粒子群（PSO）算法的matlab程序

%不知道你具体的问题纤迹是什么，下面是一个最基本的pso算法解决函数极值问题，如果是一些大型的问题，需要对速度、惯性常数、和自适应变异做进一步优化，希望对你有帮助

function y = fun(x)

y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289

%下面是主程序

%% 清空环境

clc

clear

%% 参数初始化

%粒子群算法中的两个参数

c1 = 1.49445

c2 = 1.49445

maxgen=200 % 进化次数

sizepop=20 %种群规模

Vmax=1%速度限制

Vmin=-1

popmax=5%种群限制

popmin=-5

%% 产生初始粒子和速度

for i=1:sizepop

%随机产生一个种群

pop(i,:)=5*rands(1,2) %初始种群

V(i,:)=rands(1,2) %初始化速度

%计算适应度

fitness(i)=fun(pop(i,:)) %染色体的适应码昌度

end

%找最好的染色体

[bestfitness bestindex]=min(fitness)

zbest=pop(bestindex,:) %全局最佳

gbest=pop %个体最佳

fitnessgbest=fitness %个体最佳适应度值

fitnesszbest=bestfitness %全局最佳适应度值

%% 迭代寻优

for i=1:maxgen

for j=1:sizepop

%速度更新

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:))

V(j,find(V(j,:)>Vmax))=Vmax

V(j,find(V(j,:)<Vmin))=Vmin

%种群更新

pop(j,:)=pop(j,:)+0.5*V(j,:)

pop(j,find(pop(j,:)>popmax))=popmax

pop(j,find(pop(j,:)<popmin))=popmin

%自适应变异（避免粒子群算法陷入局部最优）

if rand>0.8

k=ceil(2*rand)%ceil朝正无穷大方向取整

pop(j,k)=rand

end

%适应度值

fitness(j)=fun(pop(j,:))

%个体最优更新

if fitness(j) <fitnessgbest(j)

gbest(j,:) = pop(j,:)

fitnessgbest(j) = fitness(j)

end

%群体最优更新

if fitness(j) <fitnesszbest

zbest = pop(j,:)

fitnesszbest = fitness(j)

end

end

yy(i)=fitnesszbest

end

%% 结果分析

plot(yy)

title(['适应度曲线 ' '终止代数毁模并＝' num2str(maxgen)])

xlabel('进化代数')ylabel('适应度')

以上回答你满意么？

clear

fs=1000%采样频率1000hz

N=500%采样点数

t=(0:1:N-1)/fs

f=10%正弦信号频率10hz

x=sin(2*pi*f*t)+randn(size(t))%被随机信号干扰的正弦信号

b = fir1(31,0.5) %由b = fir1(31,0.5)产生32阶滤波器系数

n = 0.1*randn(1,500)% 通过以上滤波系统所加入的噪声

d = filter(b,1,x)+n % 通过滤波器后的期望信号

delta = 0.005 % 设置自适应滤波器其中一个步长因子为0.005

ha = adaptfilt.lms(32,delta)%求出系统的滤波器系数

[y,e] = filter(ha,x,d)

delta0=0.001 %另一个步长因子为0.001作对比

ha=adaptfilt.lms(32,delta0)

[y0,e0]=filter(ha,x,d)

m=1:500

figure(1)

plot(m,x,'g')

figure(2)

plot(m,e,'r',m,e0)

legend('delta=0.001','delta=0.005')

% subplot(2,1,1)

% plot(m,e0)

%

以上是基本的LMS算法

% 滤波型LMS算法滤波

M = 20 % 运行次数

N = 1000 % 信号的长度祥和

n = 0:N-1

s = sin(2*pi*n/10)% 初始信号

u = s + 0.36*randn(1,N) % 叠加噪声后的信号

% 信号叠加噪声波形图

figure(1)

plot(n,u)

title('信号叠加噪声波形图')

xlabel('n')ylabel('u')

y = zeros(1,N)% 初始化经过自适应滤波器后的信号为零向量

w = zeros(1,N)% 初始化自适应滤波器的权向量为零向量

e = zeros(N) % 初始化误差e(n)的为零向量

a = zeros(1,N)% 初始化前向滤波器的权向量为零向量

vare = zeros(N) % 初始化误差的平方e(n)^2的为零向量

estd = zeros(N) % 初始化均方误差E{e(n)^2}的为零向量

vare1 = ones(1,N) % 初始化误差的平方e(n)^2的为1向量

estd1 = ones(1,N) % 初始化均方误差E{e(n)^2}的为1向量

k = 10% 自适应滤波器的阶数

e1 = zeros(1,N) % 初始化前向预测误差e1为零向量

e2 = zeros(1,N) % 初始化滤波向量e为零向量

y(1:k) = u(1:k)

mu0 = 0.0065 % 初始更新步长因子败宴岁

% 初始化前向滤波器的权向量

a(1:11) = [ 0.1642 , 0.1341 , 0.0529,-0.0624 , -0.1586 ,-0.1932 , -0.1555 , -0.0599 , 0.0584, 0.1229 , 0.1106]

% 滤波型LMS算法滤察睁波

for j = (k + 1):M

u = s + 0.36*randn(1,N) % 叠加噪声后的信号

for n=(k+2):N

mu = mu0/(1 + (n/100)) % 先搜索后收敛步长因子

e(j,n) = s(n) - w((n-1):(n+9)) * u(n:-1:(n-10))' % 误差

e1(n) = u(n) + a((n-10):n)*u((n-1):-1:(n-11))'% 前向预测误差

e2(n) = e(j,n) + a((n-10):n)*e(j,(n:-1:(n-10)))' % 滤波

w(n:(n+10)) = w((n-1):(n+9)) + mu*e1(n:-1:(n-10))*e2(n) % 更新自适应滤波器的权向量

y(n) = w((n):(n+10)) * u((n):-1:(n-10))' % 经过自适应滤波器后的信号

vare(j,n) =e(j,n)^2 % 误差的平方e(n)^2

estd(j,n) = vare(j,(1:n))*vare(j,(1:n))'/n% 均方误差E{e(n)^2}

end

end

vare1 = (vare1*vare)/M% 统计平均意义下e(n)^2

estd1 = (estd1*estd)/M% 统计平均意义下学习曲线

% 滤波型LMS自适应滤波输出

figure(2)

plot(y)

title('mu = 0.0065时滤波型LMS自适应滤波输出')

xlabel('n')ylabel('y')

% 滤波型LMS自适应滤波器的e(n)^2的曲线

figure(3)

plot(vare1)

title('滤波型LMS自适应滤波器的e(n)^2的曲线 ')

xlabel('n')ylabel('e(n)^2')

% 滤波型LMS自适应滤波器的学习曲线图

figure(4)

plot(estd1)

title('滤波型LMS自适应滤波器的学习曲线图 ')

xlabel('n')ylabel('E[e(n)^2]')

希望可以帮到你

---