优化问题遍布在生活中的每个角落,在计算机科学、电子工程、人工智能、通信技术、信号处理等领域上都存在着大量复杂的优化问题,包括一些多变量、多维、多条件、多峰、多目标等问题,数不胜数.然而,求解优化问题方法较多,主要包括经典算法、构造型算法、局部搜索算法、指导性搜索算法、基于系统动态演化的方法、群智能算法等.用经典算法和构造型算法解决多变量、多维、多条件、多峰、多目标的复杂优化问题的效果往往不理想,甚至方法行不通.而指导性搜索算法对于这类复杂的优化问题的应用效果更显著,适应性更广泛,稳定性更好,效率更高.人工鱼群算法(AFSA)是根据鱼群的行为而提出的一种群智能优化算法.该算法是一种有效的寻优算法,具有较强的全局搜索能力、收敛速度快、鲁棒性强、对初值要求不高、算法容易实现等优势,在通信、信号图像处理、数据挖掘、控制领域等多个领域得到广泛应用,国内外解决实际工程优化问题的案例越来越多并取得很好的效果.然而,人工鱼群算法尚且比较年轻,理论基础薄弱,参数设置不严谨,收敛精度不高,容易陷入局部极值.日后,该算法有待于进一步发展和完善.本文针对鱼群算法容易早熟收敛、搜索精度不高等缺点进行改进,最后将改进后的算法应用于旅行商问题(TSP)的求解.一、本文提出了一种基于万有引力搜索算法的人工鱼群算法(GSA-AFSA).该算法引进惯性质量计算思想,并应用到觅食行为的中心位置和聚群行为的中心位置的计算,有效地改善了算法的性能.最后通过经典函数仿真实验,验证了该算法的优越性.二、本文提出了一种多种群的人工鱼群算法(Mutli-AFSA).该算法是将整个鱼群划分成几个子鱼群,让它们相互独立并行地执行优化运算,经过一段时间后,各个鱼群之间进行交换信息.能有效避免鱼群算法过早收敛到局部极值的缺点,提高算法的收敛精度,改善算法的稳定性.最后通过经典函数仿真实验,验证了该算法的优越性.三、把Mutli-AFSA算法应用于旅行商问题(TSP)的求解.简单介绍求解TSP问题的思路,并给出实例仿真,验证了Mutli-AFSA算法求解TSP问题的可行性和有效性.最后,全面系统地总结全文,提出人工鱼群算法中的不足及后续需要改进的地方.