群(体)智能(swarm intelligence,SI)是指由简单的自治体所组成的群体所展现的集体智能。受自然界昆虫的启发产生的智能优化算法,是通过对昆虫自然行为的模拟研究而提出的一系列运用于解决传统复杂问题的新方法,这种新兴的演化计算技术已成为越来越多研究者关注的研究热点。人工鱼群算法(AFSA)就是一种群智能算法,且是一种新型的随机搜索优化算法,即通过模仿鱼群的四种基本自然行为,包括觅食行为、聚群行为、追尾行为和随机行为来解决优化问题。初步研究表明该算法具有许多优良的性质和特点,如并行性、简单性、快速跳出局部极值、寻优速度快等特点,但也有一些不足之处。本文针对常数拥挤度因子导致算法存在的两点不足,即迂回搜索会使得该算法运行时间过长和该算法得到的最优解与实际最优值误差较大,根据追尾行为、聚群行为中的拥挤度因子的作用机理,提出了新的适应度函数,并采用指数式衰减变化策略,使拥挤度因子随迭代次数的增加而自适应减小,在全局搜索至逼近全局极值点附近后,精确搜索,不仅加快了系统满意解的收敛速度,也使数值解更稳定。同时,针对均匀随机行为导致搜索次数增加算法不能快速收敛,且易陷入局部最优的问题,本文引入对称正态随机行为,采用正态分布随机调整该行为中的步长,减少迂回搜索的无用计算,提高搜索效率。另外,受到人工蜂群算法的启发,提出基于跟随行为的人工鱼群算法,通过观察各个引领鱼的适应度值,并依据选择概率的大小自动确定跟随其中一个引领鱼,减少基本人工鱼群算法中的参数选取,避免由经验设置的非适应性的参数对优化的影响。最后,将人工鱼群算法运用到编队反潜作战任务规划的三级优化模型中,并进行相关实证分析,实现对DAD模型的求解。