在现实世界中,多模态函数优化问题大量存在。然而,大部分已经存在的多模态优化算法都面临着依赖小生境参数、处理高维复杂问题性能差等缺点。针对这些缺点,本文提出了适应度-距离相似度模型,并依据此模型提出了一种新的多模态粒子群优化算法——FDPSO.FDPSO引入了数据挖掘中聚类算法的逆过程来保证相似度小的个体不属于同一类。在FDPSO中,每个粒子找到与其具有最小相似度的粒子,在进化中保证这两个粒子不属于同一个小生境。初始状态,整个种群中的所有粒子都属于同一个小生境,随着种群的进化过程,种群被自动划分成若干个子种群并行进行搜索。另外,为了解决早熟问题,该优化算法为每个粒子保存了一个计数器(c),该计数器用来记录粒子的个体最佳位置(pbest)已经连续多少代没有更新,当计数器的值大于14,那么这个粒子很可能已经陷入局部极值点,该粒子将被重新初始化；与此同时,当某个小生境中表现最好的粒子的计数器大于14,说明这个小生境很可能陷入到局部极值点,这个小生境中的所有粒子同样将被重新初始化去搜索其他极值点。实验结果表明：对于低维简单测试函数,FDPSO可以取得与ANPSO和rpso同样高的成功率,并且FDPSO需要的平均评估次数更少。对于高维复杂函数,FDPSO可以达到更高的成功率,并且确定更多的全局极值点,甚至使用更少的种群大小,FDPSO同样具有很好的性能,这意味着FDPSO比其他优化算法有更加持续的性能。因此,FDPSO对于多模态函数优化是一个很好的选择,这也意味着FDPSO可以在现实世界中广泛应用。