13518219792
我来说一种可行但不唯一的方案：
创新互联坚持“要么做到，要么别承诺”的工作理念，服务领域包括：做网站、成都做网站、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的龙泉网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！
PSO求适应度函数F=f(x1,x2,...,xn)的最小值，如果你想添加比如x1+x22这样的不等式，就可以在计算完适应度函数F后，判断变量是否满足你所要求的约束不等式，如果不满足，则可以给适应度函数值加入一个惩罚因子，比如原先函数值是21.5，加入惩罚因子inf（无穷大），就使得适应度函数值变成了无穷大，这就达到了约束的效果；而如果满足约束不等式，就不加入惩罚因子。
就是这样子，不懂追问。
%不知道你具体的问题是什么，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 rand0.8
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＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');
解决方案1：
..m
.;unitcircle.....;.......;.....\....\.....\.m
............\..;.;.\.\......\psoplotswarm......m
....m
;ackleysfcn........m
...;psoiterate..;.........psopt20100414\..;......;.........m
;void...m
..\....m
.m
..;initstate.\.\...\..;.........\.;...;..dropwavefcn.......m
.\...\............\....\.m
.\.m
...\....\....\..........m
;.;...;rosenbrocksfcn..;griewangksfcn......\.\..m
...\.....;testfcns
.................\...\......\.;templatefcn.\....\...;......;..m
;.m
...\...;.\.............;....;license;......;...;rastriginsfcn.......;pso.....;..;psogenerateoutputmessage............\.;testfcn1......\unitdisk.m
....\.;psocheckbounds...\...m
.....;...\.\...;......\..\.;..;.....\........\..\...m
.\....\.;psocheckinitialpopulation..\...\.;overlaysurface..\psorunhybridfcn.;..;psooptimset..;heart.....;psoplotswarmsurf..;psopt\............;.....\....\.\releasenotes.........\..\.....m
.m
..\..........\.\..;...\....\....\.;..\..\psocheckpopulationinitrange......\...........\..\...\...........\.............;.m
............;private\.\......\...\...;.\.....;...\....;testfcns\;......;quadrifolium.\.m
..;......;langermannsfcn;.\..............;..m
.....\........;overlaycontour..\..\..........\..\...\..........\......;psoplotscorediversity...;nonlinearconstrdemo.\.m
.;.....;...;psocreationuniform...\........;..m
......m
.....;............;private
........\.;..\...........;psodemo.........m
..........\..;.....;....;..\.dejongsfcn.............\....\.\......\....\..............\.......m
.psoplotbestf..;......m
...;schwefelsfcn;..\.;..........\.\.......\....\.....;......m
........\....;....m
..........txt
..txt
.m
%标准PSO算法源代码（matlab）
%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, -2.048x,y2.048
%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(gen)=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, -2.048x,y2.048
%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_fitnessmin(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-10
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);
