改进的pso算法matlab代码

改进的粒子群优化算法（Improved PSO）是对传统粒子群优化算法的一种改进，旨在提高算法的收敛速度和全局搜索能力。以下是改进的PSO算法的MATLAB代码示例：

function [gbest, pbest] = improved_pso(c1, c2, w, max_iter, swarm_size, lb, ub, dim)
    % 初始化粒子群
    positions = unifrnd(lb, ub, swarm_size, dim);     % 粒子当前位置
    velocities = zeros(swarm_size, dim);              % 粒子当前速度
    pbest = positions;                                % 个体最优位置
    pbest_values = inf(swarm_size, 1);                % 个体最优适应度值
    [~, gbest_index] = min(pbest_values);              % 全局最优位置对应的粒子索引
    gbest = pbest(gbest_index, :);                     % 全局最优位置
    iter = 0;
    
    while iter < max_iter
        % 计算适应度值
        fitness_values = fitness(positions);
        
        % 更新个体最优位置和全局最优位置
        update_indices = fitness_values < pbest_values;
        pbest(update_indices, :) = positions(update_indices, :);
        pbest_values(update_indices) = fitness_values(update_indices);
        [~, gbest_index] = min(pbest_values);
        gbest = pbest(gbest_index, :);
        
        % 更新速度和位置
        r1 = rand(swarm_size, dim);
        r2 = rand(swarm_size, dim);
        velocities = w * velocities + c1 * r1 .* (pbest - positions) + c2 * r2 .* (gbest - positions);
        positions = positions + velocities;
        
        % 越界处理
        positions = max(positions, lb);
        positions = min(positions, ub);
        
        % 迭代计数加1
        iter = iter + 1;
    end
end

在这段代码中，`c1`和`c2`表示加速因子，`w`表示惯性权重，`max_iter`表示最大迭代次数，`swarm_size`表示粒子群大小，`lb`和`ub`表示位置的上下界，`dim`表示问题的维度。`positions`是粒子当前位置的矩阵，`velocities`是粒子当前速度的矩阵，`pbest`是个体最优位置的矩阵，`pbest_values`是个体最优适应度值的向量，`gbest`是全局最优位置，`iter`表示当前迭代次数。

在算法的主循环中，首先计算粒子的适应度值，然后更新个体最优位置和全局最优位置，接着根据加速因子和随机数更新粒子的速度和位置，并进行越界处理，最后迭代计数加1。重复上述过程直到达到最大迭代次数为止。当算法结束时，返回全局最优位置`gbest`和个体最优位置`pbest`。