MATLAB R2020a 智能算法及實例分析

張德豐，佛山科學技術學院教授，主要從事智能算法、光電傳感等方面的科研與教學工作。
在國內外核心期刊上發表學術論文9篇，獲發明專利授權1項，實用新型專利授權4項。
主持和參與省部級、市級項目4項，課題涉及到計算機應用、自動控制、光學等領域。
獲校級優秀青年教師獎、教學成果獎、教學評估優秀及教學質量獎等多個獎項。
指導學生參加"挑戰杯・創青春”大學生創業大賽，獲省級金獎、***銀獎。
出版《MATLAB R2017a模式識別》、《Python機器學習及實踐》、《TensorFlow深度學習及實踐》等書籍。

第1章步入MATLAB R2020a 1
1．1 MATLAB的概述1
1．1．1 MATLAB精通數學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矩陣的代數運算16
1．6．2矩陣的關係運算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人工智能的特徵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智能網絡36
2．4．3智能檢索36
2．4．4智能遊戲36
2． 5人工智能發展的先決條件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並行差分進化算法48
3．5．5結合單純形優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函數優化49
3．6．2組合優化49
3．6．3化工領域49
3．6．4神經網絡訓練50
3．6．5電力系統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系統辨識和故障診斷51
3．7差分進化算法的MATLAB實現51

第4章種群算法分析58
4．1種群的主要特徵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70
4．4藍鯨與長鬚鯨的競爭模型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遺傳算法的發展現狀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算法參數的設計原則87
5．2．5適應度函數的調整88
5．2．6遺傳算法的優點和缺點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遺傳算法的實現過程93
5．4．2自帶的遺傳算法函數101
5．5遺傳算法解決最優化問題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蟻群算法的優點與不足142
6．2改進的蟻群系統143
6．2．1精英蟻群系統143
6．2．2最大最小蟻群系統143
6．2．3排序蟻群系統144
6．2．4最優最差蟻群系統144
6．3自適應蟻群算法144
6．4蟻群優化算法的應用146
6．5蟻群算法的發展趨勢和展望146
6．6蟻群算法的實現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劃問題157
6．6．4蟻群算法求解三維路徑規劃問題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粒子群算法的發展174
7．2．3粒子群算法研究的內容175
7．2．4粒子群算法的優勢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
7．4．1一維函數全局尋優181
7．4．2經典函數尋優184
7．4．3無約束尋優188
7．4．4有約束尋優191
7．4．5有約束粒子群算法尋優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其他參數的變化209
7．6粒子群算法的MATLAB實現216
7．6．1粒子群算法實現多目標尋優216
7．6．2粒子群算法的尋優222
7．6． 3粒子群的PID控制器優化設計224
7．6．4粒子群算法在TSP中的尋優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234
8．2．2免疫算法的原理236
8．2．3免疫系統模型和免疫算法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免疫算法在最優化中的應用246
8．5．3免疫算法在路徑規劃中的應用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模擬退火算法在最優化中的應用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核函數方法301
10．3支持向量機303
10．3． 1最優分類面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章神經網絡算法分析312
11．1神經網絡的概述312
11．1．1神經網絡的特點312
11．1．2神經網絡的發展史313
11．1．3神經網絡的應用314
11．1．4神經網絡與計算機工作特點的對比315
11．1．5神經網絡的結構316
11．1．6神經網絡的學習方式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線性神經網絡323
11．3．1線性神經網絡的結構324
11．3．2線性神經網絡的學習算法324
11．3 ．3線性神經網絡的應用326
11．4 BP神經網絡336
11．4．1 BP神經網絡的結構336
11．4．2 BP神經網絡的學習算法337
11．4．3 BP神經網絡的局限性339
11．4．4 BP神經網絡的應用339
11．5徑向基函數神經網絡350
11．5．1徑向基函數350
11．5．2正則化網絡351
11．5．3廣義網絡352
11．5．4概率神經網絡353
11．5．5徑向基函數神經網絡的應用354
11．6自組織競爭神經網絡361
11．6．1競爭神經網絡361
11．6．2自組織特徵映射網絡364
11．6．3學習矢量量化網絡365
11．6．4自組織競爭神經網絡的應用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模糊關係376
12． 1．4模糊語言376
12．1．5模糊推理377
12．1．6模糊控制規則378
12．1．7模糊邏輯控制的原理379
12．1．8模糊推理系統的基本類型380
12．1． 9模糊邏輯控制的應用領域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381
12．2．2模糊邏輯控制系統的構成382
12．2．3模糊推理系統的管理功能383
12．2．4模糊語言設置387
12．2．5語言變量的隸屬度函數389
12．2．6模糊控制規則函數395
12．2．7模糊推理計算396
12．3模糊推理系統402
12．3．1圖形用戶界面402
12．3．2模糊推理系統編輯器402
12．3．3隸屬度函數編輯器404
12．3．4模糊控制規則編輯器405
12．3．5模糊控制規則觀察器405
12．3．6輸出曲面觀察器406
12．3．7模糊推理系統的應用407
12．4模糊邏輯控制系統的Simulink連接411
12．5模糊神經網絡418
12．5．1模糊神經網絡的概述418
12．5．2模糊神經網絡的應用420

參考文獻431