pso算法matlab代码

PSO（粒子群优化）算法是一种模拟自然群体行为的优化算法。下面是一个简单的PSO算法的MATLAB代码示例：

function [best_position, best_fitness] = pso_algorithm()
    % 初始化参数
    swarm_size = 30;            % 群体大小
    max_iter = 100;             % 最大迭代次数
    inertia_weight = 0.7;       % 惯性权重
    cognitive_weight = 1.4;     % 认知权重
    social_weight = 1.4;        % 社交权重
    lower_bounds = -10;         % 解空间下界
    upper_bounds = 10;          % 解空间上界
    
    % 初始化粒子的位置和速度
    positions = zeros(swarm_size, 1);
    velocities = zeros(swarm_size, 1);
    
    % 初始化每个粒子的最佳位置和适应度值
    best_positions = positions;
    best_fitness = inf(swarm_size, 1);
    
    % 初始化全局最佳位置和适应度值
    global_best_position = 0;
    global_best_fitness = inf;
    
    % 开始迭代
    iter = 1;
    while iter <= max_iter
        % 更新每个粒子的速度和位置
        for i = 1:swarm_size
            % 更新速度
            velocities(i) = inertia_weight * velocities(i) + ...
                cognitive_weight * rand() * (best_positions(i) - positions(i)) + ...
                social_weight * rand() * (global_best_position - positions(i));
            
            % 更新位置
            positions(i) = positions(i) + velocities(i);
            
            % 限制位置在解空间内
            positions(i) = max(positions(i), lower_bounds);
            positions(i) = min(positions(i), upper_bounds);
            
            % 计算当前位置的适应度值
            fitness = objective_function(positions(i));
            
            % 更新每个粒子的最佳位置和适应度值
            if fitness < best_fitness(i)
                best_positions(i) = positions(i);
                best_fitness(i) = fitness;
                
                % 更新全局最佳位置和适应度值
                if fitness < global_best_fitness
                    global_best_position = positions(i);
                    global_best_fitness = fitness;
                end
            end
        end
        
        iter = iter + 1;
    end
    
    % 返回结果
    best_position = global_best_position;
    best_fitness = global_best_fitness;
end

function fitness = objective_function(x)
    % 输入自定义的目标函数，计算适应度值
    fitness = x^2;
end

以上代码实现了一个简单的PSO算法，其中优化的目标函数为x^2（可根据需要自行修改）。算法通过迭代更新粒子的速度和位置，并根据目标函数的值更新每个粒子的最佳位置和全局最佳位置，直到达到最大迭代次数为止。最后返回全局最佳位置和适应度值作为优化结果。