人工鱼群算法综述
人工鱼群算法1
人工鱼群算法实例
• 然后先进行追尾活动，每条鱼Xi都查看在自己可视域范围内 （即距离小于visual，visual根据搜索空间的大小而定）的 其它鱼，从中找到适应函数值最小的一个Xj ，其适应度函 数值记为Yj，Xj周围可视域内的其它个体数量记为nf，若 Yj*nf<δ*Yi （δ为拥挤度因子，此处取1），则表明Xj周围 “食物”较多且不太拥挤，这时Xi对每一个自己和Xj的不同 的位重新随机取值（例如Xi为1001，而Xj为1100，那么就 对Xi的第2，4位重新随机取值），从而向Xj靠近。追尾活动 若不成功，则进行聚群行为，每条鱼都先找出自己周围可 视域内的其它鱼，形成一个小鱼群，然后找出这群鱼的中 心点，这里中心点的确定方法是，若鱼群中半数以上的鱼 在第ｉ位上取１，则中心点的第ｉ位也为1，否则为0，接 着采用和前面相同方法查看中心点的“食物”是否较多， 是否拥挤，据此决定是行为（AF-follow）指鱼向其可视区域 内的最优方向移动的一种行为。人工鱼Xi搜 索其视野内所有伙伴中的函数最优伙伴Xj， 如果 Yj/ nf > δYi,表明最优伙伴的周围不太 拥挤，则Xi朝此伙伴移动一步，否则执行觅 食行为。
算法介绍 伪代码
• • • • • • • • •
算法介绍 代码
function [XXnext] = gmjprey(XX,Try_number,Visual,Step) pp=0; for j=1:Try_number XXj=XX+rand*Step*Visual; if(maxf(XX)<maxf(XXj)) XXnext=XX+rand*Step*(XXj-XX)/norm(XXj-XX); pp=1; break end end if(~pp) XXnext=XX+rand*Step; end
《基于多算法融合的改进人工鱼群算法及其应用》
《基于多算法融合的改进人工鱼群算法及其应用》一、引言随着人工智能和计算机技术的快速发展，许多算法在优化问题中发挥着越来越重要的作用。
其中，人工鱼群算法（Artificial Fish Swarm Algorithm, AFS）以其良好的全局搜索能力和较快的收敛速度在多个领域得到了广泛的应用。
然而，面对复杂多变的实际问题，传统的单一算法往往难以达到理想的优化效果。
因此，本文提出了一种基于多算法融合的改进人工鱼群算法，并对其在多个领域的应用进行了研究。
二、人工鱼群算法及其发展人工鱼群算法是一种模拟鱼群行为的智能优化算法，通过模拟鱼群的觅食、聚群、追尾等行为，实现对问题的全局搜索和优化。
该算法具有较好的全局搜索能力和较快的收敛速度，被广泛应用于各种优化问题中。
然而，传统的人工鱼群算法在面对复杂问题时，可能存在收敛速度慢、易陷入局部最优等问题。
为了解决这些问题，学者们对人工鱼群算法进行了改进和优化。
三、基于多算法融合的改进人工鱼群算法针对传统人工鱼群算法的不足，本文提出了一种基于多算法融合的改进人工鱼群算法（Multiple-Algorithm Fused Improved Artificial Fish Swarm Algorithm, MAF-AFS）。
该算法结合了遗传算法（Genetic Algorithm, GA）、蚁群算法（Ant ColonyOptimization, ACO）和粒子群优化算法（Particle Swarm Optimization, PSO）等多种优化算法的特点和优势，通过融合这些算法的优点，提高算法的全局搜索能力和收敛速度。
具体而言，MAF-AFS 算法在传统人工鱼群算法的基础上，引入了遗传算法的基因变异思想、蚁群算法的信息素传递机制和粒子群优化算法的速度更新策略。
通过这些融合策略，MAF-AFS 能够在搜索过程中保持较高的多样性，避免陷入局部最优；同时，通过信息素的传递和更新策略，提高算法的全局搜索能力。
鱼群算法的介绍
无审视环节的实验效果图：公告板得 到的结果是（0.046247,0.005745） ， f(x,y)max=0.9996。
有审视环节的实验效果图：公告板显 示的结果：（-0.023021,0.007922）， f(x,y)max=0.9999。
2、聚群行为：搜寻视野范内的同伴，判断视野范围内的鱼群 中心的食物量是否比当前自己拥有的食物量多。如果多则往鱼群中心方 向移动，少则执行觅食行为。
3、追尾行为：搜寻视野范围内的同伴，找出拥有食物量最多 的个体。并判断拥有食物量最多的个体的周围是否有太多的鱼。如果少 则说明值得往食物量最多的鱼方向移动，如果太多则说明不值得向食物 量最多的鱼方向移动，还是自己找食物好（即执行觅食行为。）。（这 里的多和少是有拥挤因子决定的。）
如果 且Yv1<Yv2，表明伙伴Xv2的状态具有较高的食物浓度并且其周围不太拥挤，朝伙伴Xv2的方 向前进一步；否则执行觅食行为。如果 也执行觅食行为。
2.4 随机行为
随机行为：随机行为的实现比较简单，就是在视野中随机选择一个状态，然后向该方向移动，其实 它是觅食行为的一个缺省行为。根据所要解决的问题性质, 对人工鱼当前所处的环境进行评价，从 而选一种行为。较常用的评估方法是：选择各行为中使得向最优方向前进最大的方向，也就是各行 为中使得人工鱼的下一个状态最优的行为，如果没有能使下一个状态优于当前状态的行为，则采用 随机行为。
先提一下鱼群算法里面的各种参数： 1、visual 表示人工鱼的感知距离（即视野范围）。 2、step 表示人工鱼移动的最大步长。 3、 δ 表示拥挤因子 4、try—number是人工鱼在觅食行为中的移动次数。 5、friend—number表示人工鱼数量。
《基于多算法融合的改进人工鱼群算法及其应用》
《基于多算法融合的改进人工鱼群算法及其应用》一、引言随着人工智能技术的不断发展，优化算法在解决复杂问题中扮演着越来越重要的角色。
人工鱼群算法作为一种模拟鱼群行为的智能优化算法，已经在许多领域得到了广泛的应用。
然而，传统的人工鱼群算法在处理复杂问题时，往往存在收敛速度慢、易陷入局部最优等问题。
为了解决这些问题，本文提出了一种基于多算法融合的改进人工鱼群算法，并在实际应用中取得了良好的效果。
二、传统人工鱼群算法概述传统的人工鱼群算法是一种模拟鱼群行为的智能优化算法，通过模拟鱼群的游动、觅食、聚群等行为，实现全局寻优。
该算法具有简单易实现、适应性强等优点，在许多领域得到了广泛的应用。
然而，传统的人工鱼群算法在处理复杂问题时，往往存在收敛速度慢、易陷入局部最优等问题，需要进一步改进。
三、基于多算法融合的改进人工鱼群算法为了解决传统人工鱼群算法存在的问题，本文提出了一种基于多算法融合的改进人工鱼群算法。
该算法通过引入多种优化算法的思想，将不同算法的优点进行融合，从而提高算法的寻优能力和收敛速度。
具体来说，该算法包括以下步骤：1. 初始化鱼群：在搜索空间中随机初始化一定数量的“人工鱼”，每个“人工鱼”代表一个解。
2. 评价鱼群：根据问题的目标函数，计算每个“人工鱼”的适应度值。
3. 选择操作：根据适应度值的大小，选择出一定数量的优秀“人工鱼”。
4. 融合多种算法：将选出的优秀“人工鱼”与其他优化算法的思想进行融合，如遗传算法、粒子群算法等，形成新的“人工鱼”。
5. 更新鱼群：用新的“人工鱼”替换原有的鱼群中的一部分，继续进行寻优。
四、应用实例本文将基于多算法融合的改进人工鱼群算法应用于某企业的生产调度问题。
该问题涉及到多种生产资源的分配和调度，是一个典型的复杂优化问题。
通过应用该算法，企业可以有效地提高生产效率、降低生产成本。
具体应用步骤如下：1. 建立问题模型：将生产调度问题转化为一个优化问题，并建立相应的目标函数和约束条件。
人工鱼群算法及其应用研究
人工鱼群算法及其应用研究人工鱼群算法及其应用研究人工鱼群算法是近年来兴起的一种基于群体智能的优化算法，其灵感来源于鱼群觅食行为。
该算法通过模拟鱼群的觅食行为，以求解复杂的优化问题。
随着计算机技术的发展，人工鱼群算法受到广泛关注，并在多个领域得到应用。
本文将介绍人工鱼群算法的基本原理、应用情况以及存在的问题。
一、人工鱼群算法的基本原理人工鱼群算法中，鱼被模拟成具有觅食行为的个体，每条鱼都有一定的感知范围和特定的行为规则。
在觅食过程中，鱼会根据周围环境的信息对个体与群体的行为进行调整。
个体的行为规则包括觅食、逃避、追逐和交配等行为。
觅食行为主要包括鱼群个体的聚集和分散。
在算法中，每条鱼可以表示为一个解，将每个解表示为一个向量，向量的每个元素表示解的一个变量。
算法根据目标函数的值来评估每条鱼的适应度。
同时，算法会根据适应度值和鱼群中的信息进行个体的移动和调整。
通过多次迭代，鱼群逐渐趋于最佳解。
二、人工鱼群算法的应用研究人工鱼群算法在各个领域的应用研究日趋广泛。
以下将介绍几个典型的应用案例：1.优化问题求解人工鱼群算法在数学优化问题中有着广泛的应用。
例如，对于线性规划问题，可以将每个变量看作一条鱼进行建模，通过人工鱼群算法进行求解。
此外，该算法还被应用于网络流优化、组合优化、约束优化等多个领域的问题求解中，取得了较好的效果。
2.图像处理人工鱼群算法在图像处理中具有较强的适用性。
例如，在图像分割中，人工鱼群算法可以通过调整参数来达到图像分割的最佳效果。
此外，该算法还能够用于图像去噪、图像压缩等多个图像处理任务中。
3.路径规划人工鱼群算法在路径规划问题中的应用也较为广泛。
例如，对于无人驾驶车辆的路径规划问题，可以将人工鱼群算法应用于规划车辆的最短路径，并考虑到实时交通状况进行调整。
此外，该算法还可用于无线传感器网络中的路径规划问题、机器人的运动路径规划等多个领域。
三、人工鱼群算法存在的问题虽然人工鱼群算法在诸多领域有着广泛的应用，但也存在一些问题亟需解决。
人工鱼群算法的分析及改进
1、引入动态调整策略
在AFSO算法中，随着迭代次数的增加，鱼群的全局最优解可能逐渐偏离真正 的最优解。这是由于在寻优过程中，鱼群可能会陷入局部最优陷阱。为了解决这 个问题，我们引入了动态调整策略，即根据算法的迭代次数和当前的最优解，动 态地调整鱼群的搜索范围和搜索速度。
2、增加随机扰动
在AFSO算法中，鱼群通常会向当前的全局最优解集中。这可能会导致算法过 早地陷入局部最优陷阱。为了解决这个问题，我们引入了随机扰动。即在每次迭 代时，随机选择一部分鱼，将其位置和速度进行随机扰动，以增加算法的探索能 力。
2、计算适应度：对于每一条鱼，计算其适应度函数值（通常是目标函数 值），这个值代表了这条鱼的“健康”状况。
3、比较适应度：将每条鱼的适应度与全局最优解进行比较，更新全局最优 解。
4、更新领头鱼：随机选择一条鱼作为领头鱼，然后根据一定的规则，如最 小距离规则，选择其他鱼跟随领头鱼。
5、更新鱼群：根据领头鱼的位置和行为，更新其他鱼的位置和行为。
4、多种群并行搜索：通过将搜索空间划分为多个子空间，并在每个子空间 中独立运行AFSA，我们可以实现多种群的并行搜索。这种并行搜索方法可以显著 提高算法的搜索速度和效率。
四、结论
本次演示对人工鱼群算法进行了详细的分析和改进。通过引入混沌理论、变 异机制和自适应调整参数等方法，我们可以有效地提高AFSA的全局搜索能力和效 率，避免算法过早地陷入局部最优解。多种群并行搜索方法也可以显著提高算法 的搜索速度和效率。这些改进方案为AFSA在实际应用中的广泛应用提供了有力的 支持。
感谢观看
3、引入学习因子
在AFSO算法中，每个鱼会根据自身经验和群体行为来调整自己的方向和位置。 然而，这个学习因子通常是固定的。为了提高算法的收敛速度和精度，我们引入 了可变的学习因子。即根据算法的迭代次数和当前的最优解，动态地调整学习因 子的大小。
基于多智能体系统的人工鱼群算法研究
基于多智能体系统的人工鱼群算法研究人工智能领域近年来发展迅速，多智能体系统（Multi-Agent Systems，MAS）作为其中一个研究重点，受到了越来越多的关注。
在MAS中，人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是其中一个重要的算法，在优化问题、图像处理、机器学习等领域都得到了广泛应用。
本文将从多智能体系统的角度出发，对人工鱼群算法的研究进行探讨。
一、多智能体系统概述多智能体系统是由多个智能体组成的，这些智能体可以相互通信协作，完成一定的任务。
每个智能体都有自己的意识、思考、行动方式，即使不同智能体之间的行动策略可能有所不同，但是它们能够在一定程度上相互协调，实现共同的目标。
多智能体系统中的智能体可以包括机器人、无人机、传感器、计算节点等，它们之间通过信息交流和决策协作，共同完成一定的任务。
研究多智能体系统的目的不只是因为多智能体具有高度的自适应性和智能性，而且是因为多智能体系统中的协作是人工智能技术在现实世界中的应用之一，这与现实生活中智能化发展的趋势是一致的。
二、人工鱼群算法基础概念人工鱼群算法是基于生物群体智能的优化算法，模拟了鱼群跳跃寻优的行为。
在算法中，鱼个体通过觅食和聚群两种行为方式进行探测和搜索空间，以达到全局最优目标。
与传统遗传算法、粒子群算法、模拟退火算法等计算机智能算法相比，人工鱼群算法更加稳定、鲁棒和易于实现。
人工鱼群算法的基本流程如下：（1）初始化鱼群，确定群体大小和搜索空间范围；（2）根据目标函数，计算每个鱼个体的适应度值；（3）根据当前的适应度值，进行随机游动；（4）根据新位置，更新适应度值；（5）通过聚群行为相互交流学习，提升整个鱼群的性能。
三、基于多智能体系统的人工鱼群算法研究随着智能化技术的发展，多智能体系统的应用越来越广泛，而人工鱼群算法作为其中一个重要的算法，正在受到越来越多的关注。
在多智能体系统中，人工鱼群算法具有以下特点：（1）可以处理多约束优化问题，将局部探测和全局搜索的过程相互分离，提高了算法的收敛速度和搜索精度；（2）适用于不确定性较高的复杂环境下解决问题，例如路径规划、数据聚类等问题；（3）具有良好的鲁棒性，能够适应环境变化和噪声扰动；（4）能够自适应地调整参数，减少了手动调整的复杂性。
人工鱼群算法范文
人工鱼群算法范文人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是由邹建新教授提出的一种模拟鱼群觅食行为的群体智能优化算法。
它的基本原理是模拟鱼群中鱼个体的觅食行为，通过不断地自我调整和协同合作寻找最优解。
与其他优化算法相比，人工鱼群算法具有简单、易于实现、收敛性良好等特点，因此在多个领域都取得了显著的应用效果。
AFSA的基本思想是通过模拟鱼群中鱼个体的行为来解决优化问题。
算法中的每个个体都是一个“鱼”，它们在定义的空间内移动，并通过一些确定性和随机性的行为来找到更优的解。
算法通过控制“鱼”的行为参数以及鱼群的协作方式来实现全局和局部的平衡。
在过程中，每个“鱼”以当前位置为中心进行，并根据一定的模型进行行为选择，包括追随、觅食、逃避、随机游动等行为。
通过这些行为的不断迭代调整，逐渐趋向于最优解。
AFSA算法具有多样性和记忆性的特点。
多样性是指算法能够同时多个解空间，而不仅仅局限于其中一个局部最优解。
记忆性是指算法能够根据历史信息对当前解进行调整和改进，从而提高效率和收敛性。
这些特点使得AFSA在解决复杂优化问题时具有优势。
AFSA算法的优点主要包括以下几个方面：1.灵活性：AFSA算法的行为规则可以根据不同问题进行定义和调整，使得算法具有较好的适应性和灵活性。
2.全局能力：通过多个个体协同合作的方式进行，有助于摆脱局部最优解，提高全局能力。
3.算法参数少：AFSA算法只有几个基本参数，易于调整和控制，减少了参数调整的困难。
4.基于自适应调整：AFSA算法中的个体行为是基于自适应调整的，通过不断地学习和调整行为，从而使得算法具有收敛性和自适应性。
人工鱼群算法的应用非常广泛，特别是在智能优化领域有着重要的应用价值。
在传统的函数优化问题、图像处理、机器学习等方面都取得了良好的效果。
例如，在函数优化问题中，AFSA算法可以有效地找到全局最优解，且算法具有较快的收敛速度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工鱼群改进算法研究综述摘要：人工鱼群算法源于对鱼群运动行为的研究，是一种新型的群体智能随机全局优化算法，人工鱼群算法(AFSA)起步较晚，还存在着许多不足之处。
因此本文主要通过阐述鱼群算法的基本理论的同时，对人工鱼群算法的改进方法进行文献综述，并根据这些改进方法指出了人工鱼群算法未来的改进与研究方向。
关键词：人工鱼群算法算法改进综述1.引言1.1 人工鱼群算法的基本概念人工鱼群算法是李晓磊等[1]人于2002年提出的一种基于动物自治体[2-3]的优化方法,是集群智能思想[4]的一个具体应用，该算法根据水域中鱼生存数目最多的地方就是本水域中富含营养物质最多的地方这一特点来模拟鱼群的觅食行为而实现寻优。
它的主要特点是不需要了解问题的特殊信息,只需要对问题进行优劣的比较,通过各人工鱼个体的局部寻优行为,最终在群体中使全局最优值突现出来,有着较快的收敛速度[5]。
人工鱼群算法主要利用鱼的三大基本行为：觅食、聚群和追尾行为，采用自上而下的寻优模式从构造个体的底层行为开始，通过鱼群中各个体的局部寻优，达到全局最优值在群体中凸显出来的目的[6]。
（1）觅食行为：这是鱼趋向食物的一种活动，一般认为它是通过视觉或味觉来感知水中的食物两或食物浓度来选择行动的方向[6]。
（2）聚群行为：大量或少量的鱼聚集成群，进行集体觅食和躲避敌害，这是它们在进化过程中形成的一种生存方式[6]。
（3）追尾行为：当某一条鱼或几条鱼发现食物时，它们附近的鱼会尾随而来，导致更远处的鱼也会尾随过来[6]。
人工鱼群算法就是通过模拟鱼类的觅食、聚群、追尾等行为在搜索域中进行寻优的。
1.2 人工鱼群算法的行为描述觅食行为：设置人工鱼当前状态，并在其感知范围内随机选择另一个状态，如果得到的状态的目标函数大于当前的状态，则向新选择得到的状态靠近一步，反之，重新选取新状态，判断是否满足条件，选择次数达到一定数量后，如果仍然不满足条件，则随机移动一步[6]。
聚群行为：人工鱼探索当前邻居内的伙伴数量，并计算伙伴的中心位置，然后把新得到的中心位置的目标函数与当前位置的目标函数相比较，如果中心位置的目标函数优于当前位置的目标函数并且不是很拥挤，则当前位置向中心位置移动一步，否则执行觅食行为[6]。
追尾行为：人工鱼探索周围邻居鱼的最优位置，当最优位置的目标函数值大于当前位置的目标函数值并且不是很拥挤，则当前位置向最优邻居鱼移动一步，否则执行觅食[6]。
根据所要解决的问题性质，对人工鱼当前所处的环境进行评价，从而选择一种行为。
较常用的评估方法是：选择各行为中使得向最优方向前进最大的方向，也就是各行为中使得人工鱼的下一步状态最优的行为，如果没有能使下一个状态优于当前状态的行为，则采用随机行为。
1.3 人工鱼群算法步骤[6]Step1:设定鱼群的参数，包括鱼群的规模m, 最大迭代次数gen，人工鱼的感知范围Visual，最大移动步长step，拥挤度因子d等；Step2:在参数区间内随机生成m条人工鱼个体作为初始鱼群；Step3:计算每条鱼的食物浓度函数（目标函数），把最优的值放入公告板[7]中；Step4：对于每条人工鱼执行以下操作（1）计算出追尾行为、聚群行为的值，采用行为选择策略，选择最优的行为作为鱼的移动方向，缺省行为是觅食行为。
（2）计算出每条鱼的食物浓度函数（目标函数），其最优值与公告板中的值进行比较，最终公告板中始终保持最优的值。
Step5:判断是否满足结束条件，如果满足结束，否则转Step4。
最终公告板中的值就是最优值。
2. 人工鱼群算法的改进2.1 初始化的改进初始化种群是算法进行搜索的起点。
AFSA 算法的初始种群生成是随机的，通常情况下可以保证初始鱼群分布均匀，但对于个体的质量不能保证，解群中有一部分远离最优解。
宋潇潇等[8]提出了基于极坐标编码的改进人工鱼群算法。
它通过设定编码规则，并将此编码方式运用到三种行为当中，计算出每一个编码母体获得的人工鱼的概率，选择大概率的母体作为算法初始化的起点，有效提高算法的收敛性。
曲良东等[9]利用混沌系统产生混沌变量，并在参数允许范围内随机产生各个人工鱼个体的初始状态。
陈广洲等[10]引入了免疫算法中的消亡算子，经算子运算更新，相互比较，摒弃非优个体，将其重新初始化，以此保持种群的多样性。
2.2 算法参数的改进王联国等[11]首先提出了一个全局版鱼群算法，并应用该算法对参数进行了详细的分析，实验表明步长step 越小，求解精度越高，当step 的值在1-6之间时，视野visual 的值对于优化精度影响较小。
当step 的值比较大时，随着visual 值的增加，优化精度会震荡。
针对拥挤因子λ,实验表明该数值越小，鱼进行随机游动和觅食行为的几率较大，摆脱极值束缚的能力就会越强。
为了提高鱼群算法的求解能力和精度，王联国等[12-13]提出了一种动态参数调整的人工鱼群算法，使算法在早期能够进行较大范围的全局搜索，后期保证局部精细搜索。
文献提出的参数调整如公式如下：3max ))/(30exp(T t ⨯-=αmin visual visual visual +⨯=αmin step step step +⨯=α实验证明引入该机制的鱼群算法，求解精度明显较原始鱼群算法有了较大的提高。
任彦军等[14]提出了在觅食行为过程中采用基于交换列表的排序法，在随机移动行为中采用自适应的小范围移动行为来改进人工鱼群算法，并应用在置换Flow Shop调度，其仿真实验结果表明这种改进算法具有较强的全局搜索能力、更高的搜索效率。
李会等[15]依据学者韩江洪[16]在粒子群算法领域提出的自适应调整策略，将鱼群根据个体鱼适应值和鱼群平均适应值进行比较，根据比较结果将鱼群分为三组：较优鱼群，一般鱼群和较差鱼群。
并由此提出了自适应调整人工鱼群算法参数的方法，该方法采用个体鱼适应值与整个鱼群的平均适应值作比较，将整个鱼群分为三组，再采用自适应调整每组鱼群的视野范围和步长的方法，对基本鱼群算法进行了优化和改进。
结果表明改进后的算法能够较快地收敛至全局较优解，并具有较好的寻优性能。
XiaoJianmei[17]采用另一种方法实现自适应参数调整，使步长step、视野visual、拥挤因子δ等参数随着计算的进行自动调整，以保证算法后期能够进行精细的局部搜索，提高算法的求解精度。
它运用适应值变化率和变化方差来决定是否进行参数的调整。
该文献将自适应鱼群算法（AAFSA）与原始鱼群算法、自适应粒子群算法、模拟退火粒子群算法进行了对比，其搜索范围和求解精度明显优于其它算法。
王冬冬等[18]提出了分段优化的思想，令食物浓度η为分界线，大于η时，为前期过程，采用较大的step和Visual，能使算法较快地得到一个相对较优的解; 小于η时为后期过程，采用较小的step和Visual，得到一个精度更高的解。
黄华娟等[19]通过在人工鱼群的搜索过程中引进自适应的改变步长和拥挤度因子，其目的是加快算法的收敛速度，当寻优陷入平坦区时，对陷入的人工鱼以一定的概率对其变量加以扰动，使部分人工鱼改变状态，从而进入解空间的其他区域进行搜索，避免陷入局部最优。
2.3 与其他算法结合的改进2.3.1 与模拟退火算法的结合改进借鉴其他的智能算法的优点，进行优势互补是群体智能算法进行改进的一种有效手段。
张梅凤等[20]首先在AFSA 中引进了变异算子，预先设置一个阈值beststep 标记公告板上的最优值，如果在一定的迭代次数内，公告板上的最优值没有变化或者变化率极小，则在保留当前最佳个体的情况下，以一定的概率对于其它个体进行变异操作。
通过引入类似于遗传算法的变异操作之后，为了提高鱼群算法的求解精度，作者将鱼群算法的后期改为执行模拟退火(SA)，利用低温下SA算法几乎概率1 的收敛能力，进行精细解局部搜索。
该算法较原始人工鱼群算法有较好的跳出极值能力和较高的求解精度。
张梅凤等[21]针对人工鱼群算法求解多峰函数时难以发现全部最优的弱点，将小生境技术和模拟退火技术融入人工鱼群算法之中，同时加入变异算子和小生境半径自动生成机制，实验结果表明算法在求解多峰函数时非常有效；刘佳等借鉴模拟退火算法中的Metropolis判别准则改进了人工鱼的觅食行为，在利用人工鱼全局寻优的同时并利用模拟退火算子实施局部细化，提出了一种改进的人工鱼群优化算法（SA_IAFSA），保持了AFSA 算法简单、易实现的特点，克服了人工鱼漫无目的随机游动以及容易陷入局部最优值的缺点，显著提高了算法的运行效率和求解质量。
2.3. 2 与遗传算法的结合改进刘白等[22]针对人工鱼群算法(AFSA)在实际应用中出现的问题，提出了基于遗传算法的人工鱼群(AFSA)优化算法，当最优值连续无变化或变化不明显时采用遗传算法的交叉、变异操作，消除人工鱼漫无目的随机游动或大量聚集在非全局极值点附近的局限。
该算法不仅保持了人工鱼群算法（AFSA)简单、易实现的特点，而且提高了算法的运行效率和求解质量。
实验结果表明，该算法改善了人工鱼群算法(AFSA)，且有效可靠，能够较好地解决优化问题。
Zi-xia Chen[23]等研究了将人工鱼群算法和遗传算法结合起来解决车辆调度问题，并发现组合的算法可以更快速的解决问题并保持性能的稳定等特征。
2.3.3 与粒子群的结合改进曲良东等[24]将进化策略和粒子群进化规则引入鱼群算法中，并通过理论证明了该算法的全局收敛性，同时通过Benchmark 函数实验和应用于非线性参数估计问题中，证实了该算法收敛速度快，求解精度较高。
刘凌子等[25]通过研究文化算法和鱼群算法的机制，提出了一种将鱼群算法嵌入到文化算法框架内的混合鱼群文化算法该算法中包含两个空间，一个是种群空间内的鱼群算法，鱼群在进化过程中不断获取知识，将其组成一个知识空间，从而使知识空间与种群空间协同进化。
罗德相等[26]将种群分为两部分，一部分运用粒子群算法，一部分运用鱼群算法，将二者比较后的最优值赋予公告板，以此提高收敛速度。
其中的鱼群算法借鉴王联国等[12]的参数处理方式，通过5 个Benchmark 函数实验证明该算法的求解精度明显较原始粒子群算法和原始鱼群算法高。
Hsing-Chih Tsai[27]等利用粒子群算法重新规划表示人工鱼群算法，并且将通信行为整合到人工鱼群算法中，从而形成新的人工鱼群参数公式。
因为visual和step支配这人工鱼群算法，然而它们又难以设置，因此利用粒子群算法重新规划修改鱼群算法可以使step更加自由，从而优化人工鱼群算法。
李亮等[28]通过邻域禁忌搜索，构造两点禁忌寻优算子对解空间进行无重复的搜索，以此来跳出局部最优点，确保算法的高效性。
2.3.4 与蚁群算法的结合改进高德芳等[29]提出鱼群－蚁群算法的概念，将蚁群算法融入 ASFA 中，并运用于模块化产品配置设计，混合鱼群-蚁群算法充分利用了各自的优势增强了算法在解空间的搜索能力和效率。