王 蕾，潘 丰

(江南大学轻工过程先进控制教育部重点实验室，江苏 无锡 214122)

1 概述

由文献［1］提出的引力搜索算法(Gravitational Search Algorithm，GSA)是一种启发式算法，是适合于大范围搜索空间问题的全局搜索算法。研究证明，GSA 的全局搜索能力明显优于粒子群优化算法［2］、遗传算法［3］、蚁群算法［4］、中心引力算法［5］等智能优化算法。目前，GSA 已成功地应用于无人机航路规划问题［6］、多目标最优能流问题［7］、电厂锅炉废气排放模型［8］、原型分类［9］等。

在算法改进方面，文献［10］对GSA 引入反馈策略，均衡优化了算法全局与局部搜索能力，文献［11］在GSA 中引入了三角范数算子，进一步提高了算法的全局搜索能力。文献［12］对GSA 的记忆性进行改进，提出记忆改进GSA (Memory Gravitational Search Algorithm，MGSA)，在一定程度上改善了GSA的局部搜索能力。

研究发现，以往的算法改进主要针对GSA 算法的全局与局部搜索能力，但GSA 在搜索过程中，每个粒子都向质量大的粒子靠近，在这种方式下，由于多样性的失去，粒子群易在全局近优点的吸引下陷入局部最优，发生早熟收敛。在引力搜索算法中添加局部优化策略和保持多样性策略，从而在保留强大全局搜索能力与加强局部搜索能力的同时，更可以保持种群多样性，避免早熟现象的发生。

本文提出了在引力搜索算法中添加多样性和局部优化策略的方法。主要在粒子进化公式中引入粒子群算法［2，13］中的局部最优解思想;在多样性丢失时，采用细菌趋化中排斥操作［14-15］的概念，改进粒子群整个搜索过程中的局部搜索能力，提高算法在迭代后期的种群多样性，最后通过测试基准函数验证改进算法的有效性，并分析测试结果。……