陈　欣,刘　朔

(武汉轻工大学 数学与计算机学院,湖北 武汉 430023)



采用反向变异机制的万有引力搜索算法

陈欣,刘朔

(武汉轻工大学 数学与计算机学院,湖北 武汉 430023)

和许多经典的群智能算法一样，万有引力搜索算法在解决很多优化问题的时候，容易陷入局部最优解并且收敛精度不高。针对这样的情况，提出一种基于变异策略和反向评估机制的改进万有引力搜索算法。该算法通过引入反向评估机制和变异策略，显著地提高了万有引力搜索算法中粒子的局部寻优能力和全局探索能力。通过对三个标准测试函数进行仿真实验，表明其与基本的万有引力搜索算法、传统粒子群算法相比，提出的基于变异策略和反向评估机制的改进万有引力搜索算法在函数优化问题上具有更好的优化性能。

反向评估机制;变异策略;万有引力搜索算法

1　引言

万有引力搜索算法(Gravitation search algorithm,简称GSA)是2009年由伊朗学者Esmat Rashedi等人[1]提出的一种新的启发式算法，其源于对物理学中的万有引力进行模拟产生的群体智能优化算法。与粒子群算法(Particle swarm optimization，简称PSO)类似，GSA也是一种元启发算法，算法原理是将搜索粒子看作宇宙空间运转的一组物体，这组物体彼此之间通过万有引力相互作用，导致物体的运动看作是严格遵循天体动力学的规律。将适应度值看作是微粒的质量，适应度大的粒子所对应的质量就越大。因此，万有引力定律会促使物体体现出向质量较大的物体移动的趋势，从而逐渐逼近求出优化问题的最优解。……