书籍详情
![《MATLABRa智能算法及实例分析》[51M]百度网盘|亲测有效|pdf下载](/uploads/s0309/f8c1b15d4cd1e3cc.jpg)
MATLABRa智能算法及实例分析
- 出版社:文轩网旗舰店
- 出版时间:2021-05
- 热度:7866
- 上架时间:2024-06-30 09:08:33
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
作 者:张德丰 编
定 价:89
出 版 社:电子工业出版社
出版日期:2021年05月01日
页 数:440
装 帧:平装
ISBN:9787121410468
本书分别介绍了各种人工智能算法，包括智能算法的基本概念、差分进化算法、种群算法、遗传算法、蚁群算法、粒子群算法、免疫算法、模拟退火算法、支持向量机算法、神经网络算法、模糊逻辑控制算法。
●章 步入MATLAB R2020a1
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. 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
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
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TSP153
6.6.3 蚁群算法求解二维路径规划问题157
6. 蚁群算法求解三维路径规划问题1
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. 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. 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
0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
1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3
11.6.3 学习矢量量化网络365
11. 自组织竞争神经网络的应用367
2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Silink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
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. 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
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
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TSP153
6.6.3 蚁群算法求解二维路径规划问题157
6. 蚁群算法求解三维路径规划问题1
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. 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. 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
0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
1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3
11.6.3 学习矢量量化网络365
11. 自组织竞争神经网络的应用367
2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Silink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
本书以MATLAB R2020a为平台，以人工智能算法为背景，全面地介绍了如何利用MATLAB各种智能算法求解相关领域中的实际问题。书中内容做到了理论与实践相结合，让读者可以快速、便捷地学习各种智能算法，并利用智能算法解决问题，做到学以致用、举一反三。全书共分12章，章为MATLAB基础篇；第2~12章为智能算法篇，分别介绍了各种人工智能算法，包括智能算法的基本概念、差分进化算法、种群算法、遗传算法、蚁群算法、粒子群算法、免疫算法、模拟退火算法、支持向量机算法、神经网络算法、模糊逻辑控制算法。本书实用性强、应用范围广，可作为广大在校本科生和研究生的学习用书，也可作为广大科研人员、学者、工程技术人员的相关参考用书。
张德丰 编
张德丰，佛山科学技术学院教授，主要从事智能算法、光电传感等方面的科研与教学工作。在国内外核心期刊上发表学术论文9篇，获发明授权1项，实用新型授权4项。主持和参与省部级、市级项目4项，课题涉及到计算机应用、自动控制、光学等领域。获校级青年教师奖、教学成果奖、教学评估及教学质量奖等多个奖项。指导学生参加"挑战杯·创青春”大学生创业大赛，获省级金奖、银奖。出版《MATLAB R2017a模式识别》、《Python机器学习及实践》、《TensorFlow深度学习及实践》等书籍。