为能更有效地解决工业生产过程中大量存在的优化问题,自20世纪80年代以来,涌现出了一些智能优化算法,它们通过模拟某一自然现象或过程而发展起来,为解决复杂系统的优化问题提供了新的思路和手段,自诞生就引起了国内外学者的广泛关注并被应用于许多领域。人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)是源于对鱼群觅食行为研究而提出的一种新型群体智能优化算法。该算法具有对初值和参数选择不敏感、鲁棒性强、简单、易于实现,且具备并行处理能力和全局搜索能力等方面的特点。但AFSA在应用过程中还有很多不完善的地方,如:算法后期收敛速度慢,搜索精度不高,在多峰问题寻优时难以找到全部最优解等等。并且,AFSA的应用还不够深入。为此,本文着重从AFSA的改进和应用方面进行了研究。主要研究工作如下:(1)针对AFSA在较大或变化平坦的区域寻优时,收敛于全局最优解的速度减慢、搜索性能劣化,特别是在优化后期往往收敛较慢的问题,提出了一种基于变异算子与模拟退火混合的人工鱼群优化算法。该算法保持了AFSA简单、易实现的特点,同时克服了人工鱼漫无目的随机游动或在非全局极值点大量聚集的局限性,显著提高了运行效率和求解质量,为解决复杂寻优问题提供了有效方法。通过函数和实例测试验证,表明该算法是可行和有效的。(2)针对AFSA在多峰问题寻优时难以找到全部最优解及精度不高的问题,提出了一种基于生境人工鱼群算法的多峰问题优化算法。该算法融合了模拟退火、小生境技术的思想,并加入了变异算子和自动生成合适小生境半径机制。通过对几种典型多峰函数的测试,表明该算法不仅能有效、精确找出多峰问题的全局和局部所有最优解,而且无需预先设置小生境半径,实现了真正的自适应搜索,较好地解决了复杂多峰优化问题。(3)针对连续属性样本分类挖掘时需离散化预处理,可能导致原始信息的缺失问题,提出了基于人工鱼群算法的分类规则挖掘算法,给出了适用于AFSA的分类规则编码方案、构造了新的准确提取规则集的分类规则适应值函数。该算法从优化的角度来解决分类问题,自动实现连续属性样本分类规则的挖掘,从而为连续属性样本提供了一个不需要离散化处理而直接进行数据挖掘的新方法。实验结果表明,该算法不仅能够挖掘出简洁、易于理解的规则集,而且具有较强的鲁棒性和较高的准确率,是一种可行和有效的分类规则优化算法。(4)针对神经网络需要依靠经验确定网络结构及其优化问题,设计了一种基于人工鱼群算法的网络分类器。该方法把输入属性选取和网络结构设计结合,通过人工鱼群算法寻优,同时实现了输入属性选择、神经网络结构和参数的优化。实验表明,该算法能够获得一个具有性能可靠、较好泛化能力的简单分类器,避免了一般神经网络依靠经验确定网络结构的困难,拓宽了AFSA的应用领域。(5)在对AFSA研究和改进的基础上,结合国家863项目“太阳能生物制氢技术研究”,在部分实验所获得的样本数据基础上,引入全局寻优人工鱼群优化算法,通过AFSA优化神经网络结构,获得影响生物制氢的最相关因素,建立了基于优化神经网络的光合细菌制氢过程模型;再用AFSA对已确定的主要工艺条件进行优化,获得了最大制氢量的最佳工艺条件。实验结果表明所提出的优化计算方案可行,此项研究为太阳能光合细菌制氢工艺技术优化探索了一条新的途径。本论文是在国家“十五”863计划项目“太阳能生物制氢技术研究”(编号:2004AA515010)和国家自然科学基金项目“光合生物制氢体系的热效应及其产氢机理研究”(编号:50676029)资助下开展的科学研究。