MATLAB R2020a智能算法及實例分析 ( 簡體 字) |
| 作者：張德豐 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 54625
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：5/1/2021 |
| 頁數：440 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121410468 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：在科學研究和工程計算領域經常會遇到一些非常復雜的計算問題。這些問題利用計算器或手工計算無法完成，只能借助計算機完成。MATLAB是MathWorks公司推出的一套高性能的數值計算和可視化軟件。它集數值分析、矩陣運算、信號處理和圖形顯示于一體，構成了一個方便的、界面友好的用戶環境。MATLAB強大的擴展功能和影響力吸引了各個領域的專家相繼推出許多基于MATLAB的專用工具箱。MATLAB因強大的科學運算、靈活的程序設計流程、高質量的圖形可視化與界面設計、與其他程序和語言具有便捷接口等成為當今世界最有活力和影響力的可視化軟件之一。
人工智能（Artificial Intelligence，AI）一詞最初是1956年在達特茅斯學院被提出的。從那以后，研究者發展了眾多理論和原理，人工智能的概念也隨之擴展。人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是計算機科學的一個分支。它企圖了解智能的實質，并生產出一種新的能以與人類智能相似的方式做出反應的智能機器。該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能自誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品將會是人類智慧的“容器”。
20世紀70年代起，人工智能就被稱為世界三大尖端技術（空間技術、能源技術、人工智能）之一，也被認為是21世紀三大尖端技術（基因工程、納米科學、人工智能）之一。這是因為這些年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛的應用，并取得了豐碩的成果。人工智能已逐步成為一個獨立的分支，無論是在理論上，還是在實踐上，都已自成一個系統。
本書詳細介紹了應用MATLAB R2020a進行智能算法的分析及其在各領域中的應用。本書的編寫具有以下特點。
1. 由淺入深，步步緊扣
本書以MATLAB R2020a為平臺，在了解MATLAB R2020a平臺的基礎上介紹了各種人工智能算法的原理、步驟、算法等內容，讓各種智能問題在MATLAB R2020a中得到更好的解決。
2. 內容新穎，應用典型
書中利用MATLAB剖析、解決各種智能問題，并通過實例向讀者演示了如何利用MATLAB各種智能算法求解各領域中的實際問題，讓讀者做到理論與實踐相結合，學以致用。
3. 輕松易學，方便快捷
書中通過大量典型的應用例子來講解，在講解過程中輔以相應的圖片，使讀者在閱讀時一目了然，從而輕松、快速地掌握書中的內容。利用MATLAB智能算法求解問題，可使讀者高效率地解決在各領域中遇到的問題，進而提升工作效率。
本書基于MATLAB R2020a編寫，全書共12章，包括的內容如下。
第1章：介紹MATLAB R2020a軟件，主要包括MATLAB的概述、MATLAB R2020a的新功能、MATLAB的工作環境、MATLAB的編程基礎、MATLAB的矩陣運算、MATLAB的程序結構等內容。
第2章：介紹智能算法的基本概念，主要包括人工智能的技術應用、人工智能的典型應用及人工智能的影響等內容。
第3章：介紹差分進化算法，主要包括差分進化算法的理論、基本差分進化算法、改進差分進化算法及差分進化算法的應用等內容。
第4章：介紹種群算法，主要包括種群的主要特征、種群動態模型、種群競爭模型等內容。
第5章：介紹遺傳算法，主要包括遺傳算法的概述、遺傳算法的原理、遺傳算法的改進方向、遺傳算法的工具箱等內容。
第6章：介紹蟻群算法，主要包括蟻群算法的基礎、改進的蟻群系統、自適應蟻群算法、蟻群優化算法的應用等內容。
第7章：介紹粒子群算法，主要包括粒子群算法的基礎、基本粒子群算法、粒子群算法求解極值、改進粒子群算法等內容。
第8章：介紹免疫算法，主要包括免疫算法的基本概念、免疫算法算子、免疫算法的應用、人工免疫的粒子群聚類算法等內容。
第9章：介紹模擬退火算法，主要包括模擬退火算法的理論、模擬退火算法的改進方向、模擬退火的粒子群算法、模擬退火算法在最優化中的應用等內容。
第10章：介紹支持向量機算法，主要包括支持向量機的概述、統計學、支持向量機、支持向量機的應用等內容。
第11章：介紹神經網絡算法，主要包括感知器、線性神經網絡、BP神經網絡、徑向基函數神經網絡等內容。
第12章：介紹模糊邏輯控制算法，主要包括模糊邏輯控制的概述、模糊邏輯控制工具箱、模糊邏輯控制系統的Simulink連接、模糊神經網絡等內容。
本書提供PPT和實例源程序下載，讀者可以登錄華信教育資源網）查找本書下載（須先注冊成為會員）。
本書由佛山科學技術學院張德豐編著，由于時間倉促，加之作者水平有限，書中疏漏之處在所難免。在此，期望得到各領域專家和廣大讀者的批評指正。
編著者
2021.1 |
內容簡介：本書以MATLAB R2020a為平臺，以人工智能算法為背景，全面地介紹了如何利用MATLAB各種智能算法求解相關領域中的實際問題。書中內容做到了理論與實踐相結合，讓讀者可以快速、便捷地學習各種智能算法，并利用智能算法解決問題，做到學以致用、舉一反三。全書共分12章，第1章為MATLAB基礎篇；第2∼12章為智能算法篇，分別介紹了各種人工智能算法，包括智能算法的基本概念、差分進化算法、種群算法、遺傳算法、蟻群算法、粒子群算法、免疫算法、模擬退火算法、支持向量機算法、神經網絡算法、模糊邏輯控制算法。 |
目錄：第1章 步入MATLAB R2020a 1
1.1 MATLAB的概述 1
1.1.1 MATLAB精通數學 1
1.1.2 MATLAB 面向工程師和
科學家設計 1
1.1.3 MATLAB 集成工作流 2
1.2 MATLAB的特點及應用領域 2
1.3 MATLB R2020a的新功能 4
1.4 MATLAB的工作環境 5
1.4.1 MATLAB的主界面 5
1.4.2 MATLAB的文本編輯窗口 9
1.4.3 MATLAB的幫助文檔 10
1.5 MATLAB的編程基礎 13
1.5.1 變量 13
1.5.2 賦值語句 13
1.5.3 矩陣及其元素表示 14
1.6 MATLAB的矩陣運算 16
1.6.1 矩陣的代數運算 16
1.6.2 矩陣的關系運算 20
1.6.3 矩陣的邏輯運算 21
1.7 MATLAB的程序結構 22
1.7.1 循環控制結構 22
1.7.2 條件選擇結構 23
1.8 M文件 26
1.8.1 腳本文件 26
1.8.2 函數文件 26
第2章 智能算法的基本概念 28
2.1 智能算法的概述 28
2.1.1 智能的分類 28
2.1.2 認識智能的不同觀點 29
2.1.3 智能的層次 30
2.2 人工智能的概念 30
2.2.1 人工智能的發展史 30
2.2.2 人工智能的研究目標 31
2.2.3 人工智能的研究方法 31
2.2.4 人工智能的分類 33
2.2.5 人工智能的特征 34
2.3 人工智能的技術應用 35
2.4 人工智能的典型應用 35
2.4.1 智能機器人 35
2.4.2 智能網絡 36
2.4.3 智能檢索 36
2.4.4 智能游戲 36
2.5 人工智能發展的先決條件 36
2.6 人工智能的三個層次 37
2.7 人工智能的影響 38
2.8 人工智能的典型算法 39
第3章 差分進化算法分析 42
3.1 差分進化算法的理論 42
3.1.1 差分進化算法的發展史 42
3.1.2 差分進化算法的描述 43
3.1.3 差分進化算法的思想 43
3.1.4 差分進化算法的特點 43
3.2 基本差分進化算法 44
3.3 差分進化算法的運算流程 45
3.4 控制參數的選擇 46
3.5 改進差分進化算法 46
3.5.1 變異操作 47
3.5.2 具有自適應算子的差分進化
算法 47
3.5.3 離散差分進化算法 48
3.5.4 并行差分進化算法 48
3.5.5 結合單純形優化策略的差分
進化算法 48
3.5.6 結合粒子濾波的差分進化
算法 48
3.6 差分進化算法的應用 49
3.6.1 函數優化 49
3.6.2 組合優化 49
3.6.3 化工領域 49
3.6.4 神經網絡訓練 50
3.6.5 電力系統 50
3.6.6 機器人領域 50
3.6.7 信號處理領域 50
3.6.8 生物學領域 51
3.6.9 系統辨識和故障診斷 51
3.7 差分進化算法的MATLAB實現 51
第4章 種群算法分析 58
4.1 種群的主要特征 58
4.1.1 種群密度 58
4.1.2 出生率與死亡率 59
4.1.3 遷入率與遷出率 59
4.1.4 性別比例 59
4.1.5 年齡結構 59
4.1.6 空間格局 60
4.2 種群動態模型 60
4.2.1 單種群群模型 60
4.2.2 兩種種群相互作用模型 64
4.3 種群競爭模型 67
4.3.1 種群競爭微分方程的模型 68
4.3.2 種群競爭微分方程的MATLAB實現 70
4.4 藍鯨與長須鯨的競爭模型 74
第5章 遺傳算法分析 78
5.1 遺傳算法的概述 78
5.1.1 遺傳算法的生物學基礎 78
5.1.2 遺傳算法的基本概念 79
5.1.3 遺傳算法的基本運算 80
5.1.4 遺傳算法的發展現狀 80
5.1.5 遺傳算法的特點 82
5.1.6 遺傳算法的應用領域 82
5.2 遺傳算法的原理 83
5.2.1 標準遺傳算法 83
5.2.2 遺傳算法的基本框架 83
5.2.3 遺傳算法的流程 84
5.2.4 算法參數的設計原則 87
5.2.5 適應度函數的調整 88
5.2.6 遺傳算法的優點和缺點 88
5.3 遺傳算法的改進方向 89
5.3.1 遺傳算法改進一 89
5.3.2 遺傳算法改進二 91
5.4 遺傳算法的工具箱 93
5.4.1 遺傳算法的實現過程 93
5.4.2 自帶的遺傳算法函數 101
5.5 遺傳算法解決最優化問題 104
第6章 蟻群算法分析 136
6.1 蟻群算法的基礎 136
6.1.1 蟻群算法的由來 136
6.1.2 蟻群算法的基本思想 136
6.1.3 蟻群算法理論的研究現狀 137
6.1.4 蟻群算法的基本原理 139
6.1.5 蟻群算法的特點 142
6.1.6 蟻群算法的優點與不足 142
6.2 改進的蟻群系統 143
6.2.1 精英蟻群系統 143
6.2.2 最大最小蟻群系統 143
6.2.3 排序蟻群系統 144
6.2.4 最優最差蟻群系統 144
6.3 自適應蟻群算法 144
6.4 蟻群優化算法的應用 146
6.5 蟻群算法的發展趨勢和展望 146
6.6 蟻群算法的實現 148
6.6.1 蟻群算法求解最值問題 148
6.6.2 蟻群算法求解TSP 153
6.6.3 蟻群算法求解二維路徑規劃
問題 157
6.6.4 蟻群算法求解三維路徑規劃
問題 164
第7章 粒子群算法分析 173
7.1 引言 173
7.2 粒子群算法的基礎 173
7.2.1 粒子群算法的起源 173
7.2.2 粒子群算法的發展 174
7.2.3 粒子群算法研究的內容 175
7.2.4 粒子群算法的優勢 175
7.2.5 粒子群算法的應用領域 176
7.3 基本粒子群算法 177
7.3.1 基本粒子群算法的原理 177
7.3.2 粒子群算法的基本流程 177
7.3.3 全局模式與局部模式 178
7.3.4 粒子群算法的構成要素 179
7.3.5 粒子群算法的參數設置 179
7.3.6 粒子群算法的特點 180
7.3.7 粒子群算法與其他進化算法的比較 180
7.4 粒子群算法求解極值 181
7.4.1 一維函數全局尋優 181
7.4.2 經典函數尋優 184
7.4.3 無約束尋優 188
7.4.4 有約束尋優 191
7.4.5 有約束粒子群算法尋優 193
7.5 改進粒子群算法 198
7.5.1 帶慣性權重的粒子群算法 199
7.5.2 線性遞減權重的粒子群
算法 199
7.5.3 自適應權重的粒子群算法 202
7.5.4 隨機權重的粒子群算法 204
7.5.5 壓縮因子的粒子群算法 206
7.5.6 其他參數的變化 209
7.6 粒子群算法的MATLAB實現 216
7.6.1 粒子群算法實現多目標
尋優 216
7.6.2 粒子群算法的尋優 222
7.6.3 粒子群的PID控制器優化
設計 224
7.6.4 粒子群算法在TSP中的
尋優 228
第8章 免疫算法分析 233
8.1 免疫算法的來源 233
8.2 免疫算法的基本概念 234
8.2.1 生物免疫系統 234
8.2.2 免疫算法的原理 236
8.2.3 免疫系統模型和免疫算法 237
8.2.4 免疫算法的特點 238
8.2.5 免疫算法的發展趨勢 239
8.3 免疫算法算子 239
8.4 免疫算法與遺傳算法的比較 241
8.5 免疫算法的應用 242
8.5.1 免疫算法在克隆選擇中的
應用 242
8.5.2 免疫算法在最優化中的
應用 246
8.5.3 免疫算法在路徑規劃中的
應用 250
8.5.4 免疫算法在TSP中的應用 251
8.6 人工免疫的粒子群聚類算法 255
8.6.1 聚類分析 255
8.6.2 模糊C-均值聚類算法 256
8.6.3 人工免疫的粒子群算法 257
8.6.4 動態聚類分析 258
8.6.5 免疫信息進化處理機制 259
8.6.6 種群多樣性聚類分析 261
第9章 模擬退火算法分析 270
9.1 模擬退火算法的理論 270
9.1.1 物理退火的過程 270
9.1.2 模擬退火算法的原理 271
9.1.3 模擬退火算法的思想 271
9.1.4 模擬退火算法的步驟 272
9.1.5 模擬退火算法的終止準則 272
9.1.6 模擬退火算法的特點 273
9.1.7 模擬退火算法的參數說明 274
9.2 模擬退火算法的改進方向 274
9.3 模擬退火的粒子群算法 275
9.4 模擬退火算法在最優化中的應用 280
第10章 支持向量機算法分析 291
10.1 支持向量機的概述 291
10.2 統計學 292
10.2.1 貝葉斯分類方法 292
10.2.2 線性分類器 298
10.2.3 核函數方法 301
10.3 支持向量機 303
10.3.1 最優分類面 304
10.3.2 支持向量機的模型 305
10.3.3 支持向量機的算法 306
10.4 支持向量機的應用 307
10.4.1 支持向量機的異常值檢測 307
10.4.2 支持向量機的回歸擬合 308
第11章 神經網絡算法分析 312
11.1 神經網絡的概述 312
11.1.1 神經網絡的特點 312
11.1.2 神經網絡的發展史 313
11.1.3 神經網絡的應用 314
11.1.4 神經網絡與計算機工作特點的對比 315
11.1.5 神經網絡的結構 316
11.1.6 神經網絡的學習方式 317
11.2 感知器 318
11.2.1 感知器的概述 318
11.2.2 感知器的局限性 319
11.2.3 單層感知器的應用 320
11.3 線性神經網絡 323
11.3.1 線性神經網絡的結構 324
11.3.2 線性神經網絡的學習算法 324
11.3.3 線性神經網絡的應用 326
11.4 BP神經網絡 336
11.4.1 BP神經網絡的結構 336
11.4.2 BP神經網絡的學習算法 337
11.4.3 BP神經網絡的局限性 339
11.4.4 BP神經網絡的應用 339
11.5 徑向基函數神經網絡 350
11.5.1 徑向基函數 350
11.5.2 正則化網絡 351
11.5.3 廣義網絡 352
11.5.4 概率神經網絡 353
11.5.5 徑向基函數神經網絡的
應用 354
11.6 自組織競爭神經網絡 361
11.6.1 競爭神經網絡 361
11.6.2 自組織特征映射網絡 364
11.6.3 學習矢量量化網絡 365
11.6.4 自組織競爭神經網絡的
應用 367
第12章 模糊邏輯控制算法分析 374
12.1 模糊邏輯控制的概述 374
12.1.1 模糊邏輯控制的基本
概念 374
12.1.2 模糊集合 375
12.1.3 模糊關系 376
12.1.4 模糊語言 376
12.1.5 模糊推理 377
12.1.6 模糊控制規則 378
12.1.7 模糊邏輯控制的原理 379
12.1.8 模糊推理系統的基本
類型 380
12.1.9 模糊邏輯控制的應用
領域 381
12.2 模糊邏輯控制工具箱 381
12.2.1 模糊邏輯控制工具箱的
特點 381
12.2.2 模糊邏輯控制系統的
構成 382
12.2.3 模糊推理系統的管理
功能 383
12.2.4 模糊語言設置 387
12.2.5 語言變量的隸屬度函數 389
12.2.6 模糊控制規則函數 395
12.2.7 模糊推理計算 396
12.3 模糊推理系統 402
12.3.1 圖形用戶界面 402
12.3.2 模糊推理系統編輯器 402
12.3.3 隸屬度函數編輯器 404
12.3.4 模糊控制規則編輯器 405
12.3.5 模糊控制規則觀察器 405
12.3.6 輸出曲面觀察器 406
12.3.7 模糊推理系統的應用 407
12.4 模糊邏輯控制系統的Simulink
連接 411
12.5 模糊神經網絡 418
12.5.1 模糊神經網絡的概述 418
12.5.2 模糊神經網絡的應用 420
參考文獻 431 |
| 序： |
