人工鱼群算法是一种基于动物行为的新型全局寻优群智能优化算法,其基本思想是对鱼群觅食、追尾和聚群行为的模拟,通过人工鱼之间的协作与竞争来实现全局寻优。具有简单易行、并行能力强、对初始值要求不高等特点,已成功应用于信号处理、神经网络优化、图像处理、经济系统优化、生物信息处理等众多领域。但在算法后期,存在多样性差、易陷入局部最优、收敛速度变慢、搜索效率降低等不足。因此,本文在总结人工鱼群算法及其应用现状的基础上,提出了新的改进算法,并将改进算法应用于物流选址优化问题中。本文所做的主要工作如下:(1)提出一种基于DNA计算的改进人工鱼群算法。将DNA计算中的交叉与变异操作应用于基本人工鱼群算法,以增加算法后期的鱼群多样性,从而使得人工鱼能够跳出局部极值点,向全局极值点逼近。理论上分析了改进算法的收敛性及时空复杂度,测试函数仿真验证了算法的优越性。并将新的改进算法应用于优化配送中心选址问题,计算机仿真表明,基于DNA计算的改进人工鱼群算法在解决配送中心选址问题上更为有效,能够找到费用更低的中心站址。(2)提出一种基于细菌觅食的改进人工鱼群算法。将人工鱼群算法与细菌觅食算法相融合,利用细菌觅食算法中趋化操作具有局部拓展寻优能力的优势,将趋化算子嵌入到人工鱼群算法中,提高了算法后期局部搜索能力。分析了改进算法的收敛性及时空复杂度,测试函数验证了算法有效性。同时应用于配送中心选址问题的优化求解,仿真验证了改进算法的优化性能优于基本人工鱼群算法和遗传算法。(3)提出一种自适应Levy分布混合变异人工鱼群算法。根据变异能够增加生物多样性的基本思想,将Levy变异和混沌变异引入人工鱼群算法,Levy变异能够引导人工鱼群算法跳出局部最优,保持了鱼群的多样性;混沌变异增强了算法局部搜索能力,保证了算法后期的收敛速度。理论分析和测试函数验证了改进算法的有效性。并采用改进算法优化求解配送中心选址问题,仿真结果表明,改进算法具有良好的优化性能。