智能控制理论和方法 第2版PDF电子书下载

第1章 绪论 1

1.1控制科学发展的历史回顾 1

1.2智能控制的产生背景 2

1.3智能控制的基本概念与研究内容 3

1.3.1智能控制的基本概念 3

1.3.2智能与智能控制的定义 4

1.3.3智能控制的主要研究内容 6

参考文献 7

第2章 智能控制系统的结构体系 9

2.1智能控制系统的基本结构 9

2.2智能控制系统的分类 12

2.3递阶智能控制系统的结构和理论 14

2.3.1递阶智能控制系统的结构 14

2.3.2信息熵与IPDI原理 15

2.3.3组织级的分析理论 17

2.3.4协调级的分析理论 18

2.3.5执行级的最优控制 19

2.4智能控制系统的信息结构理论 19

2.4.1 N维信息理论 20

2.4.2信息率划分定律 23

2.4.3对递阶智能控制系统的信息流分析 25

习题与思考题 28

参考文献 28

第3章 基于模糊推理的智能控制系统 30

3.1模糊控制系统的基本概念与发展历史 30

3.2模糊集合与模糊推理 31

3.2.1模糊集合 31

3.2.2模糊集合的运算和MF的参数化 34

3.2.3模糊关系与复合运算 43

3.2.4模糊推理 45

3.3模糊推理系统 50

3.4模糊基函数 57

3.5模糊建模 59

3.5.1模糊模型 59

3.5.2模糊模型的参数辨识 60

3.5.3模糊模型的结构辨识 65

3.6模糊逻辑控制器的结构与设计 69

3.6.1模糊控制器的基本结构 69

3.6.2模糊控制系统的设计问题 71

3.6.3 PID控制器的模糊增益调整 76

3.7模糊控制系统的稳定性分析 81

习题与思考题 85

参考文献 89

第4章 基于神经元网络的智能控制系统 92

4.1神经元网络与控制 92

4.2神经元网络的基本原理和结构 93

4.2.1神经元网络的基本单元 93

4.2.2神经元网络的模型 94

4.2.3神经元的连接方式 97

4.3监督学习神经元网络 98

4.3.1感知器和反传（BP）网络 98

4.3.2小脑模型连接控制器（CMAC）网络 105

4.3.3增强学习网络 110

4.3.4组合网络（Modular Network） 113

4.4无监督学习和反馈神经元网络 116

4.4.1竞争学习和Kohonen自组织网络 116

4.4.2 Hopfield网络 120

4.4.3双向联想存储器BAM 124

4.4.4 Boltzman机 127

4.5基于神经元网络的智能控制 129

4.5.1基于多神经元网络的复杂函数逼近 130

4.5.2用神经元网络对复杂系统建模 135

4.5.3用神经元网络进行的智能控制 140

4.6神经元网络控制非线性动态系统的能控性与稳定性 148

习题与思考题 152

参考文献 155

第5章 遗传算法及其在智能控制中的应用 157

5.1遗传算法的基本概念 157

5.2简单遗传算法 157

5.3遗传算法的基本数学问题 161

5.4遗传算法应用中的一些基本问题 163

5.4.1知识表示（编码） 163

5.4.2适应度函数 164

5.4.3 GA的全局收敛性与最优性 165

5.4.4遗传算法的早期收敛 166

5.5高级遗传算法 166

5.5.1改进的选择方法 166

5.5.2高级GA运算 167

5.6微种群和双种群遗传算法 170

5.6.1微种群算法 170

5.6.2双种群遗传算法 171

5.7遗传算法的应用 174

5.7.1 GA在神经网络参数学习中的应用 174

5.7.2 GA在滑模控制系统设计中的应用 176

5.8模糊规则与遗传算法在控制中的应用 181

习题与思考题 185

参考文献 187

第6章 模糊—神经元网络及其在智能控制中的应用 188

6.1模糊系统与神经元网络集成的基本概念 188

6.1.1模糊系统与神经元网络的一般比较 188

6.1.2模糊系统与神经网络集成的理由 189

6.2基于神经元网络的模糊系统 190

6.2.1基于神经元网络的基本模糊逻辑运算 190

6.2.2基于神经网络的模糊逻辑推理 191

6.2.3神经网络驱动的模糊推理系统 193

6.2.4基于神经网络的模糊建模 196

6.3模糊神经网络 204

6.3.1模糊神经元 204

6.3.2神经网络模糊化 206

6.4神经—模糊控制器 212

6.4.1模糊自适应学习控制网络 212

6.4.2神经—模糊控制器的参数学习 218

6.4.3神经—模糊控制器的结构学习 220

6.4.4具有增强学习的神经—模糊控制器 223

6.5神经—模糊网络在智能控制中的应用 229

6.5.1控制系统在线辨识 229

6.5.2逆向运动学问题 231

习题与思考题 234

参考文献 235

第7章 蚁群算法及其在智能控制中的应用 237

7.1引言 237

7.2蚁群觅食奥秘 237

7.2.1蚁群觅食 237

7.2.2蚁群的信息系统及使用机制 238

7.3基本人工蚁群算法 239

7.3.1人工蚁群与真实蚁群 239

7.3.2基本的人工蚁群算法原理 240

7.3.3基本人工蚁群算法模型 241

7.3.4蚁群算法的蚁密模型、蚁量模型和蚁周模型 243

7.3.5蚁群算法的参数 245

7.3.6用蚁群算法求解TSP问题仿真示例 246

7.3.7基本蚁群算法的收敛性 246

7.4改进的蚁群优化算法 251

7.4.1带精英策略的蚁群算法 251

7.4.2基于优化排序的蚁群算法 251

7.4.3最大—最小蚁群算法 252

7.5用蚁群算法求解Job Shop问题 255

7.5.1经典Job Shop问题的描述 255

7.5.2基于蚁群算法Job Shop调度问题求解 257

习题与思考题 258

参考文献 258

第8章 人工免疫算法及其在智能控制中的应用 260

8.1引言 260

8.1.1自然免疫系统的组成 260

8.1.2自然免疫系统的机理 261

8.2人工免疫系统与基本免疫算法简介 263

8.2.1人工免疫系统定义 263

8.2.2基本的人工免疫算法 263

8.3基于生发中心反应的全局优化算法 267

8.3.1生发中心反应机理 267

8.3.2基于生发中心的全局优化算法 269

8.3.3 GOAIA—GCR的收敛性证明 273

8.4人工免疫网络算法（aiNet） 275

8.4.1人工免疫网络简介 275

8.4.2人工免疫网络算法在数据分析中的应用 276

习题与思考题 279

参考文献 279

第9章 粒子群算法及其在智能控制中的应用 281

9.1引言 281

9.2基本粒子群算法 281

9.2.1基本粒子群算法的原理 281

9.2.2基本粒子群算法 282

9.2.3带惯性权重的粒子群算法 283

9.2.4带收缩因子的粒子群算法 284

9.3粒子群算法的分析 284

9.3.1标准PSO算法分析 284

9.3.2 PSO算法在二维空间的收敛分析 286

9.4几种改进的粒子群算法 287

9.4.1离散粒子群优化算法 287

9.4.2小生境粒子群优化算法 289

9.5粒子群算法在智能控制中的应用 290

9.5.1用PSO算法求解TSP的应用 290

9.5.2在机器人控制领域的应用 292

习题与思考题 298

参考文献 298