你帮我写一个matlab的MOPSO算法

好的，以下是一个简单的MATLAB MOPSO算法示例，供您参考：

% 初始化
pop_size = 100; % 种群大小
max_gen = 100; % 最大迭代次数
w = 0.5; % 惯性权重
c1 = 2; % 个体学习因子
c2 = 2; % 社会学习因子
ub = 5; % 变量上限
lb = -5; % 变量下限
var_size = 5; % 变量数量
var_min = repmat(lb, 1, var_size); % 变量的最小值
var_max = repmat(ub, 1, var_size); % 变量的最大值
vel_max = 0.1 * (var_max - var_min); % 速度最大值
vel_min = -vel_max; % 速度最小值
pop = repmat(struct('position', [], 'velocity', [], 'cost', [], 'best', []), pop_size, 1); % 初始化种群

% 初始化种群
for i = 1:pop_size
    pop(i).position = unifrnd(var_min, var_max, 1, var_size);
    pop(i).velocity = zeros(1, var_size);
    pop(i).cost = CostFunction(pop(i).position);
    pop(i).best = pop(i);
end

% 初始化全局最优解
best_sol = pop(1);

% 迭代
for it = 1:max_gen
    for i = 1:pop_size
        % 更新速度和位置
        pop(i).velocity = w * pop(i).velocity + c1 * rand(1, var_size) .* (pop(i).best.position - pop(i).position) + c2 * rand(1, var_size) .* (best_sol.position - pop(i).position);
        pop(i).velocity = max(pop(i).velocity, vel_min);
        pop(i).velocity = min(pop(i).velocity, vel_max);
        pop(i).position = pop(i).position + pop(i).velocity;
        pop(i).position = max(pop(i).position, var_min);
        pop(i).position = min(pop(i).position, var_max);
        
        % 计算成本
        pop(i).cost = CostFunction(pop(i).position);
        
        % 更新个体最优解
        if pop(i).cost < pop(i).best.cost
            pop(i).best = pop(i);
        end
        
        % 更新全局最优解
        if pop(i).best.cost < best_sol.cost
            best_sol = pop(i).best;
        end
    end
    
    % 输出迭代信息
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(best_sol.cost)]);
end

% 成本函数
function z = CostFunction(x)
    z = sum(x .^ 2);
end

该算法使用了随机初始化种群，采用了MOPSO算法的基本思想，每次迭代通过更新速度和位置来逐步接近全局最优解。由于每个变量的范围相同，所以使用了相同的下限和上限。在每次迭代中，输出了当前最优解的成本。您可以根据自己的需求进行调整和修改。