MATLAB智能算法超級學習手冊
1 MATLAB基礎知識
1.1 MATLAB 簡介
1.2 矩陣的表示
1.2.1 數值矩陣的生成
1.2.2 符號矩陣的生成
1.2.3 特殊矩陣的生成
1.3 符號變量的應用
1.3.1 質點系的轉動慣量問題
1.3.2 油罐剩余油量體積的求解
1.3.3 光的反射定理的論證
1.4 線性方程組的求解
1.4.1 齊次線性方程組的通解
1.4.2 非齊次線性方程組的通解
1.4.3 線性方程組的LQ 解法
1.5 簡單工程應用分析
1.5.1 內燃機轉角與升程插值模型
1.5.2 航行區域警示線模型
1.6 本章小結
2 種群競爭微分方程的求解
2.1 種群競爭微分方程模型
2.2 種群競爭模型的討論
2.3 本章小結
3 基於Markov的食品物價趨勢預測
3.1 問題背景
3.1.1 食品零售價格數據
3.1.2 問題的提出
3.2 食品分類模型基本假設
3.3 食品價格數值分類求解
3.3.1 食品聚類分類
3.3.2 食品價格特點分析
3.4 食品價格增長率分類求解
3.4.1 食品屬性分類
3.4.2 食品價格特點分析
3.5 食品價格趨勢預測
3.5.1 食品價格預測模型基本假設
3.5.2 食品價格預測模型符號說明
3.5.3 食品價格預測模型的建立與求解
3.6 本章小結
4 基於時間序列的物價預測算法
4.1 時間序列的基本概念
4.2 非平穩時間序列變動的影響因素與測定模型
4.3 時間序列的預測方法
4.3.1 季節變動分析
4.3.2 循環變動分析
4.4 食品價格分析
4.5 灰色關聯分析
4.5.1 灰色預測建模
4.5.2 食品價格趨勢預測
4.6 時間序列指數平滑預測法
4.6.1 一次指數平滑預測法
4.6.2 二次指數平滑預測法
4.6.3 三次指數平滑法
4.7 時間序列線性二次移動平均法
4.8 本章小結
5 基於層次分析法的食堂服務質量評價算法
5.1 問題的背景
5.2 層次分析法
5.2.1 層次分析法的特點
5.2.2 層次分析法的應用
5.2.3 層次分析法的基本原理與步驟
5.2.4 層次分析法應用舉例
5.3 學生食堂就餐服務質量滿意度
5.3.1 食堂服務質量評價模型基本假設
5.3.2 食堂服務質量評價模型分析
5.3.3 食堂服務質量評價模型符號說明
5.3.4 食堂服務質量評價模型的建立與求解
5.4 本章小結
6 MATLAB優化工具箱的使用
6.1 線性規划問題
6.2 foptions 函數
6.3 非線性規划問題
6.3.1 有約束的一元函數的最小值
6.3.2 無約束的多元函數最小值
6.3.3 有約束的多元函數最小值
6.3.4 二次規划問題
6.4 “半無限”有約束的多元函數最優解
6.5 極小化極大問題
6.6 多目標規划問題
6.7 最小二乘最優問題
6.7.1 約束線性最小二乘
6.7.2 非線性曲線擬合
6.7.3 非線性最小二乘
6.7.4 非負線性最小二乘
6.8 非線性方程求解
6.8.1 非線性方程的解
6.8.2 非線性方程組的解
6.9 本章小結
7 基於RBF網絡的優化逼近
7.1 RBF 神經網絡
7.1.1 RBF 網絡特點
7.1.2 RBF 網絡結構
7.1.3 RBF 網絡的逼近
7.2 模糊 RBF 網絡
7.2.1 網絡結構
7.2.2 基於模糊RBF 網絡的逼近算法
7.3 基於遺傳算法的 RBF 網絡逼近
7.4 RBF 網絡自校正控制
7.4.1 自校正控制算法
7.4.2 RBF 網絡自校正控制算法
7.5 本章小結
8 自適應模糊控制算法
8.1 模糊控制
8.1.1 模糊系統的設計
8.1.2 模糊系統的逼近精度
8.1.3 模糊逼近仿真
8.2 間接自適應模糊控制
8.2.1 一般模糊系統
8.2.2 自適應模糊控制器的設計
8.2.3 穩定性分析
8.2.4 間接自適應模糊控制仿真
8.3 直接自適應模糊控制
8.3.1 問題描述
8.3.2 控制器的設計
8.3.3 自適應律設計
8.3.4 直接自適應模糊控制仿真
8.4 本章小結
9 基於PID的控制算法
9.1 PID 控制原理
9.2 專家 PID 控制
9.3 增量式 PID 控制算法及其仿真
9.4 積分分離式 PID 控制算法及其仿真
9.5 基於卡爾曼濾波器的 PID 控制
9.6 本章小結
10 基於LQR+PID的倒立擺控制算法
10.1 背景
10.2 線性系統
10.2.1 狀態空間基本定義
10.2.2 狀態空間表達式
10.2.3 系統狀態線性變換
10.2.4 線性系統的能控性
10.3 最優控制
10.3.1 線性二次型控制
10.3.2 LQR 狀態反饋矩陣求解
10.3.3 PID 控制
10.3.4 PID 狀態反饋矩陣求解
10.4 倒立擺系統
10.4.1 一級倒立擺系統分析
10.4.2 利用LQR法設計控制器
10.4.3 利用PID法設計控制器
10.5 倒立擺系統平衡控制系統設計
10.5.1 Simulink 設計仿真
10.5.2 線性二次型倒立擺控制
10.5.3 PID 倒立擺控制
10.6 本章小結
11 基於粒子群算法的尋優計算
11.1 基本粒子群算法
11.2 粒子群算法的收斂性
11.3 粒子群算法函數極值求解
11.3.1 一維函數全局最優
11.3.2 經典測試函數
11.3.3 無約束函數極值尋優
11.3.4 有約束函數極值尋優
11.3.5 有約束函數極值APSO 尋優
11.4 MATLAB 優化工具箱簡介
11.5 本章小結
12 基本粒子群改進算法分析
12.1 基本粒子群算法
12.1.1 基本PSO 算法
12.1.2 PSO 算法基本特點
12.1.3 基本PSO 算法流程
12.2 粒子群算法改進
12.3 提高粒子群算法效率
12.3.1 帶慣性權重的PSO 算法
12.3.2 權重線性遞減的PSO 算法
12.3.3 自適應權重的PSO 算法
12.3.4 隨機權重策略的PSO 算法
12.3.5 增加收縮因子的PSO 算法
12.3.6 其他參數的變化
12.4 本章小結
13 基於免疫算法的物流中心選址
13.1 物流中心選址問題
13.2 免疫算法的基本思想
13.3 基於免疫優化算法的物流中心選址問題求解
13.3.1 初始群體的產生
13.3.2 解的多樣性評價
13.3.3 免疫操作
13.3.4 模型求解
13.4 本章小結
14 基於人工免疫的粒子群聚類算法
14.1 聚類分析
14.2 PSO 優化算法分析
14.2.1 粒子群優化算法
14.2.2 PSO 算法改進策略
14.3 人工免疫特性分析
14.3.1 生物免疫系統及其特性
14.3.2 種群分布熵
14.3.3 平均粒距
14.3.4 精英均值偏差
14.4 基於人工免疫的粒子群優化算法
14.4.1 PSO 函數極值求解
14.4.2 粒子群聚類算法理論分析
14.4.3 粒子群算法實現流程
14.4.4 種群多樣性聚類分析
14.5 本章小結
15 基於ART的植物種類自動分類
15.1 ART 網絡分類算法簡介
15.1.1 人工神經網絡實際應用
15.1.2 ART 網絡
15.2 植物種類自動分類研究
15.2.1 植物種類簡介
15.2.2 植物分類
15.3 基於 ART 的植物種類數據自動分類研究
15.3.1 神經網絡簡介
15.3.2 自適應共振理論
15.3.3 ART1網絡結構
15.3.4 ART1運行過程
15.4 本章小結
16 基於貝葉斯網絡的數據預測
16.1 貝葉斯統計方法
16.2 貝葉斯預測方法
16.3 貝葉斯網絡的數據預測
16.4 本章小結
17 基於遺傳算法的尋優計算
17.1 遺傳算法的尋優計算
17.2 基於GA的三維曲面極值尋優
17.3 基於GA_PSO算法的尋優計算
17.4 本章小結
18 基於遺傳算法的TSP求解
18.1 旅行商問題分析
18.1.1 遺傳算法簡介
18.1.2 遺傳算法現狀分析
18.2 遺傳算法的特點
18.3 遺傳算法中各算子的特點
18.3.1 選擇算子(selection)
18.3.2 交叉算子(crossover)
18.3.3 變異算子(mutation)
18.4 遺傳算法的基本步驟
18.4.1 編碼
18.4.2 初始群體的生成
18.4.3 雜交
18.4.4 適應度值評估檢測
18.4.5 選擇
18.4.6 變異
18.4.7 中止
18.5 基於GA的旅行商問題求解
18.5.1 TSP問題定義
18.5.2 TSP算法框架
18.5.3 TSP算法流程框圖
18.5.4 固定地圖TSP求解
18.5.5 隨機地圖TSP求解
18.6 遺傳算法討論
18.6.1 編碼表示
18.6.2 適應度函數
18.6.3 選擇策略
18.6.4 控制參數
18.7 本章小結
19 基於蟻群算法的路徑規划計算
19.1 基於蟻群算法的二維路徑規划算法
19.1.1 MAKLINK 圖論
19.1.2 蟻群算法理論
19.1.3 Dijkstra算法
19.1.4 路徑規划問題分析求解
19.2 基於蟻群算法的三維路徑規划算法
19.2.1 三維空間抽象建模
19.2.2 三維路徑問題
19.2.3 信息素更新
19.2.4 可視搜索空間
19.2.5 蟻群搜索策略
19.2.6 路徑規划問題分析求解
19.3 本章小結
20 基於蟻群算法的TSP求解
20.1 蟻群算法理論研究現狀
20.2 蟻群算法的基本原理
20.3 基於ACO的TSP求解
20.4 基於ACO_PSO的TSP求解
20.5 本章小結
21 基於模擬退火的粒子群算法
21.1 基於模擬退火的粒子群算法
21.1.1 模擬退火算法的提出
21.1.2 模擬退火算法的步驟
21.1.3 模擬退火的粒子群算法
21.2 本章小結
22 基於人群搜索算法的函數優化
22.1 SOA算法的基本原理
22.1.1 利己行為
22.1.2 利他行為
22.1.3 預動行為
22.1.4 不確定性行為
22.2 人群搜索算法
22.2.1 搜索步長的確定
22.2.2 搜索方向的確定
22.2.3 搜尋者個體位置的更新
22.2.4 算法的實現
22.3 基於人群搜索算法的函數優化
22.3.1 優化函數的選擇
22.3.2 函數優化的結果
22.4 本章小結
23 數控機床進給伺服系統的SOA-PID參數整定
23.1 SOA算法在PID控制中的運用
23.1.1 PID控制原理
23.1.2 PID的離散化處理
23.1.3 基於SOA的PID參數整定的基本原理
23.2 基於SOA的PID參數整定的設計方案
23.2.1 參數的編碼
23.2.2 適應度函數的選取
23.2.3 算法流程
23.2.4 算法實例
23.2.5 PID 參數整定結果
23.3 數控機床進給伺服系統的數學模型
23.3.1 數控機床進給伺服系統的PMSM 數學模型
23.3.2 矢量變換原理
23.3.3 Clarke變換
23.3.4 Park變換
23.3.5 同步旋轉坐標上的PMSM 數學模型
23.4 機械參量和負載的折算
23.5 矢量控制和磁場定向原理
23.5.1 矢量控制原理
23.5.2 磁場定向原理
23.5.3 磁場定向（id=0）的控制方式下的PMSM 進給伺服系統模型
23.5.4 數控機床進給伺服系統數學模型的傳遞函數的表示
23.6 基於SOA算法對數控機床進給伺服系統PID優化
23.6.1 適應度函數的選取
23.6.2 SOA算法流程
23.6.3 PID參數整定結果
23.7 本章小結
思維導圖
防止博客圖床圖片失效，防止圖片源站外鏈：
http://www.processon.com/chart_image/5e5b4201e4b0c037b6082617.png)
思維導圖在線編輯鏈接：