智能控制基础与应用

第1章 智能控制基本概念（1)

1.1 传统控制面临的挑战（1)

1.2 智能控制的提出（1)

1.3 智能控制的基本概念与发展概况（2)

1.3.1 智能控制的概念（2)

1.3.2 智能控制发展概况（3)

1.4 智能控制系统的分类（4)

第2章 模糊控制（5)

2.1 模糊理论（5)

2.1.1 模糊集合及其运算（5)

2.1.2 模糊推理（8)

2.1.3 模糊化与解模糊化（8)

2.2 模糊控制的基本原理（9)

2.3 模糊控制系统的组成（10)

2.4 模糊控制系统的结构与设计原则（12)

2.4.1 模糊控制系统的结构（12)

2.4.2 模糊控制系统的设计原则（12)

2.5 模糊控制系统的设计方法（14)

2.5.1 查表法（14)

2.5.2 梯度下降法（15)

2.6 MATLAB模糊逻辑工具箱简介（15)

第3章 神经网络（18)

3.1神经网络理论基础（18)

3.1.1 人工神经网络的定义（18)

3.1.2 神经元的数学模型（18)

3.2 神经网络学习算法（20)

3.2.1 Hebb学习规则（20)

3.2.2 Delta（δ）学习规则（21)

3.2.3 BP网络学习算法（21)

3.2.4 RBF网络的学习算法（26)

3.2.5 Hopfield神经网络（27)

3.3 神经网络控制（28)

第4章 群智能算法（30)

4.1 遗传算法基本原理（31)

4.1.1 遗传算法的发展（31)

4.1.2 遗传算法的特点（32)

4.1.3 遗传算法的基本概念（32)

4.1.4 遗传算法的基本操作（33)

4.1.5 遗传算法的流程（37)

4.2 蚁群算法的基本原理（38)

4.2.1 蚁群算法的基本概念（38)

4.2.2 蚁群算法研究现状（41)

4.2.3 蚁群算法的应用（43)

4.3 粒子群算法（44)

4.3.1 粒子群优化算法的基本原理（44)

4.3.2 粒子群优化算法研究现状（48)

4.3.3 粒子群算法的应用（50)

4.4 免疫算法（51)

4.4.1 生物免疫系统结构及相关机理（52)

4.4.2 人工免疫系统的研究现状（52)

4.5 差分进化算法（55)

4.5.1 差分进化算法的基本原理（56)

4.5.2 差分进化算法的参数设置（57)

第5章 模糊控制应用（59)

5.1 模糊控制与PID控制的结合（59)

5.2 船舶航向模糊控制器设计（60)

5.2.1 船舶航向控制原理（60)

5.2.2 船舶航向控制数学模型（61)

5.2.3 船舶航向模糊控制器的结构设计（62)

5.2.4 船舶航向模糊控制器设计（62)

5.2.5 模糊PID控制器设计（66)

5.2.6 仿真分析（69)

5.3 洞库温湿度模糊控制器设计（72)

5.3.1 洞库温湿度控制系统模型（72)

5.3.2 洞库温湿度控制系统架构（74)

5.3.3 应用于洞库温湿度控制的模糊控制器设计（74)

5.3.4 洞库温湿度模糊PID控制器设计（76)

5.3.5 洞库温湿度系统PID控制仿真（78)

5.3.6 洞库温湿度系统模糊控制仿真（79)

5.3.7 洞库温湿度系统模糊PID控制仿真（80)

5.3.8 温湿度解耦效果分析（82)

5.4 舵鳍联合减摇系统模糊PID控制（86)

5.4.1 舵鳍联合减摇系统的控制策略分析（86)

5.4.2 舵鳍联合减摇系统控制方案（87)

5.4.3 模糊PID控制器设计（87)

5.4.4 仿真分析（91)

第6章 神经网络控制应用（95)

6.1 基于神经网络的船舶航向控制器设计（95)

6.1.1 神经网络自适应PID算法（95)

6.1.2 传统PID自动舵的仿真实验（97)

6.1.3 神经网络自适应PID自动舵的仿真（101)

6.2 MATLAB神经网络工具箱及其仿真（108)

6.2.1 MATLAB神经网络工具箱图形用户界面（108)

6.2.2 基于Simulink的神经网络模块工具（109)

第7章 智能算法控制应用（112)

7.1 基于粒子群优化算法的离散PID控制器参数优化（112)

7.1.1 优化问题目标函数的选取（112)

7.1.2 仿真优化设计过程（113)

7.1.3 仿真分析（115)

7.2 基于粒子群算法的无人船路径规划（118)

7.2.1 无人船路径规划的基本概念（118)

7.2.2 环境建模（119)

7.2.3 模型建立（121)

7.2.4 仿真实验（121)

7.3 基于蚁群算法的无人水下航行器路径规划（126)

7.3.1 蚁群算法的路径规划设计（126)

7.3.2 仿真结果（129)

7.4 免疫控制（132)

7.4.1 免疫控制的系统结构（132)

7.4.2 免疫控制的自然计算体系和系统计算框图（134)

7.5 基于蚁群算法的PID控制器参数整定及仿真（135)

7.5.1 基于ACO的PID控制器参数整定（135)

7.5.2 仿真结果及分析（137)

第8章 综合智能算法在电力参数分析中的应用（139)

8.1 船舶电力系统电力信号模型与电力参数分析方法（139)

8.1.1 采用遗传算法的电力参数分析方法（139)

8.1.2 采用Adaline神经网络的电力参数分析方法（141)

8.1.3 采用Prony算法的电力参数分析方法（143)

8.2 基于遗传神经网络的船舶电力信号参数分析方法（144)

8.2.1 采用数字微分结合遗传算法的信号参数粗略估计（145)

8.2.2 基于改进神经网络的电力信号参数精确分析（146)

8.2.3 仿真算例与分析（148)

8.2.4 小结（150)

8.3 采用改进Prony算法的船舶电力信号参数分析方法（151)

8.3.1 采用差分算法的电力信号预处理（151)

8.3.2 改进Prony算法的船舶电力系统电力参数分析（153)

8.3.3 仿真算例与分析（155)

8.3.4 小结（159)

8.4 本章小结（160)

参考文献（161)