粒子群（PSO）算法的matlab程序

%不知道你具体的问题纤迹是什么，下面是一个最基本的pso算法解决函数极值问题，如果是一些大型的问题，需要对速度、惯性常数、和自适应变异做进一步优化，希望对你有帮助

function y = fun(x)

y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289

%下面是主程序

%% 清空环境

clc

clear

%% 参数初始化

%粒子群算法中的两个参数

c1 = 1.49445

c2 = 1.49445

maxgen=200 % 进化次数

sizepop=20 %种群规模

Vmax=1%速度限制

Vmin=-1

popmax=5%种群限制

popmin=-5

%% 产生初始粒子和速度

for i=1:sizepop

%随机产生一个种群

pop(i,:)=5*rands(1,2) %初始种群

V(i,:)=rands(1,2) %初始化速度

%计算适应度

fitness(i)=fun(pop(i,:)) %染色体的适应码昌度

end

%找最好的染色体

[bestfitness bestindex]=min(fitness)

zbest=pop(bestindex,:) %全局最佳

gbest=pop %个体最佳

fitnessgbest=fitness %个体最佳适应度值

fitnesszbest=bestfitness %全局最佳适应度值

%% 迭代寻优

for i=1:maxgen

for j=1:sizepop

%速度更新

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:))

V(j,find(V(j,:)>Vmax))=Vmax

V(j,find(V(j,:)<Vmin))=Vmin

%种群更新

pop(j,:)=pop(j,:)+0.5*V(j,:)

pop(j,find(pop(j,:)>popmax))=popmax

pop(j,find(pop(j,:)<popmin))=popmin

%自适应变异（避免粒子群算法陷入局部最优）

if rand>0.8

k=ceil(2*rand)%ceil朝正无穷大方向取整

pop(j,k)=rand

end

%适应度值

fitness(j)=fun(pop(j,:))

%个体最优更新

if fitness(j) <fitnessgbest(j)

gbest(j,:) = pop(j,:)

fitnessgbest(j) = fitness(j)

end

%群体最优更新

if fitness(j) <fitnesszbest

zbest = pop(j,:)

fitnesszbest = fitness(j)

end

end

yy(i)=fitnesszbest

end

%% 结果分析

plot(yy)

title(['适应度曲线 ' '终止代数毁模并＝' num2str(maxgen)])

xlabel('进化代数')ylabel('适应度')

以上回答你满意么？

%% 清空环境

clear

clc

tic

%% 参数初始化

% 粒子群算法中的两个参数

c1 = 1.49445

c2 = 1.49445

maxgen = 200% 进化次数

sizepop = 20 % 种群规模

Vmax = 1

Vmin = -1

popmax = 5

popmin = -5

%% 产生初始粒子和速度

for i = 1:sizepop

% 随机产生一个种群

pop(i,:) = 5 * rands(1,2)% 初始种群

V(i,:) = rands(1,2) % 初始化速度

% 计算适应度

fitness(i) = fun(pop(i,:)) % 染色体的适应度

end

% 找最好的染色体

[bestfitness bestindex] = min(fitness)

zbest = pop(bestindex,:) % 全局橡困最佳

gbest = pop % 个体最佳

fitnessgbest = fitness % 个体最佳适应度值源困

fitnesszbest = bestfitness % 全局最佳适应度值

%% 迭代寻优

for i = 1:maxgen

for j = 1:sizepop

% 速度更新

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:))

V(j,find(V(j,:)>Vmax)) = Vmax

V(j,find(V(j,:)<Vmin)) = Vmin

%种群更新

pop(j,:) = pop(j,:) + 0.5*V(j,:)

pop(j,find(pop(j,:)>popmax)) = popmax

pop(j,find(pop(j,:)<popmin)) = popmin

% 自适应变异

if rand >0.8

k = ceil(2*rand)

pop(j,k) = rand

end

% 适应度值

fitness(j) = fun(pop(j,:))

end

% 个体最优更新

if fitness(j) <fitnessgbest(j)

gbest(j,:) = pop(j,:)

fitnessgbest(j) = fitness(j)

end

% 群体最优更新

if fitness(j) <fitnesszbest

zbest = pop(j,:)

fitnesszbest = fitness(j)

end

yy(i) = fitnesszbest

end

toc

%% 结果分析

plot(yy)

title(['适应度曲线' '终止代数=' num2str(maxgen)])

xlabel('进化代数')

ylabel('适应梁裂念度')

fun函数如下

function y = fun(x)

y = -20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2)) - exp((cos(2*pi*x(1))+ cos(2*pi*x(2)))/2) + 20 + 2.71289

绘制粒子群算法中适应度值与迭代次数曲线图的步骤如下：

1、在matlab中编写粒子群算法的代码，包括初始化种群、计算适应度值、更新粒子位置和速度等步骤。在每次迭代中，记录下当前最优适应度值。

2、对于每次迭代，拦销手将当前最优适应度值记录到简嫌一个数组中。例如：best_fitness(iteration)=gbest_fitness。斗弯

3、在粒子群算法的代码中添加绘图函数，绘制出适应度值与迭代次数的曲线图。例如：plot(best_fitness)。

4、运行程序，即可在matlab中显示出适应度值与迭代次数的曲线图。

---