(河海大学 理学院,江苏 南京 211100)

20世纪80年代以来,越来越多的研究人员从自然界得到启发,通过观察自然界规律来模仿生物,并提出了一个新颖的优化算法。该算法能够将复杂求解过程简单化,表现出智能特征,因此被称为智能优化算法[1-2]。与其他方法相比,智能优化算法具有较强的鲁棒性、并行性、自适应性和随机性,可以有效地解决集中控制的复杂分布式问题和传统优化方法很难解决或无法解决的问题。

万有引力搜索算法(GSA)是一种新型启发式优化算法,由Rashedi等[3]在2009年提出。该算法启蒙于自然界的物理现象,是一种基于万有引力定律和牛顿第二定律的种群优化算法。研究发现,万有引力搜索算法通过粒子之间的引力交互作用来完成最优解的寻找过程,万有引力不需要借助任何传播介质。处于搜索空间的粒子可获知全局环境的信息,这使得粒子具有很强的全局搜索能力。在对标准测试函数进行优化时,万有引力搜索算法的寻优精度和收敛速度都要明显优于粒子群优化算法(PSO)[4]和遗传算法(GA)[5]等。

然而,像其他全局搜索算法一样,万有引力搜索算法也存在一些缺点。国内外研究者对万有引力搜索算法的改进主要集中在加强该算法的局部搜索能力、提高种群的收敛速度和寻优精度等方面。金林鹏等[6]对最大粒子位置移动的原因产生质疑,借助遗传算法的思想通过对粒子交叉变异来影响最大粒子位置的变化。Kumar等[7]对万有引力搜索算法中的引力系数做了非线性的动态调整,使得算法的搜索能力得到改善。……