优化问题一直是各领域研究的热点，随着优化问题规模和维度的不断增大，传统的优化算法已经无法解决这些问题。因此，寻求一类新的优化算法显得尤为重要。随着生物学科的不断发展，学者们根据自然界中群体生物的行为，提出了群智能算法。该类算法提出后就被迅速应用到各个领域，并且取得了很好的效果。人工鱼群算法是其中一种典型的群智能算法，该算法具有对初始参数不敏感、鲁棒性强、全局收敛能力强等优点，但也存在着缺点，如前期收敛速度快、后期收敛速度慢、寻优精度不高等。为了更好的解决上述问题本文对人工鱼群算法进行了研究与改进。　　本文首先介绍了人工鱼群算法的基本原理及各学者对其做出的改进策略研究。其次通过对基本人工鱼群算法的深入研究提出了两种改进的鱼群算法，分别是基于文化算法的改进鱼群算法(CAAFSA)和一种新颖的改进鱼群算法(IAFSA)，通过标准测试函数的实验结果对比，验证了两种改进算法的有效性。最后利用IAFSA算法解决了TSP和虚拟机分配的问题，对于TSP问题，通过14、22、30、51个城市的实验，验证了IAFSA在解决TSP问题上较基本人工鱼群算法具有更好的优化性能;对于虚拟机分配问题，通过和萤火虫算法进行了不同规模下的实验对比，证明了IAFSA算法较萤火虫算法具有更高的优化能力。　　CAAFSA和IAFSA算法的具体改进如下所示:　　(1)CAAFSA的改进分两部分，第一是对文化算法中影响函数的改进，对鱼群各行为下的影响函数中引入了步长缩减因子，该做法有助于鱼群的全局寻优，加快收敛的速度;第二提出了自适应视野，既考虑到了收敛速度又考虑到了寻优精度。　　(2)IAFSA的改进分三部分，首先使用混沌变换来初始化鱼群个体的位置，使鱼群更加均匀的分布在有限的区域内，保证种群具有多样性，利于全局收敛，其次对觅食行为中具有不同函数值的人工鱼个体采取不同的视野策略，不仅提高了算法的寻优速度而且有效的减小了鱼群陷入局部最优的可能，最后根据运动和体能之间的关系，构建体能变换模型，在鱼群觅食的后期体能开始变弱，适时的减小鱼群觅食、聚群和追尾行为中移动的步长可以有效的提高算法收敛的速度和寻优的精度。