《MATLAB智能算法超级学习手册》内容简介

本书的内容主要包括马尔科夫链模型、层次分析法、粒子群算法、遗传算法、蚁群算法、鱼群算法、PID控制算法、神经网络算法等。智能算法对于很多初学者而言，有一定的困难，很难理解程序流程、数据的运算过程，因此给实际应用带来困难。本书将围绕智能算法展开综述，深入浅出地介绍和分析各类智能算法，用智能算法解决工程应用问题。
高飞，长期从事信息处理等相关工作，熟悉MATLAB等工程软件，在国内外期刊发表论文多篇。

作品目录

前言
第1章：MATLAB基础知识
1.1、MATLAB
简介
1.2、矩阵的表示
1.2.1、数值矩阵的生成
1.2.2、符号矩阵的生成
1.2.3、特殊矩阵的生成
1.3、符号变量的应用
1.3.1、质点系的转动惯量问题
1.3.2、油罐剩余油量体积的求解
1.3.3、光的反射定理的论证
1.4、线性方程组的求解
1.4.1、齐次线性方程组的通解
1.4.2、非齐次线性方程组的通解
1.4.3、线性方程组的LQ
解法
1.5、简单工程应用分析
1.5.1、内燃机转角与升程插值模型
1.5.2、航行区域警示线模型
1.6、本章小结
第2章：种群竞争微分方程的求解
2.1、种群竞争微分方程模型
2.2、种群竞争模型的讨论
2.3、本章小结
第3章：基于Markov的食品物价趋势预测
3.1、问题背景
3.1.1、食品零售价格数据
3.1.2、问题的提出
3.2、食品分类模型基本假设
3.3、食品价格数值分类求解
3.3.1、食品聚类分类
3.3.2、食品价格特点分析
3.4、食品价格增长率分类求解
3.4.1、食品属性分类
3.4.2、食品价格特点分析
3.5、食品价格趋势预测
3.5.1、食品价格预测模型基本假设
3.5.2、食品价格预测模型符号说明
3.5.3、食品价格预测模型的建立与求解
3.6、本章小结
第4章：基于时间序列的物价预测算法
4.1、时间序列的基本概念
4.2、非平稳时间序列变动的影响因素与测定模型
4.3、时间序列的预测方法
4.3.1、季节变动分析
4.3.2、循环变动分析
4.4、食品价格分析
4.5、灰色关联分析
4.5.1、灰色预测建模
4.5.2、食品价格趋势预测
4.6、时间序列指数平滑预测法
4.6.1、一次指数平滑预测法
4.6.2、二次指数平滑预测法
4.6.3、三次指数平滑法
4.7、时间序列线性二次移动平均法
4.8、本章小结
第5章：基于层次分析法的食堂服务质量评价算法
5.1、问题的背景
5.2、层次分析法
5.2.1、层次分析法的特点
5.2.2、层次分析法的应用
5.2.3、层次分析法的基本原理与步骤
5.2.4、层次分析法应用举例
5.3、学生食堂就餐服务质量满意度
5.3.1、食堂服务质量评价模型基本假设
5.3.2、食堂服务质量评价模型分析
5.3.3、食堂服务质量评价模型符号说明
5.3.4、食堂服务质量评价模型的建立与求解
5.4、本章小结
第6章：MATLAB优化工具箱的使用
6.1、线性规划问题
6.2、foptions
函数
6.3、非线性规划问题
6.3.1、有约束的一元函数的最小值
6.3.2、无约束的多元函数最小值
6.3.3、有约束的多元函数最小值
6.3.4、二次规划问题
6.4、“半无限”有约束的多元函数最优解
6.5、极小化极大问题
6.6、多目标规划问题
6.7、最小二乘最优问题
6.7.1、约束线性最小二乘
6.7.2、非线性曲线拟合
6.7.3、非线性最小二乘
6.7.4、非负线性最小二乘
6.8、非线性方程求解
6.8.1、非线性方程的解
6.8.2、非线性方程组的解
6.9、本章小结
第7章：基于RBF网络的优化逼近
7.1、RBF
神经网络
7.1.1、RBF
网络特点
7.1.2、RBF
网络结构
7.1.3、RBF
网络的逼近
7.2、模糊
RBF
网络
7.2.1、网络结构
7.2.2、基于模糊RBF
网络的逼近算法
7.3、基于遗传算法的
RBF
网络逼近
7.4、RBF
网络自校正控制
7.4.1、自校正控制算法
7.4.2、RBF
网络自校正控制算法
7.5、本章小结
第8章：自适应模糊控制算法
8.1、模糊控制
8.1.1、模糊系统的设计
8.1.2、模糊系统的逼近精度
8.1.3、模糊逼近仿真
8.2、间接自适应模糊控制
8.2.1、一般模糊系统
8.2.2、自适应模糊控制器的设计
8.2.3、稳定性分析
8.2.4、间接自适应模糊控制仿真
8.3、直接自适应模糊控制
8.3.1、问题描述
8.3.2、控制器的设计
8.3.3、自适应律设计
8.3.4、直接自适应模糊控制仿真
8.4、本章小结
第9章：基于PID的控制算法
9.1、PID
控制原理
9.2、专家
PID
控制
9.3、增量式
PID
控制算法及其仿真
9.4、积分分离式
PID
控制算法及其仿真
9.5、基于卡尔曼滤波器的
PID
控制
9.6、本章小结
第10章：基于LQR+PID的倒立摆控制算法
10.1、背景
10.2、线性系统
10.2.1、状态空间基本定义
10.2.2、状态空间表达式
10.2.3、系统状态线性变换
10.2.4、线性系统的能控性
10.3、最优控制
10.3.1、线性二次型控制
10.3.2、LQR
状态反馈矩阵求解
10.3.3、PID
控制
10.3.4、PID
状态反馈矩阵求解
10.4、倒立摆系统
10.4.1、一级倒立摆系统分析
10.4.2、利用LQR法设计控制器
10.4.3、利用PID法设计控制器
10.5、倒立摆系统平衡控制系统设计
10.5.1、Simulink
设计仿真
10.5.2、线性二次型倒立摆控制
10.5.3、PID
倒立摆控制
10.6、本章小结
第11章：基于粒子群算法的寻优计算
11.1、基本粒子群算法
11.2、粒子群算法的收敛性
11.3、粒子群算法函数极值求解
11.3.1、一维函数全局最优
11.3.2、经典测试函数
11.3.3、无约束函数极值寻优
11.3.4、有约束函数极值寻优
11.3.5、有约束函数极值APSO
寻优
11.4、MATLAB
优化工具箱简介
11.5、本章小结
第12章：基本粒子群改进算法分析
12.1、基本粒子群算法
12.1.1、基本PSO
算法
12.1.2、PSO
算法基本特点
12.1.3、基本PSO
算法流程
12.2、粒子群算法改进
12.3、提高粒子群算法效率
12.3.1、带惯性权重的PSO
算法
12.3.2、权重线性递减的PSO
算法
12.3.3、自适应权重的PSO
算法
12.3.4、随机权重策略的PSO
算法
12.3.5、增加收缩因子的PSO
算法
12.3.6、其他参数的变化
12.4、本章小结
第13章：基于免疫算法的物流中心选址
13.1、物流中心选址问题
13.2、免疫算法的基本思想
13.3、基于免疫优化算法的物流中心选址问题求解
13.3.1、初始群体的产生
13.3.2、解的多样性评价
13.3.3、免疫操作
13.3.4、模型求解
13.4、本章小结
第14章：基于人工免疫的粒子群聚类算法
14.1、聚类分析
14.2、PSO
优化算法分析
14.2.1、粒子群优化算法
14.2.2、PSO
算法改进策略
14.3、人工免疫特性分析
14.3.1、生物免疫系统及其特性
14.3.2、种群分布熵
14.3.3、平均粒距
14.3.4、精英均值偏差
14.4、基于人工免疫的粒子群优化算法
14.4.1、PSO
函数极值求解
14.4.2、粒子群聚类算法理论分析
14.4.3、粒子群算法实现流程
14.4.4、种群多样性聚类分析
14.5、本章小结
第15章：基于ART的植物种类自动分类
15.1、ART
网络分类算法简介
15.1.1、人工神经网络实际应用
15.1.2、ART
网络
15.2、植物种类自动分类研究
15.2.1、植物种类简介
15.2.2、植物分类
15.3、基于
ART
的植物种类数据自动分类研究
15.3.1、神经网络简介
15.3.2、自适应共振理论
15.3.3、ART1网络结构
15.3.4、ART1运行过程
15.4、本章小结
第16章：基于贝叶斯网络的数据预测
16.1、贝叶斯统计方法
16.2、贝叶斯预测方法
16.3、贝叶斯网络的数据预测
16.4、本章小结
第17章：基于遗传算法的寻优计算
17.1、遗传算法的寻优计算
17.2、基于GA的三维曲面极值寻优
17.3、基于GA_PSO算法的寻优计算
17.4、本章小结
第18章：基于遗传算法的TSP求解
18.1、旅行商问题分析
18.1.1、遗传算法简介
18.1.2、遗传算法现状分析
18.2、遗传算法的特点
18.3、遗传算法中各算子的特点
18.3.1、选择算子(selection)
18.3.2、交叉算子(crossover)
18.3.3、变异算子(mutation)
18.4、遗传算法的基本步骤
18.4.1、编码
18.4.2、初始群体的生成
18.4.3、杂交
18.4.4、适应度值评估检测
18.4.5、选择
18.4.6、变异
18.4.7、中止
18.5、基于GA的旅行商问题求解
18.5.1、TSP问题定义
18.5.2、TSP算法框架
18.5.3、TSP算法流程框图
18.5.4、固定地图TSP求解
18.5.5、随机地图TSP求解
18.6、遗传算法讨论
18.6.1、编码表示
18.6.2、适应度函数
18.6.3、选择策略
18.6.4、控制参数
18.7、本章小结
第19章：基于蚁群算法的路径规划计算
19.1、基于蚁群算法的二维路径规划算法
19.1.1、MAKLINK
图论
19.1.2、蚁群算法理论
19.1.3、Dijkstra算法
19.1.4、路径规划问题分析求解
19.2、基于蚁群算法的三维路径规划算法
19.2.1、三维空间抽象建模
19.2.2、三维路径问题
19.2.3、信息素更新
19.2.4、可视搜索空间
19.2.5、蚁群搜索策略
19.2.6、路径规划问题分析求解
19.3、本章小结
第20章：基于蚁群算法的TSP求解
20.1、蚁群算法理论研究现状
20.2、蚁群算法的基本原理
20.3、基于ACO的TSP求解
20.4、基于ACO_PSO的TSP求解
20.5、本章小结
第21章：基于模拟退火的粒子群算法
21.1、基于模拟退火的粒子群算法
21.1.1、模拟退火算法的提出
21.1.2、模拟退火算法的步骤
21.1.3、模拟退火的粒子群算法
21.2、本章小结
第22章：基于人群搜索算法的函数优化
22.1、SOA算法的基本原理
22.1.1、利己行为
22.1.2、利他行为
22.1.3、预动行为
22.1.4、不确定性行为
22.2、人群搜索算法
22.2.1、搜索步长的确定
22.2.2、搜索方向的确定
22.2.3、搜寻者个体位置的更新
22.2.4、算法的实现
22.3、基于人群搜索算法的函数优化
22.3.1、优化函数的选择
22.3.2、函数优化的结果
22.4、本章小结
第23章：数控机床进给伺服系统的SOA-PID参数整定
23.1、SOA算法在PID控制中的运用
23.1.1、PID控制原理
23.1.2、PID的离散化处理
23.1.3、基于SOA的PID参数整定的基本原理
23.2、基于SOA的PID参数整定的设计方案
23.2.1、参数的编码
23.2.2、适应度函数的选取
23.2.3、算法流程
23.2.4、算法实例
23.2.5、PID
参数整定结果
23.3、数控机床进给伺服系统的数学模型
23.3.1、数控机床进给伺服系统的PMSM
数学模型
23.3.2、矢量变换原理
23.3.3、Clarke变换
23.3.4、Park变换
23.3.5、同步旋转坐标上的PMSM
数学模型
23.4、机械参量和负载的折算
23.5、矢量控制和磁场定向原理
23.5.1、矢量控制原理
23.5.2、磁场定向原理
23.5.3、磁场定向（id=0）的控制方式下的PMSM
进给伺服系统模型
23.5.4、数控机床进给伺服系统数学模型的传递函数的表示
23.6、基于SOA算法对数控机床进给伺服系统PID优化
23.6.1、适应度函数的选取
23.6.2、SOA算法流程
23.6.3、PID参数整定结果
23.7、本章小结
参考文献