使用Matlab的Optimization Toolbox和Global Optimization Toolbox可以很容易地编写一个粒子群规划示例，解决一个简单的最优化问题。首先，定义目标函数，然后...

首先，需要安装和导入Optimization Toolbox和Global Optimization Toolbox。然后，可以按照以下步骤编写粒子群优化示例：

1. 定义目标函数。例如，我们可以定义一个简单的目标函数：

function f = myObj(x)
    f = x(1)^2 + x(2)^2;
end

2. 设置问题的约束条件（如果有的话）。例如，我们可以设置以下约束条件：

function [c, ceq] = myConstraints(x)
    c = [x(1) + x(2) - 1; x(1) - x(2) - 1];
    ceq = [];
end

这个约束条件表示 x1 + x2 <= 1 和 x1 - x2 <= 1。

3. 创建一个 `optimoptions` 对象来设置粒子群优化算法的参数。

options = optimoptions('particleswarm', 'SwarmSize', 100, 'MaxIterations', 200);

这里，我们设置了粒子群大小为100，最大迭代次数为200。

4. 调用 `particleswarm` 函数来解决最优化问题。

[x,fval] = particleswarm(@myObj, 2, [], [], options);

这里，我们使用 `particleswarm` 函数来寻找最小值，给定初始点的数量为2，没有线性或非线性约束条件。最后一个参数是前面设置的 `options` 对象。

完整的示例代码如下：

function [x,fval] = myPSOExample()
    % Define objective function
    function f = myObj(x)
        f = x(1)^2 + x(2)^2;
    end

    % Define constraints
    function [c, ceq] = myConstraints(x)
        c = [x(1) + x(2) - 1; x(1) - x(2) - 1];
        ceq = [];
    end

    % Set options for PSO
    options = optimoptions('particleswarm', 'SwarmSize', 100, 'MaxIterations', 200);

    % Call particleswarm to solve problem
    [x,fval] = particleswarm(@myObj, 2, [], [], options);
end

注意，这个示例是一个简单的二维问题，可能需要根据具体情况进行修改。