传统粒子群与改进粒子群对比matlab代码

以下是传统粒子群算法和改进粒子群算法的MATLAB代码，供参考：

传统粒子群算法代码：

function [x_best,f_best]=PSO(func,x_min,x_max,dim,n_particles,n_iter,w,c1,c2)
%func: 要优化的目标函数
%x_min: 变量的最小值
%x_max: 变量的最大值
%dim: 变量的维度
%n_particles: 粒子数量
%n_iter: 迭代次数
%w: 惯性权重
%c1: 学习因子1
%c2: 学习因子2

%初始化粒子位置和速度
x=rand(dim,n_particles).*(x_max-x_min)+x_min;
v=zeros(dim,n_particles);

%初始化个体最优位置和全局最优位置
x_p=x;
f_p=feval(func,x);
[f_best,idx]=min(f_p);
x_best=x_p(:,idx);

%开始迭代
for i=1:n_iter
    %更新速度和位置
    v=w*v+c1*rand(dim,n_particles).*(x_p-x)+c2*rand(dim,n_particles).*(repmat(x_best,1,n_particles)-x);
    x=x+v;
    %边界处理
    x=min(x,x_max);
    x=max(x,x_min);
    %更新个体最优位置和全局最优位置
    f_new=feval(func,x);
    idx=f_new<f_p;
    f_p(idx)=f_new(idx);
    x_p(:,idx)=x(:,idx);
    [f_best,idx]=min(f_p);
    x_best=x_p(:,idx);
end

end

改进粒子群算法代码：

function [x_best,f_best]=IPSO(func,x_min,x_max,dim,n_particles,n_iter,w,c1,c2,cr)
%func: 要优化的目标函数
%x_min: 变量的最小值
%x_max: 变量的最大值
%dim: 变量的维度
%n_particles: 粒子数量
%n_iter: 迭代次数
%w: 惯性权重
%c1: 学习因子1
%c2: 学习因子2
%cr: 交叉概率

%初始化粒子位置和速度
x=rand(dim,n_particles).*(x_max-x_min)+x_min;
v=zeros(dim,n_particles);

%初始化个体最优位置和全局最优位置
x_p=x;
f_p=feval(func,x);
[f_best,idx]=min(f_p);
x_best=x_p(:,idx);

%开始迭代
for i=1:n_iter
    %更新速度和位置
    v=w*v+c1*rand(dim,n_particles).*(x_p-x)+c2*rand(dim,n_particles).*(repmat(x_best,1,n_particles)-x);
    x=x+v;
    %边界处理
    x=min(x,x_max);
    x=max(x,x_min);
    %更新个体最优位置和全局最优位置
    f_new=feval(func,x);
    idx=f_new<f_p;
    f_p(idx)=f_new(idx);
    x_p(:,idx)=x(:,idx);
    [f_best,idx]=min(f_p);
    x_best=x_p(:,idx);
    %交叉操作
    for j=1:n_particles
        if rand<cr
            %随机选择两个粒子进行交叉
            idx1=randi(n_particles);
            idx2=randi(n_particles);
            while idx2==idx1
                idx2=randi(n_particles);
            end
            %获取两个粒子的位置
            p1=x(:,idx1);
            p2=x(:,idx2);
            %交叉操作
            beta=rand(dim,1);
            x(:,j)=beta.*p1+(1-beta).*p2;
        end
    end
end

end