2005年,受蜜蜂群体采蜜行为的影响,Karabogo首次提出人工蜂群算法(Artificial bee colony algorithm,ABC),ABC算法作为一种新型群体智能优化算法,由于其控制参数少,探索能力强,且易于实现等优点,被众多学者关注。但该算法也存在局部搜索性能差,易早熟收敛和所得目标函数值精度低等问题,故对基本人工蜂群算法的研究仍有开阔的前景。对于无约束优化问题,本文分别使用最速下降法、共轭梯度法和单纯形法三种传统优化算法加强基本ABC算法的局部搜索能力,提出了四种改进的人工蜂群算法。在基本人工蜂群算法中的侦查蜂阶段,对达到开采极限的食物源,引领蜂转换为侦查蜂,在搜索空间采用随机搜索,无法确定更新后的食物源更优,而利用局部搜索性能较好的最速下降法和单纯形法更新,确保所有更新后的食物源都得到改善,提出了引入最速下降法改进的人工蜂群算法和基于高斯扰动的单纯形法改进的人工蜂群算法;在基本人工蜂群算法中,跟随蜂会根据引领蜂反馈的信息选择更新食物源,之后对选择的食物源采用随机搜索进行更新,不能保证搜索后的食物源位置比之前的更好,而共轭梯度法却能保证每次迭代都向着较好的的方向移动,所以跟随蜂使用共轭梯度法更新食物源,得到的位置必然更好,对此提出了嵌入共轭梯度法的人工蜂群算法;在基本人工蜂群算法跟随蜂阶段,采用的随机搜索方式可能会使得更新后的食物源位置更差,故引入单纯形法,并以当前最好的食物源位置作为指导,使得更新的食物源向最好的位置靠近,同时在侦查蜂阶段加入保优策略,即对达到开采极限的食物源首先判断其是否为当前最好的食物源位置,如果是,则对其保留,如果不是,则利用侦查蜂搜索更新,提出了基于最优个体指导的单纯形法改进的人工蜂群算法。四种改进的人工蜂群算法均以确定性搜索取代随机性搜索,加强了基本人工蜂群算法的局部搜索能力,同时也避免了算法陷入局部最优。采用标准测试问题对改进的四种算法进行了数值试验,结果表明四种改进的算法相比基本人工蜂群算法和其它一些群体智能优化算法,所求解的精度更高且算法的稳定性更好。对于约束优化问题,本文提出了一种基于罚函数的改进人工蜂群算法(PF_ABC),该算法引入罚函数,并设置自适应动态罚因子,同时对目标函数值和约束违反度进行归一化处理,最后利用目标函数和约束违反度构造一个新的目标函数,将约束优化问题转换为无约束优化问题。采用标准测试问题对PF_ABC算法进行了数值试验,结果表明PF_ABC算法求解的精度较高且性能稳定。