电子工业出版社-网上书店

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，第1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。

目录
 
第1章  步入MATLAB R2020a	1
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
3.6.4  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	64
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  遗传算法解决最优化问题	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  最大最小蚁群系统	143
6.2.3  排序蚁群系统	144
6.2.4 最优最差蚁群系统	144
6.3  自适应蚁群算法	144
6.4  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  蚁群算法求解最值问题	148
6.6.2  蚁群算法求解TSP	153
6.6.3  蚁群算法求解二维路径规划
问题	157
6.6.4  蚁群算法求解三维路径规划
问题	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
7.6.4  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  免疫算法在最优化中的
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
8.6.4  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  模拟退火算法在最优化中的应用	280
第10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  最优分类面	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
第11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	364
11.6.3  学习矢量量化网络	365
11.6.4  自组织竞争神经网络的
应用	367

第12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Simulink
      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

前言
在科学研究和工程计算领域经常会遇到一些非常复杂的计算问题。这些问题利用计算器或手工计算无法完成，只能借助计算机完成。MATLAB是MathWorks公司推出的一套高性能的数值计算和可视化软件。它集数值分析、矩阵运算、信号处理和图形显示于一体，构成了一个方便的、界面友好的用户环境。MATLAB强大的扩展功能和影响力吸引了各个领域的专家相继推出许多基于MATLAB的专用工具箱。MATLAB因强大的科学运算、灵活的程序设计流程、高质量的图形可视化与界面设计、与其他程序和语言具有便捷接口等成为当今世界最有活力和影响力的可视化软件之一。
人工智能（Artificial Intelligence，AI）一词最初是1956年在达特茅斯学院被提出的。从那以后，研究者发展了众多理论和原理，人工智能的概念也随之扩展。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支。它企图了解智能的实质，并生产出一种新的能以与人类智能相似的方式做出反应的智能机器。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能自诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品将会是人类智慧的“容器”。
20世纪70年代起，人工智能就被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一，也被认为是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为这些年来它获得了迅速的发展，在很多学科领域都获得了广泛的应用，并取得了丰硕的成果。人工智能已逐步成为一个独立的分支，无论是在理论上，还是在实践上，都已自成一个系统。
本书详细介绍了应用MATLAB R2020a进行智能算法的分析及其在各领域中的应用。本书的编写具有以下特点。
1. 由浅入深，步步紧扣
本书以MATLAB R2020a为平台，在了解MATLAB R2020a平台的基础上介绍了各种人工智能算法的原理、步骤、算法等内容，让各种智能问题在MATLAB R2020a中得到更好的解决。
2. 内容新颖，应用典型
书中利用MATLAB剖析、解决各种智能问题，并通过实例向读者演示了如何利用MATLAB各种智能算法求解各领域中的实际问题，让读者做到理论与实践相结合，学以致用。
3. 轻松易学，方便快捷
书中通过大量典型的应用例子来讲解，在讲解过程中辅以相应的图片，使读者在阅读时一目了然，从而轻松、快速地掌握书中的内容。利用MATLAB智能算法求解问题，可使读者高效率地解决在各领域中遇到的问题，进而提升工作效率。
本书基于MATLAB R2020a编写，全书共12章，包括的内容如下。
第1章：介绍MATLAB R2020a软件，主要包括MATLAB的概述、MATLAB R2020a的新功能、MATLAB的工作环境、MATLAB的编程基础、MATLAB的矩阵运算、MATLAB的程序结构等内容。
第2章：介绍智能算法的基本概念，主要包括人工智能的技术应用、人工智能的典型应用及人工智能的影响等内容。
第3章：介绍差分进化算法，主要包括差分进化算法的理论、基本差分进化算法、改进差分进化算法及差分进化算法的应用等内容。
第4章：介绍种群算法，主要包括种群的主要特征、种群动态模型、种群竞争模型等内容。
第5章：介绍遗传算法，主要包括遗传算法的概述、遗传算法的原理、遗传算法的改进方向、遗传算法的工具箱等内容。
第6章：介绍蚁群算法，主要包括蚁群算法的基础、改进的蚁群系统、自适应蚁群算法、蚁群优化算法的应用等内容。
第7章：介绍粒子群算法，主要包括粒子群算法的基础、基本粒子群算法、粒子群算法求解极值、改进粒子群算法等内容。
第8章：介绍免疫算法，主要包括免疫算法的基本概念、免疫算法算子、免疫算法的应用、人工免疫的粒子群聚类算法等内容。
第9章：介绍模拟退火算法，主要包括模拟退火算法的理论、模拟退火算法的改进方向、模拟退火的粒子群算法、模拟退火算法在最优化中的应用等内容。
第10章：介绍支持向量机算法，主要包括支持向量机的概述、统计学、支持向量机、支持向量机的应用等内容。
第11章：介绍神经网络算法，主要包括感知器、线性神经网络、BP神经网络、径向基函数神经网络等内容。
第12章：介绍模糊逻辑控制算法，主要包括模糊逻辑控制的概述、模糊逻辑控制工具箱、模糊逻辑控制系统的Simulink连接、模糊神经网络等内容。
本书提供PPT和实例源程序下载，读者可以登录www.hxedu.com.cn（华信教育资源网）查找本书下载（须先注册成为会员）。
本书由佛山科学技术学院张德丰编著，由于时间仓促，加之作者水平有限，书中疏漏之处在所难免。在此，期望得到各领域专家和广大读者的批评指正。
                                                                编著者  
                                                                2021.1

本书配套资源下载

对不起，暂无音视频资源！

MATLAB R2020a智能算法及实例分析