第1篇 MATLAB常见算法应用 2
第1章 MATLAB基础知识 2
1.1 MATLAB简介 2
1.2 矩阵的表示 7
1.3 图形点线样式 10
1.4 MATLAB自带图形集 10
1.4.1 平面与立体绘图 10
1.4.2 复杂函数的三维绘图 13
1.4.3 等高线绘制 17
1.4.4 MATLAB动画 17
1.4.5 数据拟合 19
1.4.6 MATLAB图像处理 21
1.5 本章小结 22
第2章 GUI应用及数值分析 23
2.1 GUI应用分析 23
2.1.1 图像加载和存储 23
2.1.2 GUI图形显示 25
2.1.3 可变GUI窗体设置 26
2.2 设计可执行函数文件 28
2.3 符号变量应用求解 29
2.4 图像盲区 31
2.5 正态分布 34
2.6 本章小结 36
第3章 MATLAB工程应用实例 37
3.1 光的反射定理论证 37
3.1.1 公式推算 37
3.1.2 代码实现 38
3.2 质点系转动惯量求解 39
3.3 储油罐的油量计算 40
3.4 香烟毒物摄入问题 40
3.5 冰雹的下落速度 42
3.5.1 公式推算 42
3.5.2 代码实现 43
3.6 本章小结 45
第4章 GM应用分析 46
4.1 数据归一化处理 46
4.2 灰色关联分析 47
4.2.1 灰色预测求解流程 47
4.2.2 灰色预测建模 48
4.3 食品价格灰色关联分析 49
4.3.1 食品价格趋势预测 49
4.3.2 食品价格分析 50
4.3.3 灰色关联分析 50
4.4 本章小结 55
第5章 PLS应用分析 56
5.1 偏最小二乘回归 56
5.2 偏最小二乘快速计算方法 59
5.3 偏最小二乘数据分析 60
5.4 本章小结 66
第6章 ES应用分析 67
6.1 时间序列的基本概念 67
6.2 非平稳时间序列变动的影响因素与测定模型 68
6.3 时间序列的预测方法 68
6.3.1 季节变动分析 69
6.3.2 循环变动分析 69
6.4 食品价格分析 69
6.5 时间序列指数平滑预测法 71
6.5.1 一次指数平滑预测法 72
6.5.2 二次指数平滑预测法 73
6.5.3 三次指数平滑法 74
6.6 时间序列线性二次移动平均法预测法 76
6.7 本章小结 80
第7章 Markov应用分析 81
7.1 问题背景 81
7.2 模型基本假设 82
7.3 食品价格趋势预测 82
7.3.1 模型符号说明 82
7.3.2 模型建立与求解 83
7.3.3 结果分析 89
7.4 本章小结 95
第8章 AHP应用分析 96
8.1 层次分析法 96
8.1.1 层次分析法特点 96
8.1.2 层次分析法步骤 96
8.2 工作满意度模型 101
8.3 食堂就餐服务质量满意度 105
8.3.1 模型基本假设 106
8.3.2 模型分析 106
8.3.3 模型符号说明 106
8.3.4 模型建立与求解 107
8.3.5 一致性检验 111
8.3.6 结果分析 112
8.4 本章小结 113
第9章 DWRR应用分析 114
9.1 问题的背景 114
9.2 模型基本假设 114
9.3 模型符号说明 114
9.4 模型的建立与求解 115
9.4.1 评价指标的规范化处理 115
9.4.2 动态加权函数的确定 116
9.4.3 空气质量评价模型的建立 116
9.4.4 模型求解步骤 117
9.4.5 结果求解及分析 118
9.5 本章小结 121
第10章 模糊逼近算法 122
10.1 模糊控制理论 122
10.2 模糊系统的设计 122
10.3 模糊系统的逼近精度 123
10.4 模糊逼近仿真 124
10.5 本章小结 129
第11章 模糊RBF网络 130
11.1 RBF神经网络 130
11.1.1 FBF网络结构 130
11.1.2 RBF网络的逼近 131
11.2 模糊RBF网络 138
11.2.1 网络结构 139
11.2.2 基于模糊RBF网络的逼近算法 140
11.3 本章小结 144
第12章 基于FCEM的TRIZ评价 145
12.1 TRIZ创新方法原理 145
12.2 企业创新能力评价指标的构建 146
12.3 企业创新能力的模糊综合评价方法 146
12.4 企业创新能力综合评价指标排序结果分析 153
12.5 本章小结 154
第2篇 MATLAB群智能算法应用设计 156
第13章 基于PSO的寻优计算 156
13.1 基本粒子群算法 156
13.2 粒子群算法的收敛性 158
13.3 粒子群算法函数极值求解 159
13.3.1 一维函数全局最优 159
13.3.2 经典测试函数 162
13.3.3 无约束函数极值寻优 168
13.3.4 有约束函数极值寻优 171
13.3.5 有约束函数极值APSO寻优 174
13.4 本章小结 179
第14章 基于PSO的机构优化 180
14.1 微粒群优化算法研究现状 180
14.1.1 微粒群优化算法的改进研究 180
14.1.2 微粒群优化算法的应用研究 181
14.2 机构优化设计理论分析 181
14.3 平面连杆机构的模型建立 182
14.4 利用复合形法进行设计 184
14.4.1 复合形法的算法流程 184
14.4.2 模型计算结果 184
14.5 利用约束随机方向法进行设计 187
14.5.1 初始点的选择 188
14.5.2 随机方向法的算法流程 188
14.5.3 模型计算结果 188
14.6 利用优化工具箱法进行设计 191
14.7 利用微粒群优化算法进行设计 194
14.8 本章小结 198
第15章 基本PSO的改进策略 199
15.1 常用粒子群算法 199
15.1.1 基本PSO算法 199
15.1.2 基本PSO算法流程 201
15.2 粒子群算法改进 201
15.3 加快粒子群算法效率 202
15.3.1 带惯性权重的PSO算法 202
15.3.2 权重线性递减的PSO算法 203
15.3.3 自适应权重的PSO算法 208
15.3.4 随机权重策略的PSO算法 211
15.3.5 增加收缩因子的PSO算法 213
15.3.6 其他参数的变化 217
15.4 本章小结 226
第16章 基于GA的寻优计算 227
16.1 遗传算法简介 227
16.2 遗传算法特点 228
16.3 遗传算法的基本步骤 229
16.3.1 编码 229
16.3.2 初始群体的生成 230
16.3.3 杂交 230
16.3.4 适应度值评估检测 230
16.3.5 选择 231
16.3.6 变异 231
16.3.7 中止 231
16.4 遗传算法的寻优计算 231
16.5 基于GA的3D曲面极值寻优计算 239
16.6 基于GA_PSO算法的寻优计算 245
16.7 遗传算法讨论 248
16.7.1 编码表示 248
16.7.2 适应度函数 248
16.7.3 选择策略 248
16.7.4 控制参数 248
16.8 本章小结 249
第17章 基于GA的TSP求解 250
17.1 旅行商问题分析 250
17.2 遗传算法算子分析 250
17.2.1 选择算子（selection） 250
17.2.2 交叉算子（crossover） 251
17.2.3 变异算子（mutation） 252
17.3 基于GA的旅行商问题求解 252
17.3.1 TSP问题定义 252
17.3.2 基于遗传算法的TSP算法框架 253
17.3.3 TSP算法流程框图 253
17.3.4 固定地图TSP求解 254
17.3.5 随机地图TSP求解 255
17.4 本章小结 261
第18章 基于Hopfield的TSP求解 262
18.1 Hopfield神经网络 262
18.1.1 离散Hopfield网络 263
18.1.2 连续Hopfield网络 263
18.2 基于CHNN的TSP求解 265
18.2.1 模型分析 266
18.2.2 模型算法具体步骤 266
18.2.3 模型求解 267
18.3 本章小结 271
第19章 基于ACO的TSP求解 272
19.1 蚁群算法理论研究现状 272
19.2 蚁群算法的基本原理 273
19.3 基于ACO的TSP求解 277
19.4 基于ACO_PSO的TSP求解 281
19.5 本章小结 291
第20章 基于SA的PSO算法 292
20.1 模拟退火算法提出 292
20.2 模拟退火算法的步骤 293
20.3 模拟退火的粒子群算法 293
20.3.1 算法寻优步骤 294
20.3.2 程序代码 294
20.4 本章小结 299
第21章 基于kalman的PID控制 300
21.1 PID控制原理 300
21.2 基于卡尔曼滤波器的PID控制 301
21.2.1 含噪音信号的滤波常见处理方法 302
21.2.2 采用卡尔曼滤波器实现信号的滤波 312
21.2.3 采用卡尔曼滤波进行测量温度的跟踪 314
21.3 本章小结 319
第22章 基于SOA的寻优计算 320
22.1 SOA算法的基本原理 320
22.1.1 利己行为 320
22.1.2 利他行为 321
22.1.3 预动行为 321
22.1.4 不确定性行为 321
22.2 群智能优化算法 321
22.2.1 PSO算法 321
22.2.2 GA算法 322
22.2.3 SOA算法 322
22.3 人群搜索算法 322
22.3.1 适应度函数的选取 322
22.3.2 搜索步长的确定 323
22.3.3 搜索方向的确定 323
22.3.4 个体位置的更新 324
22.3.5 算法的实现 324
22.4 基于人群搜索算法的函数优化 324
22.4.1 优化函数的选择 325
22.4.2 函数优化的结果 325
22.5 本章小结 337
第23章 基于Bayes的数据预测 338
23.1 贝叶斯统计方法 338
23.2 贝叶斯预测方法 340
23.3 贝叶斯网络的数据预测 342
23.4 基于贝叶斯网络模式识别应用 345
23.5 本章小结 348
第24章 基于SOA的PID参数整定 349
24.1 SOA算法在PID控制中的运用 349
24.1.1 PID控制原理 349
24.1.2 PID的离散化处理 350
24.2 基于SOA的PID参数整定的设计方案 350
24.2.1 参数的编码 351
24.2.2 适应度函数的选取 351
24.2.3 算法流程 351
24.2.4 算法实例 352
24.2.5 PID参数整定结果 352
24.3 数控机床进给伺服系统的数学模型 371
24.3.1 数控机床进给伺服系统的PMSM数学模型 371
24.3.2 数控机床伺服系统数学模型的传递函数的表示 372
24.4 基于SOA算法对数控机床进给伺服系统PID优化 372
24.4.1 适应度函数的选取 373
24.4.2 SOA算法流程 373
24.4.3 PID参数整定结果 373
24.5 本章小结 392
第25章 基于BP的人脸方向预测 393
25.1 BP神经网络基本原理 393
25.2 BP神经网络的分析流程 394
25.3 人脸方向预测 396
25.4 本章小结 399
第26章 基于Hopfield的数字识别 400
26.1 Hopfield网络原理分析 400
26.2 Hopfield数字识别 401
26.2.1 离散Hopfield网络（DHNN） 401
26.2.2 连续Hopfield网络 402
26.2.3 基于DHNN的数字识别 403
26.3 本章小结 409
第27章 基于DEA的投入产出分析 410
27.1 DEA原理分析 410
27.2 DEA分析 411
27.2.1 DEA算法流程 411
27.2.2 DEA评价模型 411
27.3 本章小结 415
第28章 基于BP的数据分类 416
28.1 BP神经网络基本原理 416
28.2 BP神经网络算法步骤 417
28.3 BP网络的语音信号识别 417
28.4 BP网络的蝴蝶花分类预测 423
28.5 本章小结 430
第29章 基于SOM的数据分类 431
29.1 SOM原理分析 431
29.2 SOM拓扑结构分析 432
29.3 SOM的癌症样本分类预测 437
29.4 柴油机故障分类 439
29.5 本章小结 444
第30章 基于人工免疫PSO的聚类算法 445
30.1 聚类分析 445
30.2 PSO优化算法分析 446
30.2.1 粒子群优化算法 446
30.2.2 PSO算法改进策略 446
30.3 人工免疫特性分析 447
30.3.1 生物免疫系统及其特性 447
30.3.2 种群分布熵 448
30.3.3 平均粒距 448
30.3.4 精英均值偏差 448
30.4 基于人工免疫粒子群优化算法 448
30.4.1 PSO在函数极值求解 450
30.4.2 粒子群聚类算法理论分析 451
30.4.3 粒子群算法实现流程 453
30.4.4 种群多样性聚类分析 454
30.5 本章小结 464
第31章 模糊聚类分析 465
31.1 聚类分析原理 465
31.2 食品聚类分析 465
31.3 模糊聚类工具箱 468
31.4 本章小结 472
第32章 基于GA_BP的抗糖化活性研究 473
32.1 多糖活性背景介绍 473
32.2 多糖活性数据初始化 473
32.3 GA_BP优化分析 475
32.4 本章小结 485
参考文献 486