自然选择推动动物的进化,进而形成了动物赖以生存的觅食和生活方式,科学家们正是通过研究自然界的动物群体生活方式来获得解决生活中疑难问题的启发和灵感.研究者们发现,鱼类本身不具备复杂的综合判断和推理能力,但是它们通过群体简单的行为相互影响,最终实现了生存和进化.人工鱼群算法(AFSA)由李晓磊博士于2002年在他发表的博士论文中首次提出的,该算法是受到鱼群运动行为的启发,将生物的群体智能用来解决优化问题.随着越来越多的研究者们对该算法的了解和研究,人工鱼群算法已经成为交叉学科中热门的前沿性研究课题.传统的鱼群算法拥有许多优点,比如算法稳定性好、有着良好的全局搜索能力,而且它也是一种随机优化算法,对初值的选取不敏感,算法通用性好,可操作性比较强.但是随着人们对人工鱼群算法的进一步研究和鱼群算法的广泛应用,人们发现人工鱼群算法后期存在收敛速度慢、求解精度不高且易陷入局部最优的缺点,基本的人工鱼群算法已经不能满足人们生产生活的需求.针对传统鱼群算法的这些不足,本文做了如下两个方面的研究工作：1.为了加快算法的收敛速度和提高求解精度,本文在研究了人工鱼群算法(AFSA)的原理和粒子群(PSO)的算法思想后,尝试模仿PSO中粒子的信息传递方式和更新方式,基于人工鱼的个体学习能力和社会学习能力分别改进它们三种行为的更新公式,提出了一种新颖的人工鱼群算法(AO-AFSA).并采用五个典型的测试函数进行仿真实验,分析了算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.2.针对基本的人工鱼群算法后期收敛速度慢、容易陷入局部最优和求解精度低的缺点,本文在基本的人工鱼群算法(AFSA)中引入万有引力算子,更好地利用了各条人工鱼之间的信息共享,有效地结合了万有引力算子的局部搜索能力和人工鱼群算法的全局搜索能力,提出一种基于万有引力的人工鱼群算法(GA-AFSA).采用六个基准函数测试表明：无论是在收敛速度、稳定性还是在寻优性能方面,该算法相对于基本人工鱼群算法(AFSA)和一种新颖的人工鱼群算法(AO-AFSA)都有明显的提高.