MATLAB R2020a智能算法及实例分析

目录

第1章 步入MATLAB R2020a 1
1．1 MATLAB的概述 1
1．1．1 MATLAB精通数学 1
1．1．2 MATLAB 面向工程师和
科学家设计 1
1．1．3 MATLAB 集成工作流 2
1．2 MATLAB的特点及应用领域 2
1．3 MATLB R2020a的新功能 4
1．4 MATLAB的工作环境 5
1．4．1 MATLAB的主界面 5
1．4．2 MATLAB的文本编辑窗口 9
1．4．3 MATLAB的帮助文档 10
1．5 MATLAB的编程基础 13
1．5．1 变量 13
1．5．2 赋值语句 13
1．5．3 矩阵及其元素表示 14
1．6 MATLAB的矩阵运算 16
1．6．1 矩阵的代数运算 16
1．6．2 矩阵的关系运算 20
1．6．3 矩阵的逻辑运算 21
1．7 MATLAB的程序结构 22
1．7．1 循环控制结构 22
1．7．2 条件选择结构 23
1．8 M文件 26
1．8．1 脚本文件 26
1．8．2 函数文件 26
第2章 智能算法的基本概念 28
2．1 智能算法的概述 28
2．1．1 智能的分类 28
2．1．2 认识智能的不同观点 29
2．1．3 智能的层次 30
2．2 人工智能的概念 30
2．2．1 人工智能的发展史 30
2．2．2 人工智能的研究目标 31
2．2．3 人工智能的研究方法 31
2．2．4 人工智能的分类 33
2．2．5 人工智能的特征 34
2．3 人工智能的技术应用 35
2．4 人工智能的典型应用 35
2．4．1 智能机器人 35
2．4．2 智能网络 36
2．4．3 智能检索 36
2．4．4 智能游戏 36
2．5 人工智能发展的先决条件 36
2．6 人工智能的三个层次 37
2．7 人工智能的影响 38
2．8 人工智能的典型算法 39
第3章 差分进化算法分析 42
3．1 差分进化算法的理论 42
3．1．1 差分进化算法的发展史 42
3．1．2 差分进化算法的描述 43
3．1．3 差分进化算法的思想 43
3．1．4 差分进化算法的特点 43
3．2 基本差分进化算法 44
3．3 差分进化算法的运算流程 45
3．4 控制参数的选择 46
3．5 改进差分进化算法 46
3．5．1 变异操作 47
3．5．2 具有自适应算子的差分进化
算法 47
3．5．3 离散差分进化算法 48
3．5．4 并行差分进化算法 48
3．5．5 结合单纯形优化策略的差分
进化算法 48
3．5．6 结合粒子滤波的差分进化
算法 48
3．6 差分进化算法的应用 49
3．6．1 函数优化 49
3．6．2 组合优化 49
3．6．3 化工领域 49
3．6．4 神经网络训练 50
3．6．5 电力系统 50
3．6．6 机器人领域 50
3．6．7 信号处理领域 50
3．6．8 生物学领域 51
3．6．9 系统辨识和故障诊断 51
3．7 差分进化算法的MATLAB实现 51
第4章 种群算法分析 58
4．1 种群的主要特征 58
4．1．1 种群密度 58
4．1．2 出生率与死亡率 59
4．1．3 迁入率与迁出率 59
4．1．4 性别比例 59
4．1．5 年龄结构 59
4．1．6 空间格局 60
4．2 种群动态模型 60
4．2．1 单种群群模型 60
4．2．2 两种种群相互作用模型 64
4．3 种群竞争模型 67
4．3．1 种群竞争微分方程的模型 68
4．3．2 种群竞争微分方程的MATLAB实现 70
4．4 蓝鲸与长须鲸的竞争模型 74
第5章 遗传算法分析 78
5．1 遗传算法的概述 78
5．1．1 遗传算法的生物学基础 78
5．1．2 遗传算法的基本概念 79
5．1．3 遗传算法的基本运算 80
5．1．4 遗传算法的发展现状 80
5．1．5 遗传算法的特点 82
5．1．6 遗传算法的应用领域 82
5．2 遗传算法的原理 83
5．2．1 标准遗传算法 83
5．2．2 遗传算法的基本框架 83
5．2．3 遗传算法的流程 84
5．2．4 算法参数的设计原则 87
5．2．5 适应度函数的调整 88
5．2．6 遗传算法的优点和缺点 88
5．3 遗传算法的改进方向 89
5．3．1 遗传算法改进一 89
5．3．2 遗传算法改进二 91
5．4 遗传算法的工具箱 93
5．4．1 遗传算法的实现过程 93
5．4．2 自带的遗传算法函数 101
5．5 遗传算法解决*优化问题 104
第6章 蚁群算法分析 136
6．1 蚁群算法的基础 136
6．1．1 蚁群算法的由来 136
6．1．2 蚁群算法的基本思想 136
6．1．3 蚁群算法理论的研究现状 137
6．1．4 蚁群算法的基本原理 139
6．1．5 蚁群算法的特点 142
6．1．6 蚁群算法的优点与不足 142
6．2 改进的蚁群系统 143
6．2．1 精英蚁群系统 143
6．2．2 *大*小蚁群系统 143
6．2．3 排序蚁群系统 144
6．2．4 *优*差蚁群系统 144
6．3 自适应蚁群算法 144
6．4 蚁群优化算法的应用 146
6．5 蚁群算法的发展趋势和展望 146
6．6 蚁群算法的实现 148
6．6．1 蚁群算法求解*值问题 148
6．6．2 蚁群算法求解TSP 153
6．6．3 蚁群算法求解二维路径规划
问题 157
6．6．4 蚁群算法求解三维路径规划
问题 164
第7章 粒子群算法分析 173
7．1 引言 173
7．2 粒子群算法的基础 173
7．2．1 粒子群算法的起源 173
7．2．2 粒子群算法的发展 174
7．2．3 粒子群算法研究的内容 175
7．2．4 粒子群算法的优势 175
7．2．5 粒子群算法的应用领域 176
7．3 基本粒子群算法 177
7．3．1 基本粒子群算法的原理 177
7．3．2 粒子群算法的基本流程 177
7．3．3 全局模式与局部模式 178
7．3．4 粒子群算法的构成要素 179
7．3．5 粒子群算法的参数设置 179
7．3．6 粒子群算法的特点 180
7．3．7 粒子群算法与其他进化算法的比较 180
7．4 粒子群算法求解极值 181
7．4．1 一维函数全局寻优 181
7．4．2 经典函数寻优 184
7．4．3 无约束寻优 188
7．4．4 有约束寻优 191
7．4．5 有约束粒子群算法寻优 193
7．5 改进粒子群算法 198
7．5．1 带惯性权重的粒子群算法 199
7．5．2 线性递减权重的粒子群
算法 199
7．5．3 自适应权重的粒子群算法 202
7．5．4 随机权重的粒子群算法 204
7．5．5 压缩因子的粒子群算法 206
7．5．6 其他参数的变化 209
7．6 粒子群算法的MATLAB实现 216
7．6．1 粒子群算法实现多目标
寻优 216
7．6．2 粒子群算法的寻优 222
7．6．3 粒子群的PID控制器优化
设计 224
7．6．4 粒子群算法在TSP中的
寻优 228
第8章 免疫算法分析 233
8．1 免疫算法的来源 233
8．2 免疫算法的基本概念 234
8．2．1 生物免疫系统 234
8．2．2 免疫算法的原理 236
8．2．3 免疫系统模型和免疫算法 237
8．2．4 免疫算法的特点 238
8．2．5 免疫算法的发展趋势 239
8．3 免疫算法算子 239
8．4 免疫算法与遗传算法的比较 241
8．5 免疫算法的应用 242
8．5．1 免疫算法在克隆选择中的
应用 242
8．5．2 免疫算法在*优化中的
应用 246
8．5．3 免疫算法在路径规划中的
应用 250
8．5．4 免疫算法在TSP中的应用 251
8．6 人工免疫的粒子群聚类算法 255
8．6．1 聚类分析 255
8．6．2 模糊C-均值聚类算法 256
8．6．3 人工免疫的粒子群算法 257
8．6．4 动态聚类分析 258
8．6．5 免疫信息进化处理机制 259
8．6．6 种群多样性聚类分析 261
第9章 模拟退火算法分析 270
9．1 模拟退火算法的理论 270
9．1．1 物理退火的过程 270
9．1．2 模拟退火算法的原理 271
9．1．3 模拟退火算法的思想 271
9．1．4 模拟退火算法的步骤 272
9．1．5 模拟退火算法的终止准则 272
9．1．6 模拟退火算法的特点 273
9．1．7 模拟退火算法的参数说明 274
9．2 模拟退火算法的改进方向 274
9．3 模拟退火的粒子群算法 275
9．4 模拟退火算法在*优化中的应用 280
第10章 支持向量机算法分析 291
10．1 支持向量机的概述 291
10．2 统计学 292
10．2．1 贝叶斯分类方法 292
10．2．2 线性分类器 298
10．2．3 核函数方法 301
10．3 支持向量机 303
10．3．1 *优分类面 304
10．3．2 支持向量机的模型 305
10．3．3 支持向量机的算法 306
10．4 支持向量机的应用 307
10．4．1 支持向量机的异常值检测 307
10．4．2 支持向量机的回归拟合 308
第11章 神经网络算法分析 312
11．1 神经网络的概述 312
11．1．1 神经网络的特点 312
11．1．2 神经网络的发展史 313
11．1．3 神经网络的应用 314
11．1．4 神经网络与计算机工作特点的对比 315
11．1．5 神经网络的结构 316
11．1．6 神经网络的学习方式 317
11．2 感知器 318
11．2．1 感知器的概述 318
11．2．2 感知器的局限性 319
11．2．3 单层感知器的应用 320
11．3 线性神经网络 323
11．3．1 线性神经网络的结构 324
11．3．2 线性神经网络的学习算法 324
11．3．3 线性神经网络的应用 326
11．4 BP神经网络 336
11．4．1 BP神经网络的结构 336
11．4．2 BP神经网络的学习算法 337
11．4．3 BP神经网络的局限性 339
11．4．4 BP神经网络的应用 339
11．5 径向基函数神经网络 350
11．5．1 径向基函数 350
11．5．2 正则化网络 351
11．5．3 广义网络 352
11．5．4 概率神经网络 353
11．5．5 径向基函数神经网络的
应用 354
11．6 自组织竞争神经网络 361
11．6．1 竞争神经网络 361
11．6．2 自组织特征映射网络 364
11．6．3 学习矢量量化网络 365
11．6．4 自组织竞争神经网络的
应用 367

第12章 模糊逻辑控制算法分析 374
12．1 模糊逻辑控制的概述 374
12．1．1 模糊逻辑控制的基本
概念 374
12．1．2 模糊集合 375
12．1．3 模糊关系 376
12．1．4 模糊语言 376
12．1．5 模糊推理 377
12．1．6 模糊控制规则 378
12．1．7 模糊逻辑控制的原理 379
12．1．8 模糊推理系统的基本
类型 380
12．1．9 模糊逻辑控制的应用
领域 381
12．2 模糊逻辑控制工具箱 381
12．2．1 模糊逻辑控制工具箱的
特点 381
12．2．2 模糊逻辑控制系统的
构成 382
12．2．3 模糊推理系统的管理
功能 383
12．2．4 模糊语言设置 387
12．2．5 语言变量的隶属度函数 389
12．2．6 模糊控制规则函数 395
12．2．7 模糊推理计算 396
12．3 模糊推理系统 402
12．3．1 图形用户界面 402
12．3．2 模糊推理系统编辑器 402
12．3．3 隶属度函数编辑器 404
12．3．4 模糊控制规则编辑器 405
12．3．5 模糊控制规则观察器 405
12．3．6 输出曲面观察器 406
12．3．7 模糊推理系统的应用 407
12．4 模糊逻辑控制系统的Simulink
连接 411
12．5 模糊神经网络 418
12．5．1 模糊神经网络的概述 418
12．5．2 模糊神经网络的应用 420
参考文献 431