人工鱼群算法(Artificial Fish Warm Algorithm, AFWA)是人工智能领域中的一项新兴技术,自2002年被提出以来,已经逐渐被广泛地应用于各种优化问题与数据挖掘领域。数据分类是根据样本属性特征进行分门别类,作为数据挖掘最为重要的内容之一,广泛存在于各个应用领域。分类规则挖掘是数据分类的深化表现,它不仅着眼于眼前样本的分类更着重于对其他数据的类别预测,是一种重要的数据挖掘知识。在现有的研究中,将人工鱼群算法应用于数据分类以及规则提取领域的比较少见,所以本文针对该问题进行了深入研究。受多群协同进化思想的启发,本文设计了一种多群协同进化鱼群(multi artificial fish swarm cooperation algorithm, MAFWA)算法用于分类规则挖掘研究当中。其主要思想为：设计多个鱼群,每一群体用于提取一个类别的规则,多群同时进化,协同提取完整的数据分类规则。与传统的用一个鱼群进行多个类别规则提取的思路相比,减少了人工鱼之间进行复杂通信所需要的时间,降低了算法的复杂度,有效的提高了算法的收敛速度和规则的提取精度。同时为了弥补基本鱼群算法中种群多样性程度较低、易陷入局部最优等缺点,本文基于遗传的思想引入了自适应调整的选择算子、交叉算子以及变异算子来对基本人工鱼群算法进行改进,进一步设计了多群交叉变异人工鱼群算法(Multi Artificial Fish Warm Algorithm with Cross, Mutation And Choose, MAFWA_CMC)进行分类规则挖掘,使得算法有效避免早熟,效率得到进一步提高。最后仿真实验结果显示：MAFWA能够快速生成分类精度较高的规则,并且在规则提取效率以及精度上都全面超过了基本人工鱼群算法；而进一步改进后的MAFWA_CMC算法也在收敛速度和分类规则精度上有明显的提高,但由于选择算子、交叉算子以及变异算子的引进增加了MAFWA_CMC算法的计算时间,但是在对高维数据的分类过程中该劣势基本可以被算法的快速收敛速度抵消；同时MAFWA_CMC算法在分类规则提取中的性能表现略优于多群微粒群算法。