matlab 粒子群算法旅行商问题代码

Matlab中的粒子群优化（Particle Swarm Optimization, PSO）是一种模拟鸟群觅食行为的全局优化算法，常用于解决复杂的优化问题，比如旅行商问题（Travelling Salesman Problem, TSP）。旅行商问题是寻找一条经过所有城市恰好一次并返回起点的最短路径的问题。

下面是一个简单的PSO解TSP问题的基本步骤和代码框架：

% 初始化参数
num_particles = 50; % 粒子数量
num_iterations = 100; % 迭代次数
popSize = [num_particles, length(cityDist)]; % 粒子大小（每个粒子代表一个路线）
velocities = randn(popSize); % 初始速度
positions = randperm(length(cityDist), popSize(1)); % 随机初始位置

% 定义函数适应度计算（例如使用欧几里得距离）
fitnessFcn = @(routes) sum(cityDist(routes));

% 主循环
for iter = 1:num_iterations
    % 更新个人最佳解
    personalBests = fitnessFcn(positions);
    particlesWithNewBests = personalBests < globalBestFitness;
    
    velocities(particlesWithNewBests,:) = 0.7 * velocities(particlesWithNewBests,:) + ...
        1.49 * randn(sum(particlesWithNewBests), 1);
    positions(particlesWithNewBests,:) = positions(particlesWithNewBests,:) + velocities(particlesWithNewBests,:);
    
    % 更新群体最佳解
    if fitnessFcn(positions) < globalBestFitness
        globalBestFitness = fitnessFcn(positions);
        globalBestPosition = positions;
    end
    
    % 检查边界并回弹
    positions(positions > length(cityDist)) = positions(positions > length(cityDist)) - length(cityDist);
    positions(positions < 1) = positions(positions < 1) + 1;
end

% 输出结果
disp("全球最优解：");
disp(globalBestPosition);

这个例子假设`cityDist`是一个矩阵，表示各个城市之间的距离，你需要根据实际数据替换它。注意，这只是一个基本示例，实际应用可能需要调整更多的参数和细节，如粒子的速度更新公式、领航者系数等。