粒子群算法求函数最优值matlab

function [max_positionmax_value]=liziqun（flimit1limit2）
% 大量的问题最终可归结为函数的优化问题，通常这些函数是非常复杂的，主要表现为规模大，维数高，非线性，非凸和不可微等特性，而且有的函数存在大量局部极小。许多传统确定性优化算法收敛速度较快，计算精度高，但对初值敏感，易陷入局部最小。而一些具有全局性的优化算法，如遗传算法，模拟退火算法，进化规划等，受限于各自的机理和单一结构，对于高维复杂函数难以实现高效优化。PSO算法通过改进或结合其他算法，对高维复杂函数可以实现高效优化
%f   要找最大值的函数   可在命令行窗口输入 f=@（x）（1-cos（3.*x）.*exp（-x））
%limit1 要在何范围内找这个函数的最大值  可输入[04]
%limit2 要在和范围呢显示这个函数  可输入【04】


N = 50;                         % 初始种群个数
d = 1;                          % 空间维数
ger = 100;                      % 最大迭代次数     
limit = limit1;                 %初始化时规定粒子的最大值和最小值位置
vlimit = [-1 1];               % 设置速度限制
w = 0.8;                        % 惯性权重
c1 = 0.5;                       % 自我学习因子
c2 = 0.5;                       % 群体学习因子


%第一步画出初始函数图像


% 1、ezplot（fun）在默认区间-2π< x < 2π 绘制函数fun（x）的图像其中fun（x）是x的一个显函数。fun可以是一个函数句柄或者字符。
% 2、ezplot（fun[xminxmax]）在区间 xmin figure（1）;
ezplot（flimit2）;
title（‘初始状态图‘）;
%第二步  规定出粒子群搜索公式的的各个参数，在本函数的因变量中

%第三步  初始化种群的位置在空间中随机分布
    %x为 N*d的数组，N个d维的点
for i = 1:d
    x = limit（i 1） + （limit（i 2） - limit（i 1）） * rand（N d）;%rand（Nd）为初始化N*d大小的随机数矩阵    把x分布到第i维
end

%第四步   等式中的其他变量的初始值
v = rand（N d）;                  % 初始种群的速度
xm = x;                          % 每个个体的历史最佳位置
ym = zeros（1 d）;                % 种群的历史最佳位置
fxm = zeros（N 1）;               % 每个个体的历史最佳适应度
fym = -inf;                      % 种群历史