三维粒子群算法MATLAB代码

当然，我可以为你提供一个简单的三维粒子群算法的MATLAB代码示例。以下是一个基本的实现：

function [gbest, gbest_fit] = particle_swarm_optimization()
    % 初始化参数
    num_particles = 50; % 粒子数量
    num_dimensions = 3; % 搜索空间维度
    max_iterations = 100; % 最大迭代次数
    inertia_weight = 0.7; % 惯性权重
    c1 = 1.2; % 加速度常数1
    c2 = 1.2; % 加速度常数2
    lb = -10; % 搜索空间下界
    ub = 10; % 搜索空间上界
    
    % 初始化粒子位置和速度
    positions = rand(num_particles, num_dimensions) * (ub - lb) + lb;
    velocities = zeros(num_particles, num_dimensions);
    
    % 初始化粒子最佳位置和适应度
    pbest_pos = positions;
    pbest_fit = inf(num_particles, 1);
    
    % 初始化全局最佳位置和适应度
    gbest_pos = zeros(1, num_dimensions);
    gbest_fit = inf;
    
    % 迭代优化过程
    for iter = 1:max_iterations
        % 计算粒子适应度
        fits = evaluate_fitness(positions);
        
        % 更新个体最佳位置和适应度
        update_indices = fits < pbest_fit;
        pbest_pos(update_indices, :) = positions(update_indices, :);
        pbest_fit(update_indices) = fits(update_indices);
        
        % 更新全局最佳位置和适应度
        [min_fit, min_index] = min(pbest_fit);
        if min_fit < gbest_fit
            gbest_pos = pbest_pos(min_index, :);
            gbest_fit = min_fit;
        end
        
        % 更新粒子速度和位置
        r1 = rand(num_particles, num_dimensions);
        r2 = rand(num_particles, num_dimensions);
        
        velocities = inertia_weight * velocities ...
            + c1 * r1 .* (pbest_pos - positions) ...
            + c2 * r2 .* (gbest_pos - positions);
        
        positions = positions + velocities;
        
        % 限制粒子位置在搜索空间内
        positions(positions < lb) = lb;
        positions(positions > ub) = ub;
    end
    
    % 返回全局最佳位置和适应度
    gbest = gbest_pos;
end

function fits = evaluate_fitness(positions)
    % 计算粒子适应度的函数（根据具体问题自定义）
    % 这里使用简单的函数 f(x) = x1^2 + x2^2 + x3^2
    fits = sum(positions .^ 2, 2);
end

请注意，这只是一个简单的示例，并没有考虑到参数调整、收敛条件等细节。你可以根据自己的需求进行进一步的修改和优化。希望对你有所帮助！如有任何疑问，请随时提问。