在matlab中同一个图里面画出不同算法运行的结果，以标准粒子群算法和自适应粒子群算法求函数极值为例，请给出完整代码

好的，以下是在 Matlab 中画出标准粒子群算法和自适应粒子群算法运行结果的完整代码。

% 设置函数
fun = @(x) x.^2 + sin(5*x);

% 设置算法参数
options = optimoptions(@particleswarm,'SwarmSize',100,'FunctionTolerance',1e-8);

% 运行标准粒子群算法
[x1,fval1] = particleswarm(fun,1,10,options);

% 运行自适应粒子群算法
[x2,fval2] = particleswarm(fun,1,10,options,@updatefunc);

% 画图
x = linspace(-1,2,100);
y = fun(x);
plot(x,y,'LineWidth',2);
hold on;
plot(x1,fval1,'r.','MarkerSize',20);
plot(x2,fval2,'g.','MarkerSize',20);
legend('Function','Standard PSO','Adaptive PSO','Location','SouthEast');

% 自适应算法更新函数
function [c1,c2,omega] = updatefunc(~,state)
    c1 = 1.5 - 0.5*exp(-0.1*state.Generation);
    c2 = 1.5 - 0.5*exp(-0.1*state.Generation);
    omega = 0.9 - 0.5*exp(-0.1*state.Generation);
end

在上述代码中，我们首先设置了要求解的函数，这里我们选择了 $f(x) = x^2 + \sin(5x)$。接着，我们通过 `optimoptions` 函数设置了两个算法的参数，包括种群大小和函数容差等。然后，我们分别运行了标准粒子群算法和自适应粒子群算法来求解函数的极值，并得到了两个算法的最优解和最优值。最后，我们将函数和两个算法的结果画在了同一张图中，并对图例进行了设置。

需要注意的是，自适应粒子群算法需要额外传入一个更新函数 `updatefunc`，用来实时调整算法的惯性权重和加速系数，以提高算法性能和收敛速度。在这个例子中，我们简单地根据当前迭代次数来计算这些参数，并返回给算法使用。