针对人工蜂群算法(Artificial Bee Colony algorithm，ABC)探索性强而开发性弱，从而导致收敛速度慢的问题，提出了一种基于分区个体排名的非线性种群缩减策略(Unlinear Population Size Reduction based on Cluster Individual Rank，UPSR-CIR)。首先，该策略设计长尾非线性种群规模缩减函数，在前期保持大种群充分探索，中期快速缩减使得后期保持小种群加强开发，同时为后期分配相对较多计算资源以加速收敛；其次，为确保种群多样性，采用K-means聚类通过间隔一定代数对种群进行动态分区，并以分区为单位进行种群缩减；同时，种群按分区缩减时，按照分区内最优个体在整个种群排名确定删除个体数量，为排名高的潜能分区保留相对较多的计算资源来进一步加强开发。采用22个基准测试函数在ABC及其变体上对UPSR-CIR策略进行实验对比分析，结果表明UPSR-CIR策略表现出更高的求解精度、稳定性和收敛速度，同时对于ABC变体具有普适性。最后采用12个经典旅行商问题(Traveling Salesman Problem，TSP)案例进一步验证UPSR-CIR策略在实际应用问题上的实用性和优越性。