امروزه آتوماتای سلولی در زمینه های متعددی از جمله تولید الگوهای تصادفی، نظریه محاسبات، مدلسازی سیستمهای فیزیکی و بیولوژیکی و محاسبات کاربردی مورد استفاده قرار گرفته است. طبق تعریف، می توان به آتوماتای سلولی به عنوان یک مدل محاسباتی عمومی نگریست که عملیات بر روی این مدل محاسباتی طبق قوانین سلولی صورت می پذیرد. از طرفی گرایشی در جامعه علمی برای نمونه سازی و حل مسائل پیچیده بهینه سازی بوسیله به کار بردن استعاره های طبیعی وجود دارد. این مسئله اصولاً به عدم بهره وری الگوریتم های بهینه سازی معمول در حل مسائل دارای مقیاس ترکیبی بزرگتر و یا مسائل به شدت غیرخطی، ارتباط دارد. یکی از شاخصه های معمول بهینه سازی عدم انعطاف آنها در جهت تطبیق دادن الگوریتم حل با یک مسئله ارائه شده است. اساساً یک مسئله داده شده در چنین روشی بنحوی نمونه سازی می شود که یک الگوریتم ساده معمول می تواند از عهده آن برآید. این مسئله در کل نیازمند گرفتن چندین فرض می باشد که ممکن است تأیید آنها در خیلی از موقعیت ها آسان به نظر نرسد. با توجه به هدف غلبه کردن بر این محدودیت ها، الگوریتم های کلی هدفمند انعطاف پذیر و قابل تطبیق لازم هستند. در این پایان نامه نوع جدیدی از آتوماتای سلولی یادگیر را ارائه کرده و بر اساس آن، رهیافت جدیدی را برای جستجوی مکاشفه ای در فضای مساله ارائه می دهیم که نسبت به تمامی مدلهای مکاشفه ای موجود دارای کارایی بمراتب بالاتری می باشد. در مدل ارائه شده در این پایان نامه از ترکیب آتوماتاهای یادگیر سلولی و قوانین یک روش مکاشفه ای، تحت عنوان کلونی زنبور برای رسیدن به بهینه سراسری استفاده شده است.