引入高斯变异的粒子群算法写个matlab程序

以下是一个简单的引入高斯变异的粒子群算法的 Matlab 程序：

% 参数设置
pop_size = 20; % 粒子群大小
max_iter = 100; % 迭代次数
w = 0.729; % 惯性权重
c1 = 1.49445; % 学习因子
c2 = 1.49445; % 学习因子
dim = 2; % 解向量维度
lb = [-10, -10]; % 解向量下界
ub = [10, 10]; % 解向量上界
sigma = 0.1; % 高斯变异参数

% 初始化粒子群
pop = repmat(lb, pop_size, 1) + rand(pop_size, dim) .* (repmat(ub, pop_size, 1) - repmat(lb, pop_size, 1));
vel = zeros(pop_size, dim);
pbest = pop;
pbest_fitness = inf(pop_size, 1);
gbest = zeros(1, dim);
gbest_fitness = inf;

% 迭代寻优
for iter = 1 : max_iter
    % 更新速度和位置
    r1 = rand(pop_size, dim);
    r2 = rand(pop_size, dim);
    vel = w .* vel + c1 .* r1 .* (pbest - pop) + c2 .* r2 .* (repmat(gbest, pop_size, 1) - pop);
    pop = pop + vel;
    
    % 高斯变异
    pop = pop + sigma .* randn(pop_size, dim);
    
    % 边界处理
    pop(pop < lb) = lb(pop < lb);
    pop(pop > ub) = ub(pop > ub);
    
    % 计算适应度
    fitness = sum(pop .^ 2, 2);
    
    % 更新个体最优解和全局最优解
    update = fitness < pbest_fitness;
    pbest(update, :) = pop(update, :);
    pbest_fitness(update) = fitness(update);
    [min_fitness, min_index] = min(pbest_fitness);
    if min_fitness < gbest_fitness
        gbest = pbest(min_index, :);
        gbest_fitness = min_fitness;
    end
    
    % 输出中间结果
    disp(['Iter: ', num2str(iter), ', Best Fitness: ', num2str(gbest_fitness)]);
end

该程序根据高斯变异的粒子群算法的基本思想编写。首先，设置了一些参数，包括粒子群大小、迭代次数、惯性权重、学习因子、解向量维度、解向量的上下界和高斯变异参数。然后，初始化了粒子群，并进行了迭代寻优的过程。在每次迭代中，程序首先更新粒子的速度和位置，然后进行高斯变异，再进行边界处理，计算适应度，更新个体最优解和全局最优解，最后输出中间结果。