PSO混合DE的算法matlab

以下是使用PSO混合DE的Matlab代码示例：

% 设定参数
popsize=20; % 种群大小
dims=10; % 变量维度
maxiter=100; % 最大迭代次数
f=0.7; % 缩放因子
cr=0.9; % 交叉概率
vmax=10; % 最大速度
xmin=-100; % 变量最小值
xmax=100; % 变量最大值

% 初始化种群
pop=xmin+(xmax-xmin)*rand(popsize,dims);
vel=-vmax+(vmax-(-vmax))*rand(popsize,dims);
pbest=pop;
gbest=pop(1,:);

% 开始迭代
for i=1:maxiter
    % 计算适应度
    fit=fitness(pop);
    pfit=fitness(pbest);
    [gbestval,idx]=min(fit);
    gbest=pop(idx,:);
    % 更新速度和位置
    for j=1:popsize
        % PSO部分
        vel(j,:)=vel(j,:)+rand(1,dims).*(pbest(j,:)-pop(j,:))+rand(1,dims).*(gbest-pop(j,:));
        vel(j,:)=max(min(vel(j,:),vmax),-vmax);
        pop(j,:)=pop(j,:)+vel(j,:);
        % DE部分
        r=randperm(popsize,3);
        mutant=pop(r(1),:)+f*(pop(r(2),:)-pop(r(3),:));
        cross=rand(1,dims)<cr;
        trial=pop(j,:);
        trial(cross)=mutant(cross);
        if fitness(trial)<fitness(pop(j,:))
            pop(j,:)=trial;
        end
    end
    % 更新个体最优
    for j=1:popsize
        if fitness(pop(j,:))<fitness(pbest(j,:))
            pbest(j,:)=pop(j,:);
        end
    end
end
% 输出结果
fprintf('最优解：%f\n',gbestval);
fprintf('最优解位置：');
disp(gbest);

% 适应度函数
function y=fitness(x)
    y=sum(x.^2,2);
end

这里使用了一个简单的适应度函数，即求解$x$向量的平方和。你可以根据自己的问题替换这个函数。另外，这里的算法也可以进一步优化，例如添加收敛判断、调整参数等。