任務(wù)分配的粒子群優(yōu)化算法

針對(duì)基本粒子群優(yōu)化（PSO）算法早熟收斂、易陷入局部極值的缺陷，提出自適應(yīng)任務(wù)分配的粒子群優(yōu)化算法。該算法根據(jù)粒子的多樣性動(dòng)態(tài)分配粒子任務(wù)，把種群粒子分為開發(fā)和探索兩種類型，分別采用全局模型和動(dòng)態(tài)鄰域局部模型執(zhí)行開發(fā)和探索任務(wù)以平衡算法的全局和局部搜索能力，維持種群多樣性。動(dòng)態(tài)鄰域模型擴(kuò)大了解的搜索空間，能有效抑制早熟停滯現(xiàn)象，采用高斯擾動(dòng)對(duì)處于停滯狀態(tài)的精英粒子進(jìn)行學(xué)習(xí)，協(xié)助精英粒子跳出局部最優(yōu)，進(jìn)入解空間的其他區(qū)域繼續(xù)進(jìn)行搜索。針對(duì)6個(gè)標(biāo)準(zhǔn)復(fù)合測(cè)試函數(shù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明所提算法具有更強(qiáng)的全局搜索能力，求解精度更高。