根据提供的文件信息，我们能够提炼出以下IT知识点：
1. 万有引力搜索算法（GSA）的定义和原理
万有引力搜索算法是一种新的启发式智能优化算法，它基于牛顿万有引力定律及粒子间的相互作用。这种算法模拟自然界中的群体现象，如物体间的引力作用，其中粒子的位置代表问题的潜在解，粒子的质量反映了其在搜索空间中的重要性。质量较大的粒子运动速度较慢，更有可能被其他粒子吸引，从而在优化问题中扮演“目标”的角色。
2. 粒子群优化算法（PSO）
粒子群优化算法是群体智能算法的一种，它模拟鸟群或鱼群的社会行为。在PSO中，每个粒子代表问题空间中的一个潜在解，通过跟踪个体经验最佳值（个体极值）和群体经验最佳值（全局极值）来更新粒子的速度和位置，实现问题空间的搜索和解的优化。
3. 高维度搜索空间优化问题
在优化领域，高维度搜索空间指的是问题拥有多个变量，需要在高维空间中寻找最优解。这类问题通常难以处理，因为解空间的复杂度和计算成本随维度的增加而迅速增加。
4. 多目标优化
多目标优化问题是指需要同时优化多个冲突目标的问题，此类问题的解通常是一个解集，而非单一解。在实际应用中，如服务组合，找到满足所有目标要求的最佳解集是非常具有挑战性的。
5. 服务质量控制（QoS）
服务质量控制是指通过控制和管理网络、服务或产品的质量属性，以满足用户的需求。在Web服务选择中，服务质量控制涉及评估和选择服务质量最高的服务实例，这通常涉及多个指标如响应时间、可靠性、成本等。
6. 改进的万有引力搜索算法
为了克服传统优化算法在高维度搜索空间问题中的不足，提出了一种改进的万有引力搜索算法。该算法结合了GSA和PSO，通过引入边界操作和在新搜索空间激活停滞的粒子，帮助粒子跳出局部最优区域，寻找全局最优解。
7. 实验与评估
文档中提到，通过采用旅游场景模型进行实验，所提出的改进算法展现出了优于传统启发式算法的性能，特别是在多目标优化服务组合问题上。这说明了算法在面对实际问题时的可行性和有效性。
8. 算法的缺点与优化
尽管万有引力搜索算法提供了强大的搜索能力，但仍存在诸如算法停滞、早熟现象和局部最优问题。文档提到，通过结合粒子群算法和改进粒子运动速度方程，这些问题得到了一定程度的解决。
9. 相关技术应用场景
改进的万有引力搜索算法的应用场景包括但不限于服务质量控制、智能信息处理、数字媒体技术应用等，其应用场景广泛，可用于多个技术领域中的优化问题。
10. 作者背景信息
文档还提供了作者的背景信息，包括作者袁博的硕士研究生身份、研究方向为模式识别与人工智能，以及马力教授的背景，他的研究领域包括人工智能与模式识别、管理信息系统、网络与通信等。
综上，文档《万有引力搜索算法的Web服务选择》详尽地描述了万有引力搜索算法及其改进方法，重点在于解决高维度搜索空间优化问题，并通过实验验证了算法的性能和应用价值。同时，文档也提供了作者的相关信息和算法可能的应用领域。
