万有引力搜索算法(Gravitational Search Algorithm, GSA)是由伊朗克曼大学的Esmat Rashedi等人于2009年所提出的一种新的启发式优化算法,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。GSA的原理是通过将搜索粒子看作一组在空间运行的物体,物体间通过万有引力相互作用吸引,物体的运行遵循动力学的规律。适度值较大的粒子其惯性质量越大,因此万有引力会促使物体们朝着质量最大的物体移动,从而逐渐逼近求出优化问题的最优解。GSA具有较强的全局搜索能力与收敛速度。随着GSA理论研究的进展,其应用也越来越广泛,逐渐引起国内外学者的关注。但是GSA与其它全局算法一样,存在易陷入局部解,解精度不高等问题,有很多待改进之处。本文首先对万有引力搜索算法的国内外研究现状与实现原理进行详细介绍,并分析算法本身所涉及的参数。在分析结果的基础上,对万有引力搜索算法进行改进,提出相应的改进算法,从而弥补算法本身的不足。本文的主要研究工作如下：(1)首先以群体智能优化算法作为引入,介绍群体智能优化算法的基本原理与特点,然后介绍万有引力搜索算法的国内外研究现状与应用情况,并详细介绍万有引力搜索算法本身所涉及的物理现象原理、算法描述与具体实现,以及进行算法中相关参数的实验分析,为后面的改进做准备工作。(2)基于相关参数分析的结果,本文将模糊控制的原理应用到对万有引力搜索算法的参数的控制中,提出一种基于模糊控制的万有引力搜索算法(Fuzzy Gravitational Search Algorithm,简称FGSA). FGSA通过在不同的寻优阶段中对参数进行控制,有效地平衡万有引力搜索算法中粒子的探索能力与开发能力,防止算法陷入局部解并提高求解的精度。通过实验结果分析,基于模糊控制的万有引力搜索算法效果更佳。(3)提出基于组合差分进化算法的万有引力搜索算法,在模糊万有引力搜索算法的基础上,通过引入多种变异策略与交叉操作到基本的万有引力搜索算法中,使得粒子更新策略多样化,增强粒子的探索能力,在避免粒子过早收敛的同时提高解的优化精度。实验仿真结果显示,与其它改进的万有引力搜索算法相比,基于组合差分进化的万有引力搜索算法具备更好的优化能力。(4)最后,对本文的研究工作做概括与总结,并展望下一步研究方向。