人工鱼群算法是自然界以鱼为模板而衍生出来的一种新型群智能优化算法,为大量工程难题的分布式计算提供了有效的工具。该算法不依赖问题数学性质,具有对初值不敏感、优良的鲁棒性能,已经被广泛应用于国民经济的各个领域,由解决连续性优化问题发展到解决各种离散组合问题的优化,一维静态优化问题发展到解决多维动态组合优化。人工鱼群算法已经成为优化技术领域内一个非常热门前沿性的课题。人工鱼群算法采用自下而上的搜索机制,模仿鱼的“觅食行为”、“聚群行为”、“追尾行为”等主要行为而达到全局寻优。受拥挤度因子的影响,当算法逼近极值时,人工鱼却只能在极值近邻徘徊,不能求得精确解。由于粒子群算法具有趋向、快速的收敛特性,可以弥补人工鱼群算法在局部搜索能力及算法后期收敛速度慢的弱势,因此提出了粒子群优化人工鱼群算法,该算法在人工鱼群的“觅食行为”、“聚群行为”、“追尾行为”数学模型上做了优化,此外,引入粒子的飞行速度和非线性动态惯性权重因子。通过Sphere函数、Ackley函数、Levy函数和Griewank函数对算法的性能进行了验证,从算法的迭代速度、收敛精度和惯性权重等方面进行了综合的对比考察,通过仿真数据证实了改进的算法较人工鱼群算法和粒子群算法有着更加良好的收敛性能。TSP问题是属于典型NP难题,采用现代智能算法对旅行商问题的研究有着很重要的实践意义和理论意义。TSP问题即旅行商问题,它求解旅行商去N个城市推销自己的商品,使得所走的城市只经过一次并且返回该起点所走的最短距离。针对此问题,提出了交叉变异人工鱼群优化算法,并将其用于旅行商问题的求解。该算法在人工鱼群算法的基础上引入交叉变异算子,并介绍了该算法的距离、邻域及中心概念解决旅行商问题。引用数据库51城市为实例,实现了路径最短问题的寻优,仿真结果表明,该算法在组合优化问题的求解,表现出了极强的寻优能力和较好的性能。核函数的类型、核参数以及惩罚因子的选取直接影响着支持向量机癌细胞识别效果。然而,直到现在,支持向量机的核函数、核参数及惩罚因子的选取还没有科学的方法,人们只能根据经验、大量的反复实验进行对比等方法来进行选择,带有很大的局限性。本文利用改进的粒子群优化人工鱼群算法对核参数、惩罚因子的优化,并在癌细胞识别,取得了良好的效果。