多维单目标粒子群优化主代码

下面是一个多维单目标粒子群优化（PSO）的主代码示例：

function [bestSolution, bestFitness] = PSO(dimensions, bounds, numParticles, maxIterations)
    % 初始化粒子位置和速度
    positions = bounds(1) + (bounds(2) - bounds(1)) * rand(numParticles, dimensions);
    velocities = zeros(numParticles, dimensions);
    
    % 初始化粒子的个体最优位置和适应度
    bestPositions = positions;
    bestFitnesses = inf(numParticles, 1);
    
    % 初始化全局最优位置和适应度
    [bestFitness, bestParticleIndex] = min(bestFitnesses);
    bestSolution = bestPositions(bestParticleIndex, :);
    
    % 开始迭代
    for iteration = 1:maxIterations
        % 更新粒子速度和位置
        inertiaWeight = 0.729;
        cognitiveWeight = 1.49445;
        socialWeight = 1.49445;
        
        for i = 1:numParticles
            r1 = rand(1, dimensions);
            r2 = rand(1, dimensions);
            
            velocities(i, :) = inertiaWeight * velocities(i, :) ...
                + cognitiveWeight * r1 .* (bestPositions(i, :) - positions(i, :)) ...
                + socialWeight * r2 .* (bestSolution - positions(i, :));
            
            % 防止速度超出范围
            velocities(i, :) = min(max(velocities(i, :), bounds(1)), bounds(2));
            
            positions(i, :) = positions(i, :) + velocities(i, :);
        end
        
        % 更新个体最优位置和适应度
        fitnesses = objectiveFunction(positions);
        improvedIndices = fitnesses < bestFitnesses;
        bestPositions(improvedIndices, :) = positions(improvedIndices, :);
        bestFitnesses(improvedIndices) = fitnesses(improvedIndices);
        
        % 更新全局最优位置和适应度
        [bestFitness, bestParticleIndex] = min(bestFitnesses);
        bestSolution = bestPositions(bestParticleIndex, :);
        
        % 显示迭代信息
        disp(['Iteration ', num2str(iteration), ': Best Fitness = ', num2str(bestFitness)]);
    end
end

上面的代码是一个基本的多维单目标PSO的实现。其中，dimensions表示问题的维度，bounds表示每个维度的取值范围，numParticles表示粒子数量，maxIterations表示迭代次数。objectiveFunction是需要用户自定义的目标函数，它接受一个粒子位置的矩阵作为输入，返回对应的适应度值。

在每次迭代中，粒子的速度和位置根据当前位置和全局最优位置进行更新。然后，根据新的位置计算适应度，并更新个体最优位置和全局最优位置。最后，显示当前迭代的最佳适应度。

用户可以根据自己的问题定义一个目标函数，并调用PSO函数来执行PSO优化算法。