在生产和生活中总是存在各种各样的最优化问题,学者们关于其解决方法展开了一系列研究,其中群智能优化算法是解决最优化问题的一个重要思路。人工鱼群算法(Artificial fish swarm algorithm,AFSA)是一种新颖的群智能算法,通过模仿鱼群的觅食、聚群、追尾等群体行为衍变而来,具有理论基础简单、鲁棒性强、搜索性能突出、易与其他算法并行实现以改进其性能等特点,但是在解决实际中的复杂问题时仍存在一定的局限。因此,如何对人工鱼群算法的劣势进行改进,同时如何更充分地发挥人工鱼群算法的优势,并与其他算法融合,以更好地用于解决实际问题,具有重要的研究意义。支持向量机(Support vector machine,SVM)在解决小样本、非线性及模式识别中具有良好的泛化能力,且具有较强的鲁棒性,因此被应用到各个领域。但是SVM自身的一些超参数对其分类性能影响较大,尤其是SVM的核函数及其相关参数。因此,如何为SVM参数组合优化问题提供较优的搜索策略,以提高其分类预测性能,是本文研究的重要方向。基于此,本文主要针对人工鱼群算法和SVM及其协同集成方法进行了研究。论文主要研究工作如下:通过采用协同进化人工鱼群算法,并结合支持向量机,提出了融合协同进化人工鱼群算法和支持向量机的雾霾预测方法。首先,运用佳点集构造均匀分布的种群,并引入自适应视野范围策略、自适应步长策略、以及种群间协同策略,提出了协同进化人工鱼群算法(co-evolution artificial fish swarm algorithm,CEAFSA),在10个Benchmark测试函数上的实验结果,表明了协同进化人工鱼群算法的性能。其次,使用协同进化人工鱼群算法,优化支持向量机的主要参数,在6个UCI数据集上的实验结果,验证了预测模型的稳定性和有效性。最后,构建基于支持向量机的雾霾预测模型,对雾霾天气进行预测。通过北京、上海和广州地区的雾霾数据集的对比实验,验证了本文方法在雾霾预测领域的可行性和有效性。