图书介绍
MATLAB智能算法30个案例分析pdf电子书版本下载
- 郁磊，史峰，王辉，胡斐编著 著
- 出版社： 北京：北京航空航天大学出版社
- ISBN：9787512414112
- 出版时间：2015
- 标注页数：302页
- 文件大小：59MB
- 文件页数：320页
- 主题词：Matlab软件
PDF下载
下载说明
MATLAB智能算法30个案例分析PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
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 18
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 21
2.3.4 变异操作 22
2.3.5 算法主函数 23
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 37
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
7.3 MATLAB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gamultiobj 89
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 APSO 155
16.4.2 EPSO 155
16.4.3 TDPSO 155
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其应用 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 199
21.3 MATLAB程序实现 199
21.3.1 函数sanewpoint 199
21.3.2 函数saupdates 202
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 228
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 276
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 282
29.2 案例背景 283
29.2.1 问题描述 283
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 288
29.4.3 案例延伸 289
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