在工程技术、管理科学、计算机科学、科学研究等领域中存在着大量的优化问题需要解决,目前工程中常用的优化算法主要有经典优化算法、局部搜索和贪婪算法、智能优化算法和混合优化算法等。群体智能优化算法是群体智能研究中的一个重要分支,通过模拟自然界生物的群体智能行为,并从它们的群体行为中提取模型,为这些行为建立一些规则,从而构造出来的随机优化算法。与传统优化算法相比,智能优化算法有着实现简单、全局收敛性好、鲁棒性强、易于扩充和自组织性等诸多优点。人工蜂群算法是一种模拟自然界中蜜蜂采蜜行为的新型智能优化算法,提出的时间较短,但因其计算简洁、控制参数少、收敛性好、鲁棒性强等特点,吸引了越来越多的学者对其进行研究。本文主要从人工蜂群算法的应用和改进两个方面,对其进行了研究。首先,对人工蜂群算法的生物模型、算法基本原理以及算法实现过程和流程进行了详细阐述,简单总结了算法的特点,并就算法的国内外研究现状做了综述。鉴于算法所具有的优良特性,将其应用于解决14个城市的TSP问题,这是一个NP难问题。具体的,将人工蜂个体的位置映射为一次所走的路径,食物源映射为路径的长度,14个城市TSP问题的仿真实例,证明了人工蜂群算法解决此类组合优化问题是可靠、有效的。其次,针对多模优化问题,提出一种小生境人工蜂群算法,实验结果表明,与小生境遗传算法相比,我们提出的算法是一种有效的多模优化算法。再次,为了防止人工蜂群算法在进化过程中特别是进化后期由于个体多样性不足而易使收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化等情况发生,本文提出了一种改进算法——基于高斯变异和混沌扰动的人工蜂群算法。改进算法中,引入了高斯变异,以加强局部搜索能力,提高搜索精度；并根据混沌序列具有遍历性、随机性、细致搜索等特性,以当前搜索停滞的解为基础产生混沌序列,用此混沌序列对部分陷入局部最优的个体采取一定的扰动,以促使停滞的算法跳出限制继续搜索,从而加快收敛速度,提高算法效率。对4个基准测试函数进行仿真实验,结果表明,改进后的人工蜂群算法在处理全局优化问题时,不论是收敛速度、搜索精度还是运行稳定性都远远优于标准的人工蜂群算法。最后,将人工蜂群算法应用于认知无线电的频谱分配过程,并进行实验仿真。结果表明,我们在有效地兼顾用户公平性的同时,系统的总效益也得到提高：并且在收敛速度、成功率和最优解的精度方面,人工蜂群算法均优越于遗传算法。