摘要：针对引力搜索算法初始值的随机性对算法性能以及收敛速度带来的不利影响,提出了一种改进算法——伪反向学习引力搜索算法。首先将伪反向学习机制用于算法中,并且把算法的迭代次数分为多个学习周期,根据过往学习周期中反向学习的成功率来调整反向概率,设计了一种可调反向概率,用以优化反向机制在算法演化过程中的作用时机,提高了算法的收敛速度;其次为改善反向学习操作频繁对种群多样性带来的削弱,定义了“精英粒子”,用其替换掉种群中适应度值较差的个体,提高了算法的优化精度。与已有文献中的算法相比,改进算法对单峰及多峰测试函数的平均最优值优化精度可提高1016;对不同类型波束的赋形结果中,改进算法对方向图旁瓣的优化精度可提高1.26 dB至5.99 dB;在收敛速度最快的前提下,很大程度避免了其他几种优化算法易陷入局部最优的问题,整体性能最佳。

摘要：针对引力搜索算法在迭代过程中粒子惯性质量的累积效应造成的引力中和对优化性能的影响问题,提出了一种改进算法:自适应引力搜索算法。设计了一种随迭代次数自适应调整的衰减因子,提高了迭代后期算法的开采能力;在速度的计算过程中加入精英粒子,增强了粒子的记忆能力,算法的探索能力得以提高。将改进算法用于均匀同心圆环阵中,和文献中的算法相比,自适应引力搜索算法优化的主瓣宽度窄了6.7°、旁瓣电平分别低了5.1 dB和1.8 dB,更接近期望的方向图;平均收敛曲线的结果中,在迭代次数为2000时,算法的适应度值提高了30%,收敛速度更快,优化精度更高;稀布同心圆环阵列也具有同样的优化效果,证明了所提改进算法在解决面阵方向图综合时的有效性。

摘要：针对引力搜索算法在优化复杂的波束赋形问题时,准确率低的问题,提出了一种改进算法:伪反向学习引力搜索算法。首先设计了一种随迭代次数变化的反向概率,将其用于算法中来优化反向学习的作用时机,进一步提高了算法搜索最优解的速度;其次,定义了"精英粒子",并将其保留至下一代种群中,替换掉种群中适应度值较差的粒子,从而改善了算法易陷入局部最优解的问题。利用改进算法对不同阵列天线进行优化,结果显示,和多种同类高性能算法的优化结果相比,伪反向学习引力搜索算法无论是优化精度还是收敛速度均为最佳,验证了所提改进算法在解决复杂波束赋形问题时的有效性。