matlab 运行报错

syms t beta; 

y1=0+(32-0)*(t/22.45).^(beta)/3600;
yy1=0+(32-0)*(t/22.45).^beta;
y2=yy1*229.5/8584;
y3=yy1.*(733*beta*(32-0)/22.45.*(t/22.45).^(beta-1))/8584;
y4=yy1.*(0.035*(0+(32-0)*(t/22.45).^beta).^2)/8584;
y5=y2+y3+y4;
y6=int(y5,t,0,22.45);
y7=int(y1,t,0,22.45);
f=y6./y7; 
%figure(1);
%fplot(f,[0,1],'b-');               

d = 1;                           
N = 20;                                  
beta_limit = [0, 1];              
v_limit = [-0.1, 0.1];                   

beta = beta_limit(1) + (beta_limit(2) - beta_limit(1)) * rand(N, d);   
v = v_limit(1) + (v_limit(2) - v_limit(1)) *rand(N, d);                    

y1=0+(32-0)*(t/22.45).^(beta)/3600;
yy1=0+(32-0)*(t/22.45).^beta;
y2=yy1*229.5/8584;
y3=yy1.*(733*beta*(32-0)/22.45.*(t/22.45).^(beta-1))/8584;
y4=yy1.*(0.035*(0+(32-0)*(t/22.45).^beta).^2)/8584;
y5=y2+y3+y4;
y6=int(y5,t,0,22.45);
y7=int(y1,t,0,22.45);
f=y6./y7;
pbest = beta;                       
gbest = zeros(1, d);             
fp_best = ones(N, 1)*inf;           
fg_best = inf;                    

iter = 50;                       
w = 0.8;                         
c1 = 0.5;                        
c2 = 0.5;                        

 
%hold on;
%plot(beta, subs(f), 'ro');
%title('初始状态图');  

  
%record = zeros(iter, 1);        
%figure(2);
t=0:1:22.45;
cons1=(768+2496*0.40*beta.*(t/22.45).^(beta-1)+0.28*1.97*(32*(t/22.45).^beta).^2/21.15)*32.*(t/22.45).^beta/0.377/0.9;
cons2=(768+2496*0.40*beta.*(t/22.45).^(beta-1)+0.28*1.97*(32*(t/22.45).^beta).^2/21.15)*0.301/4.5/0.9;
cons3=32*(t/22.45).^beta*4.5/0.377/0.301;
cons4=beta*32.*(t/22.45).^(beta-1)/3.6/22.45;
cons5=beta.*(beta-1)*32.*(t/22.45).^(beta-2)/3.6/22.45^2;  

i = 1; 
while i <= iter  
    fbeta = f ;                      
    for j = 1:N        
        if  cons1(beta(j))<=120
            fbeta(j) = fbeta(j);
        else
            fbeta(j) = 10^10; 
        end
            if cons2(beta(j))<=450
               fbeta(j) = fbeta(j);
            else
                fbeta(j) = 10^10;
            end
                if cons3(beta(j))<=7500
                    fbeta(j) = fbeta(j);
                else
                fbeta(j) = 10^10;
                end
                    if cons4(beta(j))<=3
                        fbeta(j) = fbeta(j);
                    else
                        fbeta(j) = 10^10;
                    end
                        if cons5(beta(j))<=10
                            fbeta(j) = fbeta(j);
                        else
                            fbeta(j) = 10^10;
                        end
            if fp_best(j) > fbeta(j) 
            fp_best(j) = fbeta(j); 
            pbest(j) = beta(j);    
            end   
     end
    if fg_best > min(fp_best) 
        [fg_best,ind_min] = min(fp_best);     
        gbest = pbest(ind_min);                  
    end  
    v = v * w + c1 * rand() * (pbest - beta) + c2 * rand() * (repmat(gbest, N, 1) - beta); % 速度更新
    % 注： repmat(A,r1,r2):可将矩阵 扩充 为每个单位为A的r1*r2的矩阵
    
    % 边界速度处理  
    v(v > v_limit(2)) = v_limit(2);
    v(v < v_limit(1)) = v_limit(1);  
    
    beta = beta + v; 
    
    % 边界位置处理  
    beta(beta > x_limit(2)) = x_limit(2);  
    beta(beta < x_limit(1)) = x_limit(1);  
    
    record(i) = fg_best;%最大值记录  

    % 画动态展示图
   % zuo_beta = 0 : 0.01 : 1;  
   % plot(zuo_beta, subs(f), 'b-', beta, subs(f), 'ro');
    %title('状态位置变化')  
    %pause(0.1)  
    i = i + 1;
%     if mod(i,10) == 0   % 显示进度
%         i
%     end
end
%figure(3);
%plot(record);
%title('收敛过程'); 
%zuo_beta = 0 : 0.01 : 1;  

%figure(4);
%plot(zuo_beta, f(zuo_beta), 'b-', beta, f(beta), 'ro');
%title('最终状态图')

disp(['最佳适应度：',num2str(fg_best)]);  
disp(['最佳粒子的位置beta：',num2str(gbest)]);

img

img


不知道怎么改正

该回答通过自己思路及引用到GPTᴼᴾᴱᴺᴬᴵ搜索,得到内容具体如下：
根据报错信息和代码分析，我发现在代码的第68行有一个错误。在该行中，cons1 是一个函数句柄，你需要将 beta(j) 换成 beta(j,:) 来索引 beta 中的元素。这样会使得 cons1 函数以 beta(j,:) 作为输入参数进行计算。

请将第68行修改为以下代码：

if cons1(beta(j,:)) <= 120

同样的修改也需要应用到第74、80、86 和 92 行的代码中。这样就可以正确索引 beta 中的元素，并将其作为输入参数传递给对应的 cons 函数。

完成以上修改后，你可以尝试重新运行代码，看看是否解决了报错问题。如果还有其他问题或错误信息，请提供详细信息，我将尽力帮助你解决。

如果以上回答对您有所帮助，点击一下采纳该答案～谢谢

引用 皆我百晓生 小程序回复内容作答：
根据错误信息，索引必须为正整数或逻辑值，在第68行的判断条件中使用了变量beta(j)作为索引，但是beta(j)是一个数组，不能作为索引使用。

你可以修改第68行的判断条件，将beta(j)改为beta(j, 1)，如下所示：

if  cons1(beta(j, 1))<=120
    fbeta(j) = fbeta(j);
else
    fbeta(j) = 10^10; 
end

请尝试这个修改，并重新运行你的代码。


if  cons1(beta(j, 1))<=120
    fbeta(j) = fbeta(j);
else
    fbeta(j) = 10^10; 
end

【相关推荐】



  • 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/206144
  • 这篇博客也不错, 你可以看下matlab图像的代数运算
  • 您还可以看一下 硬核野生技术咨询客服小李老师的matlab数学建模课程中的 免疫算法小节, 巩固相关知识点
  • 除此之外, 这篇博客: matlab 算法集锦中的 算法集锦 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

    决策树-划分点

    function [n,h]=huafendian1(x)
%n返回增益
%h返回划分点
%假设0代表第一类
%假设1代表第二类
%输入x第一列为属性，第二列为用于学习的分类结果

[~,m]=sort(x(:,1));%按小到大排序
x=x(m,:);
t=[];
for i=1:size(x,1)-1
t=[t;(x(i,1)+x(i+1,1))/2];%生成划分点
end
%原分类结果信息熵
E1=[];
C1=length(find(x(:,2)==0))/size(x,1);%第一类比例
C2=length(find(x(:,2)==1))/size(x,1);%第二类比例
E1=-[C1*log2(C1),C2*log2(C2)];
E1(find(isnan(E1),1))=0;%0*log2(0)=NaN，这里是将NaN转化为0，如果纯度100%，则信息熵为0
E1=sum(E1);
%候选划分点信息增益
Ent=[];
if E1>0
for i=1:size(t,1)
x1=x(:,1);
%根据划分点将数据列转化成0和1
%这里默认的是数据越小越倾向第一类
b1=find(x1<=t(i,1));
b2=find(x1>t(i,1));
x1(b1)=0;
x1(b2)=1;
x2=[x1,x(:,2)];%【重新划分的数据列，因变量】
c1=length(find(x2(:,1)==0))/size(x2,1);
c2=length(find(x2(:,1)==1))/size(x2,1);
d1=length(find(x2(find(x2(:,1)==0),2)==0))/size(find(x2(:,1)==0),1);
d2=length(find(x2(find(x2(:,1)==0),2)==1))/size(find(x2(:,1)==0),1);
d3=length(find(x2(find(x2(:,1)==1),2)==0))/size(find(x2(:,1)==1),1);
d4=length(find(x2(find(x2(:,1)==1),2)==1))/size(find(x2(:,1)==1),1);
E=[d1*log2(d1),d2*log2(d2);d3*log2(d3),d4*log2(d4)];
E(find(isnan(E),1))=0;%0*log2(0)=NaN，这里是将NaN转化为0，最多有三个NaN，这里预设三个语句即可
E(find(isnan(E),1))=0;
E(find(isnan(E),1))=0;
E=sum(sum(-E.*[c1,c1;c2,c2]));%重新划分后的信息熵
Ent(i,1)=E1-E;%信息增益
end
[n,m]=max(Ent);
h=t(m);

else%如果已经达到100%纯度则n和h均返回0
n=0;
h=0;
end

    随机森林
    RBF神经网络（多维）

    clc,clear;
close all;
%% 产生训练样本（训练输入，训练输出）
% ld为样本例数
ld=400; 
% 产生2*ld的矩阵 
x=rand(2,ld); 
% 将x转换到[-1.5 1.5]之间
x=(x-0.5)*1.5*2; 
% x的第一行为x1，第二行为x2.
x1=x(1,:);
x2=x(2,:);
% 计算网络输出F值
F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);
%% 建立RBF神经网络 
eg=1e-30;%目标误差
sc=1;%扩展速度
mn=ld;%最大聚类中心数
display=1;%训练展示，如果是1每增加一个隐藏节点，也就是聚类中心，就会展示下训练误差情况，默认间隔50打印出一次训练误差
net = newrb(x,F,eg,sc,mn,display);%RBF网络训练
%% 建立测试样本
interval=0.1;
[i, j]=meshgrid(-1.5:interval:1.5);
row=size(i);
tx1=i(:);
tx1=tx1';
tx2=j(:);
tx2=tx2';
tx=[tx1;tx2];
%% 使用建立的RBF网络进行模拟，得出网络输出
ty=sim(net,tx);
%% 使用图像，画出3维图
% 真正的函数图像
interval=0.1;
[x1, x2]=meshgrid(-1.5:interval:1.5);
F = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);
figure
subplot(1,3,1)
mesh(x1,x2,F);
zlim([0,60])
title('真正的函数图像')
% 网络得出的函数图像
v=reshape(ty,row);
subplot(1,3,2)
mesh(i,j,v);
zlim([0,60])
title('RBF神经网络结果')
% 误差图像
subplot(1,3,3)
mesh(x1,x2,F-v);
zlim([0,60])
title('误差图像')

    主成分分析

    
X=[124.3000 134.7000 193.3000 118.6000 94.9000 123.8000
 2.4200 2.5000 2.5600 2.5200 2.6000 2.6500
 25.9800 21.0000 29.2600 31.1900 28.5600 28.1200
 19.0000 19.2500 19.3100 19.3600 19.4500 19.6200
 3.1000 3.3400 3.4500 3.5700 3.3900 3.5800
 79.0000 84.0000 92.0000 105.0000 108.0000 108.0000
 54.1000 53.7000 54.0000 53.9000 53.6000 53.3000
 6.1400 6.7400 7.1800 8.2000 8.3400 8.5100
 3.5700 3.5500 3.4000 3.2700 3.2000 3.1000
 64.0000 64.9600 65.6500 67.0100 65.3400 66.9900]';
mapping.mean = mean(X, 1);
X = X - repmat(mapping.mean, [size(X, 1) 1]);%去均值
C = cov(X);%协方差矩阵
C(isnan(C)) = 0;
C(isinf(C)) = 0;
[M, lambda] = eig(C);%求C矩阵特征向量及特征值
[lambda, ind] = sort(diag(lambda), 'descend');%排序
lambda=lambda./sum(lambda);
lambda=cumsum(lambda);
mapping.lambda = lambda;
k=find(lambda>0.95);
M = M(:,ind(1:k(1)));%%取前k列
mappedX = X * M;%降维后的X
mapping.M = M;%映射的基

    方差分析

    A=[31.9   24.8   22.1
   27.9   25.7   23.6
   31.8   26.8   27.3
   28.4   27.9   24.9
   35.9   26.2   25.8]; %原始数据输入
[p,anovatab,stats]=anova1(A);%单因素方差分析
fa=finv(0.95,anovatab{2,3},anovatab{3,3});%计算fa
F=anovatab{2,5};%F值
if p<=0.01 && F>fa
    disp('非常显著')
elseif p<=0.05 && F>fa
    disp('显著')
else
    disp('不显著')
end

    logistic回归

    clc,clear;
close all;
shuju = [0.8+0.2*rand(20,2),ones(20,1)
    0.7+0.2*rand(20,2),zeros(20,1)];
X=shuju;
a1=find(X(:,end)==0);
a2=find(X(:,end)==1);
figure
hold on
plot(shuju(a1,1),shuju(a1,2),'r*')
plot(shuju(a2,1),shuju(a2,2),'b*')

Y=X(:,end);
X(:,end)=[];
X=[ones(size(X,1),1) X];%新增一列常数项
[m,n]=size(X);
%数据归一化处理
X=mapminmax(X',0,1)';

%设定学习率为0.01
delta=0.1;
%初始化参数
f=@(a,x)1./(1+exp(-(a(1).*x(1,:)+a(2).*x(2,:)+a(3).*x(3,:))));
a=lsqcurvefit(f,[1 1 1],X',Y');
theta1=a;

%%训练模型
%正则化后的梯度下降算法θ的更新公式
num=100000;
while num>0
    tmp=X*theta1';
    h=1./(1+exp(-tmp));
    theta1=theta1-delta*mean((h-Y));
    num =num-1;
end

%测试算法准确率
cc=0;
tmp=X*theta1';
Y1=1./(1+exp(-tmp));
for i=1:m
    if Y1(i)>=0.5
        Y1(i)=1;
    else
        Y1(i)=0;
    end
end
1-sum(abs(Y1-Y))/size(Y,1)
a1=find(Y1==0);
a2=find(Y1==1);
hold on
plot(shuju(a1,1),shuju(a1,2),'ro')
plot(shuju(a2,1),shuju(a2,2),'bo')
legend({'第1类','第2类','logistic第1类','logistic第2类'},'Location','northwest','NumColumns',1)

    非线性最小二乘

    clc,clear;
close all;
shuju=[1.54  1.61 1.62 1.66 1.71 1.72 1.73 1.86 1.92  2 2.21 2.29  2.34 2.38 2.42 2.44  2.57 2.64 2.71 2.85  2.93 3.01 3.14 3.22  3.34 3.49 3.55 3.79  3.99 4.12
    20.1 20.1 20.3 20.4 20.4 20.5 20.6 20.7 20.9 21.1 21.3 21.5 21.7 21.9 22 22.2 22.4 22.5 22.7 22.7 22.8 22.9 23.4 23.7 24.4 24.9 25.3 27.4 28.4 29.1
    5.17 5.14 5.13 5.10  5.08 5.03 5.01 4.99  4.93 4.91 4.89 4.81  4.77 4.75 4.62 4.56  4.5  4.48 4.46 4.31 4.28  4.19 4.12 3.99 3.91  3.84 3.75 3.64 3.51  3.5];
x1=shuju(1,:);%x1、x2为自变量
x2=shuju(2,:);
c=shuju(3,:);%c为因变量
x0=[1 1 1 1];%四个参数的初始值
d=length(x0);
f=@(a,x)0.08*(ones(1,30)-(x(1,:)./7).*(ones(1,30)-a(1)*(ones(1,30)-((x(1,:)./7).^a(2))).*exp(a(3)*sqrt((x(2,:))./2982))))+ones(1,30)*a(4);
a=lsqcurvefit(f,x0,[x1;x2],c)
%%作图
B=0.08*(ones(1,30)-(x1./7).*(ones(1,30)-a(1)*(ones(1,30)-((x1./7).^a(2))).*exp(a(3)*sqrt((x2)./2982))))+a(4)*ones(1,30);
figure
plot3(x1,x2,c,'*')
hold on
plot3(x1,x2,B)
legend('原数据','拟合数据')

figure
plot(c-B)

    词云图

    figure
wordcloud(ZZ,cs);
title('词云')

    数据包络评价

    数据包络分析（Data envelopment
    analysis，DEA）是运筹学和研究经济生产边界的一种方法。该方法一般被用来测量一些决策部门的生产效率。

    clc,clear;
close all;
format long
data=[14.40 0.65 31.30 3621.00 0.00
16.90 0.72 32.20 3943.00 0.09
15.53 0.72 31.87 4086.67 0.07
15.40 0.76 32.23 4904.67 0.13
14.17 0.76 32.40 6311.67 0.37
13.33 0.69 30.77 8173.33 0.59
12.83 0.61 29.23 10236.00 0.51
13.00 0.63 28.20 12094.33 0.44
13.40 0.75 28.80 13603.33 0.58
14.00 0.84 29.10 14841.00 1.00]';
 
X=data([1:3],:);%X为输入变量
Y=data([4:5],:);%Y为输出变量
[m,n]=size(X);
s=size(Y,1);
A=[-X' Y'];%由于目标函数求最小，这里的-X就转化成了求最大
b=zeros(n,1);
LB=zeros(m+s,1);UB=[];
for i=1:n
   f=[zeros(1,m) -Y(:,i)'];
   Aeq=[X(:,i)',zeros(1,s)];
   beq=1;
   w(:,i)=linprog(f,A,b,Aeq,beq,LB,UB);%前3列为投入系数，后2列为产出系数
   E(i,i)=Y(:,i)'*w(m+1:m+s,i);%产出值*产出系数
end
theta=diag(E)';
fprintf('用DEA方法对此的相对评价结果为：\n');
disp(theta);

    协同推荐算法
    FCM聚类
    K-means聚类

    clc,clear;
close all;
data=rand(50,2);
K=3
[Idx,C,sumD,D]=kmeans(data,K,'dist','sqEuclidean','rep',4);
%K: 表示将X划分为几类，为整数
%Idx: N*1的向量，存储的是每个点的聚类标号
%C: K*P的矩阵，存储的是K个聚类质心位置
%sumD: 1*K的和向量，存储的是类间所有点与该类质心点距离之和
%D: N*K的矩阵，存储的是每个点与所有质心的距离

%'dist’(距离测度)
%'sqEuclidean' 欧式距离（默认时，采用此距离方式）
%'cityblock' 绝度误差和，又称：L1
%'cosine' 针对向量
%'correlation'  针对有时序关系的值
%'Hamming' 只针对二进制数据

%'Start'（初始质心位置选择方法）
%'sample' 从X中随机选取K个质心点
%'uniform' 根据X的分布范围均匀的随机生成K个质心

%kmeans函数详情请edit调出函数文件查看

%绘制散点图
gscatter(data(:,1),data(:,2),Idx)

    KNN分类算法

    邻近算法，或者说K最近邻（KNN，K-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法

    %在Matlab中利用kNN进行最近邻查询
X=[0.5.*rand(50,1);0.3+0.5.*rand(50,1)];%产生X
Y=[0.5.*rand(50,1);0.3+0.5.*rand(50,1)];%产生Y
Z=[ones(50,1);2.*ones(50,1)];%产生类别
figure
gscatter(X,Y,Z)  %点图，颜色根据Z中类别区分
legend('Location','best')  %自动生成图列
newpoint = [0.8*rand 0.8*rand];  %待分类的点
line(newpoint(1),newpoint(2),'marker','x','color','k','markersize',10,'linewidth',2)  %绘制待分类的点
Mdl = KDTreeSearcher([X,Y])  ;%创建K树，默认采用欧式距离
%也可以替换距离公式，例如
%Mdl.Distance='cityblock' 曼哈顿距离
%Mdl.Distance='chebychev' 契比雪夫距离
%Mdl.Distance='minkowski' 闵可夫斯基距离
K=10; %邻近点数
[n,d] = knnsearch(Mdl,newpoint,'k',K);  %执行KNN（K近邻）搜索，n返回这K个点的编号，d返回的是距离
line(X(n,1),Y(n,1),'color',[.5 .5 .5],'marker','o','linestyle','none','markersize',10) %绘制周围K个邻近点
tabulate(Z(n));%统计K个邻近点中各类别点的比例，该点归为比例高的一类

    PCA图像压缩
    缺失数据预测问题（粒子滤波算法）

    DBSCAN(Density-Based Spatial Clustering of Applications with
    Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。

    组合评价模型—模糊Borda
    BP神经网络
    熵权法

    clc,clear;
X=[124.3000    2.4200   25.9800   19.0000    3.1000   79.0000   54.1000    6.1400    3.5700   64.0000
  134.7000    2.5000   21.0000   19.2500    3.3400   84.0000   53.7000    6.7400    3.5500   64.9600
  193.3000    2.5600   29.2600   19.3100    3.4500   92.0000   54.0000    7.1800    3.4000   65.6500
  118.6000    2.5200   31.1900   19.3600    3.5700  105.0000   53.9000    8.2000    3.2700   67.0100
   94.9000    2.6000   28.5600   19.4500    3.3900  108.0000   53.6000    8.3400    3.2000   65.3400
  123.8000    2.6500   28.1200   19.6200    3.5800  108.0000   53.3000    8.5100    3.1000   66.9900];
[n,m]=size(X);
for i=1:n
    for j=1:m
        p(i,j)=X(i,j)/sum(X(:,j));
    end
end
%% 计算第 j 个指标的熵值 e(j)
k=1/log(n);
for j=1:m
    e(j)=-k*sum(p(:,j).*log(p(:,j)));
end
d=ones(1,m)-e; % 计算信息熵冗余度
w=d./sum(d) % 求权值 w

    层次聚类
    LOF异常数据点检测算法
    Pearson相关系数，Kendall相关系数和Spearman相关系数
    GRNN神经网络
    广义回归神经网络general regression neural network(GRNN)
    概率神经网络(Probabilistic Neural Network)
    秩和比综合评价法


如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^

值是空的或者索引是空的。

结合GPT给出回答如下请题主参考
根据提供的信息，问题出在syms关键字上。这是一个Symbolic Math Toolbox中的命令，用于定义符号变量。如果您没有安装这个工具箱，或者没有正确加载它，那么就会报错。

解决方法：

  1. 确认您已经安装了Symbolic Math Toolbox，或者安装并加载了这个工具箱。

  2. 如果您不需要使用符号变量，请将代码中所有涉及到符号变量的地方改为普通的变量。例如：

syms t beta;

改为：

t = 0:0.1:10;
beta = 1.5;
  1. 如果您需要使用符号变量，但是不想安装Symbolic Math Toolbox，可以使用另外一个MATLAB工具箱，叫做MuPAD。 MuPAD 软件在符号计算和其他数学计算方面的能力强大，它使用了不同于 MATLAB 的语言和操作方式。MuPAD 工具箱需要单独安装，并且需要使用特定的命令来加载。例如：
mupadengine = symengine;
S = mupadengine.syms('t','beta');

请注意，这里使用了mupadengine变量来连接MATLAB和MuPAD，以便进行符号计算。如果您不想使用MuPAD，可以将上面的代码中的mupadengine部分去掉，直接使用MATLAB的符号变量。

希望以上解决方法可以帮助到您。

变量 x_limit 并没有被定义，但在速度和位置更新中被使用。您需要定义 x_limit，通常它应该表示 beta 的取值范围。在您的循环中，使用了一系列条件语句来限制粒子的位置。但这些条件语句看起来有问题，可能会导致粒子不断保持原位置，而无法收敛到最优解。您需要检查这些条件是否正确。在粒子群算法中，速度更新通常需要考虑惯性权重 w，但您的代码中没有设置 w 的值。通常，w 可以初始化为一个小的正数，然后在迭代过程中逐渐减小，以平衡全局搜索和局部搜索。

报错不是提示了吗，正整数

凡是关于索引的都改成这个
if cons1(beta(j,:)) <= 120