《MATLAB R2020a智慧型算法及實例分析》是2021年電子工業出版社出版的圖書，作者是張德豐。
基本介紹
- 中文名：MATLAB R2020a智慧型算法及實例分析
- 作者：張德豐
- 出版時間：2021年
- 出版社：電子工業出版社
- 頁數：440 頁
- ISBN：9787121410468
- 定價：89 元
- 開本：16 開
- 裝幀：平裝
內容簡介,圖書目錄,作者簡介,
內容簡介
本書以MATLAB R2020a為平台，以人工智慧算法為背景，全面地介紹了如何利用MATLAB各種智慧型算法求解相關領域中的實際問題。書中內容做到了理論與實踐相結合，讓讀者可以快速、便捷地學習各種智慧型算法，並利用智慧型算法解決問題，做到學以致用、舉一反三。全書共分12章，第1章為MATLAB基礎篇；第2～12章為智慧型算法篇，分別介紹了各種人工智慧算法，包括智慧型算法的基本概念、差分進化算法、種群算法、遺傳算法、蟻群算法、粒子群算法、免疫算法、模擬退火算法、支持向量機算法、神經網路算法、模糊邏輯控制算法。
圖書目錄
目錄
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的特點及套用領域 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的文本編輯視窗 9
1.4.3 MATLAB的幫助文檔 10
1.5 MATLAB的編程基礎 13
1.5.1 變數 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的程式結構 22
1.7.1 循環控制結構 22
1.7.2 條件選擇結構 23
1.8 M檔案 26
1.8.1 腳本檔案 26
1.8.2 函式檔案 26
第2章 智慧型算法的基本概念 28
2.1 智慧型算法的概述 28
2.1.1 智慧型的分類 28
2.1.2 認識智慧型的不同觀點 29
2.1.3 智慧型的層次 30
2.2 人工智慧的概念 30
2.2.1 人工智慧的發展史 30
2.2.2 人工智慧的研究目標 31
2.2.3 人工智慧的研究方法 31
2.2.4 人工智慧的分類 33
2.2.5 人工智慧的特徵 34
2.3 人工智慧的技術套用 35
2.4 人工智慧的典型套用 35
2.4.1 智慧型機器人 35
2.4.2 智慧型網路 36
2.4.3 智慧型檢索 36
2.4.4 智慧型遊戲 36
2.5 人工智慧發展的先決條件 36
2.6 人工智慧的三個層次 37
2.7 人工智慧的影響 38
2.8 人工智慧的典型算法 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 具有自適應運算元的差分進化
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 結合單純形最佳化策略的差分
進化算法 48
3.5.6 結合粒子濾波的差分進化
算法 48
3.6 差分進化算法的套用 49
3.6.1 函式最佳化 49
3.6.2 組合最佳化 49
3.6.3 化工領域 49
3.6.4 神經網路訓練 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 遺傳算法的套用領域 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 適應度函式的調整 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 自帶的遺傳算法函式 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 小蟻群系統 143
6.2.3 排序蟻群系統 144
6.2.4 差蟻群系統 144
6.3 自適應蟻群算法 144
6.4 蟻群最佳化算法的套用 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 粒子群算法的套用領域 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定 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 一維函式全局尋優 181
7.4.2 經典函式尋優 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控制器最佳化
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 免疫算法運算元 239
8.4 免疫算法與遺傳算法的比較 241
8.5 免疫算法的套用 242
8.5.1 免疫算法在克隆選擇中的
套用 242
8.5.2 免疫算法在化中的
套用 246
8.5.3 免疫算法在路徑規劃中的
套用 250
8.5.4 免疫算法在TSP中的套用 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 模擬退火算法在化中的套用 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 核函式方法 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 支持向量機的套用 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 神經網路算法分析 312
11.1 神經網路的概述 312
11.1.1 神經網路的特點 312
11.1.2 神經網路的發展史 313
11.1.3 神經網路的套用 314
11.1.4 神經網路與計算機工作特點的對比 315
11.1.5 神經網路的結構 316
11.1.6 神經網路的學習方式 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 單層感知器的套用 320
11.3 線性神經網路 323
11.3.1 線性神經網路的結構 324
11.3.2 線性神經網路的學習算法 324
11.3.3 線性神經網路的套用 326
11.4 BP神經網路 336
11.4.1 BP神經網路的結構 336
11.4.2 BP神經網路的學習算法 337
11.4.3 BP神經網路的局限性 339
11.4.4 BP神經網路的套用 339
11.5 徑向基函式神經網路 350
11.5.1 徑向基函式 350
11.5.2 正則化網路 351
11.5.3 廣義網路 352
11.5.4 機率神經網路 353
11.5.5 徑向基函式神經網路的
套用 354
11.6 自組織競爭神經網路 361
11.6.1 競爭神經網路 361
11.6.2 自組織特徵映射網路 364
11.6.3 學習矢量量化網路 365
11.6.4 自組織競爭神經網路的
套用 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1
作者簡介
張德豐，佛山科學技術學院教授，主要從事智慧型算法、光電感測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，課題涉及到計算機套用、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。
