新書推薦:
《
棕榈油的全球史 : 从奴隶船到购物篮
》
售價:NT$
440.0
《
简帛时代与早期中国思想世界(上下册)(王中江著作系列)
》
售價:NT$
1400.0
《
进化主义在中国的兴起(王中江著作系列)
》
售價:NT$
950.0
《
不废风雅 生活的意趣(汪曾祺风雅意趣妙文)
》
售價:NT$
280.0
《
东亚世界形成史论(新版)
》
售價:NT$
490.0
《
奶奶的半个心愿 “课本里的作家” 中考热点作家孙道荣2024年全新散文集
》
售價:NT$
190.0
《
天生坏种:罪犯与犯罪心理分析
》
售價:NT$
445.0
《
新能源材料
》
售價:NT$
290.0
|
內容簡介: |
本书以MATLAB R2020a为平台,以人工智能算法为背景,全面地介绍了如何利用MATLAB各种智能算法求解相关领域中的实际问题。书中内容做到了理论与实践相结合,让读者可以快速、便捷地学习各种智能算法,并利用智能算法解决问题,做到学以致用、举一反三。全书共分12章,第1章为MATLAB基础篇;第2~12章为智能算法篇,分别介绍了各种人工智能算法,包括智能算法的基本概念、差分进化算法、种群算法、遗传算法、蚁群算法、粒子群算法、免疫算法、模拟退火算法、支持向量机算法、神经网络算法、模糊逻辑控制算法。
|
關於作者: |
张德丰,佛山科学技术学院教授,主要从事智能算法、光电传感等方面的科研与教学工作。在国内外核心期刊上发表学术论文9篇,获发明专利授权1项,实用新型专利授权4项。主持和参与省部级、市级项目4项,课题涉及到计算机应用、自动控制、光学等领域。获校级优秀青年教师奖、教学成果奖、教学评估优秀及教学质量奖等多个奖项。指导学生参加\挑战杯·创青春”大学生创业大赛,获省级金奖、国家级银奖。出版《MATLAB R2017a模式识别》、《Python机器学习及实践》、《TensorFlow深度学习及实践》等书籍。
|
目錄:
|
目录 第1章 步入MATLAB R2020a11.1 MATLAB的概述11.1.1 MATLAB精通数学11.1.2 MATLAB 面向工程师和科学家设计11.1.3 MATLAB 集成工作流21.2 MATLAB的特点及应用领域21.3 MATLB R2020a的新功能41.4 MATLAB的工作环境51.4.1 MATLAB的主界面51.4.2 MATLAB的文本编辑窗口91.4.3 MATLAB的帮助文档101.5 MATLAB的编程基础131.5.1 变量131.5.2 赋值语句131.5.3 矩阵及其元素表示141.6 MATLAB的矩阵运算161.6.1 矩阵的代数运算161.6.2 矩阵的关系运算201.6.3 矩阵的逻辑运算211.7 MATLAB的程序结构221.7.1 循环控制结构221.7.2 条件选择结构231.8 M文件261.8.1 脚本文件261.8.2 函数文件26第2章 智能算法的基本概念282.1 智能算法的概述282.1.1 智能的分类282.1.2 认识智能的不同观点292.1.3 智能的层次302.2 人工智能的概念302.2.1 人工智能的发展史302.2.2 人工智能的研究目标312.2.3 人工智能的研究方法312.2.4 人工智能的分类332.2.5 人工智能的特征342.3 人工智能的技术应用352.4 人工智能的典型应用352.4.1 智能机器人352.4.2 智能网络362.4.3 智能检索362.4.4 智能游戏362.5 人工智能发展的先决条件362.6 人工智能的三个层次372.7 人工智能的影响382.8 人工智能的典型算法39第3章 差分进化算法分析423.1 差分进化算法的理论423.1.1 差分进化算法的发展史423.1.2 差分进化算法的描述433.1.3 差分进化算法的思想433.1.4 差分进化算法的特点433.2 基本差分进化算法443.3 差分进化算法的运算流程453.4 控制参数的选择463.5 改进差分进化算法463.5.1 变异操作473.5.2 具有自适应算子的差分进化算法473.5.3 离散差分进化算法483.5.4 并行差分进化算法483.5.5 结合单纯形优化策略的差分进化算法483.5.6 结合粒子滤波的差分进化算法483.6 差分进化算法的应用493.6.1 函数优化493.6.2 组合优化493.6.3 化工领域493.6.4 神经网络训练503.6.5 电力系统503.6.6 机器人领域503.6.7 信号处理领域503.6.8 生物学领域513.6.9 系统辨识和故障诊断513.7 差分进化算法的MATLAB实现51第4章 种群算法分析584.1 种群的主要特征584.1.1 种群密度584.1.2 出生率与死亡率594.1.3 迁入率与迁出率594.1.4 性别比例594.1.5 年龄结构594.1.6 空间格局604.2 种群动态模型604.2.1 单种群群模型604.2.2 两种种群相互作用模型644.3 种群竞争模型674.3.1 种群竞争微分方程的模型684.3.2 种群竞争微分方程的MATLAB实现704.4 蓝鲸与长须鲸的竞争模型74第5章 遗传算法分析785.1 遗传算法的概述785.1.1 遗传算法的生物学基础785.1.2 遗传算法的基本概念795.1.3 遗传算法的基本运算805.1.4 遗传算法的发展现状805.1.5 遗传算法的特点825.1.6 遗传算法的应用领域825.2 遗传算法的原理835.2.1 标准遗传算法835.2.2 遗传算法的基本框架835.2.3 遗传算法的流程845.2.4 算法参数的设计原则875.2.5 适应度函数的调整885.2.6 遗传算法的优点和缺点885.3 遗传算法的改进方向895.3.1 遗传算法改进一895.3.2 遗传算法改进二915.4 遗传算法的工具箱935.4.1 遗传算法的实现过程935.4.2 自带的遗传算法函数1015.5 遗传算法解决最优化问题104第6章 蚁群算法分析1366.1 蚁群算法的基础1366.1.1 蚁群算法的由来1366.1.2 蚁群算法的基本思想1366.1.3 蚁群算法理论的研究现状1376.1.4 蚁群算法的基本原理1396.1.5 蚁群算法的特点1426.1.6 蚁群算法的优点与不足1426.2 改进的蚁群系统1436.2.1 精英蚁群系统1436.2.2 最大最小蚁群系统1436.2.3 排序蚁群系统1446.2.4 最优最差蚁群系统1446.3 自适应蚁群算法1446.4 蚁群优化算法的应用1466.5 蚁群算法的发展趋势和展望1466.6 蚁群算法的实现1486.6.1 蚁群算法求解最值问题1486.6.2 蚁群算法求解TSP1536.6.3 蚁群算法求解二维路径规划问题1576.6.4 蚁群算法求解三维路径规划问题164第7章 粒子群算法分析1737.1 引言1737.2 粒子群算法的基础1737.2.1 粒子群算法的起源1737.2.2 粒子群算法的发展1747.2.3 粒子群算法研究的内容1757.2.4 粒子群算法的优势1757.2.5 粒子群算法的应用领域1767.3 基本粒子群算法1777.3.1 基本粒子群算法的原理1777.3.2 粒子群算法的基本流程1777.3.3 全局模式与局部模式1787.3.4 粒子群算法的构成要素1797.3.5 粒子群算法的参数设置1797.3.6 粒子群算法的特点1807.3.7 粒子群算法与其他进化算法的比较1807.4 粒子群算法求解极值1817.4.1 一维函数全局寻优1817.4.2 经典函数寻优1847.4.3 无约束寻优1887.4.4 有约束寻优1917.4.5 有约束粒子群算法寻优1937.5 改进粒子群算法1987.5.1 带惯性权重的粒子群算法1997.5.2 线性递减权重的粒子群算法1997.5.3 自适应权重的粒子群算法2027.5.4 随机权重的粒子群算法2047.5.5 压缩因子的粒子群算法2067.5.6 其他参数的变化2097.6 粒子群算法的MATLAB实现2167.6.1 粒子群算法实现多目标寻优2167.6.2 粒子群算法的寻优2227.6.3 粒子群的PID控制器优化设计2247.6.4 粒子群算法在TSP中的寻优228第8章 免疫算法分析2338.1 免疫算法的来源2338.2 免疫算法的基本概念2348.2.1 生物免疫系统2348.2.2 免疫算法的原理2368.2.3 免疫系统模型和免疫算法2378.2.4 免疫算法的特点2388.2.5 免疫算法的发展趋势2398.3 免疫算法算子2398.4 免疫算法与遗传算法的比较2418.5 免疫算法的应用2428.5.1 免疫算法在克隆选择中的应用2428.5.2 免疫算法在最优化中的应用2468.5.3 免疫算法在路径规划中的应用2508.5.4 免疫算法在TSP中的应用2518.6 人工免疫的粒子群聚类算法2558.6.1 聚类分析2558.6.2 模糊C-均值聚类算法2568.6.3 人工免疫的粒子群算法2578.6.4 动态聚类分析2588.6.5 免疫信息进化处理机制2598.6.6 种群多样性聚类分析261第9章 模拟退火算法分析2709.1 模拟退火算法的理论2709.1.1 物理退火的过程2709.1.2 模拟退火算法的原理2719.1.3 模拟退火算法的思想2719.1.4 模拟退火算法的步骤2729.1.5 模拟退火算法的终止准则2729.1.6 模拟退火算法的特点2739.1.7 模拟退火算法的参数说明2749.2 模拟退火算法的改进方向2749.3 模拟退火的粒子群算法2759.4 模拟退火算法在最优化中的应用280第10章 支持向量机算法分析29110.1 支持向量机的概述29110.2 统计学29210.2.1 贝叶斯分类方法29210.2.2 线性分类器29810.2.3 核函数方法30110.3 支持向量机30310.3.1 最优分类面30410.3.2 支持向量机的模型30510.3.3 支持向量机的算法30610.4 支持向量机的应用30710.4.1 支持向量机的异常值检测30710.4.2 支持向量机的回归拟合308第11章 神经网络算法分析31211.1 神经网络的概述31211.1.1 神经网络的特点31211.1.2 神经网络的发展史31311.1.3 神经网络的应用31411.1.4 神经网络与计算机工作特点的对比31511.1.5 神经网络的结构31611.1.6 神经网络的学习方式31711.2 感知器31811.2.1 感知器的概述31811.2.2 感知器的局限性31911.2.3 单层感知器的应用32011.3 线性神经网络32311.3.1 线性神经网络的结构32411.3.2 线性神经网络的学习算法32411.3.3 线性神经网络的应用32611.4 BP神经网络33611.4.1 BP神经网络的结构33611.4.2 BP神经网络的学习算法33711.4.3 BP神经网络的局限性33911.4.4 BP神经网络的应用33911.5 径向基函数神经网络35011.5.1 径向基函数35011.5.2 正则化网络35111.5.3 广义网络35211.5.4 概率神经网络35311.5.5 径向基函数神经网络的应用35411.6 自组织竞争神经网络36111.6.1 竞争神经网络36111.6.2 自组织特征映射网络36411.6.3 学习矢量量化网络36511.6.4 自组织竞争神经网络的应用367第12章 模糊逻辑控制算法分析37412.1 模糊逻辑控制的概述37412.1.1 模糊逻辑控制的基本概念37412.1.2 模糊集合37512.1.3 模糊关系37612.1.4 模糊语言37612.1.5 模糊推理37712.1.6 模糊控制规1
|
|