写一个完整的matlab 粒子群优化算法

以下是一个基本的 Matlab 粒子群优化算法的实现：

function [best_position, best_fitness] = pso(fitness_func, dim, bounds, options)
% fitness_func: 适应度函数
% dim: 变量维度
% bounds: 变量范围
% options: 参数设置

% 初始化参数
num_particles = options.num_particles;
max_iter = options.max_iter;
w = options.w;
c1 = options.c1;
c2 = options.c2;

% 初始化粒子
particles = zeros(num_particles, dim);
velocities = zeros(num_particles, dim);
best_particle_positions = particles;
best_particle_fitnesses = inf(num_particles, 1);
global_best_fitness = inf;
global_best_position = zeros(1, dim);

% 随机初始化粒子位置和速度
for i = 1:num_particles
    particles(i, :) = bounds(:, 1)' + rand(1, dim) .* (bounds(:, 2)' - bounds(:, 1)');
    velocities(i, :) = rand(1, dim);
end

% 迭代寻找最优解
for iteration = 1:max_iter
    % 计算适应度
    fitnesses = arrayfun(fitness_func, particles);
    
    % 更新个体最优解
    better_particle_indices = fitnesses < best_particle_fitnesses;
    best_particle_fitnesses(better_particle_indices) = fitnesses(better_particle_indices);
    best_particle_positions(better_particle_indices, :) = particles(better_particle_indices, :);
    
    % 更新全局最优解
    [iteration_best_fitness, iteration_best_index] = min(fitnesses);
    if iteration_best_fitness < global_best_fitness
        global_best_fitness = iteration_best_fitness;
        global_best_position = particles(iteration_best_index, :);
    end
    
    % 更新粒子速度和位置
    velocities = w * velocities + c1 * rand(num_particles, dim) .* (best_particle_positions - particles) + c2 * rand(num_particles, dim) .* (repmat(global_best_position, num_particles, 1) - particles);
    particles = particles + velocities;
    
    % 边界处理
    particles(particles < bounds(:, 1)) = bounds(particles < bounds(:, 1), 1);
    particles(particles > bounds(:, 2)) = bounds(particles > bounds(:, 2), 2);
end

% 返回最优解
best_position = global_best_position;
best_fitness = global_best_fitness;
end

其中，`fitness_func` 表示适应度函数，`dim` 表示变量维度，`bounds` 表示变量范围，`options` 表示参数设置。`num_particles` 表示粒子数目，`max_iter` 表示最大迭代次数，`w`、`c1`、`c2` 分别表示惯性权重、个体学习因子和社会学习因子。该函数返回最优解 `best_position` 和最优适应度 `best_fitness`。

需要注意的是，该实现只是一个基础的版本，还有很多可以改进的地方，比如增加收敛判定、引入自适应参数等。