人工蜂群算法(Artificial Bee Colony algorithm,ABC)是通过模拟蜜蜂采蜜行为而形成的一种较为新颖的群体智能算法,且已被证明是一种有效的全局优化算法。由于ABC算法控制参数较少,结构较为简单,实现起来相对容易,已被越来越多学者研究,并被广泛应用于规划与调度、神经网络、无线传感网、图像处理等领域,且已取得了良好的研究成果和应用效果。然而,ABC算法尚处在研究初期,仍存在一些问题需要研究,例如提高算法在各种优化问题上的求解性能、扩展算法的应用范围等。通过对人工蜂群算法的内在机制及其他学者改进方法的不足进行研究,并结合其他启发式算法的优点,从多个角度对人工蜂群算法进行了改进,并探索了改进算法在贝叶斯网络结构学习上的应用。本文的主要工作归纳如下:第一,针对人工蜂群算法存在的早熟收敛,易陷入局部最优,收敛速度慢等问题,提出了一种融合布谷鸟算法的多种群人工蜂群算法(CMABC)。首先,设计了一种多种群混合搜索方法,将雇佣蜂根据适应度大小分为三个子群,并针对不同子群设计了三种解搜索方程,利用个体在搜索过程中的自我选择机制,通过结合三种不同的搜索策略平衡算法全局搜索和局部搜索的能力,提高算法的抗早熟能力和收敛速度。然后针对食物源更新机制中存在的未利用当前最优解信息导致丢失潜在更优解的问题,受布谷鸟算法(CS)中位置更新机制的启发,设计了一种新的食物源更新策略,实现了局部最优解信息的有效利用。最后,通过对8个经典测试函数和14个CEC05基准测试函数在高维和低维进行对比仿真实验,充分证明了 CMABC算法在单峰、多峰、平移、旋转和噪声等函数问题上的有效性,对比实验表明,CMABC算法在求解精度和收敛性上具有一定优势。第二,为了扩展ABC算法在离散域问题上的应用范围,提出一种基于离散CMABC算法的贝叶斯网络结构学习方法(CMABC-BNL)。首先,将结构学习问题抽象成寻找最优食物源问题,然后在CMABC算法的基础上,进一步结合差分进化算法的交叉、变异行为,设计了一种离散CMABC算法,并提出了一种带标记的深度优先搜索策略对非法结构进行修正。通过对8个经典测试函数和14个CEC05基准测试函数在高维和低维进行对比仿真实验,充分证明了 CMABC算法在单峰、多峰、平移、旋转和噪声等函数问题上的有效性,对比实验表明,CMABC算法在求解精度和收敛性上具有一定优势。通过两个标准贝叶斯网络数据集的对比实验,表明所提的基于离散CMABC的结构学习方法学习到的结构更优。