群智能优化算法（包含PSO、ACO、WOA、GWO、BA理论及代码）

群智能优化算法是一类模拟自然界中群体行为的优化算法。通过模仿群体生物（如鸟群、鱼群、蚁群等）的协作和群体智能，群智能优化算法能够有效地搜索和优化问题解空间，主要包括粒子群优化算法（PSO）、蚁群优化算法（ACO）、蝙蝠算法（BA）、鲸鱼优化算法（WOA）、灰狼优化算法（GWO）等，群智能优化算法广泛应用于各类复杂优化问题，包括机器学习、路径规划、函数优化等。

1.粒子群优化算法（PSO，Particle Swarm Optimization）

灵感来源：粒子群优化算法受到鸟群觅食行为的启发。每个粒子代表解空间中的一个候选解，粒子通过局部最佳解和全局最佳解的引导，更新自己的位置。

基本原理：

• 每个粒子有一个位置和速度，表示解空间中的一个点。
• 粒子根据自己的历史最佳位置和全局最佳位置来调整速度和位置。
• 算法通过迭代不断逼近全局最优解。

更新公式：

其中，w 是惯性权重，c1 和 c2 是加速常数，r1 和 r2 是随机数，pbest_i 是粒子的历史最佳位置，gbest 是全局最佳位置。

function pso()
    % 参数设置
    n = 30; % 粒子数量
    dim = 2; % 问题维度
    max_iter = 100; % 最大迭代次数
    w = 0.7; % 惯性权重
    c1 = 1.5; % 个体学习因子
    c2 = 1.5; % 群体学习因子
    lb = -10; % 下界
    ub = 10; % 上界

    % 初始化粒子位置和速度
    x = lb + (ub - lb) * rand(n, dim);
    v = zeros(n, dim);
    pbest = x; % 个体最优位置
    gbest = x(1, :); % 全局最优位置

    % 迭代优化
    for iter = 1:max_iter
        for i = 1:n
            % 更新速度
            v(i, :) = w * v(i, :) + c1 * rand(1, dim) .* (pbest(i, :) - x(i, :)) ...
                     + c2 * rand(1, dim) .* (gbest - x(i, :));
            % 更新位置
            x(i, :) = x(i, :) + v(i, :);
            % 边界处理
            x(i, :) = max(min(x(i, :), ub), lb);
            % 更新个体最优
            if fitness(x(i, :)) < fitness(pbest(i, :))
                pbest(i, :) = x(i, :);
            end
            % 更新全局最优
            if fitness(pbest(i, :)) < fitness(gbest)
                gbest = pbest(i, :);
            end
        end
        % 显示当前最优值
        fprintf('Iteration %d, Best Fitness: %f\n', iter, fitness(gbest));
    end
    disp('Global Best Solution:');
    disp(gbest);
end

% 目标函数（以Rastrigin函数为例）
function y = fitness(x)
    y = sum(x.^2 - 10 * cos(2 * pi * x) + 10);
end

2.蚁群优化算法（ACO，Ant Colony Optimization）

灵感来源：蚁群通过信息素的传递来寻找最短路径。蚂蚁在找到食物的过程中，沿途留下信息素，其他蚂蚁会偏向信息素较浓的路径，逐步寻找最优路径。

基本原理：

• 每个蚂蚁代表一个解，蚂蚁根据信息素的浓度选择路径。
• 蚂蚁根据路径的质量（比如距离或代价）更新信息素ÿ