粒子群算法matlab实例

对于粒子群算法的 MATLAB 实例，可以参考以下代码：

% 粒子群算法参数设置
numParticles = 50; % 粒子数量
maxIterations = 100; % 最大迭代次数
inertiaWeight = 0.7; % 惯性权重
cognitiveWeight = 1.4; % 认知权重
socialWeight = 1.4; % 社会权重
maxVelocity = 0.5; % 最大速度
lowerBound = -5; % 变量取值下界
upperBound = 5; % 变量取值上界

% 初始化粒子位置和速度
positions = lowerBound + rand(numParticles, 1) * (upperBound - lowerBound);
velocities = zeros(numParticles, 1);

% 初始化全局最优解和对应的位置
globalBest = Inf;
globalBestPosition = 0;

% 粒子群算法主循环
for iteration = 1:maxIterations
    % 计算每个粒子的适应度值
    fitnessValues = objectiveFunction(positions);
    
    % 更新全局最优解和对应的位置
    [localBest, localBestIndex] = min(fitnessValues);
    if localBest < globalBest
        globalBest = localBest;
        globalBestPosition = positions(localBestIndex);
    end
    
    % 更新粒子速度和位置
    velocities = inertiaWeight * velocities + ...
        cognitiveWeight * rand(numParticles, 1) .* (positions - positions(localBestIndex)) + ...
        socialWeight * rand(numParticles, 1) .* (positions - globalBestPosition);
    velocities(velocities > maxVelocity) = maxVelocity;
    velocities(velocities < -maxVelocity) = -maxVelocity;
    
    positions = positions + velocities;
    positions(positions > upperBound) = upperBound;
    positions(positions < lowerBound) = lowerBound;
end

% 输出最优解和对应的位置
fprintf('最优解: %.4f\n', globalBest);
fprintf('最优位置: %.4f\n', globalBestPosition);

上述代码是一个简单的粒子群算法的实例，其中 `objectiveFunction` 是用户自定义的目标函数，根据实际问题进行编写。在这个例子中，变量的取值范围是 [-5, 5]，粒子数量为 50，最大迭代次数为 100。在每次迭代中，根据当前位置和速度更新粒子的位置和速度，并计算每个粒子的适应度值，更新全局最优解和对应的位置。最终输出最优解和最优位置。

你可以根据自己的问题和需求，修改和扩展这段代码，以便使用粒子群算法求解你的优化问题。