粒子群优化算法（C++实现）

以下是一个基本的C语言实现粒子群优化算法的示例代码：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

#define POP_SIZE 20    // 种群大小
#define MAX_ITER 100   // 最大迭代次数
#define C1 2           // 加速常数1
#define C2 2           // 加速常数2
#define W 0.7          // 惯性权重

typedef struct {
    double x;         // 粒子的位置
    double v;         // 粒子的速度
    double pbest;     // 粒子的历史最优位置
    double fit;       // 粒子的适应度值
} Particle;

double func(double x) {  // 优化目标函数
    return pow(x, 2) - 2 * x + 1;
}

double rand_double(double min, double max) {  // 生成随机实数
    return min + (max - min) * rand() / (double)RAND_MAX;
}

void init_particles(Particle *particles) {  // 初始化粒子群
    int i;
    for (i = 0; i < POP_SIZE; i++) {
        particles[i].x = rand_double(-5.0, 5.0);
        particles[i].v = rand_double(-1.0, 1.0);
        particles[i].pbest = particles[i].x;
        particles[i].fit = func(particles[i].x);
    }
}

void update_particle(Particle *particle, double gbest) {  // 更新粒子
    double r1 = rand_double(0.0, 1.0);
    double r2 = rand_double(0.0, 1.0);
    double v = W * particle->v + C1 * r1 * (particle->pbest - particle->x) + C2 * r2 * (gbest - particle->x);
    double x = particle->x + v;
    double fit = func(x);
    if (fit < particle->fit) {
        particle->x = x;
        particle->v = v;
        particle->pbest = x;
        particle->fit = fit;
    }
}

void update_particles(Particle *particles, double *gbest) {  // 更新粒子群
    int i;
    for (i = 0; i < POP_SIZE; i++) {
        if (particles[i].fit < *gbest) {
            *gbest = particles[i].fit;
        }
        update_particle(&particles[i], *gbest);
    }
}

int main() {
    srand(0);
    Particle particles[POP_SIZE];
    double gbest = INFINITY;
    init_particles(particles);
    int iter;
    for (iter = 0; iter < MAX_ITER; iter++) {
        update_particles(particles, &gbest);
        printf("iter = %d, gbest = %f\n", iter, gbest);
    }
    return 0;
}

在该代码中，我们使用了结构体表示粒子的信息，包括粒子的位置、速度、历史最优位置和适应度值。在初始化粒子群时，我们随机生成粒子的位置和速度，并计算粒子的适应度值。在更新粒子时，我们使用了惯性权重、加速常数和随机因子来计算粒子的速度和位置，并根据新位置的适应度值更新粒子的历史最优位置和适应度值。在更新粒子群时，我们遍历所有粒子，更新全局最优位置，并更新每个粒子的信息。最后，我们使用循环迭代多次，每次都更新粒子群，直到达到最大迭代次数为止。在每次迭代中，我们都输出当前迭代次数和全局最优位置的值。