更完善一点，求解一个多元函数的具体粒子，并画出适应度值随迭代次数的变化图

要使用Matlab进行多元函数的优化并绘制适应度值随迭代次数变化的图，我们需要知道你要优化的确切函数、优化算法（如遗传算法、梯度下降或模拟退火等）以及初始参数范围。这里我会为你提供一个基本的框架，我们使用遗传算法（`ga`函数）为例。

首先，假设我们要优化的是一个简单的二元函数，比如 Rosenbrock 函数：

function [fitness, x] = rosenbrock(x)
    fitness = 100 * (x(2) - x(1)^2)^2 + (1 - x(1))^2;
end

现在，我们可以开始编写代码：

% 定义搜索空间范围
lower_bound = [-5; -5]; % 最小值
upper_bound = [5; 5];   % 最大值

% 初始化遗传算法设置
options = gaoptimset('PopulationSize', 100, 'MaxGenerations', 100, ... % 集群大小和最大代数
                     'PlotFcns', @(~, ~) plotBestFitness());     % 绘制适应度函数

% 运行遗传算法
[x, best_fitness_history] = ga(rosenbrock, 2, lower_bound, upper_bound, options);

% 创建适应度值随迭代次数变化的图
figure;
plot(best_fitness_history);
xlabel('Iterations');
ylabel('Fitness Value');
title('Fitness Evolution Over Generations');

这段代码创建了一个二维的遗传算法，寻找Rosenbrock函数的最小值。`plotBestFitness()`是一个自定义的绘图函数，用于每次生成后更新并显示当前最佳解的适应度值。你可以根据你的具体需求修改函数、搜索空间和算法选项。

如果你有一个特定的函数和优化目标，请提供更多的细节，我可以帮你定制更适合的代码。同时，对于复杂问题可能还需要考虑其他因素，如种群初始化、交叉和变异操作等。