最优化算法作为控制工程的重要分支,是求解各类最优化问题的主要方法。目前,最优化算法已被广泛应用于通信、电力和交通等控制领域。随着复杂优化问题和人工智能理论地发展,群体智能优化算法应运而生。人工蜂群（Artificial Bee Colony,ABC）算法作为一种经典的群体智能优化算法,因其寻优性能突出,深受众多研究者追捧。ABC算法本质上还是一种随机搜索算法,存在寻优精度低和局部精细化搜索能力弱等缺陷。因此,进一步改进控制策略以提高搜索效率是当前优化问题领域的研究热点。混沌映射具有优良的伪随机性特性,适用于ABC算法的寻优过程中。但由于传统混沌映射生成的时间序列大多分布不均匀,导致由其生成的初始蜜源在局部区域选取值分布过于集中,降低了ABC算法前期遍历时解空间的全局开拓能力。同时,混沌ABC算法在迭代搜索阶段均使用单一分布的遍历控制策略,不利于提高遍历算法中局部精细寻优时的搜索效率。ABC算法是以遍历为基础的搜索策略优化算法,因而本文提出了通过组合优化初始蜜源概率分布特性来提高遍历搜索效率的改进思路。在寻优过程中处于可行解全局开拓性阶段时依据均匀分布遍历取值,而在处于可行解局部精细化搜索阶段时依据尖峰分布遍历取值。进而,论文提出了一种基于不同概率分布组合优化遍历控制策略的混沌ABC算法。首先,运用概率论基本原理,推导出满足最大信息熵原理的Logistic映射整形函数,并构建了输出均匀时间序列的完整动力学系统。运用熵谱分析和NIST随机性测试等方法验证了生成时间序列的分布特性和非周期特性。其次,使用同一初值分别通过Logistic均匀化系统和传统映射来生成具有均匀和尖峰特性分布的时间序列,并由时间序列生成参与遍历寻优的蜜源。整个寻优过程中,组合使用两种不同分布特性的蜜源参与迭代。再次,结合由近及远、由面到点搜索的蜜蜂活动规律改进了算法的邻域构造方法,不再随机选取邻域边界,而是围绕着每次迭代时选出的较好值来构建。结合蜜源的分布特点,算法一方面利用具有均匀分布特性的蜜源更均匀地遍布在整个解空间,增强了算法全局开拓性,避免寻优过程过早进入局部早熟收敛过程。另一方面,利用具有尖峰分布特性的蜜源强化在邻域中的精细挖掘能力,增大了在较好值附近搜索的机会和力度。最后,通过12个标准测试函数和求解最短路径寻优问题进行了全面的系统性能评估,并与近期提出的其它群体智能优化算法进行了综合比较分析。结果表明,本文算法在寻优时能较好地兼顾全局开拓性和局部精细化搜索两方面,具有较高的搜索效率和可靠性。