自适应混沌粒子群/ACPSO 在传统的粒子群上加入了混沌初始化、动态学习因子和自适应速度系数w，提高了算法前期收敛能力，防止容易陷入局部最优，同时提高了算法的收敛速度。 采用matlab编写

function [gBest, convergeCurve] = ACPSO(objFunc, dim, lb, ub, maxIter, popSize)
    % 混沌初始化
    chaosSeq = logisticMap(0.25, popSize, dim);  % Logistic混沌序列
    particles = lb + chaosSeq .* (ub - lb);      % 映射到解空间
    velocities = zeros(popSize, dim);            % 速度矩阵初始化

这里用Logistic映射生成混沌序列取代了随机初始化。传统PSO的随机初始化可能导致粒子扎堆，而混沌序列的遍历性特征能让粒子在搜索空间分布更均匀。来看logisticMap函数实现：

function seq = logisticMap(init, len, dim)
    seq = zeros(len, dim);
    x = init;
    for i =1:len*dim*20  % 预迭代消除瞬态
        x = 4 * x * (1 - x);
    end
    for i=1:len
        for j=1:dim
            x = 4 * x * (1 - x);
            seq(i,j) = x;
        end
    end
end

注意这里有个骚操作：预迭代20次避免初始瞬态影响。混沌参数选的是μ=4（完全混沌态），这个选择其实有讲究，当μ<3.57时系统可能进入周期状态，达不到混沌效果。

动态学习因子是ACPSO的第二个亮点。传统PSO的c1、c2固定不变，这里改成随着迭代次数变化的动态参数：

c1 = 2.5 - 2*(1:maxIter)/maxIter;  % 认知因子递减
c2 = 0.5 + 2*(1:maxIter)/maxIter;  % 社会因子递增

这种设计在迭代初期强化个体认知能力（避免早熟），后期增强社会引导（加速收敛）。实际跑起来会发现，前100代粒子像无头苍蝇到处试探，300代后明显开始抱团冲锋。

自适应混沌粒子群/ACPSO 在传统的粒子群上加入了混沌初始化、动态学习因子和自适应速度系数w，提高了算法前期收敛能力，防止容易陷入局部最优，同时提高了算法的收敛速度。 采用matlab编写

自适应惯性权重w的设计更妙：

w = 0.9 - 0.5*(iter/maxIter)^2;  % 非线性递减
if std(fitness) < 1e-4            % 种群适应度趋同时
    w = w * 1.2;                  % 突跳扰动
end

平方项让w前期下降平缓，保留探索能力；后期快速衰减加强开发。当种群多样性不足时（适应度标准差小于阈值），突然给个惯性权重突跳，这个操作就像给昏昏欲睡的粒子群打了一针肾上腺素。

速度更新部分长这样：

velocities = w.*velocities + c1(iter).*rand(popSize,dim).*(pBest - particles)...
           + c2(iter).*rand(popSize,dim).*(gBest - particles);
particles = particles + velocities; 

和传统PSO相比，这里的w、c1、c2都是动态变量。有个容易踩坑的地方：速度越界处理不能简单截断，建议用：

velocities = min(max(velocities, -0.2*(ub-lb)), 0.2*(ub-lb)); 

最后看个实际测试效果：在Rastrigin函数（多峰函数）上，传统PSO平均在500代收敛，ACPSO大概300代就能找到全局最优。收敛曲线前段明显更陡峭，说明改进确实有效。不过要注意混沌初始化会增加约15%的计算耗时，维度越高这个损耗越明显。