人工鱼群算法(AFSA)是近来兴起的一种智能仿生算法,该算法具有收敛速度快、鲁棒性强、对参数要求不高等优点,但算法的后期有收敛速度慢且寻优率不高的缺陷,为此很多研究者提出不同的改进策略。本文提出了基于云理论和反馈机制的云人工鱼群算法(CAFSA)。该算法的原理是在人工鱼的觅食行为中,取消了人工鱼群算法的随机生成下一位置的策略,而是采用二维正态云发生器生成云滴的方式改进人工鱼的下一位置状态,由云模型的“少量云滴无规律,大量云滴则存在稳定倾向性”特点可知,如果在人工鱼群规模足够大迭代次数足够多的情况下,引入云模型的人工鱼群算法在后期的收敛精度和速度方面会有较理想的结果。另外,本文引用反馈机制,使得在算法初期人工鱼的随机行为较二维云发生器生成云滴的行为机制有较大执行机会,避免了算法陷入局部寻优,而在算法后期二维正态云发生器生成云滴执行的概率更大,提高了算法后期收敛的精度和速度。这些策略对改进人工鱼群算法的全局收敛精度以及优化算法的收敛性能有较好的效果。接下来从数学角度用有限Markov链的收敛性定理证明CAFSA算法的收敛性,并且设计实验将另外二种改进的人工鱼群算法与本文设计的算法相比较,得出本文改进的人工鱼群算法在收敛精度方面取得较好结果,最后将改进后的算法以及原始人工鱼群算法应用于解决TSP这个经典的NP问题,并且与基于信息素寻优的蚁群算法(ACO算法)比较,得出改进后的算法较原始人工鱼群算法在求解TSP问题时有一定的优势,这也为求解TSP问题开辟了一种思维策略。