基于 MATLAB PSO 工具箱的函数寻优算法

MATLAB 自带 Particle Swarm Optimization（PSO）工具箱 ，核心函数是 particleswarm ，属于 Global Optimization Toolbox 。下面从原理 → 参数 → 代码实战 → 高级用法 → 常见问题系统讲解。

---

一、PSO 核心原理（快速回顾）

**粒子群优化（PSO）**是一种群体智能优化算法，模仿鸟群觅食行为：

• 每个"粒子"代表一个候选解
• 粒子根据自身历史最优（pbest）和群体历史最优（gbest）更新位置和速度
• 通过迭代逼近全局最优解

更新公式：

vit+1=wvit+c1r1(pbesti−xit)+c2r2(gbest−xit) v_i^{t+1} = w v_i^t + c_1 r_1 (pbest_i - x_i^t) + c_2 r_2 (gbest - x_i^t) vit+1=wvit+c1r1(pbesti−xit)+c2r2(gbest−xit)

xit+1=xit+vit+1 x_i^{t+1} = x_i^t + v_i^{t+1} xit+1=xit+vit+1

参数	含义
www	惯性权重
c1c_1c1	个体学习因子
c2c_2c2	社会学习因子
r1,r2r_1, r_2r1,r2	0,1 随机数

---

二、MATLAB PSO 工具箱核心函数

1、主函数：particleswarm

[x, fval, exitflag, output] = particleswarm(fun, nvars)

参数	说明
fun	目标函数（最小化）
nvars	变量维度
x	最优解
fval	最优函数值
exitflag	退出标志
output	迭代信息

---

三、基础示例：无约束函数寻优

示例 1：Sphere 函数（经典测试函数）

f(x)=∑i=1nxi2 f(x) = \sum_{i=1}^{n} x_i^2 f(x)=i=1∑nxi2

全局最小值：f(0,...,0) = 0

clc; clear; close all;

%% 1. 定义目标函数
fun = @(x) sum(x.^2);

%% 2. PSO 参数
nvars = 5;              % 变量维度
lb = -10 * ones(1,nvars); % 下界
ub =  10 * ones(1,nvars); % 上界

options = optimoptions('particleswarm', ...
    'SwarmSize', 50, ...          % 粒子数
    'MaxIterations', 100, ...     % 最大迭代次数
    'Display', 'iter', ...        % 显示迭代信息
    'HybridFcn', @fmincon);      % 混合局部搜索（提高精度）

%% 3. 调用 PSO
[x_best, fval] = particleswarm(fun, nvars, lb, ub, options);

%% 4. 输出结果
fprintf('最优解 x = \n');
disp(x_best);
fprintf('最优函数值 f(x) = %.6e\n', fval);

---

四、带约束的 PSO 寻优

示例 2：带不等式约束的优化问题

min⁡f(x)=x12+x22 \min f(x) = x_1^2 + x_2^2 minf(x)=x12+x22

s.t.x1+x2≥1 s.t.\quad x_1 + x_2 \ge 1 s.t.x1+x2≥1

clc; clear;

%% 目标函数
fun = @(x) x(1)^2 + x(2)^2;

%% 非线性约束
nonlcon = @(x) deal([], 1 - x(1) - x(2)); % c(x) ≤ 0

%% 变量边界
lb = [0, 0];
ub = [5, 5];

%% PSO 参数
options = optimoptions('particleswarm', ...
    'SwarmSize', 40, ...
    'MaxIterations', 80, ...
    'Display', 'final');

%% 求解
[x_best, fval] = particleswarm(fun, 2, lb, ub, options);

% 使用 fmincon 精修
[x_refined, fval_refined] = fmincon(fun, x_best, [], [], [], [], lb, ub, nonlcon);

fprintf('PSO 结果: f = %.4f\n', fval);
fprintf('精修结果: f = %.4f\n', fval_refined);

---

五、工程级 PSO 参数配置（非常重要）

推荐参数组合（经验值）

参数	推荐值	说明
SwarmSize	30--100	粒子越多越稳，但越慢
MaxIterations	50--500	维度越高，迭代越多
InertiaRange	0.1, 1.1	自适应惯性权重
SelfAdjustmentWeight	1.5	c1c_1c1
SocialAdjustmentWeight	1.5	c2c_2c2
HybridFcn	@fmincon	强烈推荐

参数设置模板（直接可用）

options = optimoptions('particleswarm', ...
    'SwarmSize', 60, ...
    'MaxIterations', 200, ...
    'InertiaRange', [0.2, 1.0], ...
    'SelfAdjustmentWeight', 1.49, ...
    'SocialAdjustmentWeight', 1.49, ...
    'MinNeighborsFraction', 0.25, ...
    'Display', 'iter', ...
    'PlotFcn', @pswplotbestf, ...
    'HybridFcn', {@fmincon});

---

六、多目标 PSO（MOPSO）

MATLAB 原生 particleswarm 不支持多目标，但可手动实现权重法：

fmulti=w1f1+w2f2 f_{multi} = w_1 f_1 + w_2 f_2 fmulti=w1f1+w2f2

fun1 = @(x) x(1)^2 + x(2)^2;
fun2 = @(x) (x(1)-2)^2 + (x(2)-2)^2;

w1 = 0.6; w2 = 0.4;
fun_multi = @(x) w1*fun1(x) + w2*fun2(x);

[x_best, fval] = particleswarm(fun_multi, 2, [0 0], [5 5]);

参考代码 基于PSO工具箱的函数寻优算法 www.youwenfan.com/contentcsv/79169.html

七、PSO 在工程优化中的典型应用

1、神经网络权值优化（替代 BP）

% 定义 NN 权值编码
fun = @(w) neural_network_loss(w, X_train, Y_train);
lb = -5 * ones(size(w0));
ub =  5 * ones(size(w0));

w_best = particleswarm(fun, length(w0), lb, ub);

2、SVM / 机器学习超参数寻优

fun = @(params) svm_cross_validation(params, X, Y);
% params = [C, gamma]

lb = [0.1, 0.01];
ub = [100, 10];

best_params = particleswarm(fun, 2, lb, ub);

3、控制系统 PID 参数整定

fun = @(K) pid_cost_function(K, plant_model);
K_best = particleswarm(fun, 3, [0 0 0], [10 10 10]);

---

八、PSO 与 GA、DE 的对比

算法	收敛速度	全局搜索	参数敏感性	工程推荐
PSO	⭐⭐⭐⭐	⭐⭐⭐	低	首选
GA	⭐⭐	⭐⭐⭐⭐	高	备选
DE	⭐⭐⭐	⭐⭐⭐⭐	中	复杂问题

工程经验：

90% 的工程优化问题，PSO + fmincon 混合策略是最优解。

---

九、完整工程模板

clc; clear; close all;

%% 1. 问题定义
fun = @(x) x(1)^2 + x(2)^2 + sin(3*x(1)+x(2));

nvars = 2;
lb = [-5, -5];
ub = [5, 5];

%% 2. PSO 参数
options = optimoptions('particleswarm', ...
    'SwarmSize', 80, ...
    'MaxIterations', 150, ...
    'InertiaRange', [0.2, 1.0], ...
    'SelfAdjustmentWeight', 1.49, ...
    'SocialAdjustmentWeight', 1.49, ...
    'Display', 'iter', ...
    'PlotFcn', @pswplotbestf, ...
    'HybridFcn', @fmincon);

%% 3. 优化
[x_best, fval] = particleswarm(fun, nvars, lb, ub, options);

%% 4. 结果
fprintf('最优解: x1=%.4f, x2=%.4f\n', x_best(1), x_best(2));
fprintf('最优值: f=%.6e\n', fval);