粒子群算法优化的matlab代码

粒子群算法（Particle Swarm Optimization, PSO）是一种模拟鸟群或鱼群觅食行为的全局优化算法。在MATLAB中实现PSO，你可以按照以下步骤编写代码：

1. 定义初始化：首先创建粒子（每个粒子代表一个解），包括位置和速度。粒子的位置通常是一个向量，速度也是向量。

particleNum = 50; % 粒子数量
dimension = 10; % 自由度（特征维度）
position = rand(particleNum, dimension); % 初始位置
velocity = zeros(particleNum, dimension); % 初始速度

2. 初始化全局最佳解：记录当前粒子的最佳位置和全局最佳位置。

bestPosition = position;
globalBestPosition = bestPosition;

3. 设置迭代参数：如最大迭代次数、学习因子等。

maxIterations = 100; % 最大迭代次数
c1 = 2; % 加速系数 c1
c2 = 2; % 加速系数 c2
w = 0.7; % 惯性权重

4. 迭代过程：循环更新粒子位置和速度，直到达到最大迭代次数。

for iter = 1:maxIterations
    for i = 1:particleNum
        % 更新速度
        r1 = rand(); % 随机数
        r2 = rand();
        velocity(i,:) = w * velocity(i,:) + c1 * r1 * (bestPosition(i,:) - position(i,:));
        
        % 更新位置（边界约束处理）
        newPosition = min(max(position(i,:) + velocity(i,:), lowerBound), upperBound);
        
        % 比较新旧位置，如果新位置更好，则更新
        if fitnessFunction(newPosition) > fitnessFunction(position(i,:))
            position(i,:) = newPosition;
            
            % 如果新位置比全局最好还优，更新全局最优
            if fitnessFunction(newPosition) > fitnessFunction(globalBestPosition)
                globalBestPosition = newPosition;
            end
        end
    end
end

这里`fitnessFunction`是目标函数，需要用户自定义，它用于评估粒子位置的好坏。