pso优化算法的matlab代码

以下是一个简单的PSO优化算法的Matlab代码示例：

function [best_x, best_fitness] = PSO(fitness_func, num_dimensions, lower_bound, upper_bound, num_particles, num_iterations)
% fitness_func: 适应度函数
% num_dimensions: 变量个数
% lower_bound: 变量的下界
% upper_bound: 变量的上界
% num_particles: 群体中粒子的个数
% num_iterations: 迭代次数

% 初始化粒子的位置和速度
x = rand(num_particles, num_dimensions) .* (upper_bound - lower_bound) + lower_bound;
v = rand(num_particles, num_dimensions) .* (upper_bound - lower_bound) + lower_bound;

% 初始化每个粒子的历史最佳位置和全局最佳位置
pbest = x;
gbest = x(1,:);

% 计算适应度函数值
fitness = zeros(num_particles, 1);
for i=1:num_particles
    fitness(i) = fitness_func(x(i,:));
    if fitness(i) < fitness_func(gbest)
        gbest = x(i,:);
    end
end

% 迭代更新
for iter=1:num_iterations
    % 更新速度和位置
    for i=1:num_particles
        v(i,:) = v(i,:) + rand(1,num_dimensions) .* (pbest(i,:) - x(i,:)) + rand(1,num_dimensions) .* (gbest - x(i,:));
        x(i,:) = x(i,:) + v(i,:);
        
        % 约束位置在变量的范围内
        x(i,:) = max(x(i,:), lower_bound);
        x(i,:) = min(x(i,:), upper_bound);
        
        % 更新历史最佳位置
        if fitness_func(x(i,:)) < fitness_func(pbest(i,:))
            pbest(i,:) = x(i,:);
            if fitness_func(pbest(i,:)) < fitness_func(gbest)
                gbest = pbest(i,:);
            end
        end
    end
    
    % 记录全局最佳适应度函数值
    best_fitness(iter) = fitness_func(gbest);
end

% 返回全局最佳位置和适应度函数值
best_x = gbest;
best_fitness = fitness_func(gbest);

使用时，可以定义一个适应度函数，例如：

function y = fitness_func(x)
% 目标函数：f(x) = x^2
y = x.^2;

然后调用PSO函数进行优化：

[best_x, best_fitness] = PSO(@fitness_func, 1, -10, 10, 50, 100);

以上代码演示了一个简单的PSO优化算法，实际应用中可能需要根据具体问题进行调整和优化。