1.算法仿真效果
matlab2022a仿真结果如下：
每个节点的人员:4 3 4 1 8 1 3 1 4 7 8 4 5 2 7 3 5 6 8 7 1 6 2 1 4 8
2.算法涉及理论知识概要
PSO算法是一种随机的、并行的优化算法。它的优点是：不要求被优化函数具有可微、可导、连续等性质，收敛速度较快，算法简单，容易编程实现。然而，PSO算法的缺点在于：（1）对于有多个局部极值点的函数，容易陷入到局部极值点中，得不到正确的结果。造成这种现象的原因有两种，其一是由于待优化函数的性质；其二是由于微粒群算法中微粒的多样性迅速消失，造成早熟收敛。这两个因素通常密不可分地纠缠在一起。（2）由于缺乏精密搜索方法的配合，PSO算法往往不能得到精确的结果。造成这种问题的原因是PSO算法并没有很充分地利用计算过程中获得的信息，在每一步迭代中，仅仅利用了群体最优和个体最优的信息。（3）PSO算法虽然提供了全局搜索的可能，但是并不能保证收敛到全局最优点上。（4）PSO算法是一种启发式的仿生优化算法，当前还没有严格的理论基础，仅仅是通过对某种群体搜索现象的简化模拟而设计的，但并没有从原理上说明这种算法为什么有效，以及它适用的范围。因此，PSO算法一般适用于一类高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题。
当前针对PSO算法开展的研究工作种类繁多，经归纳整理分为如下八个大类：（1）对PSO算法进行理论分析，试图理解其工作机理；（2）改变PSO算法的结构，试图获得性能更好的算法；（3）研究各种参数配置对PSO算法的影响；（4）研究各种拓扑结构对PSO算法的影响；（5）研究离散版本的PSO算法；（6）研究PSO算法的并行算法；（7）利用PSO算法对多种情况下的优化问题进行求解；（8）将PSO算法应用到各个不同的工程领域。以下从这八大类别着手，对PSO算法的研究现状作一梳理。由于文献太多，无法面面俱到，仅捡有代表性的加以综述。
PSO初始化为一群随机粒子（随机解）。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值（pbest和gbest）”来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。
对于公式（1）：
公式（1）中的第一部分称为记忆项，表示上次速度大小和方向的影响；
公式（1）中的第二部分称为自身认知项，是从当前点指向粒子自身最好点的一个矢量，表示粒子的动作来源于自己经验的部分；
公式（1）中的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，反映了粒子间的协调合作和知识共享。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。
3.MATLAB核心程序
[popu,s] = size(swarminit);
[en,n]=size(man);
tracee = ones(1,gen);
tracee(1) = 10000000; % 初始全局最佳适应度设为足够大
for i = 1:s,
bestfit(i) = 10000000; % 初始个体历史最佳适应度设为足够大
end
bestpar = swarminit; % 个体历史最佳粒子初始化
for l=1:swarminitnum,
fitlist(l)=[0];
end
dd1=clock;
%==开始世代循环===============================
for step=1:gen,
for q=1:swarminitnum,
for pop=1:n,
time1(pop)=da(time(pop)/man(swarminit{q}(pop),pop));
end
fitlist(q)=uncode(MM,n,time1,swarminit{q},en);
end% 计算当前粒子群每个粒子的适应度
[minval,sub] = min(fitlist); % 求得这代粒子的适应度最小值及其下标
if(tracee(step) > minval),
tracee(step) = minval;
bestparticle = swarminit{sub};
end
if(step~= gen) ,
tracee(step+1)=tracee(step);% 全局最佳适应度及最佳粒子调整
end
T=0.95*T;
for i = 1:s,
tt=fitlist(i)-bestfit(i);
if (bestfit(i) > fitlist(i))|(min(1,exp(-tt/T))>=rand(1,1)) ,
bestfit(i) = fitlist(i);
bestpar{i} = swarminit{i};
end