优化技术在工程设计、运筹学、生产运营、科学和信息等相关领域中扮演着至关重要的角色,是解决复杂问题的有效方法.然而,现实世界中的许多问题不连续或存在许多局部极小,因此使用传统方法难以求解.而作为重要的随机搜索方法,进化计算已成功运用于解决许多非凸、不连续、多峰优化问题,并且受到了广泛的关注.人工蜂群算法是一类重要的群智能优化算法,具有控制参数少、易于实现、自组织等优点.但由于父代个体选择的随机性,导致人工蜂群算法不能很好的平衡全局搜索和局部开发能力,进而导致算法易于陷入局部最优,出现早熟收敛现象.为改善人工蜂群算法性能,本文提出两种改进算法.1.为克服人工蜂群算法搜索策略的局部开发能力较弱且计算资源分布不均匀等缺点,提出一种具有学习及十字交叉搜索的人工蜂群算法.首先,对雇佣蜂和瞭望蜂,分别设计了新搜索策略,提高了在精英解和全局最好解的邻域内的搜索能力;其次,对依概率选取的瞭望蜂,采用局部学习策略,加快了收敛速度并增强全局寻优能力;最后,为平衡全局搜索和局部开发,利用十字交叉搜索增强瞭望蜂和全局最好解的局部搜索能力,维持了种群多样性,从而避免了早熟收敛现象.2.为有效利用最优个体特性和控制搜索范围,提出一种基于云模型的邻域搜索人工蜂群算法.首先寻找当前个体的优胜子种群,对雇佣蜂和瞭望蜂,设计两种以最优个体为指导的搜索策略;其次,利用云模型能够实现定性概念与定量值之间的转换,以最优解为期望值,通过控制云滴的确定度,动态调整搜索范围,提高算法的性能.所提算法不仅能有效利用优胜子种群中个体特性来增强算法在不同阶段的搜索能力,而且通过引入云模型增强了算法的鲁棒性.对多个标准测试函数和CEC2014测试函数集进行仿真实验,并与标准ABC算法、六种改进的ABC算法、三种非ABC算法进行比较,结果表明所提算法全局寻优能力强且提高了收敛速度和精度.