摘要-多目标优化方法对于解决实际问题至关重要。 提出了一种用于多目标优化问题的人工蜂群算法。 在该算法中，首先选择具有较少主导解决方案和更大拥挤距离的解决方案进入下一代，以较高的概率并以自我形容步骤搜索其附近，然后将基于对立的策略应用于初始化，以加快对Pareto最优解集的收敛速度，并提高Pareto最优解的分布均匀性目标空间中的解决方案。 多目标测试函数的仿真结果验证了该算法的有效性。

本文针对电力系统中的最优潮流（OPF）提出了一种多配置单元多目标蜂算法（M（2）OBA）。 提出的M（2）OBA通过将外部存档，全面学习，贪婪选择，拥挤距离和合作搜索策略相结合，将原始的人工蜂群（ABC）算法扩展到多目标合作模式。 我们的算法使用帕累托优势的概念和全面的学习机制来确定蜜蜂的飞行方向，并基于贪婪的选择和行距距离策略在外部档案中维护非主导的解矢量。 通过合作搜索方法，通过构建菌落级交互拓扑和信息交换策略，单种群ABC已扩展到交互多蜂巢模型。 具有六个数学基准函数，M（2）OBA被证明

多目标优化一直是一个难题，是科学和工程领域研究的重点。 本文提出了一种基于人工蜂群的新算法来解决多目标优化问题。 ABC是基于蜜蜂群的智能觅食行为的最新引入的算法之一。 它使用较少的控制参数，并且可以有效地用于解决多峰和多维优化问题。 我们的算法使用帕累托优势的概念来确定蜜蜂的飞行方向，并维护在外部档案库中发现的非优势解矢量。 通过标准测试问题验证了该算法的有效性，仿真结果表明，该方法具有较高的竞争力，可以被认为是解决多目标优化问题的可行选择。

为了有效地实现铜带的加料Craft.io优化，建立了基于实际加料原理的非线性约束多目标模型。 该问题的提出有两个目的，即最大程度地减少原材料的总成本和最大程度地增加投入熔炉的废料量。 本文提出了一种求解混合模型的新方法，称为混合多目标人工蜂群（HMOABC）。 HMOABC算法是一种新的基于群体智能的多目标优化技术，其灵感来自于蜜蜂的智能觅食行为，归一化目标值和多样化选择（SNOV-DS）的总和以及非优势排序方法。 研究了两个测试示例，并与其他自然启发性技术（包括非支配排序遗传算法II（NSGA