MATLAB智能算法超级学习手册

MATLAB为广大科研工作者的必备工具之一，智能算法在工程实际上得到较广泛的应用。《MATLAB智能算法超级学习手册》基于MATLAB R2013a软件，全面地介绍和举例验证智能算法的有效性。
智能算法种类较多，《MATLAB智能算法超级学习手册》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。
《MATLAB智能算法超级学习手册》以工程应用为目标，深入浅出，实例引导，讲解详实，适合作为理工科高等院校研究生、本科生的教学用书，也可作为广大科研和工程技术人员的参考用书。

目录

第1章MATLAB基础知识1
1．1MATLAB简介1
1．2矩阵的表示4
1．2．1数值矩阵的生成5
1．2．2符号矩阵的生成6
1．2．3特殊矩阵的生成7
1．3符号变量的应用9
1．3．1质点系的转动惯量问题10
1．3．2油罐剩余油量体积的求解10
1．3．3光的反射定理的论证12
1．4线性方程组的求解14
1．4．1齐次线性方程组的通解14
1．4．2非齐次线性方程组的通解15
1．4．3线性方程组的LQ解法17
1．5简单工程应用分析18
1．5．1内燃机转角与升程插值模型18
1．5．2航行区域警示线模型19
1．6本章小结22

第2章种群竞争微分方程的求解23
2．1种群竞争微分方程模型23
2．2种群竞争模型的讨论29
2．3本章小结33

第3章基于Markov的食品物价趋势预测34
3．1问题背景34
3．1．1食品零售价格数据34
3．1．2问题的提出35
3．2食品分类模型基本假设35
3．3食品价格数值分类求解36
3．3．1食品聚类分类36
3．3．2食品价格特点分析38
3．4食品价格增长率分类求解46
3．4．1食品属性分类47
3．4．2食品价格特点分析47
3．5食品价格趋势预测53
3．5．1食品价格预测模型基本假设53
3．5．2食品价格预测模型符号说明53
3．5．3食品价格预测模型的建立与求解54
3．6本章小结62

第4章基于时间序列的物价预测算法63
4．1时间序列的基本概念63
4．2非平稳时间序列变动的影响因素与测定模型64
4．3时间序列的预测方法64
4．3．1季节变动分析65
4．3．2循环变动分析65
4．4食品价格分析66
4．5灰色关联分析67
4．5．1灰色预测建模68
4．5．2食品价格趋势预测70
4．6时间序列指数平滑预测法76
4．6．1一次指数平滑预测法76
4．6．2二次指数平滑预测法77
4．6．3三次指数平滑法78
4．7时间序列线性二次移动平均法80
4．8本章小结85

第5章基于层次分析法的食堂服务质量评价算法86
5．1问题的背景86
5．2层次分析法87
5．2．1层次分析法的特点87
5．2．2层次分析法的应用87
5．2．3层次分析法的基本原理与步骤88
5．2．4层次分析法应用举例92
5．3学生食堂就餐服务质量满意度96
5．3．1食堂服务质量评价模型基本假设96
5．3．2食堂服务质量评价模型分析96
5．3．3食堂服务质量评价模型符号说明97
5．3．4食堂服务质量评价模型的建立与求解97
5．4本章小结104

第6章MATLAB优化工具箱的使用105
6．1线性规划问题105
6．2foptions函数107
6．3非线性规划问题108
6．3．1有约束的一元函数的最小值108
6．3．2无约束的多元函数最小值109
6．3．3有约束的多元函数最小值111
6．3．4二次规划问题114
6．4“半无限”有约束的多元函数最优解117
6．5极小化极大问题121
6．6多目标规划问题123
6．7最小二乘最优问题126
6．7．1约束线性最小二乘126
6．7．2非线性曲线拟合128
6．7．3非线性最小二乘129
6．7．4非负线性最小二乘131
6．8非线性方程求解131
6．8．1非线性方程的解132
6．8．2非线性方程组的解132
6．9本章小结134

第7章基于RBF网络的优化逼近135
7．1RBF神经网络135
7．1．1RBF网络特点136
7．1．2RBF网络结构136
7．1．3RBF网络的逼近136
7．2模糊RBF网络140
7．2．1网络结构141
7．2．2基于模糊RBF网络的逼近算法142
7．3基于遗传算法的RBF网络逼近145
7．4RBF网络自校正控制152
7．4．1自校正控制算法153
7．4．2RBF网络自校正控制算法153
7．5本章小结157

第8章自适应模糊控制算法158
8．1模糊控制158
8．1．1模糊系统的设计159
8．1．2模糊系统的逼近精度159
8．1．3模糊逼近仿真160
8．2间接自适应模糊控制165
8．2．1一般模糊系统166
8．2．2自适应模糊控制器的设计167
8．2．3稳定性分析167
8．2．4间接自适应模糊控制仿真169
8．3直接自适应模糊控制175
8．3．1问题描述175
8．3．2控制器的设计176
8．3．3自适应律设计177
8．3．4直接自适应模糊控制仿真179
8．4本章小结182

第9章基于PID的控制算法183
9．1PID控制原理183
9．2专家PID控制184
9．3增量式PID控制算法及其仿真188
9．4积分分离式PID控制算法及其仿真191
9．5基于卡尔曼滤波器的PID控制195
9．6本章小结203

第10章基于LQR+PID的倒立摆控制算法204
10．1背景204
10．2线性系统205
10．2．1状态空间基本定义205
10．2．2状态空间表达式205
10．2．3系统状态线性变换206
10．2．4线性系统的能控性207
10．3最优控制208
10．3．1线性二次型控制208
10．3．2LQR状态反馈矩阵求解210
10．3．3PID控制211
10．3．4PID状态反馈矩阵求解212
10．4倒立摆系统213
10．4．1一级倒立摆系统分析214
10．4．2利用LQR法设计控制器215
10．4．3利用PID法设计控制器219
10．5倒立摆系统平衡控制系统设计220
10．5．1Simulink设计仿真220
10．5．2线性二次型倒立摆控制220
10．5．3PID倒立摆控制222
10．6本章小结223

第11章基于粒子群算法的寻优计算224
11．1基本粒子群算法224
11．2粒子群算法的收敛性227
11．3粒子群算法函数极值求解228
11．3．1一维函数全局最优229
11．3．2经典测试函数231
11．3．3无约束函数极值寻优237
11．3．4有约束函数极值寻优240
11．3．5有约束函数极值APSO寻优243
11．4MATLAB优化工具箱简介248
11．5本章小结249

第12章基本粒子群改进算法分析250
12．1基本粒子群算法250
12．1．1基本PSO算法250
12．1．2PSO算法基本特点252
12．1．3基本PSO算法流程252
12．2粒子群算法改进253
12．3提高粒子群算法效率254
12．3．1带惯性权重的PSO算法254
12．3．2权重线性递减的PSO算法255
12．3．3自适应权重的PSO算法259
12．3．4随机权重策略的PSO算法260
12．3．5增加收缩因子的PSO算法262
12．3．6其他参数的变化265
12．4本章小结273

第13章基于免疫算法的物流中心选址274
13．1物流中心选址问题274
13．2免疫算法的基本思想275
13．3基于免疫优化算法的物流中心选址问题求解276
13．3．1初始群体的产生277
13．3．2解的多样性评价277
13．3．3免疫操作278
13．3．4模型求解279
13．4本章小结289

第14章基于人工免疫的粒子群聚类算法290
14．1聚类分析290
14．2PSO优化算法分析291
14．2．1粒子群优化算法291
14．2．2PSO算法改进策略292
14．3人工免疫特性分析292
14．3．1生物免疫系统及其特性292
14．3．2种群分布熵293
14．3．3平均粒距293
14．3．4精英均值偏差293
14．4基于人工免疫的粒子群优化算法294
14．4．1PSO函数极值求解295
14．4．2粒子群聚类算法理论分析297
14．4．3粒子群算法实现流程299
14．4．4种群多样性聚类分析300
14．5本章小结310

第15章基于ART的植物种类自动分类311
15．1ART网络分类算法简介311
15．1．1人工神经网络实际应用311
15．1．2ART网络312
15．2植物种类自动分类研究312
15．2．1植物种类简介312
15．2．2植物分类313
15．3基于ART的植物种类数据自动分类研究313
15．3．1神经网络简介313
15．3．2自适应共振理论315
15．3．3ART1网络结构315
15．3．4ART1运行过程317
15．4本章小结320

第16章基于贝叶斯网络的数据预测321
16．1贝叶斯统计方法321
16．2贝叶斯预测方法323
16．3贝叶斯网络的数据预测325
16．4本章小结328

第17章基于遗传算法的寻优计算329
17．1遗传算法的寻优计算329
17．2基于GA的三维曲面极值寻优338
17．3基于GA_PSO算法的寻优计算345
17．4本章小结348

第18章基于遗传算法的TSP求解349
18．1旅行商问题分析349
18．1．1遗传算法简介349
18．1．2遗传算法现状分析350
18．2遗传算法的特点351
18．3遗传算法中各算子的特点352
18．3．1选择算子(selection)352
18．3．2交叉算子(crossover)352
18．3．3变异算子(mutation)353
18．4遗传算法的基本步骤353
18．4．1编码354
18．4．2初始群体的生成354
18．4．3杂交355
18．4．4适应度值评估检测355
18．4．5选择355
18．4．6变异355
18．4．7中止355
18．5基于GA的旅行商问题求解356
18．5．1TSP问题定义356
18．5．2TSP算法框架356
18．5．3TSP算法流程框图357
18．5．4固定地图TSP求解358
18．5．5随机地图TSP求解359
18．6遗传算法讨论365
18．6．1编码表示366
18．6．2适应度函数366
18．6．3选择策略366
18．6．4控制参数366
18．7本章小结366

第19章基于蚁群算法的路径规划计算367
19．1基于蚁群算法的二维路径规划算法367
19．1．1MAKLINK图论367
19．1．2蚁群算法理论368
19．1．3Dijkstra算法369
19．1．4路径规划问题分析求解369
19．2基于蚁群算法的三维路径规划算法378
19．2．1三维空间抽象建模378
19．2．2三维路径问题379
19．2．3信息素更新379
19．2．4可视搜索空间380
19．2．5蚁群搜索策略380
19．2．6路径规划问题分析求解381
19．3本章小结388

第20章基于蚁群算法的TSP求解389
20．1蚁群算法理论研究现状389
20．2蚁群算法的基本原理391
20．3基于ACO的TSP求解394
20．4基于ACO_PSO的TSP求解398
20．5本章小结408

第21章基于模拟退火的粒子群算法409
21．1基于模拟退火的粒子群算法409
21．1．1模拟退火算法的提出409
21．1．2模拟退火算法的步骤410
21．1．3模拟退火的粒子群算法410
21．2本章小结416

第22章基于人群搜索算法的函数优化417
22．1SOA算法的基本原理417
22．1．1利己行为417
22．1．2利他行为418
22．1．3预动行为418
22．1．4不确定性行为418
22．2人群搜索算法418
22．2．1搜索步长的确定419
22．2．2搜索方向的确定420
22．2．3搜寻者个体位置的更新420
22．2．4算法的实现420
22．3基于人群搜索算法的函数优化421
22．3．1优化函数的选择421
22．3．2函数优化的结果421
22．4本章小结432

第23章数控机床进给伺服系统的SOA-PID参数整定433
23．1SOA算法在PID控制中的运用433
23．1．1PID控制原理433
23．1．2PID的离散化处理434
23．1．3基于SOA的PID参数整定的基本原理434
23．2基于SOA的PID参数整定的设计方案435
23．2．1参数的编码435
23．2．2适应度函数的选取435
23．2．3算法流程436
23．2．4算法实例436
23．2．5PID参数整定结果436
23．3数控机床进给伺服系统的数学模型454
23．3．1数控机床进给伺服系统的PMSM数学模型454
23．3．2矢量变换原理455
23．3．3Clarke变换456
23．3．4Park变换456
23．3．5同步旋转坐标上的PMSM数学模型457
23．4机械参量和负载的折算457
23．5矢量控制和磁场定向原理458
23．5．1矢量控制原理459
23．5．2磁场定向原理459
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460
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460
23．6基于SOA算法对数控机床进给伺服系统PID优化461
23．6．1适应度函数的选取461
23．6．2SOA算法流程461
23．6．3PID参数整定结果461
23．7本章小结479

参考文献480