粒子群算法仿真matlab

粒子群优化（Particle Swarm Optimization, PSO）是一种模拟鸟群或鱼群行为的搜索算法，常用于解决复杂的优化问题。在MATLAB中，你可以使用内置的optimization toolbox或者第三方库如PSO-Library等来实现粒子群算法的仿真。

以下是一些基本步骤和MATLAB代码框架：

1. **初始化粒子**：每个粒子代表一个可能的解，包含一组位置（solution vector）和速度（velocity vector），初始位置和速度通常是随机生成的。

particleCount = 50; % 粒子数量
position = rand(particleCount, dim); % 初始位置
velocity = zeros(particleCount, dim); % 初始速度

2. **定义适应度函数**：目标函数，比如求最小化或最大化某个函数。

fitnessFcn = @(x) myObjectiveFunction(x); % 替换为你的目标函数

3. **粒子更新**：
- **个人最佳**（pBest）：每个粒子自己的最优解
- **全局最佳**（gBest）：所有粒子中的最优解
- 更新速度和位置

for iteration = 1:maxIterations
    % 更新速度
    for i = 1:particleCount
        r1 = rand(1, dim);
        r2 = rand(1, dim);
        velocity(i,:) = w * velocity(i,:) + c1 * r1 .* (pBest(i,:) - position(i,:)) + c2 * r2 .* (gBest - position(i,:));
    end
    
    % 更新位置
    position = position + velocity;
    
    % 计算新的适应度值
    fitness = fitnessFcn(position);
    
    % 更新pBest和gBest
    for i = 1:particleCount
        if fitness(i) < fitness(pBestIndex(i))
            pBest(i,:) = position(i,:);
            pBestIndex(i) = i;
        end
        if fitness(i) < fitness(gBestIndex)
            gBest = position(i,:);
            gBestIndex = i;
        end
    end
end

4. **结果输出**：得到全局最佳解。

bestPosition = gBest;
bestFitness = fitness(gBestIndex);