人工蜂群算法（Artificial Bee Colony, ABC)是近年来流行的一种模拟进化计算方法，受启发于蜂群个体间相互协作的特定社会群体行为，是一种模拟蜜蜂群智能搜索行为的群智能优化算法．由于其具有控制参数少、计算简洁、易于实现等优点，且己被证明是一种优秀的全局优化算法，因此得到了越来越多的学者所关注．但是人工蜂群算法还存在一些不足，如易出现“早熟”现象，收敛速度慢等．针对人工蜂群算法的不足，本文在对人工蜂群算法的基本原理、模型和局部搜索机制进行了深入探讨，并在其基础上对人工蜂群算法进行了改进，提出了两种改进的人工蜂群算法，实验结果表明改进的算法达到了预期效果．本文的主要工作概括如下：首先详细介绍了人工蜂群算法．全面分析了人工蜂群算法，包括人工蜂群算法的基本原理、组织框架、特征以及优缺点，同时还分析了人工蜂群算法的研究现状和应用领域．其次，对人工蜂群算法进行了改进，提出一种蜂群混合算法．针对人工蜂群算法收敛速度慢、易出现“早熟”的问题，通过将Alopex算法嵌入到ABC算法中，提出了一种蜂群混合算法ALABC．该算法对陷入局部最优的解进行Alopex迭代，避免长时间陷入局部最优，并且利用Alopex算法的并行计算特性提高了收敛速度．实验结果表明该混合算法具有较快的收敛速度和很强跳出局部最优的能力．最后，在前面混合算法的基础上，进一步提出基于梯度加速的蜂群混合算法．该算法将最速下降法引入局部搜索过程，在进化搜索过程中应用最速下降法的负梯度思想，提高了进化搜索速度．仿真结果表明：该算法不仅避免了陷入局部最优、出现“早熟”的现象，还提高了收敛速度和精度．