人工蜂群算法是一种近年来新提出的群体智能算法,该算法参数少易于调控,搜索速度快,精度高,鲁棒性强,自提出以来得到国内外学者的大量关注,并在求解工程类优化问题时得到广泛应用。在近年来的研究中,该算法被广泛应用于通信,控制,自动化,生物工程等领域,均取得较好的优化结果。然而基本的人工蜂群算法具备以下不足：其种群更新机制表明该算法缺乏对搜索过程中的种群社会信息的有效利用；且该算法全局的搜索性能较好,但局部深度探索能力较差；另外,在搜索过程中缺少对求解问题结构的认知,这些缺点限制了算法收敛速度和搜索精度的进一步提高。本文旨在深入探究人工蜂群算法的应用领域和改进机制,改善算法的收敛速度和优化精度,并进一步提高算法的适用性。本文的研究工作主要分为以下几个方面：首先使用人工蜂群算法求解阵列信号处理领域的波达方向估计问题。仿真结果表明,随着信道信噪比的改善,该算法的估计准确度不断提高,可以成功地对波达方向估计问题进行优化求解。为进一步探究人工蜂群算法的适用性,分别使用该算法对约束优化问题和多目标优化问题两类典型优化问题进行求解。在优化求解有约束条件的问题时,结合该类问题的特点,定义约束检查函数,检查随机解是否在满足约束条件的可行域内,并使用该函数对贪婪准则和跟随概率进行改进,得到一种适用于约束优化的人工蜂群算法；使用人工蜂群算法进行多目标的优化时,根据Pareto支配准则,分别改进适应度函数求解公式和贪婪准则,采用外部档案机制保存和更新Pareto最优解,同时,在整个搜索过程中采用带有全局引导机制的邻域搜索策略来保证Pareto最优解的均匀分布。分别对两类问题中的经典测试函数进行优化,结果证明本文提出的两种改进算法可以获得有效的优化结果。针对标准人工蜂群算法存在的不足之处,本文分别使用广义反向学习策略和阿基米德copula分布估计算法对算法进行改进,提出了两种基于混合策略的人工蜂群算法。在基于广义反向学习策略的人工蜂群算法中,使用反向解对种群个体进行更新,来提高种群的多样性,同时采用多维邻域搜索机制提高寻优效率。在第二种混合算法中,使用copula分布估计理论改进观察蜂机制,通过对优势群体构建概率模型来分析并学习问题的结构,并根据概率分布进行采样来生成新的种群,以此实现有向搜索。数值仿真结果表明,这两种混合算法都进一步提高了算法的搜索精度和搜索效率。