在过去的几十年里,受自然界一些群体现象的启发,各种群体智能算法被提出来。通过大量的实验证明,这些智能算法对于解决复杂的单目标和多目标优化问题是一个很好的工具。对于高维的搜索空间优化问题,传统的经典优化算法都不能够提供合适的解决方案,因此研究优化算法仍然有其重要的价值。引力搜索算法也是为了这个目的而提出来的一种新的优化算法,由于其原理简单,在解决各种非线性函数方面的高效性,使其几年来成为研究的热点,并且已经应用在一些领域。对于该算法的研究有两个主要方面:一方面是如何提高它的搜索精度,另一方面是如何加快它的收敛速度。本文正是从这两个方面着手,对引力搜索算法进行改进。引力搜索算法是基于牛顿引力定律和粒子间的相互作用的启发而提出来的一种新的优化算法。本文主要是对引力定律中的公式进行相应的变换来改进引力搜索算法,使其搜索精度更高,搜索速度更快。一方面,根据牛顿引力定律,引力的大小和粒子的惯性质量的乘积成正比,和粒子间的欧式距离成反比。为了提高引力搜索算法的精度,在算法的每一次迭代过程中,对粒子的惯性质量增加一个权值,惯性质量大的粒子惰性越大,惯性质量小的粒子惰性越小。对于惯性质量大的粒子,每一次迭代的过程中,移动的距离比较小,而惯性质量小的粒子,每一次迭代的过程中,移动的距离比较大,因此所有的粒子就迅速的向最优位置移动,在增加了搜索精度的同时,也加快了搜索速度。另一方面,在引力定律公式中,两个粒子的惯性质量是乘积关系,对于三角范数,它是一个乘法算子。在本文中,我们使用不同的三角范数算子来替换引力搜索算法中的乘法算子,以使该算法达到不同的效果。我们通过一系列的实验对以上两种方法进行验证,结果表明,以上两种改进方法都取得了一定的效果。