粒子群算法添加约束条件的matlab代码

以下是一个基本的粒子群算法添加约束条件的MATLAB示例代码：

function [x, fval] = constrained_pso(obj_func, lb, ub, constraint_func)

% obj_func为目标函数句柄，lb、ub为变量的上下限界限，constraint_func为约束条件句柄
% 返回最优解x和目标函数值fval

% 初始化参数
nVar = length(lb); % 变量的数量
nPop = 50; % 粒子群中的粒子数量
maxIter = 100; % 最大迭代次数
w = 0.7; % 惯性权重
c1 = 1.5; % 个体学习因子
c2 = 2; % 群体学习因子
Vmax = (ub - lb) * 0.1; % 粒子速度上限

% 初始化粒子位置和速度
X = repmat(lb, nPop, 1) + rand(nPop, nVar) .* repmat(ub-lb, nPop, 1);
V = rand(nPop, nVar) .* Vmax;

% 计算每个粒子的适应度值
f = zeros(nPop, 1);
for i = 1:nPop
    f(i) = obj_func(X(i,:));
end

% 初始化全局最优粒子位置和适应度值
[~, gbest] = min(f);
xbest = X(gbest,:);

% 迭代寻优
for t = 1:maxIter
    % 更新速度和位置
    for i = 1:nPop
        % 更新速度
        V(i,:) = w*V(i,:) + c1*rand(1,nVar).*(xbest-X(i,:)) + c2*rand(1,nVar).*(X(gbest,:)-X(i,:));
        % 限制速度在上下限范围内
        V(i,V(i,:) > Vmax) = Vmax(V(i,:) > Vmax);
        V(i,V(i,:) < -Vmax) = -Vmax(V(i,:) < -Vmax);
        % 更新位置
        X(i,:) = X(i,:) + V(i,:);
        % 限制位置在上下限范围内
        X(i,X(i,:) > ub) = ub(X(i,:) > ub);
        X(i,X(i,:) < lb) = lb(X(i,:) < lb);
    end
    
    % 计算适应度值
    for i = 1:nPop
        f(i) = obj_func(X(i,:)); % 计算函数值
        if constraint_func(X(i,:)) > 0 % 判断是否还符合约束条件
            f(i) = inf; % 若不符合，则赋予无穷大的函数值，以便后面的处理
        end
    end
    
    % 更新全局最优粒子位置和适应度值
    [fmin, gbest] = min(f);
    if fmin < obj_func(xbest) % 若全局最优粒子位置符合约束条件
        xbest = X(gbest,:);
    else % 若不符合，则从剩余粒子中随机选择一个符合约束条件的粒子作为全局最优粒子
        remaining_particles = find(f ~= inf);
        gbest = remaining_particles(randi([1,length(remaining_particles)]));
        xbest = X(gbest,:);
    end 
end

x = xbest;
fval = obj_func(xbest);

end

其中，约束条件句柄constraint_func的编写方式可以参考以下示例：

function [c, ceq] = constraint_func(x)
c(1) = x(1) + x(2) - 2; % 不等式约束条件，c(x) < 0
ceq = []; % 等式约束条件，ceq(x) = 0
end

在这个示例中，只有一个不等式约束条件：x1 + x2 < 2。如果需要添加更多的约束条件，可以在constraint_func函数中继续添加。当任意一个约束条件不满足时，对应的粒子将被赋予一个无穷大的适应度值，以便后面的处理。同时，全局最优粒子的更新也需要根据约束条件进行判断和调整，以保证寻优结果符合约束条件。