function?[max_positionmax_value]=liziqun（flimit1limit2）
%?大量的問題最終可歸結為函數的優化問題，通常這些函數是非常復雜的，主要表現為規模大，維數高，非線性，非凸和不可微等特性，而且有的函數存在大量局部極小。許多傳統確定性優化算法收斂速度較快，計算精度高，但對初值敏感，易陷入局部最小。而一些具有全局性的優化算法，如遺傳算法，模擬退火算法，進化規劃等，受限于各自的機理和單一結構，對于高維復雜函數難以實現高效優化。PSO算法通過改進或結合其他算法，對高維復雜函數可以實現高效優化
%f???要找最大值的函數???可在命令行窗口輸入?f=@（x）（1-cos（3.*x）.*exp（-x））
%limit1?要在何范圍內找這個函數的最大值??可輸入[04]
%limit2?要在和范圍呢顯示這個函數??可輸入【04】


N?=?50;?????????????????????????%?初始種群個數
d?=?1;??????????????????????????%?空間維數
ger?=?100;??????????????????????%?最大迭代次數?????
limit?=?limit1;?????????????????%初始化時規定粒子的最大值和最小值位置
vlimit?=?[-1?1];???????????????%?設置速度限制
w?=?0.8;????????????????????????%?慣性權重
c1?=?0.5;???????????????????????%?自我學習因子
c2?=?0.5;???????????????????????%?群體學習因子


%第一步畫出初始函數圖像


%?1、ezplot（fun）在默認區間-2π%?2、ezplot（fun[xminxmax]）在區間?xmin?figure（1）;
ezplot（flimit2）;
title（‘初始狀態圖‘）;
%第二步??規定出粒子群搜索公式的的各個參數，在本函數的因變量中

%第三步??初始化種群的位置在空間中隨機分布
????%x為?N*d的數組，N個d維的點
for?i?=?1:d
????x?=?limit（i?1）?+?（limit（i?2）?-?limit（i?1））?*?rand（N?d）;%rand（Nd）為初始化N*d大小的隨機數矩陣????把x分布到第i維
end

%第四步???等式中的其他變量的初始值
v?=?rand（N?d）;??????????????????%?初始種群的速度
xm?=?x;??????????????????????????%?每個個體的歷史最佳位置
ym?=?zeros（1?d）;????????????????%?種群的歷史最佳位置
fxm?=?zeros（N?1）;???????????????%?每個個體的歷史最佳適應度
fym?=?-inf;??????????????????????%?種群歷史