已知十个无人机目标的三维坐标和威胁度，使用粒子群算法，基于matlab建立无人机集群的威胁“重心”仿真代码

以下是一个简单的使用粒子群算法建立无人机集群的威胁“重心”仿真代码示例：

% 假设我们有十个无人机目标，每个目标有三维坐标和威胁度
targets = [
    10, 20, 30, 0.8;
    20, 30, 40, 0.5;
    30, 40, 50, 0.6;
    40, 50, 60, 0.4;
    50, 60, 70, 0.7;
    60, 70, 80, 0.3;
    70, 80, 90, 0.9;
    80, 90, 100, 0.2;
    90, 100, 110, 0.7;
    100, 110, 120, 0.5
];
% 定义粒子数量和迭代次数
n_particles = 50;
n_iterations = 100;
% 定义粒子群算法参数
w = 0.8; % 惯性权重
c1 = 2.0; % 个体学习因子
c2 = 2.0; % 社会学习因子
% 随机初始化粒子位置和速度
positions = targets(randperm(size(targets, 1), n_particles), 1:3);
velocities = zeros(n_particles, 3);
% 计算初始威胁度和最优解
threats = targets(:, 4);
best_positions = positions;
best_threats = threats;
[global_best_threat, global_best_index] = max(threats);
global_best_position = positions(global_best_index, :);
% 开始迭代
for i = 1:n_iterations
    % 计算每个粒子的新速度
    r1 = rand(n_particles, 3);
    r2 = rand(n_particles, 3);
    velocities = w * velocities + c1 * r1 .* (best_positions - positions) + c2 * r2 .* (repmat(global_best_position, n_particles, 1) - positions);
    % 计算每个粒子的新位置
    positions = positions + velocities;
    % 限制每个粒子的位置在目标范围内
    positions(positions < 0) = 0;
    positions(positions > 120) = 120;
    % 计算每个粒子的威胁度
    threats = 1 ./ (vecnorm(targets(:, 1:3) - positions, 2, 2) + eps) .* targets(:, 4);
    % 更新每个粒子的最优解
    update_indices = threats > best_threats;
    best_positions(update_indices, :) = positions(update_indices, :);
    best_threats(update_indices) = threats(update_indices);
    % 更新全局最优解
    [new_global_best_threat, new_global_best_index] = max(threats);
    if new_global_best_threat > global_best_threat
        global_best_threat = new_global_best_threat;
        global_best_position = positions(new_global_best_index, :);
    end
    % 输出当前迭代的结果
    fprintf('Iteration %d: global_best_threat=%f\n', i, global_best_threat);
end
% 输出最终结果
fprintf('Final result: global_best_position=[%f, %f, %f], global_best_threat=%f\n', global_best_position, global_best_threat);

以上代码中，我们首先定义了十个无人机目标的坐标和威胁度，然后初始化了粒子的位置和速度。在每次迭代中，我们根据当前粒子位置计算威胁度，并更新每个粒子的最优解和全局最优解。最终输出全局最优解的位置和威胁度。注意，在实际应用中，可能需要根据具体需求进行调整和优化。