MATLAB R2020a智能算法及實例分析

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 1
1.1.2 MATLAB 面向工程師和
科學家設計 1
1.1.3 MATLAB 集成工作流 2
1.2 MATLAB的特點及應用領域 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 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的矩陣運算 16
1.6.1 矩陣的代數(shù)運算 16
1.6.2 矩陣的關系運算 20
1.6.3 矩陣的邏輯運算 21
1.7 MATLAB的程序結構 22
1.7.1 循環(huán)控制結構 22
1.7.2 條件選擇結構 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 認識智能的不同觀點 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 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 人工智能的技術應用 35
2.4 人工智能的典型應用 35
2.4.1 智能機器人 35
2.4.2 智能網(wǎng)絡 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 差分進化算法分析 42
3.1 差分進化算法的理論 42
3.1.1 差分進化算法的發(fā)展史 42
3.1.2 差分進化算法的描述 43
3.1.3 差分進化算法的思想 43
3.1.4 差分進化算法的特點 43
3.2 基本差分進化算法 44
3.3 差分進化算法的運算流程 45
3.4 控制參數(shù)的選擇 46
3.5 改進差分進化算法 46
3.5.1 變異操作 47
3.5.2 具有自適應算子的差分進化
算法 47
3.5.3 離散差分進化算法 48
3.5.4 并行差分進化算法 48
3.5.5 結合單純形優(yōu)化策略的差分
進化算法 48
3.5.6 結合粒子濾波的差分進化
算法 48
3.6 差分進化算法的應用 49
3.6.1 函數(shù)優(yōu)化 49
3.6.2 組合優(yōu)化 49
3.6.3 化工領域 49
3.6.4 神經(jīng)網(wǎng)絡訓練 50
3.6.5 電力系統(tǒng) 50
3.6.6 機器人領域 50
3.6.7 信號處理領域 50
3.6.8 生物學領域 51
3.6.9 系統(tǒng)辨識和故障診斷 51
3.7 差分進化算法的MATLAB實現(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 年齡結構 59
4.1.6 空間格局 60
4.2 種群動態(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 種群競爭模型 67
4.3.1 種群競爭微分方程的模型 68
4.3.2 種群競爭微分方程的MATLAB實現(xiàn) 70
4.4 藍鯨與長須鯨的競爭模型 74
第5章 遺傳算法分析 78
5.1 遺傳算法的概述 78
5.1.1 遺傳算法的生物學基礎 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 82
5.1.6 遺傳算法的應用領域 82
5.2 遺傳算法的原理 83
5.2.1 標準遺傳算法 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)的設計原則 87
5.2.5 適應度函數(shù)的調整 88
5.2.6 遺傳算法的優(yōu)點和缺點 88
5.3 遺傳算法的改進方向 89
5.3.1 遺傳算法改進一 89
5.3.2 遺傳算法改進二 91
5.4 遺傳算法的工具箱 93
5.4.1 遺傳算法的實現(xiàn)過程 93
5.4.2 自帶的遺傳算法函數(shù) 101
5.5 遺傳算法解決化問題 104
第6章 蟻群算法分析 136
6.1 蟻群算法的基礎 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 142
6.1.6 蟻群算法的優(yōu)點與不足 142
6.2 改進的蟻群系統(tǒng) 143
6.2.1 精英蟻群系統(tǒng) 143
6.2.2 小蟻群系統(tǒng) 143
6.2.3 排序蟻群系統(tǒng) 144
6.2.4 差蟻群系統(tǒng) 144
6.3 自適應蟻群算法 144
6.4 蟻群優(yōu)化算法的應用 146
6.5 蟻群算法的發(fā)展趨勢和展望 146
6.6 蟻群算法的實現(xiàn) 148
6.6.1 蟻群算法求解值問題 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 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 175
7.2.5 粒子群算法的應用領域 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 粒子群算法的構成要素 179
7.3.5 粒子群算法的參數(shù)設置 179
7.3.6 粒子群算法的特點 180
7.3.7 粒子群算法與其他進化算法的比較 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 改進粒子群算法 198
7.5.1 帶慣性權重的粒子群算法 199
7.5.2 線性遞減權重的粒子群
算法 199
7.5.3 自適應權重的粒子群算法 202
7.5.4 隨機權重的粒子群算法 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實現(xiàn) 216
7.6.1 粒子群算法實現(xiàn)多目標
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
設計 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 238
8.2.5 免疫算法的發(fā)展趨勢 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 免疫算法的應用 242
8.5.1 免疫算法在克隆選擇中的
應用 242
8.5.2 免疫算法在化中的
應用 246
8.5.3 免疫算法在路徑規(guī)劃中的
應用 250
8.5.4 免疫算法在TSP中的應用 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 動態(tài)聚類分析 258
8.6.5 免疫信息進化處理機制 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則 272
9.1.6 模擬退火算法的特點 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 模擬退火算法在化中的應用 280
第10章 支持向量機算法分析 291
10.1 支持向量機的概述 291
10.2 統(tǒng)計學 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 303
10.3.1 分類面 304
10.3.2 支持向量機的模型 305
10.3.3 支持向量機的算法 306
10.4 支持向量機的應用 307
10.4.1 支持向量機的異常值檢測 307
10.4.2 支持向量機的回歸擬合 308
第11章 神經(jīng)網(wǎng)絡算法分析 312
11.1 神經(jīng)網(wǎng)絡的概述 312
11.1.1 神經(jīng)網(wǎng)絡的特點 312
11.1.2 神經(jīng)網(wǎng)絡的發(fā)展史 313
11.1.3 神經(jīng)網(wǎng)絡的應用 314
11.1.4 神經(jīng)網(wǎng)絡與計算機工作特點的對比 315
11.1.5 神經(jīng)網(wǎng)絡的結構 316
11.1.6 神經(jīng)網(wǎng)絡的學習方式 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 單層感知器的應用 320
11.3 線性神經(jīng)網(wǎng)絡 323
11.3.1 線性神經(jīng)網(wǎng)絡的結構 324
11.3.2 線性神經(jīng)網(wǎng)絡的學習算法 324
11.3.3 線性神經(jīng)網(wǎng)絡的應用 326
11.4 BP神經(jīng)網(wǎng)絡 336
11.4.1 BP神經(jīng)網(wǎng)絡的結構 336
11.4.2 BP神經(jīng)網(wǎng)絡的學習算法 337
11.4.3 BP神經(jīng)網(wǎng)絡的局限性 339
11.4.4 BP神經(jīng)網(wǎng)絡的應用 339
11.5 徑向基函數(shù)神經(jīng)網(wǎng)絡 350
11.5.1 徑向基函數(shù) 350
11.5.2 正則化網(wǎng)絡 351
11.5.3 廣義網(wǎng)絡 352
11.5.4 概率神經(jīng)網(wǎng)絡 353
11.5.5 徑向基函數(shù)神經(jīng)網(wǎng)絡的
應用 354
11.6 自組織競爭神經(jīng)網(wǎng)絡 361
11.6.1 競爭神經(jīng)網(wǎng)絡 361
11.6.2 自組織特征映射網(wǎng)絡 364
11.6.3 學習矢量量化網(wǎng)絡 365
11.6.4 自組織競爭神經(jīng)網(wǎng)絡的
應用 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)1