MATLAB智能算法超級學(xué)習手冊

目　錄
第1章　MATLAB基礎(chǔ)知識　1
1．1　MATLAB簡介　1
1．2　矩陣的表示　4
1．2．1　數(shù)值矩陣的生成　5
1．2．2　符號矩陣的生成　6
1．2．3　特殊矩陣的生成　7
1．3　符號變量的應(yīng)用　9
1．3．1　質(zhì)點系的轉(zhuǎn)動慣量問題　10
1．3．2　油罐剩余油量體積的求解　10
1．3．3　光的反射定理的論證　12
1．4　線性方程組的求解　14
1．4．1　齊次線性方程組的通解　14
1．4．2　非齊次線性方程組的通解　15
1．4．3　線性方程組的LQ解法　17
1．5　簡單工程應(yīng)用分析　18
1．5．1　內(nèi)燃機轉(zhuǎn)角與升程插值模型　18
1．5．2　航行區(qū)域警示線模型　19
1．6　本章小結(jié)　22
第2章　種群競爭微分方程的求解　23
2．1　種群競爭微分方程模型　23
2．2　種群競爭模型的討論　29
2．3　本章小結(jié)　33
第3章　基于Markov的食品物價趨勢預(yù)測　34
3．1　問題背景　34
3．1．1　食品零售價格數(shù)據(jù)　34
3．1．2　問題的提出　35
3．2　食品分類模型基本假設(shè)　35
3．3　食品價格數(shù)值分類求解　36
3．3．1　食品聚類分類　36
3．3．2　食品價格特點分析　38
3．4　食品價格增長率分類求解　46
3．4．1　食品屬性分類　47
3．4．2　食品價格特點分析　47
3．5　食品價格趨勢預(yù)測　53
3．5．1　食品價格預(yù)測模型基本假設(shè)　53
3．5．2　食品價格預(yù)測模型符號說明　53
3．5．3　食品價格預(yù)測模型的建立與求解　54
3．6　本章小結(jié)　62
第4章　基于時間序列的物價預(yù)測算法　63
4．1　時間序列的基本概念　63
4．2　非平穩(wěn)時間序列變動的影響因素與測定模型　64
4．3　時間序列的預(yù)測方法　64
4．3．1　季節(jié)變動分析　65
4．3．2　循環(huán)變動分析　65
4．4　食品價格分析　66
4．5　灰色關(guān)聯(lián)分析　67
4．5．1　灰色預(yù)測建?！?8
4．5．2　食品價格趨勢預(yù)測　70
4．6　時間序列指數(shù)平滑預(yù)測法　76
4．6．1　一次指數(shù)平滑預(yù)測法　76
4．6．2　二次指數(shù)平滑預(yù)測法　77
4．6．3　三次指數(shù)平滑法　78
4．7　時間序列線性二次移動平均法　80
4．8　本章小結(jié)　85
第5章　基于層次分析法的食堂服務(wù)質(zhì)量評價算法　86
5．1　問題的背景　86
5．2　層次分析法　87
5．2．1　層次分析法的特點　87
5．2．2　層次分析法的應(yīng)用　87
5．2．3　層次分析法的基本原理與步驟　88
5．2．4　層次分析法應(yīng)用舉例　92
5．3　學(xué)生食堂就餐服務(wù)質(zhì)量滿意度　96
5．3．1　食堂服務(wù)質(zhì)量評價模型基本假設(shè)　96
5．3．2　食堂服務(wù)質(zhì)量評價模型分析　96
5．3．3　食堂服務(wù)質(zhì)量評價模型符號說明　97
5．3．4　食堂服務(wù)質(zhì)量評價模型的建立與求解　97
5．4　本章小結(jié)　104
第6章　MATLAB優(yōu)化工具箱的使用　105
6．1　線性規(guī)劃問題　105
6．2　foptions函數(shù)　107
6．3　非線性規(guī)劃問題　108
6．3．1　有約束的一元函數(shù)的最小值　108
6．3．2　無約束的多元函數(shù)最小值　109
6．3．3　有約束的多元函數(shù)最小值　111
6．3．4　二次規(guī)劃問題　114
6．4　“半無限”有約束的多元函數(shù)最優(yōu)解　117
6．5　極小化極大問題　121
6．6　多目標規(guī)劃問題　123
6．7　最小二乘最優(yōu)問題　126
6．7．1　約束線性最小二乘　126
6．7．2　非線性曲線擬合　128
6．7．3　非線性最小二乘　129
6．7．4　非負線性最小二乘　131
6．8　非線性方程求解　131
6．8．1　非線性方程的解　132
6．8．2　非線性方程組的解　132
6．9　本章小結(jié)　134
第7章　基于RBF網(wǎng)絡(luò)的優(yōu)化逼近　135
7．1　RBF神經(jīng)網(wǎng)絡(luò)　135
7．1．1　RBF網(wǎng)絡(luò)特點　136
7．1．2　RBF網(wǎng)絡(luò)結(jié)構(gòu)　136
7．1．3　RBF網(wǎng)絡(luò)的逼近　136
7．2　模糊RBF網(wǎng)絡(luò)　140
7．2．1　網(wǎng)絡(luò)結(jié)構(gòu)　141
7．2．2　基于模糊RBF網(wǎng)絡(luò)的逼近算法　142
7．3　基于遺傳算法的RBF網(wǎng)絡(luò)逼近　145
7．4　RBF網(wǎng)絡(luò)自校正控制　152
7．4．1　自校正控制算法　153
7．4．2　RBF網(wǎng)絡(luò)自校正控制算法　153
7．5　本章小結(jié)　157
第8章　自適應(yīng)模糊控制算法　158
8．1　模糊控制　158
8．1．1　模糊系統(tǒng)的設(shè)計　159
8．1．2　模糊系統(tǒng)的逼近精度　159
8．1．3　模糊逼近仿真　160
8．2　間接自適應(yīng)模糊控制　165
8．2．1　一般模糊系統(tǒng)　166
8．2．2　自適應(yīng)模糊控制器的設(shè)計　167
8．2．3　穩(wěn)定性分析　167
8．2．4　間接自適應(yīng)模糊控制仿真　169
8．3　直接自適應(yīng)模糊控制　175
8．3．1　問題描述　175
8．3．2　控制器的設(shè)計　176
8．3．3　自適應(yīng)律設(shè)計　177
8．3．4　直接自適應(yīng)模糊控制仿真　179
8．4　本章小結(jié)　182
第9章　基于PID的控制算法　183
9．1　PID控制原理　183
9．2　專家PID控制　184
9．3　增量式PID控制算法及其仿真　188
9．4　積分分離式PID控制算法及其仿真　191
9．5　基于卡爾曼濾波器的PID控制　195
9．6　本章小結(jié)　203
第10章　基于LQR+PID的倒立擺控制算法　204
10．1　背景　204
10．2　線性系統(tǒng)　205
10．2．1　狀態(tài)空間基本定義　205
10．2．2　狀態(tài)空間表達式　205
10．2．3　系統(tǒng)狀態(tài)線性變換　206
10．2．4　線性系統(tǒng)的能控性　207
10．3　最優(yōu)控制　208
10．3．1　線性二次型控制　208
10．3．2　LQR狀態(tài)反饋矩陣求解　210
10．3．3　PID控制　211
10．3．4　PID狀態(tài)反饋矩陣求解　212
10．4　倒立擺系統(tǒng)　213
10．4．1　一級倒立擺系統(tǒng)分析　214
10．4．2　利用LQR法設(shè)計控制器　215
10．4．3　利用PID法設(shè)計控制器　219
10．5　倒立擺系統(tǒng)平衡控制系統(tǒng)設(shè)計　220
10．5．1　Simulink設(shè)計仿真　220
10．5．2　線性二次型倒立擺控制　220
10．5．3　PID倒立擺控制　222
10．6　本章小結(jié)　223
第11章　基于粒子群算法的尋優(yōu)計算　224
11．1　基本粒子群算法　224
11．2　粒子群算法的收斂性　227
11．3　粒子群算法函數(shù)極值求解　228
11．3．1　一維函數(shù)全局最優(yōu)　229
11．3．2　經(jīng)典測試函數(shù)　231
11．3．3　無約束函數(shù)極值尋優(yōu)　237
11．3．4　有約束函數(shù)極值尋優(yōu)　240
11．3．5　有約束函數(shù)極值A(chǔ)PSO尋優(yōu)　243
11．4　MATLAB優(yōu)化工具箱簡介　248
11．5　本章小結(jié)　249
第12章　基本粒子群改進算法分析　250
12．1　基本粒子群算法　250
12．1．1　基本PSO算法　250
12．1．2　PSO算法基本特點　252
12．1．3　基本PSO算法流程　252
12．2　粒子群算法改進　253
12．3　提高粒子群算法效率　254
12．3．1　帶慣性權(quán)重的PSO算法　254
12．3．2　權(quán)重線性遞減的PSO算法　255
12．3．3　自適應(yīng)權(quán)重的PSO算法　259
12．3．4　隨機權(quán)重策略的PSO算法　260
12．3．5　增加收縮因子的PSO算法　262
12．3．6　其他參數(shù)的變化　265
12．4　本章小結(jié)　273
第13章　基于免疫算法的物流中心選址　274
13．1　物流中心選址問題　274
13．2　免疫算法的基本思想　275
13．3　基于免疫優(yōu)化算法的物流中心選址問題求解　276
13．3．1　初始群體的產(chǎn)生　277
13．3．2　解的多樣性評價　277
13．3．3　免疫操作　278
13．3．4　模型求解　279
13．4　本章小結(jié)　289
第14章　基于人工免疫的粒子群聚類算法　290
14．1　聚類分析　290
14．2　PSO優(yōu)化算法分析　291
14．2．1　粒子群優(yōu)化算法　291
14．2．2　PSO算法改進策略　292
14．3　人工免疫特性分析　292
14．3．1　生物免疫系統(tǒng)及其特性　292
14．3．2　種群分布熵　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優(yōu)化算法　294
14．4．1　PSO函數(shù)極值求解　295
14．4．2　粒子群聚類算法理論分析　297
14．4．3　粒子群算法實現(xiàn)流程　299
14．4．4　種群多樣性聚類分析　300
14．5　本章小結(jié)　310
第15章　基于ART的植物種類自動分類　311
15．1　ART網(wǎng)絡(luò)分類算法簡介　311
15．1．1　人工神經(jīng)網(wǎng)絡(luò)實際應(yīng)用　311
15．1．2　ART網(wǎng)絡(luò)　312
15．2　植物種類自動分類研究　312
15．2．1　植物種類簡介　312
15．2．2　植物分類　313
15．3　基于ART的植物種類數(shù)據(jù)自動分類研究　313
15．3．1　神經(jīng)網(wǎng)絡(luò)簡介　313
15．3．2　自適應(yīng)共振理論　315
15．3．3　ART1網(wǎng)絡(luò)結(jié)構(gòu)　315
15．3．4　ART1運行過程　317
15．4　本章小結(jié)　320
第16章　基于貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測　321
16．1　貝葉斯統(tǒng)計方法　321
16．2　貝葉斯預(yù)測方法　323
16．3　貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測　325
16．4　本章小結(jié)　328
第17章　基于遺傳算法的尋優(yōu)計算　329
17．1　遺傳算法的尋優(yōu)計算　329
17．2　基于GA的三維曲面極值尋優(yōu)　338
17．3　基于GA_PSO算法的尋優(yōu)計算　345
17．4　本章小結(jié)　348
第18章　基于遺傳算法的TSP求解　349
18．1　旅行商問題分析　349
18．1．1　遺傳算法簡介　349
18．1．2　遺傳算法現(xiàn)狀分析　350
18．2　遺傳算法的特點　351
18．3　遺傳算法中各算子的特點　352
18．3．1　選擇算子(selection)　352
18．3．2　交叉算子(crossover)　352
18．3．3　變異算子(mutation)　353
18．4　遺傳算法的基本步驟　353
18．4．1　編碼　354
18．4．2　初始群體的生成　354
18．4．3　雜交　355
18．4．4　適應(yīng)度值評估檢測　355
18．4．5　選擇　355
18．4．6　變異　355
18．4．7　中止　355
18．5　基于GA的旅行商問題求解　356
18．5．1　TSP問題定義　356
18．5．2　TSP算法框架　356
18．5．3　TSP算法流程框圖　357
18．5．4　固定地圖TSP求解　358
18．5．5　隨機地圖TSP求解　359
18．6　遺傳算法討論　365
18．6．1　編碼表示　366
18．6．2　適應(yīng)度函數(shù)　366
18．6．3　選擇策略　366
18．6．4　控制參數(shù)　366
18．7　本章小結(jié)　366
第19章　基于蟻群算法的路徑規(guī)劃計算　367
19．1　基于蟻群算法的二維路徑規(guī)劃算法　367
19．1．1　MAKLINK圖論　367
19．1．2　蟻群算法理論　368
19．1．3　Dijkstra算法　369
19．1．4　路徑規(guī)劃問題分析求解　369
19．2　基于蟻群算法的三維路徑規(guī)劃算法　378
19．2．1　三維空間抽象建?！?78
19．2．2　三維路徑問題　379
19．2．3　信息素更新　379
19．2．4　可視搜索空間　380
19．2．5　蟻群搜索策略　380
19．2．6　路徑規(guī)劃問題分析求解　381
19．3　本章小結(jié)　388
第20章　基于蟻群算法的TSP求解　389
20．1　蟻群算法理論研究現(xiàn)狀　389
20．2　蟻群算法的基本原理　391
20．3　基于ACO的TSP求解　394
20．4　基于ACO_PSO的TSP求解　398
20．5　本章小結(jié)　408
第21章　基于模擬退火的粒子群算法　409
21．1　基于模擬退火的粒子群算法　409
21．1．1　模擬退火算法的提出　409
21．1．2　模擬退火算法的步驟　410
21．1．3　模擬退火的粒子群算法　410
21．2　本章小結(jié)　416
第22章　基于人群搜索算法的函數(shù)優(yōu)化　417
22．1　SOA算法的基本原理　417
22．1．1　利己行為　417
22．1．2　利他行為　418
22．1．3　預(yù)動行為　418
22．1．4　不確定性行為　418
22．2　人群搜索算法　418
22．2．1　搜索步長的確定　419
22．2．2　搜索方向的確定　420
22．2．3　搜尋者個體位置的更新　420
22．2．4　算法的實現(xiàn)　420
22．3　基于人群搜索算法的函數(shù)優(yōu)化　421
22．3．1　優(yōu)化函數(shù)的選擇　421
22．3．2　函數(shù)優(yōu)化的結(jié)果　421
22．4　本章小結(jié)　432
第23章　數(shù)控機床進給伺服系統(tǒng)的SOA-PID參數(shù)整定　433
23．1　SOA算法在PID控制中的運用　433
23．1．1　PID控制原理　433
23．1．2　PID的離散化處理　434
23．1．3　基于SOA的PID參數(shù)整定的基本原理　434
23．2　基于SOA的PID參數(shù)整定的設(shè)計方案　435
23．2．1　參數(shù)的編碼　435
23．2．2　適應(yīng)度函數(shù)的選取　435
23．2．3　算法流程　436
23．2．4　算法實例　436
23．2．5　PID參數(shù)整定結(jié)果　436
23．3　數(shù)控機床進給伺服系統(tǒng)的數(shù)學(xué)模型　454
23．3．1　數(shù)控機床進給伺服系統(tǒng)的PMSM數(shù)學(xué)模型　454
23．3．2　矢量變換原理　455
23．3．3　Clarke變換　456
23．3．4　Park變換　456
23．3．5　同步旋轉(zhuǎn)坐標上的PMSM數(shù)學(xué)模型　457
23．4　機械參量和負載的折算　457
23．5　矢量控制和磁場定向原理　458
23．5．1　矢量控制原理　459
23．5．2　磁場定向原理　459
23．5．3　磁場定向(id=0)的控制方式下的PMSM進給伺服系統(tǒng)模型　460
23．5．4　數(shù)控機床進給伺服系統(tǒng)數(shù)學(xué)模型的傳遞函數(shù)的表示　460
23．6　基于SOA算法對數(shù)控機床進給伺服系統(tǒng)PID優(yōu)化　461
23．6．1　適應(yīng)度函數(shù)的選取　461
23．6．2　SOA算法流程　461
23．6．3　PID參數(shù)整定結(jié)果　461
23．7　本章小結(jié)　479
參考文獻　480