在AUV 的轨迹跟踪控制中，用粒子群优化算法寻找最优的三个权重矩阵的matlab代码

以下是使用粒子群优化算法寻找最优的三个权重矩阵的 MATLAB 代码示例：

% AUV 轨迹跟踪控制中使用粒子群优化算法寻找最优的三个权重矩阵的代码

% 定义目标函数，这里以跟踪目标点的误差平方和作为目标函数
function f = objective_function(w)
    % w 是三个权重矩阵，每个矩阵的大小为 (n_inputs + 1) x n_hidden 或者 (n_hidden + 1) x n_outputs
    % n_inputs 是输入层的神经元数量，n_hidden 是隐藏层的神经元数量，n_outputs 是输出层的神经元数量
    % 这里假设输入层有 3 个神经元，隐藏层有 4 个神经元，输出层有 2 个神经元
    n_inputs = 3;
    n_hidden = 4;
    n_outputs = 2;

    % 定义神经网络的结构和参数
    net = feedforwardnet([n_hidden, n_outputs]);
    net.initFcn = 'initlayrand'; % 使用随机初始化
    net.layers{1}.transferFcn = 'tansig'; % 使用双曲正切函数作为隐藏层的激活函数
    net.layers{2}.transferFcn = 'purelin'; % 使用线性函数作为输出层的激活函数
    net.divideFcn = ''; % 不使用交叉验证集和测试集
    net.trainParam.showWindow = false; % 不显示训练窗口
    net.trainParam.epochs = 50; % 最大迭代次数

    % 训练神经网络并计算误差平方和
    net = configure(net, ones(n_inputs, 1), ones(n_outputs, 1));
    net.IW{1,1} = w(1:n_inputs*(n_hidden+1));
    net.LW{2,1} = w(n_inputs*(n_hidden+1)+1:end);
    net = train(net, ones(n_inputs, 1), ones(n_outputs, 1));
    y = net(ones(n_inputs, 1));
    f = sum((y - ones(n_outputs, 1)).^2);
end

% 初始化参数
w_size = (3 + 1) * 4 + (4 + 1) * 2; % 权重矩阵的大小
pop_size = 20; % 粒子群大小
max_iter = 100; % 最大迭代次数
w_range = [-1, 1]; % 权重矩阵的范围

% 初始化粒子群
pop = rand(pop_size, w_size) * (w_range(2) - w_range(1)) + w_range(1); % 生成随机的粒子位置
vel = rand(pop_size, w_size) * (w_range(2) - w_range(1)) * 0.1; % 生成随机的粒子速度

% 初始化全局最优解和个体最优解
gbest = Inf;
pbest = Inf(pop_size, 1);
pbest_pos = zeros(pop_size, w_size);

% 开始迭代
for iter = 1 : max_iter
    % 计算每个粒子的适应度值
    fit = zeros(pop_size, 1);
    for i = 1 : pop_size
        fit(i) = objective_function(pop(i, :));
        
        % 更新个体最优解
        if fit(i) < pbest(i)
            pbest(i) = fit(i);
            pbest_pos(i, :) = pop(i, :);
        end
        
        % 更新全局最优解
        if fit(i) < gbest
            gbest = fit(i);
            gbest_pos = pop(i, :);
        end
    end
    
    % 更新粒子速度和位置
    for i = 1 : pop_size
        vel(i, :) = vel(i, :) + rand(1, w_size) .* (pbest_pos(i, :) - pop(i, :)) + rand(1, w_size) .* (gbest_pos - pop(i, :));
        pop(i, :) = pop(i, :) + vel(i, :);
        
        % 约束粒子位置在权重矩阵的范围内
        pop(i, pop(i, :) < w_range(1)) = w_range(1);
        pop(i, pop(i, :) > w_range(2)) = w_range(2);
    end
end

% 输出结果
fprintf('最优解为 %f\n', gbest);
fprintf('权重矩阵为：\n');
disp(reshape(gbest_pos, [4, 3, 5]));

以上代码中，我们定义了目标函数 `objective_function`，它是神经网络跟踪目标点的误差平方和。然后我们初始化了粒子群算法的参数（粒子群大小、最大迭代次数等）和粒子群的位置和速度。在每次迭代中，我们计算每个粒子的适应度值（即目标函数值），并更新个体最优解、全局最优解、粒子速度和位置。最终输出全局最优解（即最优的三个权重矩阵）。注意，此代码仅供参考，实际应用时需要根据具体问题进行调整。