智能计算方法及其应用PDF电子书下载

第0章 绪论 1

0.1 智能计算方法 1

0.2 智能计算方法产生与发展 1

0.2.1 模糊计算的产生与发展 2

0.2.2 神经计算的产生与发展 3

0.2.3 进化计算的产生与发展 4

0.2.4 群智能计算的产生与发展 5

0.3 智能计算方法分类 6

习题0 7

第1篇模糊计算 12

第1章 模糊计算数学基础 12

1.1 模糊集合 12

1.1.1 模糊集合定义 12

1.1.2 模糊集合的表示方式 13

1.1.3 隶属函数 13

1.1.4 模糊集合的基本运算 16

1.1.5 模糊集合与经典集合的联系 17

1.2 模糊关系 19

1.2.1 模糊关系 19

1.2.2 模糊关系的合成 21

1.2.3 模糊变换 23

1.3 模糊逻辑 23

1.3.1 模糊逻辑运算 23

1.3.2 模糊逻辑算子 24

习题1 25

第2章 模糊推理与模糊系统 26

2.1 模糊语言 26

2.1.1 模糊语言 26

2.1.2 模糊语言算子 27

2.2 模糊规则 27

2.3 模糊推理 28

2.3.1 Mamdani模糊推理法 28

2.3.2 Larsen模糊推理法 33

2.3.3 Zadeh模糊推理法 36

2.3.4 Takagi-Sugeno模糊推理法 36

2.4 模糊系统 37

2.4.1 模糊系统的组成结构 38

2.4.2 模糊系统的组成单元 38

2.5 模糊控制系统 39

2.5.1 模糊控制的基本原理 40

2.5.2 模糊控制器设计 41

2.5.3 模糊控制器设计实例 43

习题2 50

第3章 模糊聚类分析 51

3.1 模糊聚类分析的一般步骤 51

3.2 最佳分类阈值λ的确定 59

3.3 模糊聚类分析方法的应用实例 60

习题3 67

第4章 模糊计算的发展与展望 68

第2篇神经计算 73

第5章 人工神经网络基础 73

5.1 人工神经网络生物学基础 73

5.2 人工神经元基本结构与数学模型 74

5.2.1 人工神经元基本结构 74

5.2.2 人工神经元数学模型 75

5.3 人工神经网络基本结构、学习方式与基本特性 76

5.3.1 人工神经网络基本结构 76

5.3.2 人工神经网络基本学习方式 78

5.3.3 人工神经网络基本特性 81

5.4 人工神经网络设计 82

习题5 84

第6章 BP神经网络 85

6.1 BP神经网络基本概念 85

6.2 BP神经网络基本模型与学习算法 85

6.2.1 BP神经网络基本模型 85

6.2.2 BP神经网络学习算法 86

6.2.3 BP神经网络特点 89

6.3 BP神经网络的MATLAB实现 90

6.4 应用实例——利用BP神经网络进行预测 94

6.4.1 MATLAB程序实现 95

6.4.2 nntool神经网络工具箱的使用 96

6.5 应用实例——利用BP神经网络进行鸢尾花分类 99

6.5.1 iris数据集简介 99

6.5.2 基于BP神经网络的鸢尾花分类 100

6.6 BP神经网络算法的改进 104

6.6.1 附加动量法 104

6.6.2 自适应学习速率 105

6.6.3 动量-自适应学习速率调整算法 105

6.6.4 其他需要探索解决的问题 105

习题6 106

第7章 径向基函数神经网络 107

7.1 RBF神经网络的基本概念 107

7.2 径向基函数神经网络模型 107

7.3 BPF神经网络设计 110

7.3.1 隐层单元个数的确定 110

7.3.2 基函数中心cp的确定 111

7.3.3 基函数宽度（扩展常数）的确定 112

7.3.4 权系数w的确定 112

7.4 RBF神经网络MATLAB实现 112

7.5 应用实例——利用RBF神经网络解决分类问题 116

7.6 应用实例——利用RBF神经网络的目标威胁评估 119

7.6.1 基于RBF神经网络的函数拟合 120

7.6.2 目标威胁评估 121

7.7 RBF神经网络的改进 125

7.7.1 RBF神经网络的不足 125

7.7.2 RBF神经网络改进算法 125

习题7 127

第8章 卷积神经网络 128

8.1 卷积神经网络模型 128

8.2 卷积神经网络主要特征 129

8.2.1 局部感知 130

8.2.2 参数共享 130

8.2.3 多卷积核 131

8.2.4 池化 132

8.3 卷积神经网络的数学描述 133

8.3.1 卷积运算 133

8.3.2 激活运算 134

8.3.3 池化运算 136

8.3.4 全连接计算 137

8.3.5 Softmax回归 137

8.3.6 反向传播算法 140

8.4 应用实例——手写数字识别 141

8.4.1 问题描述 141

8.4.2 基于LeNet-5网络结构的数字识别方法 141

8.4.3 MATLAB程序实现 142

8.5 应用实例——基于GoogleNet的图片分类 146

8.5.1 基于GoogleNet进行图片分类 146

8.5.2 基于GoogleNet迁移学习的图片分类 149

8.6 几种改进的卷积神经网络 154

习题8 155

第9章 神经计算的发展与展望 156

第3篇进化计算 161

第10章 遗传算法 161

10.1 遗传算法的生物学基础 161

10.2 遗传算法的基本理论 162

10.2.1 遗传算法的基本原理 162

10.2.2 全局优化问题 162

10.2.3 遗传算法的实现流程 162

10.2.4 遗传算法基本要素 163

10.3 遗传算法的MATLAB实现 170

10.4 应用实例——利用遗传算法求解规划问题 176

10.5 应用实例——利用遗传算法求解物流配送路径优化问题 177

10.5.1 物流配送路径优化问题 177

10.5.2 基于GA进行求解 179

10.6 遗传算法特点及其改进算法 186

习题10 190

第11章 人工免疫算法 191

11.1 人工免疫算法的生物学机理 191

11.1.1 生物免疫系统的基本概念 191

11.1.2 生物免疫系统的组成与功能 192

11.2 人工免疫算法的基本概念 193

11.3 人工免疫算法的基本原理 195

11.3.1 人工免疫算法的算子 195

11.3.2 Markov链描述 198

11.4 人工免疫算法的实现步骤与计算流程 199

11.4.1 基本免疫算法的实现步骤与计算流程 199

11.4.2 疫苗免疫算法的实现步骤与计算流程 200

11.4.3 克隆免疫算法的实现步骤与计算流程 201

11.5 人工免疫算法的MATLAB实现 202

11.6 应用实例——群决策问题的权重确定 205

11.7 应用实例——电梯交通动态分区优化 210

11.7.1 电梯的动态分区模型 210

11.7.2 基于人工免疫算法的电梯动态分区模型求解 212

11.8 人工免疫算法的特点与发展方向 217

11.8.1 人工免疫算法的特点 217

11.8.2 人工免疫算法的发展方向 218

习题11 219

第12章 差分进化算法 220

12.1 差分进化算法的基本概念 220

12.2 差分进化算法的基本理论 220

12.2.1 差分进化算法基本原理 220

12.2.2 基本差分进化算法的流程图 221

12.2.3 差分进化算子 222

12.2.4 差分进化算法控制参数 224

12.3 差分进化算法的MATLAB实现 224

12.4 应用实例——电力系统负荷分配 227

12.4.1 目标函数 227

12.4.2 约束条件 228

12.4.3 利用差分进化算法进行求解 228

12.5 应用实例——求解车间调度问题（JSP） 234

12.5.1 车间调度问题 234

12.5.2 基于DE的车间调度问题求解 235

12.6 差分进化算法的改进 240

12.6.1 对变异操作算子的改进 240

12.6.2 对交叉操作算子的改进 240

习题12 241

第13章 进化计算的发展与展望 242

第4篇群智能计算 247

第14章 粒子群优化算法 247

14.1 粒子群优化算法的基本概念 247

14.2 粒子群优化算法的基本原理 248

14.3 MATLAB程序实现 249

14.4 应用实例——无线传感器网络节点定位 252

14.5 应用实例——求解PID控制器设计问题 257

14.6 粒子群优化算法的改进 262

14.6.1 参数改进 262

14.6.2 结构改进-双群协同粒子群优化算法 263

习题14 265

第15章 蚁群优化算法 266

15.1 蚁群优化算法的基本概念 266

15.2 蚁群优化算法的基本原理 267

15.3 应用实例——求解TSP问题 269

15.3.1 TSP问题概述 269

15.3.2 求解TSP问题的蚁群优化算法流程 270

15.3.3 MATLAB程序 271

15.4 应用实例——连续无约束优化 274

15.5 蚁群优化算法的改进 278

15.5.1 基于2-opt局部搜索策略改进蚁群优化算法 278

15.5.2 混沌扰动的模拟退火算法 279

习题15 280

第16章 人工蜂群算法 281

16.1 人工蜂群算法的基本概念 281

16.2 人工蜂群算法的基本原理 282

16.3 应用实例——求解武器目标分配问题 285

16.3.1 武器目标分配模型 285

16.3.2 利用人工蜂群算法求解步骤 285

16.3.3 求解问题 286

16.3.4 求解结果及程序 286

16.4 应用实例——求解K-means聚类问题 291

16.4.1 K-means聚类问题描述 292

16.4.2 聚类问题的数学模型 292

16.4.3 K-means算法描述 293

16.4.4 聚类实例 293

16.4.5 MATLAB程序 294

16.5 人工蜂群算法的改进 299

16.5.1 几种改进策略 299

16.5.2 几种改进的人工蜂群算法 301

习题16 304

第17章 群智能计算的发展与展望 305

附录 测试函数 308

参考文献 310