В работе рассматривается задача глобальной оптимизации многоэкстремальных функций с помощью алгоритма гравитационного поиска. Классический алгоритм является стохастическим и основан на гравитационном взаимодействии совокупностей масс (зондов) и законах движения. На основе сил определяются векторы скорости и ускорения каждого зонда для дальнейшего его перемещения. Данный алгоритм схож с методом роя частиц, так как базируется на развитии многоагентной системы. В ходе исследования классического алгоритма был выявлен недостаток, связанный с сильным снижением оценки вероятности попадания в глобальный экстремум при наличии аддитивной равномерно распределенной помехе. В связи с этим предложен модифицированный алгоритм. Улучшение основано на внедрении ядерной функции, что позволяет лучше выделять истинный экстремум при воздействии помехи, а также увеличить точность решения при ее отсутствии. Также предлагается использовать динамический закон изменения количества зондов, что повлечет сокращение количества измерений целевой функции по сравнению со статическим количеством точек. Для демонстрации улучшения качества поиска модифицированным алгоритмом в работе приведен пример тестовой функции, сконструированной по методу Бочарова–Фельдбаума и имеющей 10 экстремумов, один из которых является глобальным. Сравнительное исследование двух алгоритмов проводится в одинаковых условиях как без помехи, так и с постоянно нарастающей амплитудой, вплоть до 10-кратного превышения уровня шума над полезным сигналом. Описанные модификации также хорошо подходят для широкого круга алгоритмов как роевого интеллекта, так и других.

1. Horst R., Tuy H. Global optimization:deterministic approaches. – 3rd ed. – Berlin: Springer, 1996. – 729 p.

2. Растригин Л.А. Адаптация сложных систем. – Рига: Зинатне, 1981. – 375 с.

3.Kennedy J., Eberhart R.C. Particle swarm optimization // Proceedings of IEEE International Conference on Neural Networks. – 1995. – Vol. 4.– P. 1942–1948.

4. Karaboga D. An idea based on honey bee swarm for numerical optimization:technical report TR-06 /Erciyes University, Engineering Faculty, Computer Engineering Department. – Kayseri, Türkiye,2005.

5. Castro L.N. de, Timmis J.Artificial immune systems: a new computational intelligence approach. –London: Springer, 2003. – 364 p.

6. Shams M., Rashedi E., Hakimi A. Clustered-gravitational search algorithm and its application in parameter optimization of a low noise amplifier // Applied Mathematics and Computation. – 2015. – Vol. 258. – P. 436–453.

7. Yildiz B.S., Lekesiz H., Yildiz A.R.Structural design of vehicle components using gravitational search and charged system search algorithms// Component Design. – 2016. – Vol. 1. – P. 79–81.

8. Rashedi E., Nezamabadi-pour H., Saryazdi S.GSA: a gravitational search algorithm // Information Sciences. – 2009. – Vol. 179. – P. 2232–2248.

9. Рубан А.И. Глобальная оптимизация методом усреднения координат: монография. – Красноярск: ИПЦ КГТУ, 2004. – 303 с.

10. Бочаров И.Н., Фельдбаум А.А.Автоматический оптимизатор для поиска минимального из нескольких минимумов (глобальный оптимизатор) // Автоматика и телемеханика. – 1962. – № 3. – С. 289–301.