MATLAB R2017a人工智能算法

　　本书以MATLAB R2017a为平台，以智能算法为背景，全面详细地介绍了人工智能的各种新型算法。本书内容以理论为基础，以实际应用为主导，循序渐进地向读者讲解怎样利用MATLAB智能算法解决实际问题。全书共13章，主要内容包括MATLAB R2017a软件的基础知识、智能算法的理论、人工神经网络算法、模糊逻辑控制算法、粒子群算法、蚁群算法、模拟退火算法、遗传算法、免疫算法、禁忌搜索算法、支持向量机算法及小波分析算法等。

　　张德丰，男， 1963年9月生，辽宁大连人。1993年毕业于哈尔滨工业大学航天学院，获得工学硕士学位。现佛山科学技术学院，电子信息工程学院计算机系，计算机应用技术教授。学院数字图像处理与识别学术带头人。

目 录
第1章 初识MATLAB R2017a 1
1．1 MATLAB的应用领域和优势 1
1．2 MATLAB R2017a的新功能 3
1．3 MATLAB的编程风格 4
1．4 MATLAB的接口技术 5
1．5 MATLAB与C/C++混合编程 5
1．6 MATLAB的工作环境 6
1．6．1 菜单/工具栏 7
1．6．2 命令行窗口 7
1．6．3 工作区 8
1．7 MATLAB的常用命令 9
1．8 MATLAB的帮助系统 10
1．8．1 纯文本帮助 10
1．8．2 演示帮助 12
1．9 MATLAB的数据类型 13
1．9．1 数值类型 13
1．9．2 字符与字符串 16
1．9．3 逻辑类型 18
1．9．4 函数句柄 19
1．9．5 结构数组 21
1．9．6 元胞数组 24
1．10 MATLAB的运算符 28
1．10．1 算术运算符 28
1．10．2 关系运算符 29
1．10．3 逻辑运算符 30
1．10．4 运算优先级 31
第2章 MATLAB的编程基础 32
2．1 数组及其运算 32
2．1．1 数组的创建 32
2．1．2 数组的运算 33
2．2 矩阵及其运算 35
2．2．1 矩阵的创建 35
2．2．2 特殊矩阵的生成 37
2．2．3 矩阵的操作 39
2．2．4 矩阵的基本运算 41
2．2．5 矩阵的相关运算 42
2．3 MATLAB控制语句 44
2．3．1 循环结构 44
2．3．2 分支控制语句 46
2．4 m文件 49
2．4．1 m文件的分类 49
2．4．2 m文件的结构 51
2．5 图形可视化 51
2．5．1 MATLAB的绘图步骤 52
2．5．2 在工作空间直接绘图 52
2．5．3 二维图形绘制 53
2．5．4 图形的修饰 55
2．5．5 三维绘图 58
第3章 人工智能概述 62
3．1 什么是智能 62
3．1．1 智能的定义 62
3．1．2 人工智能的定义 63
3．2 人工智能的发展 64
3．3 人工智能的研究方法 64
3．4 人工智能的危机 66
3．5 人工智能的应用 67
3．6 人工智能的发展趋势 67
3．7 人工智能对人类的深远影响 68
3．7．1 人工智能对经济的影响 68
3．7．2 人工智能对社会的影响 68
3．7．3 人工智能对文化的影响 70
3．8 各种常用智能算法 71
3．8．1 群智能算法 71
3．8．2 模拟退火算法 72
3．8．3 禁忌搜索算法 72
3．8．4 神经网络算法 72
第4章 人工神经网络算法 74
4．1 人工神经网络概述 74
4．1．1 神经网络研究的方向 74
4．1．2 人脑工作原理 75
4．1．3 人工神经网络的工作原理 75
4．1．4 人工神经网络的基本特征 76
4．1．5 人工神经网络的特点 77
4．2 神经网络算法的理论 78
4．2．1 人工神经元模型 78
4．2．2 常用激活函数 79
4．2．3 神经网络模型 80
4．2．4 神经网络工作方式 81
4．2．5 几种常见的神经网络 81
4．3 BP神经网络 84
4．3．1 BP神经网络的拓扑结构 84
4．3．2 BP神经网络的训练 85
4．3．3 BP神经网络的学习方法 86
4．3．4 BP神经网络的实现 90
4．4 径向基神经网络 93
4．4．1 RBF的基本思想 94
4．4．2 RBF的网络模型 94
4．4．3 RBF的网络输出 94
4．4．4 RBF网络的学习过程 95
4．4．5 RBF网络有关的几个问题 97
4．4．6 RBF神经网络的应用 98
4．5 自组织神经网络 106
4．5．1 自组织竞争神经网络的基本概念 107
4．5．2 自组织特征映射神经网络 108
4．5．3 自组织竞争神经网络的应用 110
4．6 对向传播神经网络 114
4．6．1 CPN的基本概念 114
4．6．2 CPN网络的学习算法 115
4．7 广义回归神经网络 115
4．7．1 广义回归神经网络的结构 116
4．7．2 广义回归神经网络的优点 116
4．7．3 广义回归神经网络的应用 117
4．8 概率神经网络 118
4．8．1 概率神经网络的结构 118
4．8．2 概率神经网络的优缺点 119
4．8．3 概率神经网络的应用 120
4．9 Hopfield神经网络 125
4．9．1 Hopfield神经网络的结构 125
4．9．2 Hopfield神经网络的学习算法 126
4．9．3 Hopfield神经网络的应用 126
第5章 模糊逻辑控制算法 132
5．1 模糊逻辑控制概述 132
5．1．1 模糊、神经网络、人工智能间的关系 132
5．1．2 神经网络和模糊系统的比较 133
5．1．3 模糊和神经网络的结合 135
5．2 模糊逻辑控制理论 136
5．2．1 模糊逻辑控制的基本概念 136
5．2．2 模糊逻辑的组成 137
5．2．3 模糊逻辑控制原理 137
5．2．4 模糊逻辑控制器的设计内容 139
5．2．5 模糊逻辑控制的规则 139
5．2．6 模糊逻辑控制的应用领域 140
5．3 模糊逻辑控制工具箱 141
5．3．1 模糊逻辑控制工具箱的功能特点 141
5．3．2 模糊系统的基本类型 142
5．3．3 模糊推理系统的基本函数 143
5．4 模糊逻辑工具箱的图形用户界面 158
5．4．1 FIS编辑器 158
5．4．2 隶属度函数编辑器 159
5．4．3 模糊规则编辑器 160
5．4．4 模糊规则浏览器 161
5．4．5 输入/输出曲面视图 161
5．4．6 模糊推理界面的应用 162
5．5 基于Simulink的模糊逻辑控制 164
5．6 模糊推理系统在控制系统中的应用 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 全局与局部模式 176
6．1．4 粒子群的算法建模 176
6．1．5 粒子群的特点 176
6．1．6 粒子群算法与其他进化算法的异同 177
6．2 粒子群的种类 177
6．2．1 基本粒子群 177
6．2．2 标准粒子群 178
6．2．3 压缩因子粒子群 179
6．2．4 离散粒子群 179
6．3 基于粒子群的聚类分析 180
6．4 粒子群算法的MATLAB实现 181
6．5 改进权重粒子群算法 187
6．5．1 自适应权重法 187
6．5．2 随机权重法 190
6．5．3 线性递减权重法 192
6．6 混合粒子群算法 194
6．6．1 混合粒子群协同优化的设计思想 194
6．6．2 基于杂交的算法 194
6．6．3 基于自然选择的算法 197
6．6．4 基于模拟退火的算法 199
6．7 粒子群的应用 202
第7章 蚁群算法 208
7．1 蚁群的基本概念 208
7．1．1 蚁群的觅食过程 208
7．1．2 人工蚂蚁与真实蚂蚁的异同 208
7．1．3 人工蚁群的优化过程 209
7．1．4 蚁群算法的基本原理 210
7．2 改进的蚁群算法 211
7．2．1 蚁群系统 211
7．2．2 精英蚁群系统 212
7．2．3 最大最小蚁群系统 212
7．2．4 排序的蚁群系统 213
7．2．5 几种改进蚁群算法的比较 213
7．3 自适应蚁群算法 213
7．4 蚁群算法的重要规则 215
7．5 蚁群算法的应用进展及发展趋势 216
7．5．1 应用进展 216
7．5．2 存在的问题 216
7．5．3 发展趋势 216
7．5．4 蚁群算法的MATLAB实现 217
7．6 蚁群算法的应用 219
第8章 模拟退火算法 234
8．1 模拟退火算法的理论 234
8．1．1 模拟退火算法的思想 234
8．1．2 物理退火的过程 235
8．1．3 模拟退火的原理 236
8．1．4 模拟退火算法的终止准则 236
8．1．5 模拟退火算法的特点 236
8．2 模拟退火算法的改进 237
8．2．1 模拟退火算法的改进方式 237
8．2．2 模拟退火算法的改进新解 238
8．3 模拟退火算法的MATLAB工具箱 238
8．4 模拟退火算法的应用 242
第9章 遗传算法 249
9．1 遗传算法概述 249
9．1．1 遗传算法的生物学基础 249
9．1．2 遗传算法的名称解释 250
9．1．3 遗传算法的运算过程 251
9．1．4 遗传算法的特点 252
9．1．5 遗传算法的改进方向 253
9．2 遗传算法的构成要素 254
9．2．1 染色体的编码 254
9．2．2 适应度函数 255
9．2．3 遗传算子 256
9．3 控制参数的选择 258
9．4 遗传算法的研究现状 258
9．5 遗传算法的应用领域 260
9．6 遗传算法工具箱 260
9．6．1 遗传算法的程序设计 261
9．6．2 MATLAB自带的遗传算法函数 265
9．6．3 遗传算法的GUI 268
9．7 遗传算法的应用 270
9．7．1 遗传算法求解极值问题 270
9．7．2 遗传算法求解TSP问题 280
9．7．3 遗传算法的BP神经网络实现 286
第10章 免疫算法 294
10．1 免疫算法概述 294
10．1．1 免疫算法的发展史 295
10．1．2 生物免疫系统 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 免疫算法的特点 301
10．1．7 免疫算法的发展趋势 301
10．2 免疫遗传算法 302
10．2．1 免疫遗传算法的几个基本概念 303
10．2．2 免疫遗传算法的原理 304
10．2．3 免疫遗传算法的MATLAB实现 305
10．3 免疫算法的应用 313
10．3．1 免疫算法在优化中的应用 313
10．3．2 免疫算法在TSP中的应用 316
10．3．3 免疫算法在物流选址中的应用 320
10．3．4 免疫算法在故障检测中的应用 327
第11章 禁忌搜索算法 335
11．1 禁忌搜索的相关理论 335
11．1．1 启发式搜索算法与传统的方法 335
11．1．2 禁忌搜索与局部邻域搜索 336
11．1．3 局部邻域搜索 336
11．1．4 禁忌搜索的基本思想 337
11．1．5 禁忌搜索算法的特点 338
11．1．6 禁忌搜索算法的改进方向 339
11．2 禁忌算法的关键参数 339
11．3 禁忌搜索算法的应用 343
第12章 支持向量机算法 349
12．1 支持向量机的相关理论 349
12．1．1 统计学理论 349
12．1．2 数据挖掘分类 350
12．1．3 线性分类器 351
12．2 支持向量机的理论 353
12．2．1 支持向量机的支持技术 353
12．2．2 最优分类面 354
12．2．3 支持向量机的模型 354
12．2．4 支持向量机的算法 355
12．2．5 核函数 356
12．3 支持向量机的应用 357
第13章 小波分析算法 361
13．1 傅里叶变换 361
13．1．1 一维傅里叶变换 361
13．1．2 二维傅里叶变换 366
13．2 小波变换的基本定义 367
13．2．1 一维离散小波变换 368
13．2．2 二维离散小波变换 368
13．3 Mallat算法 370
13．3．1 Mallat算法的原理 371
13．3．2 常用小波函数 373
13．3．3 Mallat算法的应用 375
13．4 小波包分析 378
13．5 小波的GUI 380
13．6 小波分析的应用 383
13．6．1 小波分析在信号处理中的应用 383
13．6．2 小波变换在图像处理中的应用 390
参考文献 398