万有引力算法是基于物理学中牛顿万有引力定律和模拟宇宙中所有物质具有相互吸引而向质量大的物质聚集的模型,它是一种全局性优化算法,万有引力算法为复杂函数优化问题的求解提供了一种新颖的解决方法,显示出广阔发展的前景.万有引力算法是一种群体智能的优化算法,其基本思想：通过种群中各物质之间相互吸引而产生的群体智能优化搜索,其机制和原理非常简单,既使算法有着良好的优化性能,又保持了群体智能的背景.因此,GSA算法已被广泛应用到函数优化、多目标规划、模糊系统控制等领域.传统的万有引力算法有两个不足之处：一个是局部搜索能力比较弱,另一个是容易出现停滞现象.目前许多学者从这两方面对传统GSA算法进行改进,以提高算法性能.一方面是动态调整权重因子,在搜索过程中引入一种变异算子以改进算法的局部搜索能力,另一方面是增加种群的多样性,同时增强跳出局部最优解的能力,避免计算的盲目性,加快算法的收敛速度.为避免这两个不足,针对求解复杂函数的优化问题,本文做了如下两个方面的研究工作：1.针对万有引力算法局部收敛能力弱,本文提出一种自适应混沌变异的引力搜索算法.通过引入平均粒距和混沌搜索变异,提高万有引力算法的局部搜索能力,增加物质种群的多样性.并且对变异后不可行的物质采用边界变异约束处理.实验结果表明,与基本万有引力算法(SGSA)和混沌万有引力算法(CGSA)相比较,本文所提出的新算法收敛的精度较高,而且收敛速度较快,最重要的是能比较有效地避免早熟收敛问题.2.为平衡万有引力算法的搜索速度和函数优化解的精度这一矛盾体,本文将最优觅食理论与万有引力算法结合,将群体物质之间的质量差别与其距离比值作为个体觅食能量效率的衡量引入万有引力算法,以提高算法的计算效率.并且对越界的物质进行新的变异策略,增加种群物质的多样性.数值试验结果表明该算法在求解精度上优于SGSA、CGSA.