MATLAB智能算法30个案例分析PDF电子书下载

第1章 谢菲尔德大学的MATLAB遗传算法工具箱 1

1.1理论基础 1

1.1.1遗传算法概述 1

1.1.2谢菲尔德遗传算法工具箱 1

1.2案例背景 3

1.2.1问题描述 3

1.2.2解题思路及步骤 3

1.3 MATLAB程序实现 3

1.3.1工具箱结构 3

1.3.2遗传算法常用函数 4

1.3.3遗传算法工具箱应用举例 12

1.4延伸阅读 16

参考文献 16

第2章 基于遗传算法和非线性规划的函数寻优算法 17

2.1理论基础 17

2.1.1非线性规划 17

2.1.2非线性规划函数 17

2.1.3遗传算法基本思想 17

2.1.4算法结合思想 18

2.2案例背景 18

2.2.1问题描述 18

2.2.2算法流程 18

2.2.3遗传算法实现 19

2.3 MATLAB程序实现 20

2.3.1适应度函数 20

2.3.2选择操作 20

2.3.3交叉操作 20

2.3.4变异操作 21

2.3.5算法主函数 22

2.3.6非线性寻优 24

2.3.7结果分析 24

2.4延伸阅读 25

2.4.1其他函数的优化 25

2.4.2其他优化算法 26

参考文献 26

第3章 基于遗传算法的BP神经网络优化算法 27

3.1理论基础 27

3.1.1 BP神经网络概述 27

3.1.2遗传算法的基本要素 27

3.2案例背景 27

3.2.1问题描述 27

3.2.2解题思路及步骤 29

3.3 MATLAB程序实现 31

3.3.1神经网络算法 31

3.3.2遗传算法主函数 32

3.3.3比较使用遗传算法前后的差别 34

3.3.4结果分析 35

3.4延伸阅读 36

参考文献 37

第4章 基于遗传算法的TSP算法 38

4.1理论基础 38

4.2案例背景 38

4.2.1问题描述 38

4.2.2解决思路及步骤 39

4.3 MATLAB程序实现 40

4.3.1种群初始化 40

4.3.2适应度函数 40

4.3.3选择操作 41

4.3.4交叉操作 41

4.3.5变异操作 43

4.3.6进化逆转操作 43

4.3.7画路线轨迹图 43

4.3.8遗传算法主函数 44

4.3.9结果分析 47

4.4延伸阅读 48

4.4.1应用扩展 48

4.4.2遗传算法的改进 49

4.4.3算法的局限性 49

参考文献 49

第5章 基于遗传算法的LQR控制器优化设计 50

5.1理论基础 50

5.1.1 LQR控制 50

5.1.2基于遗传算法设计LQR控制器 50

5.2案例背景 51

5.2.1问题描述 51

5.2.2解题思路及步骤 52

5.3 MATLAB程序实现 53

5.3.1模型实现 53

5.3.2遗传算法实现 54

5.3.3结果分析 56

参考文献 56

第6章 遗传算法工具箱详解及应用 57

6.1理论基础 57

6.1.1遗传算法的一些基本概念 57

6.1.2遗传算法与直接搜索工具箱 58

6.2案例背景 58

6.2.1问题描述 58

6.2.2解题思路及步骤 59

6.3 MATLAB程序实现 59

6.3.1 GADST各函数详解 59

6.3.2 GADST的使用简介 63

6.3.3使用GADST求解遗传算法相关问题 66

6.4延伸阅读 68

参考文献 68

第7章 多种群遗传算法的函数优化算法 69

7.1理论基础 69

7.1.1遗传算法早熟问题 69

7.1.2多种群遗传算法概述 69

7.2案例背景 70

7.2.1问题描述 70

7.2.2解题思路及步骤 71

7.3 MATLAB程序实现 71

7.3.1移民算子 72

7.3.2人工选择算子 72

7.3.3目标函数 73

7.3.4标准遗传算法主函数 73

7.3.5多种群遗传算法主函数 74

7.3.6结果分析 75

7.4延伸阅读 76

参考文献 77

第8章 基于量子遗传算法的函数寻优算法 78

8.1理论基础 78

8.1.1量子遗传算法概述 78

8.1.2量子比特编码 78

8.1.3量子门更新 79

8.2案例背景 79

8.2.1问题描述 79

8.2.2解题思路及步骤 80

8.3 MATLAB程序实现 82

8.3.1种群初始化 82

8.3.2测量函数 82

8.3.3量子旋转门函数 83

8.3.4适应度函数 84

8.3.5量子遗传算法主函数 85

8.3.6结果分析 87

8.4延伸阅读 87

参考文献 88

第9章 基于遗传算法的多目标优化算法 89

9.1理论基础 89

9.1.1多目标优化及Pareto最优解 89

9.1.2函数gamultiobj 89

9.1.3函数gamultiobj中的一些基本概念 90

9.2案例背景 90

9.2.1问题描述 90

9.2.2解题思路及步骤 90

9.3 MATLAB程序实现 91

9.3.1 gamultiobj组织结构 91

9.3.2函数stepgamultiobj分析 92

9.3.3使用函数gamultiobj求解多目标优化问题 99

9.3.4结果分析 100

参考文献 101

第10章 基于粒子群算法的多目标搜索算法 102

10.1理论基础 102

10.2案例背景 102

10.2.1问题描述 102

10.2.2算法流程 103

10.2.3适应度计算 103

10.2.4筛选非劣解集 103

10.2.5粒子速度和位置更新 103

10.2.6粒子最优 104

10.3 MATLAB程序实现 104

10.3.1种群初始化 104

10.3.2种群更新 104

10.3.3更新个体最优粒子 105

10.3.4非劣解筛选 105

10.3.5仿真结果 106

10.4延伸阅读 107

参考文献 107

第11章 基于多层编码遗传算法的车间调度算法 108

11.1理论基础 108

11.2案例背景 108

11.2.1问题描述 108

11.2.2模型建立 108

11.2.3算法实现 109

11.3 MATLAB程序实现 110

11.3.1主函数 110

11.3.2适应度值计算 111

11.3.3交叉函数 113

11.3.4变异函数 113

11.3.5仿真结果 114

11.4案例扩展 115

11.4.1模糊目标 115

11.4.2代码分析 116

11.4.3仿真结果 117

参考文献 117

第12章 免疫优化算法在物流配送中心选址中的应用 118

12.1理论基础 118

12.1.1物流中心选址问题 118

12.1.2免疫算法的基本思想 118

12.2案例背景 119

12.2.1问题描述 119

12.2.2解题思路及步骤 120

12.3 MATLAB程序实现 122

12.3.1免疫算法主函数 122

12.3.2多样性评价 123

12.3.3免疫操作 124

12.3.4仿真实验 127

12.4案例扩展 128

参考文献 129

第13章 粒子群算法的寻优算法 130

13.1理论基础 130

13.2案例背景 130

13.2.1问题描述 130

13.2.2解题思路及步骤 131

13.3 MATLAB程序实现 131

13.3.1 PSO算法参数设置 131

13.3.2种群初始化 132

13.3.3寻找初始极值 132

13.3.4迭代寻优 133

13.3.5结果分析 133

13.4延伸阅读 134

13.4.1惯性权重的选择 134

13.4.2ω变化的算法性能分析 135

参考文献 136

第14章 基于粒子群算法的PID控制器优化设计 137

14.1理论基础 137

14.2案例背景 137

14.2.1问题描述 137

14.2.2解题思路及步骤 138

14.3 MATLAB程序实现 139

14.3.1 Simulink部分的程序实现 139

14.3.2 PSO部分的程序实现 139

14.3.3结果分析 141

14.4延伸阅读 142

参考文献 143

第15章 基于混合粒子群算法的TSP搜索算法 144

15.1理论基础 144

15.2案例背景 144

15.2.1问题描述 144

15.2.2算法流程 144

15.2.3算法实现 144

15.3 MATLAB程序实现 145

15.3.1适应度函数 145

15.3.2粒子初始化 146

15.3.3交叉操作 146

15.3.4变异操作 147

15.3.5仿真结果 148

15.4延伸阅读 148

参考文献 149

第16章 基于动态粒子群算法的动态环境寻优算法 150

16.1理论基础 150

16.1.1动态粒子群算法 150

16.1.2动态环境 150

16.2案例背景 151

16.3 MATLAB程序实现 152

16.3.1动态环境函数 152

16.3.2种群初始化 153

16.3.3循环动态寻找 153

16.3.4仿真结果 154

16.4延伸阅读 155

16.4.1 APSO 155

16.4.2 EPSO 155

16.4.3 TDPSO 155

参考文献 156

第17章 基于PSO工具箱的函数寻优算法 157

17.1理论基础 157

17.1.1工具箱介绍 157

17.1.2工具箱函数解释 157

17.2案例背景 158

17.2.1问题描述 158

17.2.2工具箱设置 158

17.3 MATLAB程序实现 159

17.3.1适应度函数 159

17.3.2主函数 160

17.3.3仿真结果 160

17.4延伸阅读 161

参考文献 161

第18章 基于鱼群算法的函数寻优算法 162

18.1理论基础 162

18.1.1人工鱼群算法概述 162

18.1.2人工鱼群算法的主要行为 162

18.1.3问题的解决 163

18.2案例背景 163

18.2.1问题描述 163

18.2.2解题思路及步骤 164

18.3 MATLAB程序实现 167

18.3.1鱼群初始化函数 167

18.3.2觅食行为 167

18.3.3聚群行为 168

18.3.4追尾行为 170

18.3.5目标函数 171

18.3.6一元函数优化 171

18.3.7二元函数优化 173

18.4延伸阅读 176

18.4.1人工鱼群算法优点 176

18.4.2算法改进的几个方向 176

参考文献 177

第19章 基于模拟退火算法的TSP算法 178

19.1理论基础 178

19.1.1模拟退火算法基本原理 178

19.1.2 TSP问题介绍 179

19.2案例背景 179

19.2.1问题描述 179

19.2.2解题思路及步骤 179

19.3 MATLAB程序实现 180

19.3.1计算距离矩阵 180

19.3.2初始解 180

19.3.3生成新解 180

19.3.4 Metropolis准则函数 181

19.3.5画路线轨迹图 181

19.3.6输出路径函数 182

19.3.7可行解路线长度函数 182

19.3.8模拟退火算法主函数 183

19.3.9结果分析 185

19.4延伸阅读 187

19.4.1模拟退火算法的改进 187

19.4.2算法的局限性 187

参考文献 187

第20章 基于遗传模拟退火算法的聚类算法 188

20.1理论基础 188

20.1.1模糊聚类分析 188

20.1.2模拟退火算法 188

20.1.3遗传算法 188

20.1.4模拟退火算法与遗传算法结合 188

20.2案例背景 189

20.2.1问题描述 189

20.2.2解题思路及步骤 189

20.3 MATLAB程序实现 191

20.3.1 FCM聚类实现 191

20.3.2 SAGA优化初始聚类中心 192

20.4延伸阅读 196

参考文献 196

第21章 模拟退火算法工具箱及应用 197

21.1理论基础 197

21.1.1模拟退火算法工具箱 197

21.1.2模拟退火算法的一些基本概念 198

21.2案例背景 198

21.2.1问题描述 198

21.2.2解题思路及步骤 198

21.3 MATLAB程序实现 199

21.3.1函数sanewpoint 199

21.3.2函数saupdates 202

21.3.3应用SAT求函数Rastrigin的最小值 203

21.3.4结果分析 203

参考文献 204

第22章 蚁群算法的优化计算——旅行商问题（TSP）优化 205

22.1理论基础 205

22.1.1蚁群算法基本思想 205

22.1.2蚁群算法解决TSP问题基本原理 205

22.1.3蚁群算法解决TSP问题基本步骤 206

22.1.4蚁群算法的特点 207

22.2案例背景 207

22.2.1问题描述 207

22.2.2解题思路及步骤 207

22.3 MATLAB程序实现 209

22.3.1清空环境变量 209

22.3.2导入数据 209

22.3.3计算城市间相互距离 209

22.3.4初始化参数 209

22.3.5迭代寻找最佳路径 210

22.3.6结果显示 212

22.3.7绘图 212

22.4延伸阅读 213

22.4.1参数的影响及选择 213

22.4.2延伸阅读 215

参考文献 216

第23章 基于蚁群算法的二维路径规划算法 217

23.1理论基础 217

23.1.1路径规划算法 217

23.1.2 MAKLINK图论理论 217

23.1.3蚁群算法 218

23.1.4 dijkstra算法 219

23.2案例背景 219

23.2.1问题描述 219

23.2.2算法流程 219

23.2.3蚁群算法实现 219

23.3 MATLAB程序 221

23.3.1 dijkstra算法 221

23.3.2蚁群算法搜索 222

23.3.3结果分析 224

23.4延伸阅读 225

23.4.1蚁群算法改进 225

23.4.2程序实现 226

参考文献 227

第24章 基于蚁群算法的三维路径规划算法 229

24.1理论基础 229

24.1.1三维路径规划问题概述 229

24.1.2三维空间抽象建模 229

24.2案例背景 230

24.2.1问题描述 230

24.2.2算法流程 230

24.2.3信息素更新 230

24.2.4可视搜索空间 231

24.2.5蚁群搜索策略 231

24.3 MATLAB程序 232

24.3.1启发值计算函数 232

24.3.2适应度计算函数 233

24.3.3路径搜索 233

24.3.4主函数 234

24.3.5仿真结果 235

24.4延伸阅读 236

参考文献 236

第25章 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测 237

25.1理论基础 237

25.1.1 BP神经网络概述 237

25.1.2 RBF神经网络概述 240

25.2案例背景 242

25.2.1问题描述 242

25.2.2解题思路及步骤 242

25.3 MATLAB程序实现 243

25.3.1清空环境变量 243

25.3.2产生训练集/测试集 243

25.3.3创建/训练BP神经网络及仿真测试 244

25.3.4创建RBF神经网络及仿真测试 244

25.3.5性能评价 244

25.3.6绘图 245

25.4延伸阅读 246

25.4.1网络参数的影响及选择 246

25.4.2案例延伸 246

参考文献 247

第26章 有导师学习神经网络的分类——鸢尾花种类识别 248

26.1理论基础 248

26.1.1广义回归神经网络（GRNN）概述 248

26.1.2概率神经网络（PNN）概述 250

26.2案例背景 251

26.2.1问题描述 251

26.2.2解题思路及步骤 252

26.3 MATLAB程序实现 253

26.3.1清空环境变量 253

26.3.2产生训练集/测试集 253

26.3.3建立模型 254

26.3.4性能评价 255

26.3.5绘图 255

26.3.6结果分析 256

26.4延伸阅读 257

参考文献 257

第27章 无导师学习神经网络的分类——矿井突水水源判别 259

27.1理论基础 259

27.1.1竞争神经网络概述 259

27.1.2 SOFM神经网络概述 261

27.2案例背景 262

27.2.1问题描述 262

27.2.2解题思路及步骤 262

27.3 MATLAB程序实现 263

27.3.1清空环境变量 263

27.3.2产生训练集/测试集 263

27.3.3创建/训练竞争神经网络及仿真测试 264

27.3.4创建SOFM神经网络及仿真测试 264

27.3.5性能评价 265

27.3.6结果分析 265

27.4延伸阅读 267

27.4.1竞争神经网络与SOFM神经网络性能对比 267

27.4.2案例延伸 268

参考文献 268

第28章 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断 269

28.1理论基础 269

28.1.1支持向量机分类原理 269

28.1.2 libsvm软件包简介 273

28.2案例背景 273

28.2.1问题描述 273

28.2.2解题思路及步骤 274

28.3 MATLAB程序实现 275

28.3.1清空环境变量 275

28.3.2产生训练集/测试集 275

28.3.3数据归一化 275

28.3.4创建/训练SVM（RBF核函数） 276

28.3.5 SVM仿真测试 277

28.3.6绘图 277

28.4延伸阅读 278

28.4.1性能对比 278

28.4.2案例延伸 279

参考文献 279

第29章 支持向量机的回归拟合——混凝土抗压强度预测 280

29.1理论基础 280

29.1.1 SVR基本思想 280

29.1.2支持向量机的训练算法 281

29.2案例背景 282

29.2.1问题描述 282

29.2.2解题思路及步骤 283

29.3 MATLAB程序实现 284

29.3.1清空环境变量 284

29.3.2产生训练集/测试集 284

29.3.3数据归一化 285

29.3.4创建/训练SVR模型 285

29.3.5 SVR仿真预测 286

29.3.6绘图 286

29.4延伸阅读 287

29.4.1核函数对模型性能的影响 287

29.4.2性能对比 287

29.4.3案例延伸 288

参考文献 289

第30章 极限学习机的回归拟合及分类——对比实验研究 290

30.1理论基础 290

30.1.1 ELM的基本思想 290

30.1.2 ELM的学习算法 292

30.1.3 ELM的MATLAB实现 293

30.2案例背景 296

30.2.1问题描述 296

30.2.2解题思路及步骤 296

30.3 MATLAB程序实现 296

30.3.1 ELM的回归拟合——基于近红外光谱的汽油辛烷值预测 297

30.3.2 ELM的分类——鸢尾花种类识别 299

30.4延伸阅读 301

30.4.1隐含层神经元个数的影响 301

30.4.2案例延伸 301

参考文献 301