目錄

第1章 步入MATLAB R2020a 1
1.1 MATLAB的概述 1
1.1.1 MATLAB精通數(shù)學(xué) 1
1.1.2 MATLAB 面向工程師和
科學(xué)家設(shè)計(jì) 1
1.1.3 MATLAB 集成工作流 2
1.2 MATLAB的特點(diǎn)及應(yīng)用領(lǐng)域 2
1.3 MATLB R2020a的新功能 4
1.4 MATLAB的工作環(huán)境 5
1.4.1 MATLAB的主界面 5
1.4.2 MATLAB的文本編輯窗口 9
1.4.3 MATLAB的幫助文檔 10
1.5 MATLAB的編程基礎(chǔ) 13
1.5.1 變量 13
1.5.2 賦值語句 13
1.5.3 矩陣及其元素表示 14
1.6 MATLAB的矩陣運(yùn)算 16
1.6.1 矩陣的代數(shù)運(yùn)算 16
1.6.2 矩陣的關(guān)系運(yùn)算 20
1.6.3 矩陣的邏輯運(yùn)算 21
1.7 MATLAB的程序結(jié)構(gòu) 22
1.7.1 循環(huán)控制結(jié)構(gòu) 22
1.7.2 條件選擇結(jié)構(gòu) 23
1.8 M文件 26
1.8.1 腳本文件 26
1.8.2 函數(shù)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 智能的分類 28
2.1.2 認(rèn)識(shí)智能的不同觀點(diǎn) 29
2.1.3 智能的層次 30
2.2 人工智能的概念 30
2.2.1 人工智能的發(fā)展史 30
2.2.2 人工智能的研究目標(biāo) 31
2.2.3 人工智能的研究方法 31
2.2.4 人工智能的分類 33
2.2.5 人工智能的特征 34
2.3 人工智能的技術(shù)應(yīng)用 35
2.4 人工智能的典型應(yīng)用 35
2.4.1 智能機(jī)器人 35
2.4.2 智能網(wǎng)絡(luò) 36
2.4.3 智能檢索 36
2.4.4 智能游戲 36
2.5 人工智能發(fā)展的先決條件 36
2.6 人工智能的三個(gè)層次 37
2.7 人工智能的影響 38
2.8 人工智能的典型算法 39
第3章 差分進(jìn)化算法分析 42
3.1 差分進(jìn)化算法的理論 42
3.1.1 差分進(jìn)化算法的發(fā)展史 42
3.1.2 差分進(jìn)化算法的描述 43
3.1.3 差分進(jìn)化算法的思想 43
3.1.4 差分進(jìn)化算法的特點(diǎn) 43
3.2 基本差分進(jìn)化算法 44
3.3 差分進(jìn)化算法的運(yùn)算流程 45
3.4 控制參數(shù)的選擇 46
3.5 改進(jìn)差分進(jìn)化算法 46
3.5.1 變異操作 47
3.5.2 具有自適應(yīng)算子的差分進(jìn)化
算法 47
3.5.3 離散差分進(jìn)化算法 48
3.5.4 并行差分進(jìn)化算法 48
3.5.5 結(jié)合單純形優(yōu)化策略的差分
進(jìn)化算法 48
3.5.6 結(jié)合粒子濾波的差分進(jìn)化
算法 48
3.6 差分進(jìn)化算法的應(yīng)用 49
3.6.1 函數(shù)優(yōu)化 49
3.6.2 組合優(yōu)化 49
3.6.3 化工領(lǐng)域 49
3.6.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 50
3.6.5 電力系統(tǒng) 50
3.6.6 機(jī)器人領(lǐng)域 50
3.6.7 信號(hào)處理領(lǐng)域 50
3.6.8 生物學(xué)領(lǐng)域 51
3.6.9 系統(tǒng)辨識(shí)和故障診斷 51
3.7 差分進(jìn)化算法的MATLAB實(shí)現(xiàn) 51
第4章 種群算法分析 58
4.1 種群的主要特征 58
4.1.1 種群密度 58
4.1.2 出生率與死亡率 59
4.1.3 遷入率與遷出率 59
4.1.4 性別比例 59
4.1.5 年齡結(jié)構(gòu) 59
4.1.6 空間格局 60
4.2 種群動(dòng)態(tài)模型 60
4.2.1 單種群群模型 60
4.2.2 兩種種群相互作用模型 64
4.3 種群競(jìng)爭(zhēng)模型 67
4.3.1 種群競(jìng)爭(zhēng)微分方程的模型 68
4.3.2 種群競(jìng)爭(zhēng)微分方程的MATLAB實(shí)現(xiàn) 70
4.4 藍(lán)鯨與長(zhǎng)須鯨的競(jìng)爭(zhēng)模型 74
第5章 遺傳算法分析 78
5.1 遺傳算法的概述 78
5.1.1 遺傳算法的生物學(xué)基礎(chǔ) 78
5.1.2 遺傳算法的基本概念 79
5.1.3 遺傳算法的基本運(yùn)算 80
5.1.4 遺傳算法的發(fā)展現(xiàn)狀 80
5.1.5 遺傳算法的特點(diǎn) 82
5.1.6 遺傳算法的應(yīng)用領(lǐng)域 82
5.2 遺傳算法的原理 83
5.2.1 標(biāo)準(zhǔn)遺傳算法 83
5.2.2 遺傳算法的基本框架 83
5.2.3 遺傳算法的流程 84
5.2.4 算法參數(shù)的設(shè)計(jì)原則 87
5.2.5 適應(yīng)度函數(shù)的調(diào)整 88
5.2.6 遺傳算法的優(yōu)點(diǎn)和缺點(diǎn) 88
5.3 遺傳算法的改進(jìn)方向 89
5.3.1 遺傳算法改進(jìn)一 89
5.3.2 遺傳算法改進(jìn)二 91
5.4 遺傳算法的工具箱 93
5.4.1 遺傳算法的實(shí)現(xiàn)過程 93
5.4.2 自帶的遺傳算法函數(shù) 101
5.5 遺傳算法解決最優(yōu)化問題 104
第6章 蟻群算法分析 136
6.1 蟻群算法的基礎(chǔ) 136
6.1.1 蟻群算法的由來 136
6.1.2 蟻群算法的基本思想 136
6.1.3 蟻群算法理論的研究現(xiàn)狀 137
6.1.4 蟻群算法的基本原理 139
6.1.5 蟻群算法的特點(diǎn) 142
6.1.6 蟻群算法的優(yōu)點(diǎn)與不足 142
6.2 改進(jìn)的蟻群系統(tǒng) 143
6.2.1 精英蟻群系統(tǒng) 143
6.2.2 最大最小蟻群系統(tǒng) 143
6.2.3 排序蟻群系統(tǒng) 144
6.2.4 最優(yōu)最差蟻群系統(tǒng) 144
6.3 自適應(yīng)蟻群算法 144
6.4 蟻群優(yōu)化算法的應(yīng)用 146
6.5 蟻群算法的發(fā)展趨勢(shì)和展望 146
6.6 蟻群算法的實(shí)現(xiàn) 148
6.6.1 蟻群算法求解最值問題 148
6.6.2 蟻群算法求解TSP 153
6.6.3 蟻群算法求解二維路徑規(guī)劃
問題 157
6.6.4 蟻群算法求解三維路徑規(guī)劃
問題 164
第7章 粒子群算法分析 173
7.1 引言 173
7.2 粒子群算法的基礎(chǔ) 173
7.2.1 粒子群算法的起源 173
7.2.2 粒子群算法的發(fā)展 174
7.2.3 粒子群算法研究的內(nèi)容 175
7.2.4 粒子群算法的優(yōu)勢(shì) 175
7.2.5 粒子群算法的應(yīng)用領(lǐng)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 全局模式與局部模式 178
7.3.4 粒子群算法的構(gòu)成要素 179
7.3.5 粒子群算法的參數(shù)設(shè)置 179
7.3.6 粒子群算法的特點(diǎn) 180
7.3.7 粒子群算法與其他進(jìn)化算法的比較 180
7.4 粒子群算法求解極值 181
7.4.1 一維函數(shù)全局尋優(yōu) 181
7.4.2 經(jīng)典函數(shù)尋優(yōu) 184
7.4.3 無約束尋優(yōu) 188
7.4.4 有約束尋優(yōu) 191
7.4.5 有約束粒子群算法尋優(yōu) 193
7.5 改進(jìn)粒子群算法 198
7.5.1 帶慣性權(quán)重的粒子群算法 199
7.5.2 線性遞減權(quán)重的粒子群
算法 199
7.5.3 自適應(yīng)權(quán)重的粒子群算法 202
7.5.4 隨機(jī)權(quán)重的粒子群算法 204
7.5.5 壓縮因子的粒子群算法 206
7.5.6 其他參數(shù)的變化 209
7.6 粒子群算法的MATLAB實(shí)現(xiàn) 216
7.6.1 粒子群算法實(shí)現(xiàn)多目標(biāo)
尋優(yōu) 216
7.6.2 粒子群算法的尋優(yōu) 222
7.6.3 粒子群的PID控制器優(yōu)化
設(shè)計(jì) 224
7.6.4 粒子群算法在TSP中的
尋優(yōu) 228
第8章 免疫算法分析 233
8.1 免疫算法的來源 233
8.2 免疫算法的基本概念 234
8.2.1 生物免疫系統(tǒng) 234
8.2.2 免疫算法的原理 236
8.2.3 免疫系統(tǒng)模型和免疫算法 237
8.2.4 免疫算法的特點(diǎn) 238
8.2.5 免疫算法的發(fā)展趨勢(shì) 239
8.3 免疫算法算子 239
8.4 免疫算法與遺傳算法的比較 241
8.5 免疫算法的應(yīng)用 242
8.5.1 免疫算法在克隆選擇中的
應(yīng)用 242
8.5.2 免疫算法在最優(yōu)化中的
應(yīng)用 246
8.5.3 免疫算法在路徑規(guī)劃中的
應(yīng)用 250
8.5.4 免疫算法在TSP中的應(yīng)用 251
8.6 人工免疫的粒子群聚類算法 255
8.6.1 聚類分析 255
8.6.2 模糊C-均值聚類算法 256
8.6.3 人工免疫的粒子群算法 257
8.6.4 動(dòng)態(tài)聚類分析 258
8.6.5 免疫信息進(jìn)化處理機(jī)制 259
8.6.6 種群多樣性聚類分析 261
第9章 模擬退火算法分析 270
9.1 模擬退火算法的理論 270
9.1.1 物理退火的過程 270
9.1.2 模擬退火算法的原理 271
9.1.3 模擬退火算法的思想 271
9.1.4 模擬退火算法的步驟 272
9.1.5 模擬退火算法的終止準(zhǔn)則 272
9.1.6 模擬退火算法的特點(diǎn) 273
9.1.7 模擬退火算法的參數(shù)說明 274
9.2 模擬退火算法的改進(jìn)方向 274
9.3 模擬退火的粒子群算法 275
9.4 模擬退火算法在最優(yōu)化中的應(yīng)用 280
第10章 支持向量機(jī)算法分析 291
10.1 支持向量機(jī)的概述 291
10.2 統(tǒng)計(jì)學(xué) 292
10.2.1 貝葉斯分類方法 292
10.2.2 線性分類器 298
10.2.3 核函數(shù)方法 301
10.3 支持向量機(jī) 303
10.3.1 最優(yōu)分類面 304
10.3.2 支持向量機(jī)的模型 305
10.3.3 支持向量機(jī)的算法 306
10.4 支持向量機(jī)的應(yīng)用 307
10.4.1 支持向量機(jī)的異常值檢測(cè) 307
10.4.2 支持向量機(jī)的回歸擬合 308
第11章 神經(jīng)網(wǎng)絡(luò)算法分析 312
11.1 神經(jīng)網(wǎng)絡(luò)的概述 312
11.1.1 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 312
11.1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展史 313
11.1.3 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 314
11.1.4 神經(jīng)網(wǎng)絡(luò)與計(jì)算機(jī)工作特點(diǎn)的對(duì)比 315
11.1.5 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 316
11.1.6 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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 單層感知器的應(yīng)用 320
11.3 線性神經(jīng)網(wǎng)絡(luò) 323
11.3.1 線性神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 324
11.3.2 線性神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 324
11.3.3 線性神經(jīng)網(wǎng)絡(luò)的應(yīng)用 326
11.4 BP神經(jīng)網(wǎng)絡(luò) 336
11.4.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 336
11.4.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 337
11.4.3 BP神經(jīng)網(wǎng)絡(luò)的局限性 339
11.4.4 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用 339
11.5 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 350
11.5.1 徑向基函數(shù) 350
11.5.2 正則化網(wǎng)絡(luò) 351
11.5.3 廣義網(wǎng)絡(luò) 352
11.5.4 概率神經(jīng)網(wǎng)絡(luò) 353
11.5.5 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的
應(yīng)用 354
11.6 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò) 361
11.6.1 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò) 361
11.6.2 自組織特征映射網(wǎng)絡(luò) 364
11.6.3 學(xué)習(xí)矢量量化網(wǎng)絡(luò) 365
11.6.4 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的
應(yīng)用 367

第12章 模糊邏輯控制算法分析 374
12.1 模糊邏輯控制的概述 374
12.1.1 模糊邏輯控制的基本
概念 374
12.1.2 模糊集合 375
12.1.3 模糊關(guān)系 376
12.1.4 模糊語言 376
12.1.5 模糊推理 377
12.1.6 模糊控制規(guī)則 378
12.1.7 模糊邏輯控制的原理 379
12.1.8 模糊推理系統(tǒng)的基本
類型 380
12.1.9 模糊邏輯控制的應(yīng)用
領(lǐng)域 381
12.2 模糊邏輯控制工具箱 381
12.2.1 模糊邏輯控制工具箱的
特點(diǎn) 381
12.2.2 模糊邏輯控制系統(tǒng)的
構(gòu)成 382
12.2.3 模糊推理系統(tǒng)的管理
功能 383
12.2.4 模糊語言設(shè)置 387
12.2.5 語言變量的隸屬度函數(shù) 389
12.2.6 模糊控制規(guī)則函數(shù) 395
12.2.7 模糊推理計(jì)算 396
12.3 模糊推理系統(tǒng) 402
12.3.1 圖形用戶界面 402
12.3.2 模糊推理系統(tǒng)編輯器 402
12.3.3 隸屬度函數(shù)編輯器 404
12.3.4 模糊控制規(guī)則編輯器 405
12.3.5 模糊控制規(guī)則觀察器 405
12.3.6 輸出曲面觀察器 406
12.3.7 模糊推理系統(tǒng)的應(yīng)用 407
12.4 模糊邏輯控制系統(tǒng)的Simulink
連接 411
12.5 模糊神經(jīng)網(wǎng)絡(luò) 418
12.5.1 模糊神經(jīng)網(wǎng)絡(luò)的概述 418
12.5.2 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用 420
參考文獻(xiàn) 431