受蜜蜂群觅食行为的启发，Karaboga于2005年提出了一种新型的群智能算法，即人工蜂群算法(artificial bee colony,ABC)。ABC算法具有原理简单、控制参数少、鲁棒性强等优点，已经被应用于函数优化、路径规划、生产调度、人工网络训练、系统辨识等问题。然而，ABC算法在搜索阶段存在解的利用不足，收敛速度慢，容易陷入局部最优解等问题。本文就如何提高蜂群算法的搜索性能及其在系统辨识、控制器设计等方面的应用开展了研究工作，主要内容有：为了扩大ABC算法的搜索范围，加快算法收敛，把多交换邻域结构应用到ABC算法中，提出了两种不同邻域结构的改进算法。第一，基于路径交换邻域的人工蜂群算法(ABC based on Path-exchange Neighborhood, PN-ABC)，把多交换邻域中的路径交换应用到蜂群算法的引领蜂的搜索策略中。第二，基于环交换邻域和混沌的人工蜂群算法(ABC based on Cyclic-exchange Neighborhood and Chaos, CNC-ABC)，把环交换用于ABC算法引领蜂的搜索中，同时将混沌搜索用于侦查蜂的搜索中，利用混沌的遍历性，使算法跳出局部最优。采用标准函数进行测试验证了提出的PN-ABC、CNC-ABC算法的有效性。混沌系统是一类复杂的动力系统，获取其参数值是许多应用的基础。本文从优化的角度，将混沌系统参数辨识问题转化为参数优化问题，采用PN-ABC算法求解该优化问题来辨识混沌系统参数。分别以Lorenz混沌系统和Logistic时延混沌系统为例，实验结果表明PN-ABC能准确的估计出系统参数。提出了一种基于CNC-ABC算法的分数阶PID（FOPID）控制器的参数整定方法。该方法以Bode理想模型作为参考模型，通过最小化实际系统与参考模型之间的输出误差来获得最优分数阶PID控制器参数，并以CNC-ABC算法来求解该优化问题。所提出的方法用于自动调压系统控制中，实验结果表明由CNC-ABC算法设计的FOPID控制器具有良好的控制性能。提出了一种基于量子蜂群优化的多核最小二乘支持向量机非线性系统辨识方法。首先，根据量子计算原理，利用量子角和量子相位的概念，给出了一种量子人工蜂群算法（Quantum-inspired ABC, QABC）。为了提高辨识效果，用量子蜂群算法来优化多核最小二乘支持向量机的参数。实验结果表明，所提出的方法能得到很好的辨识结果。把差分进化算法的变异策略引入到人工蜂群算法中，提出了一种改进的混合算法，即基于差分进化的人工蜂群算法(ABC based on differential evolution, DE-ABC）。DE-ABC中，将自适应的DE/best/1变异模式用于人工蜂群算法引领蜂的搜索更新中。所提出的DE-ABC算法用来辨识Wiener模型的参数。实验结果表明DE-ABC算法能准确的辨识Wiener模型参数。