利用MATLAB实现PSO算法，内含详细的文字叙述，可以很容易的了解每一步是做什么的.zip

标准PSO算法源代码（matlab） 不少网友需要PSO源代码，现将很早前的matlab代码贴上来。不过俺已经不搞学术很久了，现从事财政公务员工作，因此可能无法解答更多问题。 %标准粒群优化算法程序 % 2007.1.9 By jxy %测试函数：f(x,y)=100(x^2-y)^2+(1-x)^2, -2.048<x,y<2.048 %求解函数最小值 global popsize; %种群规模 %global popnum; %种群数量 global pop; %种群 %global c0; %速度惯性系数,为0—1的随机数 global c1; %个体最优导向系数 global c2; %全局最优导向系数 global gbest_x; %全局最优解x轴坐标 global gbest_y; %全局最优解y轴坐标 global best_fitness; %最优解 global best_in_history; %最优解变化轨迹 global x_min; %x的下限 global x_max; %x的上限 global y_min; %y的下限 global y_max; %y的上限 global gen; %迭代次数 global exetime; %当前迭代次数 global max_velocity; %最大速度 initial; %初始化 for exetime=1:gen outputdata; %实时输出结果 adapting; %计算适应值 errorcompute(); %计算当前种群适值标准差 updatepop; %更新粒子位置 pause(0.01); end clear i; clear exetime; clear x_max; clear x_min; clear y_min; clear y_max; %程序初始化 gen=100; %设置进化代数 popsize=30; %设置种群规模大小 best_in_history(gen)=inf; %初始化全局历史最优解 best_in_history(=inf; %初始化全局历史最优解 max_velocity=0.3; %最大速度限制 best_fitness=inf; %popnum=1; %设置种群数量 pop(popsize,8)=0; %初始化种群,创建popsize行5列的0矩阵 %种群数组第1列为x轴坐标，第2列为y轴坐标，第3列为x轴速度分量，第4列为y轴速度分量 %第5列为个体最优位置的x轴坐标，第6列为个体最优位置的y轴坐标 %第7列为个体最优适值，第8列为当前个体适应值 for i=1:popsize pop(i,1)=4*rand()-2; %初始化种群中的粒子位置，值为-2—2，步长为其速度 pop(i,2)=4*rand()-2; %初始化种群中的粒子位置，值为-2—2，步长为其速度 pop(i,5)=pop(i,1); %初始状态下个体最优值等于初始位置 pop(i,6)=pop(i,2); %初始状态下个体最优值等于初始位置 pop(i,3)=rand()*0.02-0.01; %初始化种群微粒速度，值为-0.01—0.01，间隔为0.0001 pop(i,4)=rand()*0.02-0.01; %初始化种群微粒速度，值为-0.01—0.01，间隔为0.0001 pop(i,7)=inf; pop(i,8)=inf; end c1=2; c2=2; x_min=-2; y_min=-2; x_max=2; y_max=2; gbest_x=pop(1,1); %全局最优初始值为种群第一个粒子的位置 gbest_y=pop(1,2); %适值计算 % 测试函数为f(x,y)=100(x^2-y)^2+(1-x)^2, -2.048<x,y<2.048 %计算适应值并赋值 for i=1:popsize pop(i,8)=100*(pop(i,1)^2-pop(i,2))^2+(1-pop(i,1))^2; if pop(i,7)>pop(i,8) %若当前适应值优于个体最优值，则进行个体最优信息的更新 pop(i,7)=pop(i,8); %适值更新 pop(i,5:6)=pop(i,1:2); %位置坐标更新 end end %计算完适应值后寻找当前全局最优位置并记录其坐标 if best_fitness>min(pop(:,7)) best_fitness=min(pop(:,7)); %全局最优值 gbest_x=pop(find(pop(:,7)==min(pop(:,7))),1); %全局最优粒子的位置 gbest_y=pop(find(pop(:,7)==min(pop(:,7))),2); end best_in_history(exetime)=best_fitness; %记录当前全局最优 %实时输出结果 %输出当前种群中粒子位置 subplot(1,2,1); for i=1:popsize plot(pop(i,1),pop(i,2),'b*'); hold on; end plot(gbest_x,gbest_y,'r.','markersize',20);axis([-2,2,-2,2]); hold off; subplot(1,2,2); axis([0,gen,-0.00005,0.00005]); if exetime-1>0 line([exetime-1,exetime],[best_in_history(exetime-1),best_fitness]);hold on; end %粒子群速度与位置更新 %更新粒子速度 for i=1:popsize pop(i,3)=rand()*pop(i,3)+c1*rand()*(pop(i,5)-pop(i,1))+c2*rand()*(gbest_x-pop(i,1)); %更新速度 pop(i,4)=rand()*pop(i,4)+c1*rand()*(pop(i,6)-pop(i,2))+c2*rand()*(gbest_x-pop(i,2)); if abs(pop(i,3))>max_velocity if pop(i,3)>0 pop(i,3)=max_velocity; else pop(i,3)=-max_velocity; end end if abs(pop(i,4))>max_velocity if pop(i,4)>0 pop(i,4)=max_velocity; else pop(i,4)=-max_velocity; end end end %更新粒子位置 for i=1:popsize pop(i,1)=pop(i,1)+pop(i,3); pop(i,2)=pop(i,2)+pop(i,4); end