matlab粒子群优化算法举例分析11

第页例函数对于适应度函数fitness对其参数，，做出不同方式的比较以测试其对函数结果影响。当，，。(适应函数)程序1当，，。a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c11=2;%学习因子1c21=2;%学习因子2c12=1.5;c22=1.5;w=1.2;%惯性权重eps=10^(-6);%设置精度（在已知最小值的时候用）%初始化种群个体（限定位置和速度）x=zeros(N,D); %x是位置，初始化位置空间（矩阵）v=zeros(N,D); %v是速度，初始化速度空间（矩阵）fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置，randn返回一个随机变化的符合正态分布的数v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridon %’b*’表示颜色是绿的，用*显示在图上xlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维'); %strcat使括号里的东西连成字符串if(j>9) tInfo=strcat('第',char(floor(j/10)+48)); %floor向负无穷方向取整char(rem(j,10)+48,'维'); %rem取余endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(v(:,j),'b*');gridon %是不是应该是v(:,j)xlabel('粒子')ylabel('初始速度')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),'维');char(rem(j,10)+48,'维);endtitle(tInfo)endfigure(3)%第一个图subplot(1,2,1)%初始化种群个体（在此限定速度和位置）x1=x;v1=v;%初始化个体最优位置和最优值p1=x1;pbest1=ones(N,1);fori=1:Npbest1(i)=fitness(x1(i,:),D); %适应度函数end%初始化全局最优位置和最优值g1=1000*ones(1,D);gbest1=1000;fori=1:Nif(pbest1(i)<gbest1)g1=p1(i,:);gbest1=pbest1(i);endendgb1=ones(1,T);%进入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x1(j,:),D)<pbest1(j))p1(j,:)=x1(j,:);pbest1(j)=fitness(x1(j,:),D);endif(pbest1(j)<gbest1)g1=p1(j,:);gbest1=pbest1(j);endv1(j,:)=w*v1(j,:)+c11*rand*(p1(j,:)-x1(j,:))+c21*rand*

(g1-x1(j,:));x1(j,:)=x1(j,:)+v1(j,:);endgb1(i)=gbest1;endplot(gb1)TempStr=sprintf('c1=%g,c2=%g',c11,c21);title(TempStr);xlabel('迭代次数');ylabel('适应度值');%第二个图subplot(1,2,2)%初始化种群个体（在此限定速度和位置）x2=x;v2=v;%初始化种群个体最有位置和最优解p2=x2;pbest2=ones(N,1);fori=1:Npbest2(i)=fitness(x2(i,:),D);end%初始化种全局最优位置和最优解g2=1000*ones(1,D);gbest2=1000;fori=1:Nif(pbest2(i)<gbest2)g2=p2(i,:); %最优位置gbest2=pbest2(i); %最优解endendgb2=ones(1,T); %T为迭代次数T=100%进入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x2(j,:),D)<pbest2(j)) %个体最优p2(j,:)=x2(j,:);pbest2(j)=fitness(x2(j,:),D);endif(pbest2(j)<gbest2) %全局最优g2=p2(j,:);gbest2=pbest2(j);endv2(j,:)=w*v2(j,:)+c12*rand*(p2(j,:)-x2(j,:))+c22*rand*

(g2-x2(j,:));x2(j,:)=x2(j,:)+v2(j,:);endgb2(i)=gbest2; %每一代的最优解endplot(gb2)TempStr=sprintf('c1=%g,c2=%g',c12,c22);title(TempStr);xlabel('迭代次数');ylabel('适应度值');程序2当于对比a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c11=2;%学习因子1c21=2;%学习因子2c12=0;c22=2;w=1.2;%惯性权重eps=10^(-6);%设置精度（在已知最小值的时候用）%初始化种群个体（限定位置和速度）x=zeros(N,D);v=zeros(N,D);fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48)，char(rem(j,10)+48),'维');endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始速度')tInfo=strcat('第,char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维);endtitle(tInfo)endfigure(3)%第一个图subplot(1,2,1)%初始化种群个体（在此限定速度和位置）x1=x;v1=v;%初始化个体最优位置和最优值p1=x1;pbest1=ones(N,1);fori=1:Npbest1(i)=fitness(x1(i,:),D);end%初始化全局最优位置和最优值g1=1000*ones(1,D);gbest1=1000;fori=1:Nif(pbest1(i)<gbest1)g1=p1(i,:);gbest1=pbest1(i);endendgb1=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x1(j,:),D)<pbest1(j))p1(j,:)=x1(j,:);pbest1(j)=fitness(x1(j,:),D);endif(pbest1(j)<gbest1)g1=p1(j,:);gbest1=pbest1(j);endv1(j,:)=w*v1(j,:)+c11*rand*(p1(j,:)-x1(j,:))+c21*rand*(g1-x1(j,:));x1(j,:)=x1(j,:)+v1(j,:);endgb1(i)=gbest1;endplot(gb1)TempStr=sprintf('c1=%g,c2=%g',c11,c21);title(TempStr);xlabel('迭代次数');ylabel('适应度值');%第二个图subplot(1,2,2)%初始化种群个体（在此限定速度和位置）x2=x;v2=v;%初始化种群个体最有位置和最优解p2=x2;pbest2=ones(N,1);fori=1:Npbest2(i)=fitness(x2(i,:),D);end%初始化种全局最有位置和最优解g2=1000*ones(1,D);gbest2=1000;fori=1:Nif(pbest2(i)<gbest2)g2=p2(i,:);gbest2=pbest2(i);endendgb2=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x2(j,:),D)<pbest2(j))p2(j,:)=x2(j,:);pbest2(j)=fitness(x2(j,:),D);endif(pbest2(j)<gbest2)g2=p2(j,:);gbest2=pbest2(j);endv2(j,:)=w*v2(j,:)+c12*rand*(p2(j,:)-x2(j,:))+c22*rand*(g2-x2(j,:));x2(j,:)=x2(j,:)+v2(j,:);endgb2(i)=gbest2;endplot(gb2)TempStr=sprintf('c1=%g,c2=%g',c12,c22);title(TempStr);xlabel('迭代次数');ylabel('适应度值');b）适应度函数%适应度函数（fitness.m）functionresult=fitness(x,D)sum=0;fori=1:Dsum=sum+x(i)^2;endresult=sum;%程序3程序3当于对比a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c11=2;%学习因子1c21=2;%学习因子2c12=2;c22=0;w=1.2;%惯性权重eps=10^(-6);%设置精度（在已知最小值的时候用）%初始化种群个体（限定位置和速度）x=zeros(N,D);v=zeros(N,D);fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48)，char(rem(j,10)+48),'维');endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始速度')tInfo=strcat('第,char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维);endtitle(tInfo)endfigure(3)%第一个图subplot(1,2,1)%初始化种群个体（在此限定速度和位置）x1=x;v1=v;%初始化个体最优位置和最优值p1=x1;pbest1=ones(N,1);fori=1:Npbest1(i)=fitness(x1(i,:),D);end%初始化全局最优位置和最优值g1=1000*ones(1,D);gbest1=1000;fori=1:Nif(pbest1(i)<gbest1)g1=p1(i,:);gbest1=pbest1(i);endendgb1=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x1(j,:),D)<pbest1(j))p1(j,:)=x1(j,:);pbest1(j)=fitness(x1(j,:),D);endif(pbest1(j)<gbest1)g1=p1(j,:);gbest1=pbest1(j);endv1(j,:)=w*v1(j,:)+c11*rand*(p1(j,:)-x1(j,:))+c21*rand*(g1-x1(j,:));x1(j,:)=x1(j,:)+v1(j,:);endgb1(i)=gbest1;endplot(gb1)TempStr=sprintf('c1=%g,c2=%g',c11,c21);title(TempStr);xlabel('迭代次数');ylabel('适应度值');%第二个图subplot(1,2,2)%初始化种群个体（在此限定速度和位置）x2=x;v2=v;%初始化种群个体最有位置和最优解p2=x2;pbest2=ones(N,1);fori=1:Npbest2(i)=fitness(x2(i,:),D);end%初始化种全局最有位置和最优解g2=1000*ones(1,D);gbest2=1000;fori=1:Nif(pbest2(i)<gbest2)g2=p2(i,:);gbest2=pbest2(i);endendgb2=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x2(j,:),D)<pbest2(j))p2(j,:)=x2(j,:);pbest2(j)=fitness(x2(j,:),D);endif(pbest2(j)<gbest2)g2=p2(j,:);gbest2=pbest2(j);endv2(j,:)=w*v2(j,:)+c12*rand*(p2(j,:)-x2(j,:))+c22*rand*(g2-x2(j,:));x2(j,:)=x2(j,:)+v2(j,:);endgb2(i)=gbest2;endplot(gb2)TempStr=sprintf('c1=%g,c2=%g',c12,c22);title(TempStr);xlabel('迭代次数');ylabel('适应度值');b）适应度函数%适应度函数（fitness.m）functionresult=fitness(x,D)sum=0;fori=1:Dsum=sum+x(i)^2;endresult=sum;%程序4程序4对，分别对其取值，，，测试函数。a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c1=1.1;%学习因子1c2=2;%学习因子2w1=1.2;%惯性权重w2=1.5;%惯性权重eps=10^(-6);%设置精度（在已知最小值的时候用）--%初始化种群个体（限定位置和速度）x=zeros(N,D);v=zeros(N,D);fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)plot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48)，char(rem(j,10)+48),'维');endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始速度')tInfo=strcat('第,char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维);endtitle(tInfo)endfigure(3)subplot(1,2,1)%初始化种群个体（在此限定速度和位置）x1=x;v1=v;%初始化个体最优位置和最优值p1=x1;pbest1=ones(N,1);fori=1:Npbest1(i)=fitness(x1(i,:),D);end%初始化全局最优位置和最优值g1=1000*ones(1,D);gbest1=1000;fori=1:Nif(pbest1(i)<gbest1)g1=p1(i,:);gbest1=pbest1(i);endendgb1=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x1(j,:),D)<pbest1(j))p1(j,:)=x1(j,:);pbest1(j)=fitness(x1(j,:),D);endif(pbest1(j)<gbest1)g1=p1(j,:);gbest1=pbest1(j);endv1(j,:)=w1*v1(j,:)+c1*rand*(p1(j,:)-x1(j,:))+c2*rand*(g1-x1(j,:));x1(j,:)=x1(j,:)+v1(j,:);endgb1(i)=gbest1;endplot(gb1)TempStr=sprintf('w=%g',w1);title(TempStr);xlabel('迭代次数');ylabel('适应度值');subplot(1,2,2)%初始化种群个体（在此限定速度和位置）x2=x;v2=v;%初始化种群个体最有位置和最优解p2=x2;pbest2=ones(N,1);fori=1:Npbest2(i)=fitness(x2(i,:),D);end%初始化种全局最有位置和最优解g2=1000*ones(1,D);gbest2=1000;fori=1:Nif(pbest2(i)<gbest2)g2=p2(i,:);gbest2=pbest2(i);endendgb2=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x2(j,:),D)<pbest2(j))p2(j,:)=x2(j,:);pbest2(j)=fitness(x2(j,:),D);endif(pbest2(j)<gbest2)g2=p2(j,:);gbest2=pbest2(j);endv2(j,:)=w2*v2(j,:)+c1*rand*(p2(j,:)-x2(j,:))+c2*rand*(g2-x2(j,:));x2(j,:)=x2(j,:)+v2(j,:);endgb2(i)=gbest2;endplot(gb2)TempStr=sprintf('w=%g',w2);title(TempStr);xlabel('迭代次数');ylabel('适应度值');b）适应度函数%适应度函数（fitness.m）functionresult=fitness(x,D)sum=0;fori=1:Dsum=sum+x(i)^2;endresult=sum;%程序5程序5对，对分别取，随笔其迭代影响a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c1=1.1;%学习因子1c2=2;%学习因子2w1=1.2;%惯性权重w2=0;%惯性权重eps=10^(-6);%设置精度（在已知最小值的时候用）--%初始化种群个体（限定位置和速度）x=zeros(N,D);v=zeros(N,D);fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)plot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48)，char(rem(j,10)+48),'维');endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始速度')tInfo=strcat('第,char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维);endtitle(tInfo)endfigure(3)subplot(1,2,1)%初始化种群个体（在此限定速度和位置）x1=x;v1=v;%初始化个体最优位置和最优值p1=x1;pbest1=ones(N,1);fori=1:Npbest1(i)=fitness(x1(i,:),D);end%初始化全局最优位置和最优值g1=1000*ones(1,D);gbest1=1000;fori=1:Nif(pbest1(i)<gbest1)g1=p1(i,:);gbest1=pbest1(i);endendgb1=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x1(j,:),D)<pbest1(j))p1(j,:)=x1(j,:);pbest1(j)=fitness(x1(j,:),D);endif(pbest1(j)<gbest1)g1=p1(j,:);gbest1=pbest1(j);endv1(j,:)=w1*v1(j,:)+c1*rand*(p1(j,:)-x1(j,:))+c2*rand*(g1-x1(j,:));x1(j,:)=x1(j,:)+v1(j,:);endgb1(i)=gbest1;endplot(gb1)TempStr=sprintf('w=%g',w1);title(TempStr);xlabel('迭代次数');ylabel('适应度值');subplot(1,2,2)%初始化种群个体（在此限定速度和位置）x2=x;v2=v;%初始化种群个体最有位置和最优解p2=x2;pbest2=ones(N,1);fori=1:Npbest2(i)=fitness(x2(i,:),D);end%初始化种全局最有位置和最优解g2=1000*ones(1,D);gbest2=1000;fori=1:Nif(pbest2(i)<gbest2)g2=p2(i,:);gbest2=pbest2(i);endendgb2=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x2(j,:),D)<pbest2(j))p2(j,:)=x2(j,:);pbest2(j)=fitness(x2(j,:),D);endif(pbest2(j)<gbest2)g2=p2(j,:);gbest2=pbest2(j);endv2(j,:)=w2*v2(j,:)+c1*rand*(p2(j,:)-x2(j,:))+c2*rand*(g2-x2(j,:));x2(j,:)=x2(j,:)+v2(j,:);endgb2(i)=gbest2;endplot(gb2)TempStr=sprintf('w=%g',w2);title(TempStr);xlabel('迭代次数');ylabel('适应度值');b）适应度函数%适应度函数（fitness.m）functionresult=fitness(x,D)sum=0;fori=1:Dsum=sum+x(i)^2;endresult=sum;程序6标准粒子群a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c1=2;%学习因子1c2=2;%学习因子2w=1.2;%惯性权重eps=10^(-6);%设置精度（在已知最小值的时候用）%初始化种群个体（限定位置和速度）x=zeros(N,D);v=zeros(N,D);fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维');endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始速度')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维');endtitle(tInfo)endfigure(3)%初始化群体个体最有位置和最优解p=x;pbest=ones(N,1);fori=1:Npbest(i)=fitness(x(i,:),D);end%初始化全局最优位置和最优解g=1000*ones(1,D);gbest=1000;fori=1:Nif(pbest(i)<gbest)g=p(i,:);gbest=pbest(i);endendgb=ones(1,T);%进入主循环，按照公式依次迭代，直到满足精度要求--fori=1:Tforj=1:Nif(fitness(x(j,:),D)<pbest(j))p(j,:)=x(j,:);pbest(j)=fitness(x(j,:),D);endif(pbest(j)<gbest)g=p(j,:);gbest=pbest(j);endv(j,:)=w*v(j,:)+c1*rand*(p(j,:)-x(j,:))+c2*rand*(g-x(j,:));x(j,:)=x(j,:)+v(j,:);endgb(i)=gbest;endplot(gb)TempStr=sprintf('w=%g',w);title(TempStr);xlabel('迭代次数');ylabel('适应值');%适应度函数functionresult=fitness(x,D)sum=0;fori=1:Dsum=sum+x(i)^2;endresult=sum;%程序6程序6对，对分别取，随笔其迭代影响a)%主函数源程序（main.m）%基本粒子群算法（particleswarmoptimization）%名称：基本粒子群算法%初始格式化clearall;%清除所有变量clc;%清屏formatlong;%将数据显示为长整形科学计数%给定初始条条件N=40;%³初始化群体个数D=10;%初始化群体维数T=100;%初始化群体最迭代次数c1=1.1;%学习因子1c2=2;%学习因子2w1=0.4%惯性权重1w2=0.8%惯性权重2w3=1.2%惯性权重3w4=1.4%惯性权重4w5=1.6%惯性权重5eps=10^(-6);%设置精度（在已知最小值的时候用）--%初始化种群个体（限定位置和速度）x=zeros(N,D);v=zeros(N,D);fori=1:Nforj=1:Dx(i,j)=randn;%随机初始化位置v(i,j)=randn;%随机初始化速度endend%显示群位置figure(1)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)plot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始位置')tInfo=strcat('第',char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48)，char(rem(j,10)+48),'维');endtitle(tInfo)end%显示种群速度figure(2)forj=1:Dif(rem(D,2)>0)subplot((D+1)/2,2,j)elsesubplot(D/2,2,j)endplot(x(:,j),'b*');gridonxlabel('粒子')ylabel('初始速度')tInfo=strcat('第,char(j+48),'维');if(j>9)tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维);endtitle(tInfo)endfigure(3)subplot(1,2,1)%初始化种群个体（在此限定速度和位置）x1=x;v1=v;%初始化个体最优位置和最优值p1=x1;pbest1=ones(N,1);fori=1:Npbest1(i)=fitness(x1(i,:),D);end%初始化全局最优位置和最优值g1=1000*ones(1,D);gbest1=1000;fori=1:Nif(pbest1(i)<gbest1)g1=p1(i,:);gbest1=pbest1(i);endendgb1=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭代次数fori=1:Tforj=1:Nif(fitness(x1(j,:),D)<pbest1(j))p1(j,:)=x1(j,:);pbest1(j)=fitness(x1(j,:),D);endif(pbest1(j)<gbest1)g1=p1(j,:);gbest1=pbest1(j);endv1(j,:)=w1*v1(j,:)+c1*rand*(p1(j,:)-x1(j,:))+c2*rand*(g1-x1(j,:));x1(j,:)=x1(j,:)+v1(j,:);endgb1(i)=gbest1;endplot(gb1)TempStr=sprintf('w=%g',w1);title(TempStr);xlabel('迭代次数');ylabel('适应度值');figuresubplot(1,2,2)%初始化种群个体（在此限定速度和位置）X3=xV3=v;%初始化种群个体最有位置和最优解P3=x3;Pbest3=ones(N,1);fori=1:Npbest3(i)=fitness(x3(i,:),D);end%初始化种全局最有位置和最优解g3=1000*ones(1,D);gbest3=1000;fori=1:Nif(pbest3(i)<gbest3)g3=p3(i,:);gbes3.=pbest3(i);endendgb3=ones(1,T);%浸入主循环，按照公式依次迭代直到满足精度或者迭