matlab 粒子群算法解决选址问题，给出示例代码

以下是使用粒子群算法解决选址问题的 Matlab 示例代码：

% 定义目标函数
function f = objective_function(x)
    % 计算所有用户到x的距离的平方之和
    distances = sum((users - repmat(x, num_users, 1)).^2, 2);
    f = sum(distances .* user_weights);
end

% 初始化粒子群
num_particles = 50;
dim = 2;
particles = rand(num_particles, dim) * 10 - 5;
velocities = zeros(num_particles, dim);
particle_best_positions = particles;
global_best_position = particles(1, :);

% 设置参数
max_iterations = 100;
w = 0.7298;
c1 = 1.49618;
c2 = 1.49618;

% 开始迭代
for i = 1:max_iterations
    % 更新粒子速度和位置
    r1 = rand(num_particles, dim);
    r2 = rand(num_particles, dim);
    velocities = w * velocities + c1 * r1 .* (particle_best_positions - particles) + c2 * r2 .* (repmat(global_best_position, num_particles, 1) - particles);
    particles = particles + velocities;
    
    % 更新个体最优位置和全局最优位置
    for j = 1:num_particles
        if objective_function(particles(j, :)) < objective_function(particle_best_positions(j, :))
            particle_best_positions(j, :) = particles(j, :);
            if objective_function(particles(j, :)) < objective_function(global_best_position)
                global_best_position = particles(j, :);
            end
        end
    end
end

% 输出结果
disp("The optimal location is:");
disp(global_best_position);

在这个示例中，我们首先定义了目标函数 `objective_function`，它接受一个二维向量作为输入，表示新设施的位置，返回一个标量作为输出，表示所有用户到这个位置的距离的平方和。然后我们定义了粒子群算法的参数，包括粒子数、最大迭代次数、惯性权重、加速常数等等。接下来我们初始化了粒子群，并开始迭代。在每次迭代中，我们首先更新粒子的速度和位置，然后根据新的位置更新每个粒子的个体最优位置和全局最优位置。最终，我们输出找到的最优位置。

需要注意的是，在这个示例中，我们假设用户的位置和权重已经给出，并保存在一个名为 `users` 的二维矩阵中，其中每一行表示一个用户的位置，每个位置有两个坐标；名为 `user_weights` 的一维向量中，每个元素表示对应用户的权重。这些数据需要根据具体问题进行设置。