本篇文章适合PSO入门，进阶的可能会觉得太简单的。

目录

• PSO
• 例程
• • 作用
  • 运行结果
  • 代码
  • 函数解释
• 例程修改tips

PSO

Particle Swarm Optimization，粒子群优化算法，通过模拟鸟群或鱼群的行为来寻找最优解。在计算时通过对一群粒子的位置和速度进行迭代，是全局搜索算法。
相应的还有蚁群、遗传算法、模拟退火等智能算法。后面更新

例程

作用

这是一段PSO的例程。只有一个m文件，在里面填写好需要求解的函数后，就能得到PSO求解的函数最小值和对应的自变量取值。
在现在的函数示例中，设置的待求函数为F = x^2 + x - 6，从详情页能看到，求出来是当x=-0.25时，函数得到最小值-6.25

运行结果

设置如下的目标函数：
f ( x ) = x 2 + x − 6 f(x) = x^2 + x - 6 f(x)=x2+x−6

在代码编辑窗口里面如下：

代码

% PSO求解函数最小值 % 2024-7-29/Ver1 clear;clc;close all; rng(0); [xm, fv] = PSO(@fitness, 1, 1.5, 1.5, 0.5, 100000, 1); fprintf('满足目标函数取最小值时的自变量为:%f\n',xm); fprintf('目标函数的最小值为:%f\n',fv);   function F = fitness(x) %设置目标函数 F = x^2 + x - 6; end  function [xm, fv] = PSO(fitness, pop_size, c1, c2, w, epochs, chromosome_size) %PSO计算函数 % 完整代码下载链接：https://gf.bilibili.com/item/detail/1105924012  end 

函数解释

PSO这个函数形式如下：
[xm, fv] = PSO(fitness, pop_size, c1, c2, w, epochs, chromosome_size)

其中，fitness是目标函数，所以在使用的时候这里填写目标函数“@fitness”，pop_size和chromosome_size是每次计算的未知数个数（群体鬼墨），c1和c2是加速常数，w是惯性权重（）使微粒保持运动的惯性，使其有扩展搜索空间的趋势，有能力探索新的区域）。epochs是迭代步数。

例程修改tips

• 加大PSO函数的“epochs”这一个量（也就是倒数第二个输入量），可以加大迭代次数，计算时间增加、精度提升
• 修改pop_size和chromosome_size，可以更改每次由PSO计算的量的个数