写一段生成群智能优化算法对比图的matlab代码

这里提供一段生成群智能优化算法对比图的 MATLAB 代码，同样使用 Matplotlib 库进行绘图。

% 定义目标函数
function y = objective(x)
    y = x.^2 + 2 * sin(x);
end

% 定义不同优化算法
function [x, y] = pso(n_pop, n_dim, n_iter)
    % 初始化粒子位置和速度
    x = rand(n_pop, n_dim) * 10 - 5;
    v = rand(n_pop, n_dim) * 2 - 1;
    % 初始化个体最优和群体最优
    p_best = x;
    f_p_best = objective(p_best);
    [f_g_best, i_g_best] = min(f_p_best);
    g_best = p_best(i_g_best, :);
    % 迭代优化
    for i = 1:n_iter
        % 更新粒子速度和位置
        v = v + rand(n_pop, n_dim) .* (p_best - x) + rand(n_pop, n_dim) .* (g_best - x);
        x = x + v;
        % 更新个体最优和群体最优
        f_x = objective(x);
        update = f_x < f_p_best;
        p_best(update, :) = x(update, :);
        f_p_best(update) = f_x(update);
        [f_g_best, i_g_best] = min(f_p_best);
        g_best = p_best(i_g_best, :);
    end
    y = f_g_best;
end

function [x, y] = de(n_pop, n_dim, n_iter, F, CR)
    % 初始化种群
    x = rand(n_pop, n_dim) * 10 - 5;
    % 迭代优化
    for i = 1:n_iter
        % 选择三个不同的个体
        r = randperm(n_pop, 3);
        a = x(r(1), :);
        b = x(r(2), :);
        c = x(r(3), :);
        % 变异操作
        v = a + F * (b - c);
        % 交叉操作
        mask = rand(n_pop, n_dim) < CR;
        u = x;
        u(mask) = v(mask);
        % 选择操作
        f_x = objective(x);
        f_u = objective(u);
        update = f_u < f_x;
        x(update, :) = u(update, :);
    end
    y = min(objective(x));
end

% 生成群智能优化算法对比图
n_pop = 20;
n_dim = 1;
n_iter = 100;
pso_best = zeros(1, n_iter);
de_best = zeros(1, n_iter);
for i = 1:n_iter
    [pso_best(i), ~] = pso(n_pop, n_dim, i);
    [de_best(i), ~] = de(n_pop, n_dim, 1, 0.8, 0.5);
end
plot(pso_best, 'LineWidth', 1.5);
hold on;
plot(de_best, 'LineWidth', 1.5);
legend('PSO', 'DE');
xlabel('Iterations');
ylabel('Objective Value');
hold off;

这段代码中，我们首先定义了一个目标函数 `objective`，然后定义了两个群智能优化算法：粒子群优化算法（PSO）和差分进化算法（DE）。接着，我们使用循环来迭代优化算法，每次迭代后记录下目标函数的最优值。最后使用 plot 函数绘制了群智能优化算法对比图。在图中，我们展示了 PSO 和 DE 算法在目标函数上的收敛轨迹，可以直观地看出它们的差异。