MATLAB R2017a人工智能算法

目 錄
第1章 初識MATLAB R2017a 1
1．1 MATLAB的應用領域和優(yōu)勢 1
1．2 MATLAB R2017a的新功能 3
1．3 MATLAB的編程風格 4
1．4 MATLAB的接口技術 5
1．5 MATLAB與C/C++混合編程 5
1．6 MATLAB的工作環(huán)境 6
1．6．1 菜單/工具欄 7
1．6．2 命令行窗口 7
1．6．3 工作區(qū) 8
1．7 MATLAB的常用命令 9
1．8 MATLAB的幫助系統(tǒng) 10
1．8．1 純文本幫助 10
1．8．2 演示幫助 12
1．9 MATLAB的數(shù)據(jù)類型 13
1．9．1 數(shù)值類型 13
1．9．2 字符與字符串 16
1．9．3 邏輯類型 18
1．9．4 函數(shù)句柄 19
1．9．5 結構數(shù)組 21
1．9．6 元胞數(shù)組 24
1．10 MATLAB的運算符 28
1．10．1 算術運算符 28
1．10．2 關系運算符 29
1．10．3 邏輯運算符 30
1．10．4 運算優(yōu)先級 31
第2章 MATLAB的編程基礎 32
2．1 數(shù)組及其運算 32
2．1．1 數(shù)組的創(chuàng)建 32
2．1．2 數(shù)組的運算 33
2．2 矩陣及其運算 35
2．2．1 矩陣的創(chuàng)建 35
2．2．2 特殊矩陣的生成 37
2．2．3 矩陣的操作 39
2．2．4 矩陣的基本運算 41
2．2．5 矩陣的相關運算 42
2．3 MATLAB控制語句 44
2．3．1 循環(huán)結構 44
2．3．2 分支控制語句 46
2．4 m文件 49
2．4．1 m文件的分類 49
2．4．2 m文件的結構 51
2．5 圖形可視化 51
2．5．1 MATLAB的繪圖步驟 52
2．5．2 在工作空間直接繪圖 52
2．5．3 二維圖形繪制 53
2．5．4 圖形的修飾 55
2．5．5 三維繪圖 58
第3章 人工智能概述 62
3．1 什么是智能 62
3．1．1 智能的定義 62
3．1．2 人工智能的定義 63
3．2 人工智能的發(fā)展 64
3．3 人工智能的研究方法 64
3．4 人工智能的危機 66
3．5 人工智能的應用 67
3．6 人工智能的發(fā)展趨勢 67
3．7 人工智能對人類的深遠影響 68
3．7．1 人工智能對經(jīng)濟的影響 68
3．7．2 人工智能對社會的影響 68
3．7．3 人工智能對文化的影響 70
3．8 各種常用智能算法 71
3．8．1 群智能算法 71
3．8．2 模擬退火算法 72
3．8．3 禁忌搜索算法 72
3．8．4 神經(jīng)網(wǎng)絡算法 72
第4章 人工神經(jīng)網(wǎng)絡算法 74
4．1 人工神經(jīng)網(wǎng)絡概述 74
4．1．1 神經(jīng)網(wǎng)絡研究的方向 74
4．1．2 人腦工作原理 75
4．1．3 人工神經(jīng)網(wǎng)絡的工作原理 75
4．1．4 人工神經(jīng)網(wǎng)絡的基本特征 76
4．1．5 人工神經(jīng)網(wǎng)絡的特點 77
4．2 神經(jīng)網(wǎng)絡算法的理論 78
4．2．1 人工神經(jīng)元模型 78
4．2．2 常用激活函數(shù) 79
4．2．3 神經(jīng)網(wǎng)絡模型 80
4．2．4 神經(jīng)網(wǎng)絡工作方式 81
4．2．5 幾種常見的神經(jīng)網(wǎng)絡 81
4．3 BP神經(jīng)網(wǎng)絡 84
4．3．1 BP神經(jīng)網(wǎng)絡的拓撲結構 84
4．3．2 BP神經(jīng)網(wǎng)絡的訓練 85
4．3．3 BP神經(jīng)網(wǎng)絡的學習方法 86
4．3．4 BP神經(jīng)網(wǎng)絡的實現(xiàn) 90
4．4 徑向基神經(jīng)網(wǎng)絡 93
4．4．1 RBF的基本思想 94
4．4．2 RBF的網(wǎng)絡模型 94
4．4．3 RBF的網(wǎng)絡輸出 94
4．4．4 RBF網(wǎng)絡的學習過程 95
4．4．5 RBF網(wǎng)絡有關的幾個問題 97
4．4．6 RBF神經(jīng)網(wǎng)絡的應用 98
4．5 自組織神經(jīng)網(wǎng)絡 106
4．5．1 自組織競爭神經(jīng)網(wǎng)絡的基本概念 107
4．5．2 自組織特征映射神經(jīng)網(wǎng)絡 108
4．5．3 自組織競爭神經(jīng)網(wǎng)絡的應用 110
4．6 對向傳播神經(jīng)網(wǎng)絡 114
4．6．1 CPN的基本概念 114
4．6．2 CPN網(wǎng)絡的學習算法 115
4．7 廣義回歸神經(jīng)網(wǎng)絡 115
4．7．1 廣義回歸神經(jīng)網(wǎng)絡的結構 116
4．7．2 廣義回歸神經(jīng)網(wǎng)絡的優(yōu)點 116
4．7．3 廣義回歸神經(jīng)網(wǎng)絡的應用 117
4．8 概率神經(jīng)網(wǎng)絡 118
4．8．1 概率神經(jīng)網(wǎng)絡的結構 118
4．8．2 概率神經(jīng)網(wǎng)絡的優(yōu)缺點 119
4．8．3 概率神經(jīng)網(wǎng)絡的應用 120
4．9 Hopfield神經(jīng)網(wǎng)絡 125
4．9．1 Hopfield神經(jīng)網(wǎng)絡的結構 125
4．9．2 Hopfield神經(jīng)網(wǎng)絡的學習算法 126
4．9．3 Hopfield神經(jīng)網(wǎng)絡的應用 126
第5章 模糊邏輯控制算法 132
5．1 模糊邏輯控制概述 132
5．1．1 模糊、神經(jīng)網(wǎng)絡、人工智能間的關系 132
5．1．2 神經(jīng)網(wǎng)絡和模糊系統(tǒng)的比較 133
5．1．3 模糊和神經(jīng)網(wǎng)絡的結合 135
5．2 模糊邏輯控制理論 136
5．2．1 模糊邏輯控制的基本概念 136
5．2．2 模糊邏輯的組成 137
5．2．3 模糊邏輯控制原理 137
5．2．4 模糊邏輯控制器的設計內容 139
5．2．5 模糊邏輯控制的規(guī)則 139
5．2．6 模糊邏輯控制的應用領域 140
5．3 模糊邏輯控制工具箱 141
5．3．1 模糊邏輯控制工具箱的功能特點 141
5．3．2 模糊系統(tǒng)的基本類型 142
5．3．3 模糊推理系統(tǒng)的基本函數(shù) 143
5．4 模糊邏輯工具箱的圖形用戶界面 158
5．4．1 FIS編輯器 158
5．4．2 隸屬度函數(shù)編輯器 159
5．4．3 模糊規(guī)則編輯器 160
5．4．4 模糊規(guī)則瀏覽器 161
5．4．5 輸入/輸出曲面視圖 161
5．4．6 模糊推理界面的應用 162
5．5 基于Simulink的模糊邏輯控制 164
5．6 模糊推理系統(tǒng)在控制系統(tǒng)中的應用 170
第6章　粒子群算法 174
6．1 粒子群概述 174
6．1．1 人工生命 174
6．1．2 粒子群算法的基本原理 175
6．1．3 全局與局部模式 176
6．1．4 粒子群的算法建模 176
6．1．5 粒子群的特點 176
6．1．6 粒子群算法與其他進化算法的異同 177
6．2 粒子群的種類 177
6．2．1 基本粒子群 177
6．2．2 標準粒子群 178
6．2．3 壓縮因子粒子群 179
6．2．4 離散粒子群 179
6．3 基于粒子群的聚類分析 180
6．4 粒子群算法的MATLAB實現(xiàn) 181
6．5 改進權重粒子群算法 187
6．5．1 自適應權重法 187
6．5．2 隨機權重法 190
6．5．3 線性遞減權重法 192
6．6 混合粒子群算法 194
6．6．1 混合粒子群協(xié)同優(yōu)化的設計思想 194
6．6．2 基于雜交的算法 194
6．6．3 基于自然選擇的算法 197
6．6．4 基于模擬退火的算法 199
6．7 粒子群的應用 202
第7章 蟻群算法 208
7．1 蟻群的基本概念 208
7．1．1 蟻群的覓食過程 208
7．1．2 人工螞蟻與真實螞蟻的異同 208
7．1．3 人工蟻群的優(yōu)化過程 209
7．1．4 蟻群算法的基本原理 210
7．2 改進的蟻群算法 211
7．2．1 蟻群系統(tǒng) 211
7．2．2 精英蟻群系統(tǒng) 212
7．2．3 最大最小蟻群系統(tǒng) 212
7．2．4 排序的蟻群系統(tǒng) 213
7．2．5 幾種改進蟻群算法的比較 213
7．3 自適應蟻群算法 213
7．4 蟻群算法的重要規(guī)則 215
7．5 蟻群算法的應用進展及發(fā)展趨勢 216
7．5．1 應用進展 216
7．5．2 存在的問題 216
7．5．3 發(fā)展趨勢 216
7．5．4 蟻群算法的MATLAB實現(xiàn) 217
7．6 蟻群算法的應用 219
第8章 模擬退火算法 234
8．1 模擬退火算法的理論 234
8．1．1 模擬退火算法的思想 234
8．1．2 物理退火的過程 235
8．1．3 模擬退火的原理 236
8．1．4 模擬退火算法的終止準則 236
8．1．5 模擬退火算法的特點 236
8．2 模擬退火算法的改進 237
8．2．1 模擬退火算法的改進方式 237
8．2．2 模擬退火算法的改進新解 238
8．3 模擬退火算法的MATLAB工具箱 238
8．4 模擬退火算法的應用 242
第9章 遺傳算法 249
9．1 遺傳算法概述 249
9．1．1 遺傳算法的生物學基礎 249
9．1．2 遺傳算法的名稱解釋 250
9．1．3 遺傳算法的運算過程 251
9．1．4 遺傳算法的特點 252
9．1．5 遺傳算法的改進方向 253
9．2 遺傳算法的構成要素 254
9．2．1 染色體的編碼 254
9．2．2 適應度函數(shù) 255
9．2．3 遺傳算子 256
9．3 控制參數(shù)的選擇 258
9．4 遺傳算法的研究現(xiàn)狀 258
9．5 遺傳算法的應用領域 260
9．6 遺傳算法工具箱 260
9．6．1 遺傳算法的程序設計 261
9．6．2 MATLAB自帶的遺傳算法函數(shù) 265
9．6．3 遺傳算法的GUI 268
9．7 遺傳算法的應用 270
9．7．1 遺傳算法求解極值問題 270
9．7．2 遺傳算法求解TSP問題 280
9．7．3 遺傳算法的BP神經(jīng)網(wǎng)絡實現(xiàn) 286
第10章 免疫算法 294
10．1 免疫算法概述 294
10．1．1 免疫算法的發(fā)展史 295
10．1．2 生物免疫系統(tǒng) 295
10．1．3 免疫算法的基本原理 297
10．1．4 免疫算法流程 298
10．1．5 免疫算法算子 299
10．1．6 免疫算法的特點 301
10．1．7 免疫算法的發(fā)展趨勢 301
10．2 免疫遺傳算法 302
10．2．1 免疫遺傳算法的幾個基本概念 303
10．2．2 免疫遺傳算法的原理 304
10．2．3 免疫遺傳算法的MATLAB實現(xiàn) 305
10．3 免疫算法的應用 313
10．3．1 免疫算法在優(yōu)化中的應用 313
10．3．2 免疫算法在TSP中的應用 316
10．3．3 免疫算法在物流選址中的應用 320
10．3．4 免疫算法在故障檢測中的應用 327
第11章 禁忌搜索算法 335
11．1 禁忌搜索的相關理論 335
11．1．1 啟發(fā)式搜索算法與傳統(tǒng)的方法 335
11．1．2 禁忌搜索與局部鄰域搜索 336
11．1．3 局部鄰域搜索 336
11．1．4 禁忌搜索的基本思想 337
11．1．5 禁忌搜索算法的特點 338
11．1．6 禁忌搜索算法的改進方向 339
11．2 禁忌算法的關鍵參數(shù) 339
11．3 禁忌搜索算法的應用 343
第12章 支持向量機算法 349
12．1 支持向量機的相關理論 349
12．1．1 統(tǒng)計學理論 349
12．1．2 數(shù)據(jù)挖掘分類 350
12．1．3 線性分類器 351
12．2 支持向量機的理論 353
12．2．1 支持向量機的支持技術 353
12．2．2 最優(yōu)分類面 354
12．2．3 支持向量機的模型 354
12．2．4 支持向量機的算法 355
12．2．5 核函數(shù) 356
12．3 支持向量機的應用 357
第13章 小波分析算法 361
13．1 傅里葉變換 361
13．1．1 一維傅里葉變換 361
13．1．2 二維傅里葉變換 366
13．2 小波變換的基本定義 367
13．2．1 一維離散小波變換 368
13．2．2 二維離散小波變換 368
13．3 Mallat算法 370
13．3．1 Mallat算法的原理 371
13．3．2 常用小波函數(shù) 373
13．3．3 Mallat算法的應用 375
13．4 小波包分析 378
13．5 小波的GUI 380
13．6 小波分析的應用 383
13．6．1 小波分析在信號處理中的應用 383
13．6．2 小波變換在圖像處理中的應用 390
參考文獻 398