假设给出业务量函数为z(x,y)=-64.1290x^2-0.0001y^2-0.0001x+0.1564y+0.1325xy ，请你给出传统粒子群算法、惯性加权粒子群算法和增加扰动的惯性加权粒子群算法的适应度对比曲线图并绘制在一个图中，给出matlab代码

以下是针对给出的业务量函数，使用传统粒子群算法、惯性加权粒子群算法和增加扰动的惯性加权粒子群算法的适应度对比曲线图的 MATLAB 代码：

% 业务量函数
z = @(x,y) -64.1290*x.^2 - 0.0001*y.^2 - 0.0001*x + 0.1564*y + 0.1325*x.*y;

% 问题参数
n = 50; % 粒子数量
c1 = 2; % 加速常数1
c2 = 2; % 加速常数2
w = 0.7; % 惯性权重
max_iter = 100; % 最大迭代次数
delta = 0.5; % 扰动因子

% 传统粒子群算法
options = optimoptions('particleswarm', 'SwarmSize', n, 'MaxIterations', max_iter, 'Display', 'off');
[x1, fval1] = particleswarm(z, 2, [], [], options);

% 惯性加权粒子群算法
v = zeros(n, 2); % 初始速度为0
pbest = repmat(x1, n, 1); % 初始个体最优解为全局最优解
gbest = repmat(x1, n, 1); % 初始全局最优解为全局最优解
fval2 = zeros(max_iter, 1); % 适应度对比曲线
for i = 1:max_iter
    r1 = rand(n, 1); % 随机数
    r2 = rand(n, 1); % 随机数
    v = w*v + c1*r1.*(pbest - x1) + c2*r2.*(gbest - x1); % 更新速度
    x2 = x1 + v; % 更新位置
    fval2(i) = min(z(x2(:,1), x2(:,2))); % 记录适应度
    idx = fval2(i) == z(x2(:,1), x2(:,2)); % 找到适应度最优的粒子
    gbest(idx,:) = x2(idx,:); % 更新全局最优解
    pbest(z(x2(:,1), x2(:,2)) < z(pbest(:,1), pbest(:,2)),:) = x2(z(x2(:,1), x2(:,2)) < z(pbest(:,1), pbest(:,2)),:); % 更新个体最优解
end

% 增加扰动的惯性加权粒子群算法
v = zeros(n, 2); % 初始速度为0
pbest = repmat(x1, n, 1); % 初始个体最优解为全局最优解
gbest = repmat(x1, n, 1); % 初始全局最优解为全局最优解
fval3 = zeros(max_iter, 1); % 适应度对比曲线
for i = 1:max_iter
    r1 = rand(n, 1); % 随机数
    r2 = rand(n, 1); % 随机数
    v = w*v + c1*r1.*(pbest - x1) + c2*r2.*(gbest - x1); % 更新速度
    x3 = x1 + v; % 更新位置
    x3 = x3 + delta*randn(size(x3)); % 添加扰动
    fval3(i) = min(z(x3(:,1), x3(:,2))); % 记录适应度
    idx = fval3(i) == z(x3(:,1), x3(:,2)); % 找到适应度最优的粒子
    gbest(idx,:) = x3(idx,:); % 更新全局最优解
    pbest(z(x3(:,1), x3(:,2)) < z(pbest(:,1), pbest(:,2)),:) = x3(z(x3(:,1), x3(:,2)) < z(pbest(:,1), pbest(:,2)),:); % 更新个体最优解
end

% 绘制适应度对比曲线图
figure;
plot(1:max_iter, fval1*ones(max_iter,1), 'r--', 'LineWidth', 2); % 传统粒子群算法
hold on;
plot(1:max_iter, fval2, 'b', 'LineWidth', 2); % 惯性加权粒子群算法
plot(1:max_iter, fval3, 'k-.', 'LineWidth', 2); % 增加扰动的惯性加权粒子群算法
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');
xlabel('迭代次数');
ylabel('适应度');
title('粒子群算法对比');

绘制的适应度对比曲线如下图所示：