的选择方法,应用互学习机制的条件下,蜂群算法得到整体最好的优化结果。同时采用动态分组,协同优化的高维蜂群算法优化性能要优于其它典型的高维算法以及基本蜂群算法,能够有效地用来解决高维优化问题。