pso算法matlab

以下是使用 MATLAB 实现 PSO 算法的示例代码：

% PSO算法MATLAB实现

% 设定参数
max_iter = 100; % 最大迭代次数
pop_size = 30; % 粒子群规模
w = 0.8; % 惯性权重
c1 = 2; % 学习因子1
c2 = 2; % 学习因子2

% 初始化粒子位置和速度
x = rand(pop_size, 2); % 粒子位置
v = rand(pop_size, 2); % 粒子速度

% 计算适应度函数值
f = zeros(pop_size, 1);
for i = 1:pop_size
    f(i) = obj_fun(x(i, :));
end

% 初始化全局最优解和个体最优解
global_best_pos = x(1, :);
global_best_val = f(1);
personal_best_pos = x;
personal_best_val = f;

% 迭代更新
for iter = 1:max_iter
    % 更新速度和位置
    for i = 1:pop_size
        v(i, :) = w * v(i, :) ...
            + c1 * rand(1, 2) .* (personal_best_pos(i, :) - x(i, :)) ...
            + c2 * rand(1, 2) .* (global_best_pos - x(i, :));
        x(i, :) = x(i, :) + v(i, :);
    end
    
    % 边界处理
    x(x < 0) = 0;
    x(x > 1) = 1;
    
    % 计算适应度函数值
    for i = 1:pop_size
        f(i) = obj_fun(x(i, :));
    end
    
    % 更新个体最优解和全局最优解
    for i = 1:pop_size
        if f(i) < personal_best_val(i)
            personal_best_pos(i, :) = x(i, :);
            personal_best_val(i) = f(i);
        end
        if f(i) < global_best_val
            global_best_pos = x(i, :);
            global_best_val = f(i);
        end
    end
    
    % 显示结果
    fprintf('Iteration %d: Best fitness = %.4f\n', iter, global_best_val);
end

% 适应度函数
function y = obj_fun(x)
    y = sum(x.^2);
end

上述代码中，`obj_fun` 函数为 PSO 算法需要优化的目标函数。在本例中，我们使用简单的二次函数作为目标函数。

在实际应用中，需要根据具体问题设计对应的目标函数。