人工鱼群算法以水中鱼及鱼群的行为为研究对象,通过总结和分析它们的生物习性并通过数学模型描述起来的一种智能仿生优化算法,该算法有诸多优点,如对初始解不敏感,鲁棒性较好,容易逃离局部最优等,受到广泛的关注,并被应用到各个领域中,为解决当前高维,复杂,非线性的工程问题,提供了解决方案和思路。对人工鱼群的深入研究和进一步完善是当前优化领域的一项非常热门的课题。鱼群的觅食,群体聚集,跟随可以帮助鱼群快速定位并寻找到食源,人工鱼群算法就是通过模拟它们的这些生物行为,来实现对相关问题的优化求解。算法的收敛源于鱼群的“觅食”行为（即每次寻找更优解）,同时群体聚集和跟随的特性,让算法的寻优过程变的稳定,高效,但由于自身的固有缺陷,导致算法比较依赖参数的设置,且算法求解的精度不够。通过对粒子群优化算法和遗传优化算法的研究发现,粒子群优化算法中的“社会认知”可以帮助人工鱼群建立鱼群在全局范围内的信息沟通,而不止是视野范围内信息的沟通,有利于提升收敛的速度。同时,将遗传算法中的繁衍思想引入到人工鱼群中,让鱼群中的个体进行选择繁殖,遗传基因进行交叉变异等,可以显著的提高群体的基因多样性,极大的增加了算法对解空间的探索能力。通过理论分析,验证了以上三种算法融合的可能性,并在该基础上新颖的引入了一种种群迭代进化策略--“生长消亡”策略,该策略以水域中的食物和鱼群种群数量的博弈关系为背景,当水域中鱼的数量较少的时候,食物充足,鱼群能快速繁殖;当鱼群数量超过阈值之后,由于食物不足,会造成鱼群适应性较差的个体“死亡”,以此来平衡鱼群的数量,直到鱼群的数量降到最低阈值,该策略能很好的平衡算法的探索能力和计算效率,被实验证明有利于提升算法的性能。通过以上的分析,本文提出了一种新型的优化模型PSO-GA-AAFAS算法,并利用四个基本测试函数对算法的性能进行了验证,结果表明,改进后的算法具有更快的求解速度和更加精准的求解结果。将改进后的算法应用于TSP问题中,并针对离散问题,修改调整了算法的相关算子表达。然后通过对四个常见的TSP数据库进行验证,通过仿真实验,可以得出改进后的算法在离散问题中也拥有良好的性能表现。同时将改进后的算法和传统的机器学习算法相结合,将算法应用到logistic回归中的参数求解过程,通过与原始算法的结果进行对比,可以发现使用本文题出算法的logistic回归模型可以对数据进行更加精准的拟合。