优化问题普遍存在于现实生活中的各个领域比如自然科学、工程应用等等,而实际生活中的许多优化问题通常不是单纯地优化单个目标而是带有许多复杂的条件限制,因而对其的求解比较困难,这类问题被称为约束优化问题。传统的优化方法面对复杂的优化问题(如函数不连续、不可微等解析性质)却变得无能为力。作为一种智能优化方法的人工蜂群(Artificial Bee Colony,简称ABC)算法是受蜜蜂觅食行为启发而来的一种新型的搜索优化方法,由于它具有简单易于实现、鲁棒性强、控制参数少以及对问题性质要求低等优势,深受研究学者们的广泛关注并已经成功地将其应用于求解各种优化问题。本文深入研究ABC算法求解约束优化问题—约束优化问题的人工蜂群算法,以及相应的约束处理方法,以提高其在处理实际优化问题的寻优性能。主要工作内容如下:(1)提出了一种基于搜索平衡法的复合人工蜂群算法。在约束处理方面,该方法基于ε约束处理法来充分地利用ε范围内外不能成功进入下一代种群并与父代个体存在非支配关系的子代个体所携带的有用信息来增加种群的多样性。在搜索优化方面,原始的雇佣蜂和跟随蜂根据种群状态的不同选择不同的搜索策略来提高算法的搜索效率。采用基准测试函数和3个工程问题对该算法进行了测试,并将其实验结果与其他约束优化算法的结果进行比较。结果表明新算法具有很强的竞争力。(2)由于约束条件的多样性,采用单一约束处理方法的优化算法不可能在所有的约束优化问题上表现出的效果一致。本文提出了一种基于混合法的人工蜂群算法用来求解约束优化问题。该算法采用双群体协同进化来克服了两种约束方法的缺点,并充分发挥出两种约束处理方法的优势。最后,对新算法进行了实验结果分析,并与其它的算法进行了比较。实验结果证明新算法的有效性和可行性。