万有引力搜索算法(Gravitational Search Algorithm,GSA)是一种基于牛顿万有引力定律和运动定律的启发式搜索算法。算法模拟了物体之间由于万有引力的作用而产生的移动和寻优的过程。GSA的基本原理是将搜索粒子在空间中的位置作为问题的一个解,并通过粒子的适应度来确定粒子的惯性质量。搜索粒子由于受到其他粒子对其产生的合力进行运动,惯性质量小的粒子由于具有更大的加速度而会朝着惯性质量大的粒子移动,从而逐步逼近到全局最优解。本文首先简介了GSA算法的国内外研究现状,然后研究GSA的基本原理和实现的具体流程,并详细分析了算法中三个控制参数对算法性能的具体影响。通过参数的分析和对算法原理的了解,提出采用两种自适应策略来改进算法的全局搜索能力和局部快速收敛能力。最后将改进的引力搜索算法应用在T-S模型参数整定和动态生物网络模型的辨识。本文主要的创新点可概括成以下四个部分:(1)对标准的GSA中的初始引力常量0G、参数?和参数Rp这三个基本控制参数进行分析。特别是对其中容易被忽视的参数Rp进行了详细的研究。并讨论这几个控制参数对算法性能所产生的具体影响,加深对GSA算法的理解。(2)提出了一种自适应引力搜索算法(Self-adaption Gravitational Search Algorithm,SGSA)。SGSA使用两种自适应策略来改进算法的勘探能力和开采能力。基于种群距离的自适应策略能加强粒子之间的信息交流,同时有效的提高算法后期的局部搜索能力。基于引力常数的自适应策略减慢了算法前期的收敛速度从而提高全局搜索能力,也改正了算法容易陷入局部最优的缺陷。SGSA算法在能保证粒子种群多样性的同时,也能保证算法的快速收敛性。(3)本文把模型的结构前件参数和后件参数编码进一个粒子中一起进行寻优和辨识,并提出基于SGSA的T-S模型辨识方法。由于取消了辨识结构和后件参数过程中产生的不一致性,该方法能获得比传统的两步处理的方法具有更高的精度。(4)在生物网络模型的辨识中,提出适合生物网络模型的多输入多输出的T-S模型,并用SGSA算法进行模型的辨识。