请帮忙根据提示填入参数。有关粒子群的。一共两个
第一个是
%% 一元函数的优化 y = sin(10 * pi *x) ./ x
% 1.补全代码,找到(0.9525,1.049)附近的最优解，迭代多少次求最优解？
% 2.添加惯性因子 w=0.9。 对比实验结果（在第几代求得最优解）。惯性因子可参考提供的参考文献。
% 修改w数值进行实验对比，思考w对实验结果的影响。
% 提醒：*rands()生成[-1,1]之间的随机数据；rands(1，2)生成值为[-1,1]的一行两列数据
%% 1 清空环境
clc
clear all
%% 2 绘制目标函数曲线
x = 1:0.01:2;
y = sin(10*pi*x)./x;
figure
plot(x,y)
hold on
%% 3 参数初始化
c1 =
c2 =
maxgen = %进化次数
sizepop = %种群规模
Vmax = %速度最大值
Vmin = %速度最小值
popmin = 2;
popmax = 1 ; %位置边界
%% 4 产生初始化粒子和速度
for i = 1:sizepop
% rand 随机产生一个种群[注意范围]
pop(i,:) = %随机初始化位置，与定义的范围对应
V(i,:) = %随机初始化速度, 与定义的速度最大值和最小值一致
%计算适应度
fitness(i) = %计算各个粒子的适应度
end
%% 5 个体极值和群体极值
[bestfitness bestindex] = max(fitness)
gbest = pop(bestindex,:)%global全局最佳，value
pbest = pop; %particle个体最佳，matrix
fitnesspbest = fitness;%个体最佳适应度
fitnessgbest = bestfitness;%全局最佳适应度
%% 6 迭代寻优
for i = 1:maxgen
for j = 1:sizepop
%速度更新
V(j,:) = ; %速度更新公式
V(j,find(V(j,:)>Vmax)) = Vmax; %速度边界约束
V(j,find(V(j,:)<Vmin)) = Vmin;
%种群更新
pop(j,:) = ; %位置更新公式
pop(j,find(pop(j,:)>popmax)) = popmax; %位置边界约束
pop(j,find(pop(j,:)<popmin)) = popmin;
%适应度值更新
fitness(j) = ;%调用fun函数计算适应度值
end
for j = 1:sizepop
%个体最优更新
%各个粒子与上一次进行对比和更新
if %if the fitness value is better than p_best_j
pbest(j,:) = pop(j,:);
fitnesspbest(j) = fitness(j);
end
%群体最优更新
if %if the fitness value is better than g_best_j
gbest = pop(j,:);
fitnessgbest = fitness(j);
end
end
result(i) = ;%Output全局最优还是局部最优？
end
%% 7 输出结果并绘图
[fitnessgbest gbest]
plot(gbest,fitnesszbest,'r*')
figure
plot(result)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);
ylabel('适应度','fontsize',12);
第二个是
%% 一元函数的优化 y = sin(10 * pi *x) ./ x
% 1.学习使用自适应惯性权重。参考：On the Performance of Linear Decreasing Inertia Weight Particle Swarm Optimization for Global Optimization——Linear decreasing inertia weight (LDIW) strategy（3.1）
%
%
%% 1 清空环境
clc
clear all
%% 2 绘制目标函数曲线
x = 1:0.01:2;
y = sin(10*pi*x)./x;
figure
plot(x,y)
hold on
%% 3 参数初始化
c1 = ;
c2 = ;
w_start = ; %权重，从全局搜索到局部搜索
w_end = ;
maxgen = ; %进化次数
sizepop = ; %种群规模
Vmax = ;%速度最大值
Vmin = ;
popmax = 2 ;%位置边界
popmin = 1 ;%根据x范围定义得到
%% 4 产生初始化粒子和速度
for i = 1:sizepop
% 随机产生一个种群
pop(i,:) = ; %范围是x范围保持一致
V(i,:) = ; %初始化速度，与定义的速度最大值和最小值一致
%计算适应度
fitness(i) = fun(pop(i,:));
end
%% 5 个体极值和群体极值
[bestfitness bestindex] = max(fitness)
gbest = pop(bestindex,:)%全局最佳
pbest = pop;%个体最佳
fitnesspbest = fitness;%个体最佳适应度
fitnessgbest = bestfitness;%全局最佳适应度
%% 6 迭代寻优
for i = 1:maxgen
w = ;%Linear decreasing inertia weight (LDIW) strategy
for j = 1:sizepop
%速度更新公式
V(j,:) = ;
V(j,find(V(j,:)>Vmax)) = Vmax;%边界约束
V(j,find(V(j,:)<Vmin)) = Vmin;
%种群更新
pop(j,:) = pop(j,:) + V(j,:);
pop(j,find(pop(j,:)>popmax)) = popmax;
pop(j,find(pop(j,:)<popmin)) = popmin;
%适应度值更新
fitness(j) = ;
end
%粒子位置全部更新；各个粒子适应度值全部更新
for j = 1:sizepop
%个体最优更新
%各个粒子与上一次进行对比和更新
if %if the fitness value is better than p_best_j
pbest(j,:) = pop(j,:);
fitnesspbest(j) = fitness(j);
end
%更新局部最优解
%群体最优更新
if %if the fitness value is better than g_best_j
gbest = pop(j,:);
fitnessgbest = fitness(j);
end
end
result(i) = ;output
end
%% 7 输出结果
[fitnessgbest gbest]
%绘图
plot(gbest,fitnessgbest,'r*')%把找到的点以星号的形式表达出来
figure
plot(result)
title('最优个体适应度','fontsize',12);
xlabel('进化代数','fontsize',12);
ylabel('适应度','fontsize',12);
求帮忙
