新書推薦：
《
木偶的恨意（法国悬念大师米歇尔普西悬疑新作）
》
售價：NT$
295.0
《
孤独传：一种现代情感的历史
》
售價：NT$
390.0
《
家、金钱和孩子
》
售價：NT$
295.0
《
形而上学与测量
》
售價：NT$
340.0
《
世界航母、舰载机图鉴 【日】坂本明
》
售價：NT$
340.0
《
量价关系——透视股票涨跌脉络
》
售價：NT$
340.0
![创伤与记忆：身体体验疗法如何重塑创伤记忆 [美]彼得·莱文](http://103.6.6.66/upload/mall/productImages/24/46/9787111746645.jpg)
《
创伤与记忆：身体体验疗法如何重塑创伤记忆 [美]彼得·莱文
》
售價：NT$
295.0
《
复原力
》
售價：NT$
345.0
|
| 編輯推薦： |
|
资深作者编著，图书质量更有保证：一线资深工程师执笔，系统归纳和总结了智能算法的实战经验。提供配套源码，便于读者动手实践：理论必须联系实践，本书提供源代码下载，方便读者学习使用。内含丰富实例，利于读者二次开发：书中提供了十几个智能算法的典型实例，读者可以据此二次开发。配套学习资源下载地址为清华大学出版社网站本书页面。系列畅销图书如下：MATLAB 编程指南计算、编程、仿真、算法及应用MATLABSimulink系统仿真MATLAB GUI程序设计MATLAB智能算法MATLAB数学建模MATLAB科学计算MATLAB信号处理MATLAB图像处理
|
| 內容簡介： |
本书以*推出的MATLAB 2016a软件为基础，详细介绍了各种智能算法的原理及其MATLAB在智能算法中的应用，是一种MATLAB智能算法设计的综合性参考书。
全书以智能算法原理及MATLAB应用为主线，结合各种应用实例，详细讲解了智能算法的MATLAB实现。全书分为两部共13章，*部分首先从人工智能概述开始，详细介绍了神经网络算法、粒子群算法、遗传算法、模糊逻辑控制、免疫算法、蚁群算法、小波分析算法及其MATLAB的实现方式等内容； 第二部分详细介绍了智能算法的工程中的应用问题，包括模糊神经网络在工程中的应用、遗传算法在图像处理中的应用、神经网络在参数估计中的应用、基于智能算法的PID控制和智能算法的综合应用等。
本书以工程应用为目标，内容深入浅出，讲解循序渐进，既可以作为高等院校理工科相关专业研究生、本科生的教材，也可作为广大科研工程技术人员的参考用书。
|
| 關於作者： |
|
作者简介温正 北京航空航天大学博士后，现就职于航天某院所，精通MATLAB、ANSYS、Fluent等工程仿真计算软件。在国内外期刊发表论文多篇，其中被EI检索3篇。申请并获得授权专利多项，曾获得国防科学技术成果奖等奖项，曾编写多本畅销计算机图书。
|
| 目錄：
|
目录
第一部分专 题 介 绍
第1章人工智能概述
1.1人工智能的基本概念
1.1.1智能的概念
1．1．2人工智能的概念
1．1．3人工智能的研究目标
1．1．4人工智能的研究方法
1．2人工智能的特征
1．3人工智能的应用
1．3．1机器思维
1．3．2机器感知
1．3．3机器行为
1．3．4机器学习
1．3．5机器计算
1．3．6分布式人工智能
1．3．7机器系统
1．3．8典型应用
1．4本章小结
第2章神经网络算法及其MATLAB实现
2．1神经网络基础
2．1．1人工神经网络的发展
2．1．2人工神经网络研究内容
2．1．3人工神经网络研究方向
2．1．4人工神经网络发展趋势
2．2神经网络的结构及学习
2．2．1神经网络结构
2．2．2神经网络学习
2．2．3MATLAB在神经网络中的应用
2．3MATLAB神经网络工具箱
2．3．1神经网络工具箱函数
2．3．2神经网络工具箱的图形用户界面
2．3．3神经网络的MATLAB实现
2．4Simulink神经网络控制工具箱
2．4．1神经网络模型预测控制
2．4．2反馈线性化控制
2．4．3模型参考控制
2．5本章小结
第3章粒子群算法及其MATLAB实现
3．1粒子群算法基础
3．1．1粒子群算法的发展
3．1．2粒子群算法研究内容
3．1．3粒子群算法的特点
3．1．4粒子群算法的应用
3．2基本粒子群算法
3．2．1基本原理
3．2．2算法构成要素
3．2．3算法参数设置
3．2．4算法的基本流程
3．2．5算法的MATLAB实现
3．3MATLAB粒子群工具箱
3．4权重改进的粒子群算法
3．4．1自适应权重法
3．4．2随机权重法
3．4．3线性递减权重法
3．5混合粒子群算法
3．5．1基于杂交的算法
3．5．2基于自然选择的算法
3．5．3基于免疫的粒子群算法
3．5．4基于模拟退火的算法
3．6本章小结
第4章遗传算法及其MATLAB实现
4．1遗传算法的基本概念
4．1．1算法的基本运算
4．1．2遗传算法的特点
4．1．3遗传算法中的术语
4．1．4遗传算法的发展现状
4．1．5遗传算法的应用领域
4．2遗传算法的原理
4．2．1算法运算过程
4．2．2算法编码
4．2．3适应度及初始群体选取
4．3遗传算法程序设计及其MATLAB工具箱
4．3．1程序设计
4．3．2算法参数设计原则
4．3．3适应度函数的调整
4．3．4算法MATLAB工具箱及其应用
4．3．5遗传算法的GUI实现
4．4遗传算法的典型应用
4．4．1利用遗传算法求解函数极值
4．4．2遗传算法在TSP中的应用
4．4．3遗传算法的求解优化
4．5本章小结
第5章模糊逻辑控制及其MATLAB实现
5．1模糊逻辑控制基础
5．1．1模糊逻辑控制的基本概念
5．1．2模糊逻辑控制原理
5．1．3模糊逻辑控制器设计的内容
5．1．4模糊逻辑控制规则设计
5．1．5模糊逻辑控制系统的应用领域
5．2模糊逻辑控制工具箱
5．2．1模糊逻辑控制工具箱的功能特点
5．2．2模糊系统的基本类型
5．2．3模糊逻辑控制系统的构成
5．2．4模糊推理系统的建立、修改与存储管理
5．2．5模糊语言变量及其语言值
5．2．6模糊语言变量的隶属度函数
5．2．7模糊规则的建立与修改
5．2．8模糊推理计算与去模糊化
5．3模糊逻辑控制工具箱的图形界面工具
5．3．1FIS编辑器
5．3．2隶属度函数编辑器
5．3．3模糊规则编辑器
5．3．4模糊规则浏览器
5．3．5模糊推理输入输出曲面视图
5．4模糊逻辑控制的经典应用
5．4．1基于Simulink的模糊逻辑控制应用
5．4．2基于模糊逻辑控制的路径规划应用
5．5本章小结
第6章免疫算法及其MATLAB实现
6.1免疫算法的基本概念
6.1.1生物免疫系统
6.1.2免疫算法基本原理
6.1.3免疫算法步骤和流程
6.1.4免疫系统模型和免疫算法
6.1.5免疫算法特点
6.1.6免疫算法的发展趋势
6.2免疫遗传算法
6.2.1免疫遗传算法步骤和流程
6.2.2基于MATLAB实现免疫遗传算法
6.3免疫算法的MATLAB应用
6.3.1免疫算法在克隆选择中的应用
6.3.2免疫算法在最短路径规划问题中的应用
6.3.3免疫算法在TSP中的应用
6.3.4免疫算法在故障检测中的应用
6.4本章小结
第7章蚁群算法及其MATLAB实现
7.1蚁群算法概述
7.1.1蚁群算法起源
7.1.2蚁群算法的基本原理
7.1.3自适应蚁群算法的介绍
7.1.4蚁群算法实现的重要规则
7.1.5蚁群算法的特点
7.1.6蚁群优化算法的应用
7.2蚁群算法的MATLAB实现
7.3蚁群算法在MATLAB中的应用
7.3.1蚁群算法在路径规划中的应用
7.3.2蚁群算法在解决TSP中的应用
7.4本章小结
第8章小波分析算法及其MATLAB实现
8.1傅里叶变换到小波分析
8.1.1傅里叶变换
8.1.2小波分析
8.2Mallat算法
8.2.1Mallat算法原理
8.2.2常用小波函数介绍
8.2.3Mallat算法示例
8.3小波GUI简介
8.4小波分析用例
8.4.1信号压缩
8.4.2信号去噪
8.4.3分离信号的不同成分
8.5小波变换在图像处理中的应用
8.5.1小波变换用于图像压缩
8.5.2小波在图像边缘检测的应用
8.5.3小波变换在图像增强方面的应用
8.6本章小结
第二部分综合实例应用
第9章模糊神经网络在工程中的应用
9.1模糊神经网络
9.1.1模糊神经网络概述
9.1.2模糊系统与神经网络的区别与联系
9.1.3典型模糊神经网络结构
9.1.4自适应模糊神经推理系统
9.2模糊神经网络建模方法
9.3模糊神经网络在工程中的应用
9.3.1模糊神经网络在解耦控制中的应用
9.3.2模糊神经网络在函数逼近中的应用
9.4本章小结
第10章遗传算法在图像处理中的应用
10.1图像分割的基础知识
10.1.1图像分割的概念
10.1.2图像分割的理论
10.1.3灰度门限法简介
10.1.4基于最大类间方差图像分割原理
10.2遗传算法实现图像分割
10.2.1利用遗传算法实现图像分割的原理
10.2.2算法的实现
10.3遗传算法在图像处理中的应用
10.3.1基于遗传算法的道路图像阈值分割
10.3.2基于遗传神经网络的图像分割
10.3.3应用遗传算法和KSW熵法实现灰度图像阈值分割
10.4本章小结
第11章神经网络在参数估计中的应用
11.1参数估计的基本知识
11.1.1参数估计的概念
11.1.2点估计与区间估计
11.1.3样本容量
11.2几种通用神经网络MATLAB代码
11.3神经网络在参数估计中的应用
11.3.1神经网络在人脸识别中的应用
11.3.2灰色神经网络在数据预测中的应用
11.3.3BP神经网络在数据预测中的应用
11.3.4概率神经网络在分类预测中的应用
11.4本章小结
第12章基于智能算法的PID控制器设计
12.1PID控制器的理论基础
12.2智能算法在PID控制器设计中的应用
12.2.1神经网络在PID控制器设计中的应用
12.2.2模糊控制在PID控制器设计中的应用
12.2.3遗传算法在PID控制器设计中的应用
12.3本章小结
第13章智能算法综合应用
13.1模糊神经网络控制在MATLAB中的应用
13.2基于遗传算法的MP算法的应用
13.3本章小结
参考文献
|
| 內容試閱：
|
前言美国MathWorks公司的MATLAB软件是一款用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。这款软件和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中首屈一指。MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来实现智能算法设计要比用C、FORTRAN等语言更为方便。在人工智能研究领域，智能算法是其重要的一个分支。目前智能计算正在蓬勃发展，研究人工智能的领域十分活跃。虽然智能算法研究水平暂时还很难使智能机器真正具备人类的智能，但是人工脑是人脑和生物脑的结合，这种结合将使人工智能的研究更广、更深。
智能计算不断地在探索智能的新概念、新理论、新方法和新技术，这些研究成果将给人类世界带来巨大的改变。本书将详细介绍应用MATLAB 2016a进行智能算法的设计及应用方法。1. 本书特点1 由浅入深，循序渐进。本书以初、中读者为对象，首先从人工智能概述的基础讲起，再以各种智能算法原理及其在MATLAB中的应用案例帮助读者尽快掌握神经网络设计的技能。2 步骤详尽、内容新颖。本书结合作者多年的MATLAB智能算法使用经验与实际工程应用案例，将智能算法的原理及其MATLAB的实现方法与技巧详细地讲解给读者。本书在讲解过程中步骤详尽、内容新颖，讲解过程辅以相应的图片，使读者在阅读时一目了然，从而快速把握书中所讲内容。3 实例典型，轻松易学。通过学习实际工程应用案例的具体操作是掌握神经网络设计最好的方式。本书通过综合应用案例，透彻详尽地讲解了神经网络在各方面的应用。2. 本书内容
本书基于MATLAB 2016a版本，讲解了智能算法在MATLAB 2016a的实现。本书分为两个部分： 专题介绍部分和综合实例应用部分。
第一部分： 专题介绍。主要介绍了神经网络算法、粒子群算法、遗传算法、模糊逻辑控制、免疫算法、蚁群算法、小波分析算法等。第1章人工智能概述第2章神经网络算法及其MATLAB实现第3章粒子群算法及其MATLAB实现第4章遗传算法及其MATLAB实现第5章模糊逻辑控制及其MATLAB实现第6章免疫算法及其MATLAB实现第7章蚁群算法及其MATLAB实现第8章小波分析算法及其MATLAB实现第二部分： 综合实例应用。主要介绍了几种智能算法的综合应用，包括模糊神经网络在工程中的应用、遗传算法在图像处理中的应用、神经网络在参数估计中的应用、基于智能算法的PID控制和智能算法的综合应用。第9章模糊神经网络在工程中的应用第10章遗传算法在图像处理中的应用第11章神经网络在参数估计中的应用第12章基于智能算法的PID控制器设计第13章智能算法的综合应用3. 读者对象本书适合于MATLAB智能算法设计初学者和期望提高智能算法工程应用能力的读者，具体说明如下：★人工智能从业人员★初学MATLAB智能算法设计的技术人员★大中专院校的教师和在校生★相关培训机构的教师和学员★MATLAB爱好者★广大科研工作人员4. 读者服务为了方便解决本书疑难问题，读者朋友在学习过程中若遇到与本书有关的技术问题，可以发邮件到邮箱caxart@126.com或者访问博客http：blog.sina.com.cncaxart，编者会尽快给予解答，我们将竭诚为您服务。
另外本书所涉及的素材文件（程序代码）已经上传到为本书提供的博客中，读者可以访问下载。5． 本书作者
本书主要由温正、孙华克编著。此外，付文利、王广、张岩、沈再阳、林晓阳、任艳芳、唐家鹏、孙国强、高飞等也参与了本书部分内容的编写工作，在此表示感谢。虽然作者在本书的编写过程中力求叙述准确、完善，但由于水平有限，书中欠妥之处在所难免，希望读者和同仁能够及时指出，共同促进本书质量的提高。最后再次希望本书能为读者的学习和工作提供帮助！
编者2017年6月
3章粒子群算法及其MATLAB实现
粒子群算法，也称粒子群优化算法particle swarm optimization,PSO，是近年来发展起来的一种新的进化算法evolutionary algorithm,EA。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。本章主要讲解了粒子群算法的原理及其在MATLAB上的运用。学习目标： ■了解粒子群算法的发展。■掌握粒子群算法的基本原理。■熟悉MATLAB粒子群算法工具箱。■掌握MATLAB在粒子群算法中的运用。3.1粒子群算法基础PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉和变异操作，它通过追随当前搜索到的最优值来寻找全局最优。3.1.1粒子群算法的发展1995年美国电气工程师Eberhart和社会心理学家Kenndy基于鸟群觅食行为提出了粒子群优化算法PSO，简称粒子群算法。由于该算法概念简明、实现方便、收敛速度快、参数设置少，是一种高效的搜索算法。PSO是模拟鸟群随机搜寻食物的捕食行为。假设在搜索食物区域里只有一块食物，所有的小鸟都不知道食物在什么地方，所以Kenndy等认为鸟之间存在着互相交换信息，通过估计自身的适应度值，它们知道当前的位置离食物还有多远，所以搜索目前离食物最近的鸟的周围区域是找到食物的最简单有效的办法，通过鸟之间的集体协作使群体达到最优。PSO就是从这种模型中得到启示并用于解决优化问题。在PSO中每个优化问题的潜在解都可以想象成搜索空间中的一只鸟，称之为粒子。粒子主要追随当前的最优粒子在解空间中搜索，PSO初始化为一群随机粒子随机解，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解称为个体极值pbest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。这两个最优变量使得鸟在某种程度上朝着这些方向靠近，此外也可以不用整个种群而只用其中一部分作为粒子的邻居，那么所有邻居的极值就是局部极值，粒子始终跟随这两个极值变更自己的位置和速度，直到找到最优解。到目前为止，粒子群算法的发展得到越来越多的众多领域学者的关注和研究，成为解决许多问题的热点算法的研究重点。其中对PSO算法的改进也非常多，有增强算法自适应性的改进、增强收敛性的改进、增加多种群多样性的改进、增强局部搜索的改进、与全局优化算法相结合、与确定性的局部优化算法相融合等。以上所述的是对于算法改进的目的的讨论，实际改进中应用的方法有基于参数的改进，即对PSO算法的迭代公式的形式上做改进； 还有从粒子的行为模式进行改进，即粒子之间的信息交流方式，如拓扑结构的改进、全局模式与局部模式相结合的改进等； 还有基于算法融合的粒子群算法的改进，算法融合可以引入其他算法的优点来弥补PSO算法的缺点，设计出更适合问题求解的优化算法。目前，粒子群算法的发展趋势如下。1 粒子群优化算法的改进。粒子群优化算法在解决空间函数的优化问题和单目标优化问题上应用得比较多，如何应用于离散空间优化问题和多目标优化问题将是粒子群优化算法的主要研究方向。如何充分结合其他进化类算法，发挥优势，改进粒子群优化算法的不足也是值得研究的。2 粒子群优化算法的理论分析。粒子群优化算法提出的时间不长，数学分析很不成熟和系统，存在许多不完善和未涉及的问题，对算法运行行为、收敛性、计算复杂性的分析比较少。如何知道参数的选择和设计，如何设计适应值函数，如何提高算法在解空间搜索的效率算法收敛以及对算法模型本身的研究都需要在理论上进行更深入的研究。这些都是粒子群优化算法的研究方向之一。3 粒子群算法的生物学基础。如何根据群体进行行为完善算法，将群体智能引入算法中，借鉴生物群体进化规则和进化的智能性也是学者关注的问题。4 粒子群优化算法与其他进化类算法的比较研究。与其他进化算法的融合，如何将其他进化算法的优点和粒子群优化算法相结合，构造出有特色有实用价值的混合算法是当前算法改进的一个重要方向。5 粒子群优化算法的应用。算法的有效性必须在应用中才能体现，广泛地开拓粒子群优化算法的应用领域，也对深入研究粒子群优化算法非常有意义。3.1.2粒子群算法研究内容粒子群算法是一个非常简单的算法，且能够有效地优化各种函数。从某种程度上说，此算法介于遗传算法和进化规划之间。此算法非常依赖于随机的过程，这也是和进化规划的相识之处，算法中朝全局最优和局部最优靠近的调整非常类似于遗传算法中的交叉算子。粒子群算法的主要研究内容如下。1 寻找全局最优点。2 有较高的收敛速度。算法还是用了适应值的概念，这是所有进化计算方法所共有的特征。3.1.3粒子群算法的特点粒子群算法的本质是一种随机搜索算法，它是一种新兴的智能优化技术，是群体智能中一个新的分支，它也是对简单社会系统的模拟。该算法能以较大的概率收敛于全局最优解。实践证明，它适合在动态、多目标优化环境中寻优，与传统的优化算法相比较具有更快的计算速度和更好的全局搜索能力。其具体特点如下：1 粒子群优化算法是基于群体智能理论的优化算法，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。与进化算法比较，PSO是一种更为高效的并行搜索算法。2 PSO与GA有很多共同之处，两者都是随机初始化种群，使用适应值来评价个体的优劣程度和进行一定的随机搜索。但PSO是根据自己的速度来决定搜索，没有GA的明显交叉和变异。与进化算法比较，PSO保留了基于种群的全局搜索策略，但是其采用的速度位移模型操作简单，避免了复杂的遗传操作。3 由于每个粒子在算法结束时仍然保持着其个体极值。因此，若将PSO用于调度和决策问题时可以给出多种有意义的选择方案。而基本遗传算法在结束时，只能得到最后一代个体的信息，前面迭代的信息没有保留。4 PSO特有的记忆使其可以动态地跟踪当前的搜索情况并调整其搜索策略。5 PSO有良好的机制来有效地平衡搜索过程的多样性和方向性。6 在收敛的情况下，由于所有的粒子都向最优解的方向飞去，所以粒子趋向同一化失去了多样性使得后期收敛速度明显变慢，以致算法收敛到一定精度时无法继续优化。因此很多学者都致力于提高PSO算法的性能。7 PSO算法对种群大小不十分敏感，即种群数目下降时性能下降不是很大。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
