用matlab实现，基于自适应权重PSO的资源优化算法的，写出MATLAB代码

以下是基于自适应权重PSO的资源优化算法的 MATLAB 代码：

clc;
clear;
close all;

% 设置参数
n = 30;      % 粒子数
dim = 10;    % 变量数
iter = 100;  % 迭代次数
lb = -10;    % 下界
ub = 10;     % 上界
c1 = 1.5;    % 加速度因子1
c2 = 1.5;    % 加速度因子2
wmax = 0.9;  % 最大惯性权重
wmin = 0.4;  % 最小惯性权重
vmax = 0.2*(ub-lb);  % 最大速度限制
vmin = -vmax;         % 最小速度限制

% 初始化粒子群
x = repmat(lb,n,dim) + rand(n,dim)*(ub-lb);  % 初始位置
v = zeros(n,dim);                           % 初始速度
pbest = x;                                  % 个体最优位置
pbestval = inf(n,1);                        % 个体最优适应度值
gbest = zeros(1,dim);                       % 全局最优位置
gbestval = inf;                             % 全局最优适应度值

% 自适应权重PSO主循环
for t=1:iter
    w = wmax - (wmax-wmin)*t/iter;  % 计算当前惯性权重
    
    % 更新粒子速度和位置
    for i=1:n
        v(i,:) = w*v(i,:) + c1*rand(1,dim).*(pbest(i,:)-x(i,:)) +...
            c2*rand(1,dim).*(gbest-x(i,:));  % 更新速度
        v(i,v(i,:)>vmax) = vmax;  % 限制速度范围
        v(i,v(i,:)<vmin) = vmin;
        x(i,:) = x(i,:) + v(i,:);  % 更新位置
        x(i,x(i,:)>ub) = ub;  % 限制位置范围
        x(i,x(i,:)<lb) = lb;
    end
    
    % 计算适应度值
    f = @(x) sum(x.^2);  % 目标函数
    for i=1:n
        fval = f(x(i,:));
        if fval < pbestval(i)  % 更新个体最优位置和适应度值
            pbest(i,:) = x(i,:);
            pbestval(i) = fval;
            if fval < gbestval  % 更新全局最优位置和适应度值
                gbest = x(i,:);
                gbestval = fval;
            end
        end
    end
    
    % 更新自适应权重
    if t > 1
        if gbestval < gbestval_hist(t-1)
            alpha = 1.1;  % 适应度值下降
        else
            alpha = 0.9;  % 适应度值上升
        end
        wmax = alpha*wmax;
        wmin = alpha*wmin;
    end
    gbestval_hist(t) = gbestval;  % 记录全局最优适应度值
end

% 输出结果
fprintf('最优解：');
disp(gbest);
fprintf('最优适应度值：');
disp(gbestval);

% 绘制适应度值收敛曲线
figure;
plot(gbestval_hist);
xlabel('迭代次数');
ylabel('适应度值');
title('适应度值收敛曲线');