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 18

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 21

2.3.4 变异操作 22

2.3.5 算法主函数 23

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 37

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

13.4.2 ω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其应用 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 199

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 228

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 276

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 282

29.2 案例背景 283

29.2.1 问题描述 283

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 288

29.4.3 案例延伸 289

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