matlab粒子群优化算法（附代码）

Matlab中的粒子群优化（Particle Swarm Optimization, PSO）算法是一种模拟鸟群或鱼群觅食行为的搜索算法，用于解决复杂的优化问题。PSO通过群体协作的方式，在解空间中寻找全局最优解。

以下是一个简单的Matlab粒子群优化算法的基本步骤：

1. 初始化粒子群：设置一组随机的位置和速度作为每个粒子的初始状态，位置通常表示可能的解，速度控制粒子的移动方向。

function [best_pos, best_val] = pso(fitness_func, num_particles, dim, bounds)
    % 设置参数
    w = 0.7; % 学习因子
    c1 = 2;   % 加速度常数
    c2 = 2;   % 移动常数
    max_iter = 100; % 最大迭代次数

    % 初始化粒子群
    positions = rand(num_particles, dim, 'double', bounds(1:end-1));
    velocities = zeros(num_particles, dim);
    personal_best_positions = positions;
    personal_best_fitness = fminunc(fitness_func, positions);

    global_best_position = personal_best_positions;
    global_best_fitness = personal_best_fitness;
end

2. 更新粒子位置和速度：根据当前的位置、个人最佳位置以及全局最佳位置更新粒子的速度和位置。

for iter = 1:max_iter
    % 更新粒子速度
    for i = 1:num_particles
        r1 = rand(); % 随机数
        r2 = rand();
        velocities(i,:) = w * velocities(i,:) + c1 * r1 * (personal_best_positions(i,:) - positions(i,:)) + c2 * r2 * (global_best_position - positions(i,:));
        
        % 更新粒子位置
        positions(i,:) = positions(i,:) + velocities(i,:);
        
        % 计算新位置的适应度值
        fitness_new = fminunc(fitness_func, positions(i,:));

        % 更新个人最佳和全局最佳
        if fitness_new < personal_best_fitness(i)
            personal_best_fitness(i) = fitness_new;
            personal_best_positions(i,:) = positions(i,:);
            
            if fitness_new < global_best_fitness
                global_best_fitness = fitness_new;
                global_best_position = positions(i,:);
            end
        end
        
        % 箱式约束处理
        positions(i,:) = min(max(positions(i,:), bounds(1:end-1)), bounds(end)); % 确保粒子位置在范围内
    end
end

3. 返回结果：返回找到的全局最优解（位置和对应的适应度值）。

best_pos = global_best_position;
best_val = global_best_fitness;

% 可视化粒子轨迹或结果
% plot the particles trajectories or visualize the results