任务分配的粒子群优化算法

针对基本粒子群优化（PSO）算法早熟收敛、易陷入局部极值的缺陷，提出自适应任务分配的粒子群优化算法。该算法根据粒子的多样性动态分配粒子任务，把种群粒子分为开发和探索两种类型，分别采用全局模型和动态邻域局部模型执行开发和探索任务以平衡算法的全局和局部搜索能力，维持种群多样性。动态邻域模型扩大了解的搜索空间，能有效抑制早熟停滞现象，采用高斯扰动对处于停滞状态的精英粒子进行学习，协助精英粒子跳出局部最优，进入解空间的其他区域继续进行搜索。针对6个标准复合测试函数进行实验，结果表明所提算法具有更强的全局搜索能力，求解精度更高。