简单描述蜜蜂寻找食物源的过程：
一群小蜜蜂来到一个陌生的环境，要采蜜，怎么破？比方先派出三只蜜蜂a,b, c出去转一圈，咦，运气不错，三只都找到了蜜源A,B,C，然后这三只蜜蜂飞回来了，告诉其他在蜂巢的蜜蜂关于蜜源的有关信息，（注：蜜蜂通过摆动尾巴来实现“告诉”这个动作，蜜源的有关信息包括距离蜂巢远近，采集难度等等，用收益率（profitability）来表示），蜂巢中的其他小蜜蜂一看他们三个带回来的信息，心中自有了判断，有些觉得A不错，然后a带着这些蜜蜂去A蜜源了，同理，b,c带着一些蜜蜂去了B,C。当然也有别的情况，比方说，蜜蜂a出去转了一圈后，没找到蜜源或者蜜源觉得不合格，他回来告诉大家，你们别跟我去了，我还得再找找。这里涉及到了蜜蜂的不同角色的变换，相关资料都会有解释，这个不做重点。
现在开始：
1、ABC模型 有3个基本元素，雇佣蜂，非雇佣蜂，食物源。2种行为引导方式，一、食物源不错，因为招来更多的蜜蜂（正反馈），二、就是食物源不好，蜜蜂放弃找到的食物源（负反馈）。
2、人工蜂群包含3种类型的蜜蜂，雇佣蜂(Employed Bees)、跟随蜂(Onlooker Bees)、侦查蜂(Scout Bees)，其中，跟随蜂和侦查蜂一起被称为非雇佣蜂。
雇佣蜂：跟特定的食物源打交道，一个雇佣蜂对应一个食物源。
跟随蜂：观察雇佣蜂的舞蹈来选择食物源
侦查蜂：随机寻找食物源。
3、在ABC算法中，其实要做的工作就是全局优化问题（global optimization）。
食物源的位置 对应着一个问题的解；
寻找食物源的过程 对应 最优解的过程；
食物源的好坏 对应着解的质量（适应度，Fitness）
4、ABC算法的设计模式：初始化；
进入循环：
雇佣蜂；
跟随蜂；
侦查蜂；
保留当前最好的解；
满足某条件，退出循环。
4.1初始化阶段
初始化所有的食物源向量Xm|(排版的问题，用|表示向量)（m=1,2...SN,SN代表多少个食物源）。由于每个食物源Xm|就是一个解向量，每个解向量含有n个变量，(Xmi,m=1,2...SN, i=1,2...n)所以，就简单了，目的就是最小化目标函数(minimize the objective function)。
用下列公式进行初始化：
其中，Ui和li 分别是Xmi的最大最小边界值。
4.2雇佣蜂阶段
雇佣蜂在已有的食物源Xm|附近继续寻找新的食物源Vm|，当找到一个食物源之后，估计该食物源的适应度（好坏程度），如何找新的食物源Vm|，公式如下：
其中Xk|是个随机选取的食物源，i也是随机选取的，ϕ是个介于[-a,a]的随机数。选出新的食物源之后，计算该食物源
的适应度，利用greedy selection在新旧食物源进行选择。
适应度计算公式，如下：
其中，fm是解向量Xm的目标函数，（适应度函数由目标函数变换而成，不解释！）
4.3跟随蜂阶段
跟随蜂根据雇佣蜂带回蜂巢的信息，从而选择心仪的食物源。在ABC算法中，跟随蜂根据雇佣蜂找到的食物源的适应度来进行选择。如何根据适应度进行选择呢，这里有个常用的方法：轮盘赌！
跟随蜂选择某个食物源的概率Pm，使用如下公式进行计算:
跟随蜂选取好食物源之后，使用公式6在确定个相邻的食物源Vm|,然后计算他的适应度。正如在雇佣蜂阶段所述，使用greedy selection在新旧食物源进行选择。从而，更多的跟随蜂被招募进来，并且有了更好的正反馈。
4.4 侦查蜂阶段
如果说雇佣蜂带来的食物源不是太好，那么该食物源就需要被扔掉（abandonment），在此，雇佣蜂摇身一变成为侦查蜂，接着出去找食物源！仍然是一头扎进花丛中，随机地找！比方说，食物源Xm|被扔掉后，侦查蜂（之前还称呼为雇佣蜂）找到一个新的食物源Vm|。这样，一开始找到的不好的食物源就能够被放弃，这就形成了负反馈，正好跟正反馈组成个平衡。