clc;clear;close;
tic
%%?初始化參數
rand（‘state‘sum（100*clock））;%確定隨機數流
ps?=?10;%種群個數大小
dimension?=?10;%粒子維數
iter_max?=?3000;%最大迭代數
w0=0.9;w1=0.4;
c=1.49445;?%加速常數
v_min?=?-4;v_max?=?4;%粒子速度上下限???
V?=?v_min?+?（v_max?-?v_min）*rand（ps?dimension）;%粒子速度
xmin=-5.12;xmax=5.12;%粒子位置的上下限值
mask_min?=?repmat（xmin?1?dimension）;
mask_max?=?repmat（xmax?1?dimension）;
X?=?rand（ps?dimension）;%粒子初始化位置
for?i?=?1?:?dimension
???X（:?i）??=?repmat（xmin?ps?1）?+?（xmax?-?xmin）*X（:?i）;????
end?
flag?=?zeros（ps1）;%粒子停止改進代數標記
m=5;%刷新間隔
%%?計算適應度值，初始化pbest，gbest
fhd=str2func（‘@（x）sum（x.^2-10.*cos（2.*pi.*x）+102）‘）;%定義函數句柄
for?i=1:ps
????e（i1）=feval（fhdX（i:））;%計算每個粒子適應度值
end
%%?初始化pbest和gbest
pbest=X;%初始化位置作為pbest
pbestval=e;?%初始化粒子pbest和pbest的適應度值
[gbestvalgbestid]=min（pbestval）;%求出適應值最小的粒子索引，得到gbest適應度值
gbest=pbest（gbestid:）;%初始化gebst，將具有最小適應值的粒子的pbest作為gbest
%%?Pc學習率
t=0:1/（ps-1）:1;
t=5.*t;
Pc=0.0+（0.5-0.0）.*（exp（t）-exp（t（1）））./（exp（t（ps））-exp（t（1）））;%每個粒子的學習可能性
ai=zeros（psdimension）;
f_pbest=1:ps;%單獨一個粒子
f_pbest=repmat（f_pbest‘1dimension）;%每個粒子每個維數需要學習的粒子索引數，初始化為每個粒子每一維從自身學習，行數代表粒子數列數是維數
%%?計算準熵
pbestval_history=pbestval;%將第一次初始化的pbest適應度值保存
P（:1）=pbestval_history（:1）./sum（pbestval_history（:1））;%計算第一次迭代的Pti
QE（:1）=-sum（P（:1）.*log（P（:1）））;%計算初始準熵
%%?CLPSO開始
for?iter=1:iter_max
????w（iter）=w0-iter*（w0-w1）/iter_max;%更新慣性權重
????for?i=1:ps%每個粒子進行迭代
????????num=（iter-1）*10+i;%總循環次數
???????%%?粒子從其他粒子學習的錦標賽選擇過程
????????if?flag（i）>=m?%當連續沒有改進一定代數
????????????flag（i）=0;
????????????for?d=1:dimension%粒子每一維迭代
????????????????r?=?rand;%生成隨機數
????????????????if?r?????????????????????a=randperm（ps）;
?????????????