假设你是一名程序员，请你给出传统粒子群算法、惯性加权粒子群算法、增加扰动的惯性加权粒子群算法的适应度进化曲线对比图，用matlab编写

好的，以下是三种粒子群算法的适应度进化曲线对比图的matlab实现：

clc;
clear;
close all;

% 定义目标函数
fun = @(x) x(1)^2 + x(2)^2;

% 粒子群算法参数设置
N = 50; % 粒子数目
max_iter = 100; % 最大迭代次数
w = 0.8; % 惯性因子
c1 = 2; % 学习因子1
c2 = 2; % 学习因子2
vmax = 1; % 粒子最大速度限制

% 初始化粒子群
x = rand(N, 2) * 10 - 5; % 随机初始化粒子位置
v = rand(N, 2) * 10 - 5; % 随机初始化粒子速度
pbest = x; % 初始个体最优位置
gbest = x(1, :); % 初始全局最优位置
fit_pbest = fun(x); % 初始个体最优适应度值
fit_gbest = fun(gbest); % 初始全局最优适应度值

% 记录适应度进化曲线
fit_curve = zeros(max_iter, 3); % 三种算法的适应度进化曲线
fit_curve(1, 1) = fit_gbest;

% 传统粒子群算法
for i = 2 : max_iter
    % 更新粒子速度和位置
    v = w * v + c1 * rand(N, 2) .* (pbest - x) + c2 * rand(N, 2) .* (gbest - x);
    v(v > vmax) = vmax; % 限制粒子速度范围
    v(v < -vmax) = -vmax;
    x = x + v;
    
    % 更新个体最优位置和全局最优位置
    fit_x = fun(x); % 计算粒子适应度值
    update = fit_x < fit_pbest; % 找到适应度值更优的粒子
    pbest(update, :) = x(update, :); % 更新个体最优位置
    fit_pbest(update) = fit_x(update); % 更新个体最优适应度值
    [fit_gbest, idx] = min(fit_pbest); % 更新全局最优位置
    gbest = pbest(idx, :);
    
    % 记录适应度进化曲线
    fit_curve(i, 1) = fit_gbest;
end

% 惯性加权粒子群算法
w_min = 0.4; % 最小惯性因子
w_max = 0.9; % 最大惯性因子
for i = 2 : max_iter
    % 动态调整惯性因子
    w = w_max - (w_max - w_min) * i / max_iter;
    
    % 更新粒子速度和位置
    v = w * v + c1 * rand(N, 2) .* (pbest - x) + c2 * rand(N, 2) .* (gbest - x);
    v(v > vmax) = vmax; % 限制粒子速度范围
    v(v < -vmax) = -vmax;
    x = x + v;
    
    % 更新个体最优位置和全局最优位置
    fit_x = fun(x); % 计算粒子适应度值
    update = fit_x < fit_pbest; % 找到适应度值更优的粒子
    pbest(update, :) = x(update, :); % 更新个体最优位置
    fit_pbest(update) = fit_x(update); % 更新个体最优适应度值
    [fit_gbest, idx] = min(fit_pbest); % 更新全局最优位置
    gbest = pbest(idx, :);
    
    % 记录适应度进化曲线
    fit_curve(i, 2) = fit_gbest;
end

% 增加扰动的惯性加权粒子群算法
alpha = 0.2; % 扰动因子
for i = 2 : max_iter
    % 动态调整惯性因子
    w = w_max - (w_max - w_min) * i / max_iter;
    
    % 更新粒子速度和位置
    v = w * v + c1 * rand(N, 2) .* (pbest - x) + c2 * rand(N, 2) .* (gbest - x);
    v(v > vmax) = vmax; % 限制粒子速度范围
    v(v < -vmax) = -vmax;
    x = x + v + alpha * rand(N, 2); % 增加扰动项
    
    % 更新个体最优位置和全局最优位置
    fit_x = fun(x); % 计算粒子适应度值
    update = fit_x < fit_pbest; % 找到适应度值更优的粒子
    pbest(update, :) = x(update, :); % 更新个体最优位置
    fit_pbest(update) = fit_x(update); % 更新个体最优适应度值
    [fit_gbest, idx] = min(fit_pbest); % 更新全局最优位置
    gbest = pbest(idx, :);
    
    % 记录适应度进化曲线
    fit_curve(i, 3) = fit_gbest;
end

% 绘制适应度进化曲线对比图
figure();
plot(1 : max_iter, fit_curve(:, 1), 'r-', 'LineWidth', 1.5);
hold on;
plot(1 : max_iter, fit_curve(:, 2), 'b-', 'LineWidth', 1.5);
plot(1 : max_iter, fit_curve(:, 3), 'g-', 'LineWidth', 1.5);
xlabel('迭代次数');
ylabel('适应度值');
legend('传统粒子群算法', '惯性加权粒子群算法', '增加扰动的惯性加权粒子群算法');
grid on;

运行以上代码，即可得到三种粒子群算法的适应度进化曲线对比图。