给我一个粒子群优化算法matlab的例子

当然可以！以下是一个简单的粒子群优化算法的Matlab示例代码：

% 粒子群优化算法示例代码
function [best, best_fit] = pso(fun, dim, max_iter, lb, ub)

% 粒子群优化算法参数设置
w_min = 0.4; % 惯性权重最小值
w_max = 0.9; % 惯性权重最大值
c1 = 2; % 加速常数1
c2 = 2; % 加速常数2

% 初始化种群
pop_size = 50; % 种群大小
pop(:,1) = lb + (ub-lb).*rand(pop_size,dim); % 随机初始化种群位置
pop(:,2) = zeros(pop_size,dim); % 初始化速度为0

p_best = pop; % 个体历史最优位置
g_best = pop(1,:); % 全局历史最优位置
g_best_fit = fun(g_best); % 全局历史最优适应度值

% 粒子群优化算法主循环
for iter = 1:max_iter
    % 更新惯性权重
    w = w_max - (w_max-w_min)*iter/max_iter;
    
    % 更新速度和位置
    r1 = rand(pop_size,dim); % 随机数1
    r2 = rand(pop_size,dim); % 随机数2
    v = w*pop(:,2) + c1*r1.*(p_best(:,1)-pop(:,1)) + c2*r2.*(repmat(g_best,pop_size,1)-pop(:,1)); % 速度更新公式
    pop(:,1) = pop(:,1) + v; % 位置更新公式
    
    % 边界处理
    pop(pop(:,1) < lb,:) = repmat(lb,sum(pop(:,1) < lb),1);
    pop(pop(:,1) > ub,:) = repmat(ub,sum(pop(:,1) > ub),1);
    
    % 计算适应度值
    fit = fun(pop(:,1));
    
    % 更新个体历史最优位置
    update_idx = fit < p_best(:,3);
    p_best(update_idx,:) = [pop(update_idx,1) v(update_idx,:) fit(update_idx)];
    
    % 更新全局历史最优位置
    [best_fit, best_idx] = min(fit);
    if best_fit < g_best_fit
        g_best = pop(best_idx,1);
        g_best_fit = best_fit;
    end
    
    % 显示输出
    fprintf('Iteration %d: \tBest fitness = %g\n',iter,g_best_fit);
end

% 返回结果
best = g_best;
best_fit = g_best_fit;
end

这个代码实现了一个简单的粒子群优化算法，其中 `fun` 是传入的目标函数，`dim` 是问题维度，`max_iter` 是最大迭代次数，`lb` 和 `ub` 分别是问题的下界和上界。最后返回的 `best` 是找到的最优解，`best_fit` 是对应的最优适应度值。

希望这个示例能够帮助你理解粒子群优化算法的基本原理！