人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）是一种通过对自然界水域中鱼群行为的模拟提出的群体智能算法。经典人工鱼群算法具有结构简单、易于实现、收敛速度快、鲁棒性强等优点,但同时也有着明显的不足之处,如算法迭代过程中个体鱼之间信息交流不充分、算法运行到后期易陷入局部最优且算法跳出局部最优的能力较弱等,继而导致算法的收敛精度低、收敛速度慢等问题。针对上述经典人工鱼群算法的不足,本文在其基础上进行了改进,主要完成了以下工作:第一,在经典人工鱼群算法的基础上,本研究引入自适应机制和多种群机制,提出了自适应的多种群人工鱼群算法（Adaptive Multi Population Artificial Fish Swarm Algorithm,AM-AFSA）。在算法运行期间,个体鱼按照预先设计的规则根据自身状态确定目前所处于算法运行的哪个阶段,并由此自适应地调整拥挤度、步长和视野这三个重要参数,避免了因拥挤度设置过大导致鱼群过早聚集在一起而引发的早熟问题,同时也避免了因步长、视野设置过大导致个体鱼在最优解附近来回抖动的问题;同时通过运用多种群机制,增强了个体鱼之间的信息交流,继而提高了算法的收敛的速度和收敛精度。通过在所选取的10个国际标准测试函数上进行测试,实验结果表明AM-AFSA算法在收敛速度、收敛精度以及跳出局部最优解的能力这三方面都优于AFSA算法。第二,在自适应的多种群人工鱼群算法的基础上,本研究引入了繁殖行为,提出了带繁殖能力的人工鱼群算法（Artificial Fish Swarm Algorithm with Reproductive Ability,RA-AFSA）。通过繁殖行为,个体鱼在寻优的过程中打破了固定有限次寻优的限制,提高了局部寻优能力和跳出局部最优解的能力,更进一步提高了算法的收敛速度和收敛精度。通过在所选取的10个国际标准测试函数上进行测试,实验结果表明RA-AFSA算法在收敛速度、收敛精度以及跳出局部最优解的能力这三方面都优于AM-AFSA算法和AFSA算法。第三,在前两步研究的基础上,本研究进一步将AM-AFSA算法和RA-AFSA算法应用于求解TSP问题中。实验结果表明,利用本文所提两种算法在求解TSP问题时不管是寻优时间还是最终得到的路径都表现良好,本研究成功拓宽了人工鱼群算法的应用范围。总之,本研究在对人工鱼群算法做了全面深入的讨论分析之后提出了AM-AFSA算法和RA-AFSA算法,并通过仿真实验和实际应用证明了算法的有效性。最后对所做工作进行了总结,并提出了未来工作的展望。