粒子群演算法 MATLAB語法

粒子群演算法（Particle Swarm Optimization，PSO）是一种常用的优化算法，用于在多参数空间中寻找最优解。下面是使用 MATLAB 实现 PSO 的基本语法：

function [best_x, best_f] = pso(func, dim, lb, ub, max_iter, swarm_size, w, c1, c2)
% func: 目标函数
% dim: 变量维度
% lb: 变量下界
% ub: 变量上界
% max_iter: 最大迭代次数
% swarm_size: 粒子群大小
% w: 惯性权重
% c1: 个体学习因子
% c2: 社会学习因子

% 初始化粒子群
pos = rand(swarm_size, dim) .* (ub - lb) + lb; % 粒子位置
vel = rand(swarm_size, dim) .* (ub - lb) / 10; % 粒子速度
pbest_pos = pos; % 个体最优位置
pbest_val = inf(swarm_size, 1); % 个体最优值
gbest_pos = zeros(1, dim); % 全局最优位置
gbest_val = inf; % 全局最优值

% 迭代优化
for iter = 1:max_iter
    % 计算适应度值
    fit_val = feval(func, pos);

    % 更新个体最优
    update_id = fit_val < pbest_val;
    pbest_pos(update_id, :) = pos(update_id, :);
    pbest_val(update_id) = fit_val(update_id);

    % 更新全局最优
    [min_val, min_idx] = min(pbest_val);
    if min_val < gbest_val
        gbest_pos = pbest_pos(min_idx, :);
        gbest_val = min_val;
    end

    % 更新粒子速度和位置
    r1 = rand(swarm_size, dim);
    r2 = rand(swarm_size, dim);
    vel = w .* vel + c1 .* r1 .* (pbest_pos - pos) + c2 .* r2 .* (gbest_pos - pos);
    pos = pos + vel;

    % 边界处理
    pos(pos < lb) = lb(pos < lb);
    pos(pos > ub) = ub(pos > ub);
end

% 返回最优解
best_x = gbest_pos;
best_f = gbest_val;

其中 `func` 为目标函数句柄，`dim` 为变量维度，`lb` 和 `ub` 分别为变量下界和上界，`max_iter` 为最大迭代次数，`swarm_size` 为粒子群大小，`w`、`c1` 和 `c2` 分别为惯性权重、个体学习因子和社会学习因子。函数返回最优解 `best_x` 和最优值 `best_f`。在实际使用中，还需要根据具体问题对上述代码进行修改和优化。