基于模拟退火的粒子群优化算法

【实例简介】模拟退火算法具有很好的跳跃能力，能够有效的避免陷入局部最优
【实例截图】
【核心代码】for t = 1:M
        groupFit = fitness(pg);
        
        %w = wmax-(wmax-wmin)*sin(((t/M)^2)*2/pi);     % 非线性惯性权重
        
        %c1 = 1.5 cos((t/M)^2*pi);
        %c2 = 1.5-cos((t/M)^2*pi);       %异步学习因子
        
        for i = 1:N             %当前温度下各个Pi的温度值
            Tfit(i) = exp( - (p(i) - groupFit)/T);
        end
        SumTfit = sum(Tfit);
        Tfit = Tfit/SumTfit;
        pBet = rand();
        for i = 1:N             %用轮盘赌策略确定全局最优的某个替代值
            ComFit(i) = sum(Tfit(1:i));
            if pBet <=ComFit(i)
                pg_plus = x(i,:);
                break;
            end
        end
        C = c1 c2;
        ksi = 2/abs( 2 - C -sqrt(C^2 - 4*C));     %速度压缩因子
        for i = 1:N
            %v(i,:) = ksi*w*(v(i,:) c1*rand*(y(i,:) - x(i,:)) c2*rand*(pg_plus - x(i,:)));    %带惯性权重
             v(i,:) = ksi*(v(i,:) c1*rand*(y(i,:) - x(i,:)) c2*rand*(pg_plus - x(i,:)));
            x(i,:) = x(i,:) v(i,:);
            
            % 边界位置处理
            for z=1:D
                for j=1:N
                    if  x(j,z)>limit(z,2)
                        x(j,z)=limit(z,2);
                    end
                    if  x(j,z) < limit(z,1)
                        x(j,z)=limit(z,1);
                    end
                end
            end
            
            
            if fitness(x(i,:)) < p(i)
                p(i) = fitness(x(i,:));
                y(i,:) = x(i,:);
            end
            if p(i) < fitness(x(i,:))
                pg = y(i,:);
            end
        end
        T = T*lamda;                                % 退温操作
        
        yy(t) = fitness(pg);
    end