第1章 概论 1
1.1控制科学发展新阶段——智能控制 1
1.1.1智能控制的提出 1
1.1.2智能控制的发展 2
1.2智能控制的几个重要分支 2
1.2.1模糊控制 2
1.2.2神经网络 3
1.2.3群智能算法 5
1.3智能控制系统的构成 6
1.3.1智能控制系统的结构 6
1.3.2智能控制系统的特点 7
1.3.3智能控制系统研究的主要工具 7
1.4智能控制的未来 9
习题 9
第2章 模糊控制 10
2.1概述 10
2.2模糊集合及其运算 10
2.2.1模糊集合的概念 10
2.2.2模糊集合的运算 12
2.2.3隶属度函数 14
2.3模糊关系及其运算 17
2.3.1模糊关系的定义及表示 17
2.3.2模糊关系的运算 19
2.3.3模糊矩阵的合成 19
2.4模糊推理 20
2.4.1语言变量与蕴含关系 20
2.4.2近似推理 23
2.5模糊控制中常见的两种模糊推理模型 24
2.5.1Mamdani模糊推理模型 24
2.5.2T-S模糊推理模型 29
2.6模糊控制的应用 30
2.6.1模糊控制的原理与特点 30
2.6.2基于Mamdani模糊推理模型的应用 31
2.6.3基于T-S模糊推理模型的应用 50
2.7模糊控制的工业应用——火电机组主汽温模糊控制系统 64
习题 69
第3章 神经网络 70
3.1神经网络的基本概念 70
3.1.1生物神经元模型 70
3.1.2人工神经元模型 72
3.1.3人工神经网络模型 73
3.1.4神经网络的学习方式 74
3.2前馈神经网络 76
3.2.1感知器 76
3.2.2BP网络 77
3.2.3RBF网络 81
3.3反馈神经网络 81
3.3.1离散型Hopfield网络 81
3.3.2连续型Hopfield网络 85
3.4神经网络的应用 88
3.4.1单层感知器的线性分类 88
3.4.2多层感知器的分类 93
3.4.3BP神经网络的曲线拟合 98
3.4.4数字识别 105
3.4.5Hopfield神经网络模式识别 115
3.4.6TSP路径寻优 118
3.5神经网络控制的工业应用——电厂煤耗性能的计算 124
3.5.1背景 124
3.5.2影响飞灰含碳量的主要因素 124
3.5.3基于BP神经网络的飞灰含碳量预测 124
习题 133
第4章 群智能算法 134
4.1引言 134
4.2蚁群算法 135
4.2.1蚂蚁的生物学特征 135
4.2.2蚁群算法原理 136
4.3粒子群（鸟群）算法 137
4.3.1鸟群的生物学特征 137
4.3.2粒子群算法原理 138
4.4烟花算法 140
4.4.1烟花燃放现象特征 140
4.4.2烟花算法原理 142
4.5群智能算法的应用实例 144
4.5.1蚁群算法的应用 145
4.5.2粒子群算法的应用 150
4.5.3烟花算法的应用 154
4.6群智能算法的工程应用案例 160
4.6.1基于蚁群算法的多细胞跟踪技术 161
4.6.2基于粒子群算法的多细胞跟踪技术 172
4.6.3基于烟花算法的多细胞跟踪技术 184
习题 189
参考文献 190