Matlab基于粒子群算法的多目标搜索算法。 实际工程优化问题中，多数问题是多目标优化问题，其显著特点是优化各个目标使其同时达到综合的最优值。 然而，多目标优化问题的各个目标之间往往是相互冲突的。 代码可正常运行
多目标优化问题就像在烧烤摊前纠结——想要烤肉外焦里嫩，又怕烤太久肉质变柴。工程领域里这种既要又要的难题比比皆是，传统的单目标优化算法这时候就显得力不从心。这时候粒子群算法带着它的群体智慧登场了，像一群找吃的的鸟，边飞边交换信息。
先来点直观的Matlab代码热身：
function [pareto_front, particles] = MOPSO(n_particles, n_iter, w, c1, c2) % 初始化粒子群 particles = struct('position', [], 'velocity', [], 'pbest', [], 'objectives', []); for i =1:n_particles particles(i).position = rand(1,2)*10; % 二维搜索空间 particles(i).velocity = zeros(1,2); particles(i).pbest = particles(i).position; particles(i).objectives = evaluate(particles(i).position); end pareto_front = []; % 外部存档 for iter=1:n_iter % 更新粒子速度和位置 for i=1:n_particles % 选全局最优（后面会补充这部分逻辑） global_best = select_leader(pareto_front); % 速度更新公式 particles(i).velocity = w * particles(i).velocity + ... c1*rand*(particles(i).pbest - particles(i).position) + ... c2*rand*(global_best - particles(i).position); % 位置更新 particles(i).position = particles(i).position + particles(i).velocity; % 边界处理 particles(i).position = max(min(particles(i).position, 10), 0); end % 更新个体最优和外部存档 pareto_front = update_pareto(particles, pareto_front); end end这段代码骨架里藏着几个关键点：速度更新公式里的w是惯性权重，相当于鸟群飞行时的"刹车力度"；c1和c2分别控制个体认知和社会认知的权重。边界处理部分防止粒子飞出搜索空间，就像给鸟群划了个活动范围。
实际工程中目标函数得具体设计。举个双目标的例子：
function f = evaluate(x) % 目标1：最小化函数值 f1 = x(1)^2 + x(2)^2; % 目标2：最小化与(5,5)的距离 f2 = (x(1)-5)^2 + (x(2)-5)^2; f = [f1, f2]; end这两个目标相互拉扯——想第一个目标小就得靠近原点，第二个目标小就得接近(5,5)。真正的Pareto前沿应该是连接这两个点的曲线。
外部存档维护是核心难点，这里简化处理：
function new_front = update_pareto(particles, old_front) all_solutions = [old_front; [particles.objectives]]; % 非支配排序 [ranks, ~] = ndsort(all_solutions); new_front = all_solutions(ranks==1,:); % 拥挤度筛选（防止聚集） if size(new_front,1) > 100 [~, idx] = sort(crowding_distance(new_front)); new_front = new_front(idx(1:100),:); end end非支配排序就像给解集做淘汰赛，只有不被其他解全面碾压的才能留在存档里。拥挤度筛选保证解集的多样性，避免所有粒子都挤在某个局部最优区域。
运行算法后得到的Pareto前沿应该呈现典型的折衷曲线。可以用散点图可视化：
[pfront, ~] = MOPSO(50, 100, 0.6, 1.2, 1.2); scatter(pfront(:,1), pfront(:,2), 'filled'); xlabel('目标1'); ylabel('目标2'); title('Pareto最优前沿');实际跑起来可能会发现粒子群容易过早收敛，这时候可以尝试动态调整惯性权重，或者在速度更新公式里加入扰动项。比如把w从0.9线性递减到0.4，相当于开始阶段让粒子多探索，后期加强开发能力。
这种算法在机械结构优化、电力系统调度等领域都有应用场景。下次遇到需要平衡多个指标的问题时，不妨试试这群会自我进化的粒子，或许能找到意想不到的平衡点。