高级搜索
使用帮助
热门搜索:2014考研 教材 励志 单片机 嵌入式 计算机 外语
图书专区:新书专区 精品图书专区 教材专区 考研考试专区
首 页网上书城服务专区下载专区试读频道增值服务关于我们贺银成2017医学类
免费注册
 
登录
 
论坛
本版图书分类
 
您的位置》首页>>网上书城
MATLAB智能算法30个案例分析
定    价: ¥39.00
关 注 度: 0 库存状态: 未知 图书状态: 销售中
 
作    者: 史峰 王辉 郁磊 胡斐
出版时间: 2011-07      
版    次: 1 印    次: 1 字    数: 512千字
开    本: 787*1092
纸    张: * ISBN: 978-7-5124-0351-2
 详细信息
 作者简介
 编辑推荐
 图书简介

本书是作者多年从事算法研究的经验总结。书中所有案例均因国内各大MATLAB技术论坛网友的切身需求而精心设计,其中不少案例所涉及的内容和求解方法在国内现已出版的MATLAB书籍中鲜有介绍。

本书采用案例形式,以智能算法为主线,讲解了遗传算法、免疫算法、退火算法、粒子群算法、鱼群算法、蚁群算法和神经网络算法等最常用的智能算法的MATLAB实现。

本书共给出30个案例,每个案例都是一个使用智能算法解决问题的具体实例,所有案例均由理论讲解、案例背景、MATLAB程序实现和扩展阅读四个部分组成,并配有完整的原创程序,使读者在掌握算法的同时更能快速提高使用算法求解实际问题的能力。

本书可作为本科毕业设计、研究生项目设计、博士低年级课题设计参考书籍,同时对广大科研人员也有很高的参考价值。

 
 图书目录

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17
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20
2.3.4变异操作21
2.3.5算法主函数22
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36
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
7.3MATLAB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gamultiobj89
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 APSO155
16.4.2 EPSO155
16.4.3 TDPSO155
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198
21.3 MATLAB程序实现199
21.3.1函数sanewpoint199
21.3.2函数saupdates202
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227
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275
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281
29.2案例背景282
29.2.1问题描述282
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287
29.4.3案例延伸288
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
 

 图书前言

 对于高年级的本科生、研究生和科研工作者来说,各种各样新奇和有趣的智能算法在日常的工作和学习中是会经常遇到的。有的人会觉得智能算法很复杂——当涉及一种算法有效性的证明过程时,往往厚厚的一本书还不能完全讲解透彻,到目前为止,有些算法的有效性和收敛性尚没有完整的数学证明过程;有的人会觉得智能算法太深奥——当需要用一种算法来解决一个具体问题的时候,看着算法的原理,往往不知道如何去求解以及怎样从问题中抽象出可以采用的某一种或者几种算法的数学模型。

 因此,对于这些算法,我们应该采取什么样的学习态度,是去翻一本本厚厚的书来追本溯源,从一堆堆的公式中去反复推导,还是根据算法的原理,花费大量的时间去一点点编写程序?钻研的精神固然可取,但我们一定要采用这样的方法去一点点地钻研、考究、推理、论证,用大量的时间和精力来解决本身对我们意义并不是很大的问题吗?

如果我们只是用这些算法来解决实际问题,只是想用这些算法尝试一下常规算法难以准确求解的问题,对于这些复杂的理论,我们可以简单研究,了解算法中最精髓的几个概念以及算法模型的抽象方法即可,更应该把时间放在如何从实际待求解的问题中抽象出适合算法求解的模型上,甚至是如何利用与借鉴别人的方法和经验来求解自己的问题。

本书即从这个角度出发来研究各种智能算法,书中没有对算法理论进行长篇的推导和论证,没有烦琐的证明过程,而是把注意力放在了如何从一个问题中抽取出一个可以用某种智能算法求解的数学模型,以及如何用尽量规范的程序表达一个实际问题的求解过程。

本书采用案例形式,以智能算法为主线,讲解了遗传算法、免疫算法、退火算法、粒子群算法、鱼群算法、蚁群算法和神经网络算法等最常用的智能算法的MATLAB实现,每个案例都是一个使用智能算法解决问题的具体实例,所有案例均由理论讲解、案例背景、MATLAB程序实现和扩展阅读四个部分组成。

参与本书编写的四位作者均有多年的MATLAB程序开发经验,并且在长期的算法使用过程中积累了丰富的求解问题的经验。本书的理论讲解深入浅出,问题求解思路清晰,程序讲解详细全面。希望读者通过阅读本书,不仅能够了解和掌握算法的来源、概念和原理,而且能够提高使用算法求解实际问题的能力。

各位读者尤其需要关注的是,本书在MATLABSKY论坛(www.matlabsky.com)中开辟了专门的版块,读者可以通过专版和作者进行面对面的交流,“你来提问,我来回答”,希望在互动交流中能够碰撞出智慧的火花,在解决问题的同时共同提高。

感谢在本书的写作过程中帮助过我的所有人,感谢北京航空航天大学出版社的大力支持,感谢MATLABSKY论坛的支持,正是大家的共同努力,这本书才得以问世。由于水平有限,书中错误和疏漏之处敬请大家批评指正!

 相关资料
 相关书评
 
版权所有 2017 北京航空航天大学出版社 备案编号:京公海网安备110108001067号
地址:北京市海淀区学院路37号工程训练中心楼5层 邮政编码:100191
联系电话:86(10)82317024 传真:86(10)82328026 电子邮箱:bhpress@263.net
 
京ICP备05030743号