有约束的基于适应度和连续世代策略的混沌自适应粒子群算法MATLAB代码

有约束的基于适应度和连续世代策略的混沌自适应粒子群算法，利用混沌系统产生混沌粒子群，利用混合自适应策略调节每个粒子的惯性因子和种群规模，利用惩罚函数法去处理约束条件，融合多种改进方案，实现了收敛速度和收敛精度的良好均衡。

function [gbestxmfvMWn]=yueshu_APSO_FCG_norm（testNc1c2MwmaxwminxmaxxminymaxyminNmaxNmin）
%有约束的基于适应度和连续世代策略的自适应粒子群算法：调节w、N初始化为范围内随机
%test函数为增广目标函数
%停止条件为：最大迭代次数和连续9次最优适应度没有更新
%全局最优增广适应度：gbest
%目标函数的最小值的自变量值：xm
%目标函数的最小值：fv
%最大迭代次数：M
%粒子数目动态轨迹：n
%test增广适应度函数
%粒子数目初始值：N
%学习因子1：c1
%学习因子2：c2
%最大权重：wmax
%最小权重：wmin
%优化变量范围：wmax、wmin、ymaxymin

format long;
%% 在粒子范围内随机初始化
x1=10*rand（N1）;
x2=10*rand（N1）;
x=[x1x2];
v=rand（N2）;
W=zeros（MN）;%存放惯性因子，方便绘图
n=zeros（M1）;%存放种群规模
gbest=zeros（1M）;%预定义全局最优适应度
%% 求解有约束的初始化粒子的历史最优适应度和位置
for i=1:N
    f（i）=test（x（i:）0xmaxxminymaxymin）;%求解增广适应度
    p（i:）=x（i:）;%历史最优
end
%比较适应度
pg=x（N:）;     %pg为全局最优
a=N;
for i=1:（N-1）
    if f（i）        pg=x（i:）;
        v1=v（i:）;%存放历史最优位置的速度
        a=i;
    end
end

%% 粒子群算法更新
for t=1:M 
    n（t）=N;
    for j=1:N 
        fv（j）=test（x（j:）txmaxxminymaxymin）;  %计算增广目标函数
    end              
%% 自适应惯性因子           
    fvag=sum（fv）/N;         %适应度平均值
    fmin=min（fv）;           %适应度最小值
    for i=1:N
        if fv（i）            w=wmin+（fv（i）-fmin）*（wmax-wmin）/（fvag-fmin）;%减少w
        else
            w=wmax;%适应度差，增强全局
        end
        W（ti）=w;%惯性因子
%% 更新位置和速度                 
        v（i:）=w*v（i:）+c1*rand*（p（i:）-x（i:））+c2*rand*（pg-x（i:））;
        x（i:）=x（i:）+v（i:）;  
%% 更新有约束的历史最优和全局最优        
        if test（x（i:）txmaxxminymaxymin）            f（i）=test（x（i:）txmaxxminymaxymin）;%历史最优适应度
            p（i:）=x（i:）;%历史最优位置
            a=i;
        end
        if f（i）            pg=p（i:）;
            v1=v（i:）;%全局最优位置的速度
        end         
    end
    gbest（t）=test（pgtxmaxxminymaxymin）;%全局最优适应度
%% 连续世代调整种群规模
    if t>=4     %更新4代及其以上时候使用连续世代策略（因为设定连续三代，所以从第四代开始统计
        if gbest（t）==gbest（t-1）&&gbest（t）