粒子群算法的MATLAB实现

       粒子群算法（Particle Swarm Optimization，PSO）的MATLAB程序，一般需要包含以下几个关键步骤：

1.初始化粒子群：随机初始化一定数量的粒子，包括它们的位置和速度，同时记录每个粒子的历史最优位置和全局最优位置。

2.计算适应度值：计算每个粒子的适应度值，即目标函数在当前位置的函数值。

3.更新速度和位置：根据粒子的历史最优位置和全局最优位置，以及当前速度和位置，更新粒子的速度和位置。

4.更新历史最优位置和全局最优位置：根据当前位置的适应度值，更新粒子的历史最优位置和全局最优位置。

5.终止条件判断：根据预设的终止条件，判断是否需要结束算法。

下面是粒子群算法的MATLAB程序实现，使用了二维的粒子群来最小化Rosenbrock函数：

% 粒子群算法

% 目标函数：Rosenbrock函数，f(x,y) = (1-x)^2 + 100*(y-x^2)^2

% 初始化

nPop = 30;      %粒子数

nVar = 2;       %变量数

MaxIter = 100;   %最大迭代次数

c1 = 1.5;        %学习因子1

c2 = 1.5;        %学习因子2

w = 0.8;        %初始惯性权重

xMax = 10;      %搜索上限

xMin = -10;      %搜索下限

% 随机初始化粒子位置和速度

x = xMin + (xMax - xMin) * rand(nPop, nVar);    %位置

v = zeros(nPop, nVar);                       %速度

% 初始化历史最优位置和全局最优位置

pBest = x;                                %每个粒子的历史最优位置

pBestFit = inf(nPop, 1);                      %每个粒子的历史最优适应度值

gBest = zeros(1, nVar);                      %全局最优位置

gBestFit = inf;                             %全局最优适应度值

% 迭代

for iter = 1:MaxIter

    

    % 计算每个粒子的适应度值

    fit = (1 - x(:,1)).^2 + 100 * (x(:,2) - x(:,1).^2).^2;

    

    % 更新历史最优位置和全局最优位置

    for i = 1:nPop

        if fit(i) < pBestFit(i)

            pBest(i,:) = x(i,:);

            pBestFit(i) = fit(i);

        end

        if fit(i) < gBestFit

            gBest = x(i,:);

            gBestFit = fit(i);

        end

    end

    

    % 根据历史最优位置和全局最优位置更新速度和位置

for i = 1:nPop

    v(i,:) = w * v(i,:) + c1 * rand(1,nVar) .* (pBest(i,:) - x(i,:)) + c2 * rand(1,nVar) .* (gBest - x(i,:));

    x(i,:) = x(i,:) + v(i,:);

end

% 限制位置在搜索空间内

x(x > xMax) = xMax;

x(x < xMin) = xMin;

% 输出每次迭代的最优值

disp(['Iteration ' num2str(iter) ': Best Fitness = ' num2str(gBestFit)]);