加入VIP
MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版

编辑点评:

《MATLAB智能算法30个案例分析(第2版)》可作为本科毕业设计、研究生项目设计、博士低年级课题设计参考书籍,同时对广大科研人员也有很高的参考价值.

matlab智能算法30个案例分析第二版pdf

内容简介

《MATLAB智能算法30个案例分析(第2版)》采用案例形式,以智能算法为主线,讲解了遗传算法、免疫算法、退火算法、粒子群算法、鱼群算法、蚁群算法和神经网络算法等最常用的智能算法的MATLAB实现。《MATLAB智能算法30个案例分析(第2版)》共给出30个案例,每个案例都是一个使用智能算法解决问题的具体实例,所有案例均由理论讲解、案例背景、MATLAB程序实现和扩展阅读四个部分组成,并配有完整的程序源码和讲解视频,使读者在掌握算法的同时,也可以学习到作者们多年积累的编程经验与技巧,从而快速提高使用算法求解实际问题的能力。

matlab智能算法30个案例分析pdf预览

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(1)

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(2)

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(3)

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(4)

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(5)

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(6)

图书目录

第1章 谢菲尔德大学的MATLAB遗传算法工具箱 1

1.1 理论基础 1

1.1.1 遗传算法概述 1

1.1.2 谢菲尔德遗传算法工具箱 1

1.2 案例背景 3

1.2.1 问题描述 3

1.2.2 解题思路及步骤 3

1.3 MATLAB程序实现 3

1.3.1 工具箱结构 3

1.3.2 遗传算法常用函数 4

1.3.3 遗传算法工具箱应用举例 12

1.4 延伸阅读 16

参考文献 16

第2章 基于遗传算法和非线性规划的函数寻优算法 17

2.1 理论基础 17

2.1.1 非线性规划 17

2.1.2 非线性规划函数 17

2.1.3 遗传算法基本思想 18

2.1.4 算法结合思想 18

2.2 案例背景 18

2.2.1 问题描述 18

2.2.2 算法流程 18

2.2.3 遗传算法实现 19

2.3 MATLAB程序实现 20

2.3.1 适应度函数 20

2.3.2 选择操作 20

2.3.3 交叉操作 21

2.3.4 变异操作 22

2.3.5 算法主函数 23

2.3.6 非线性寻优 24

2.3.7 结果分析 24

2.4 延伸阅读 25

2.4.1 其他函数的优化 25

2.4.2 其他优化算法 26

参考文献 26

第3章 基于遗传算法的BP神经网络优化算法 27

3.1 理论基础 27

3.1.1 BP神经网络概述 27

3.1.2 遗传算法的基本要素 27

3.2 案例背景 27

3.2.1 问题描述 27

3.2.2 解题思路及步骤 29

3.3 MATLAB程序实现 31

3.3.1 神经网络算法 31

3.3.2 遗传算法主函数 32

3.3.3 比较使用遗传算法前后的差别 34

3.3.4 结果分析 35

3.4 延伸阅读 37

参考文献 37

第4章 基于遗传算法的TSP算法 38

4.1 理论基础 38

4.2 案例背景 38

4.2.1 问题描述 38

4.2.2 解决思路及步骤 39

4.3 MATLAB程序实现 40

4.3.1 种群初始化 40

4.3.2 适应度函数 40

4.3.3 选择操作 41

4.3.4 交叉操作 41

4.3.5 变异操作 43

4.3.6 进化逆转操作 43

4.3.7 画路线轨迹图 43

4.3.8 遗传算法主函数 44

4.3.9 结果分析 47

4.4 延伸阅读 48

4.4.1 应用扩展 48

4.4.2 遗传算法的改进 49

4.4.3 算法的局限性 49

参考文献 49

第5章 基于遗传算法的LQR 控制器优化设计 50

5.1 理论基础 50

5.1.1 LQR控制 50

5.1.2 基于遗传算法设计LQR控制器 50

5.2 案例背景 51

5.2.1 问题描述 51

5.2.2 解题思路及步骤 52

5.3 MATLAB程序实现 53

5.3.1 模型实现 53

5.3.2 遗传算法实现 54

5.3.3 结果分析 56

参考文献 56

第6章 遗传算法工具箱详解及应用 57

6.1 理论基础 57

6.1.1 遗传算法的一些基本概念 57

6.1.2 遗传算法与直接搜索工具箱 58

6.2 案例背景 58

6.2.1 问题描述 58

6.2.2 解题思路及步骤 59

6.3 MATLAB程序实现 59

6.3.1 GADST各函数详解 59

6.3.2 GADST的使用简介 63

6.3.3 使用GADST求解遗传算法相关问题 66

6.4 延伸阅读 68

参考文献 68

第7章 多种群遗传算法的函数优化算法 69

7.1 理论基础 69

7.1.1 遗传算法早熟问题 69

7.1.2 多种群遗传算法概述 69

7.2 案例背景 70

7.2.1 问题描述 70

7.2.2 解题思路及步骤 71

7.3 MATLAB程序实现 71

7.3.1 移民算子 72

7.3.2 人工选择算子 72

7.3.3 目标函数 73

7.3.4 标准遗传算法主函数 73

7.3.5 多种群遗传算法主函数 74

7.3.6 结果分析 75

7.4 延伸阅读 76

参考文献 77

第8章 基于量子遗传算法的函数寻优算法 78

8.1 理论基础 78

8.1.1 量子遗传算法概述 78

8.1.2 量子比特编码 78

8.1.3 量子门更新 79

8.2 案例背景 79

8.2.1 问题描述 79

8.2.2 解题思路及步骤 80

8.3 MATLAB程序实现 82

8.3.1 种群初始化 82

8.3.2 测量函数 82

8.3.3 量子旋转门函数 83

8.3.4 适应度函数 84

8.3.5 量子遗传算法主函数 85

8.3.6 结果分析 87

8.4 延伸阅读 87

参考文献 88

第9章 基于遗传算法的多目标优化算法 89

9.1 理论基础 89

9.1.1 多目标优化及Pareto最优解 89

9.1.2 函数gamultiobj  89

9.1.3 函数gamultiobj中的一些基本概念 90

9.2 案例背景 90

9.2.1 问题描述 90

9.2.2 解题思路及步骤 90

9.3 MATLAB程序实现 91

9.3.1 gamultiobj组织结构 91

9.3.2 函数stepgamultiobj分析 92

9.3.3 使用函数gamultiobj求解多目标优化问题 99

9.3.4 结果分析 100

参考文献 101

第10章 基于粒子群算法的多目标搜索算法 102

10.1 理论基础 102

10.2 案例背景 102

10.2.1 问题描述 102

10.2.2 算法流程 103

10.2.3 适应度计算 103

10.2.4 筛选非劣解集 103

10.2.5 粒子速度和位置更新 103

10.2.6 粒子最优 104

10.3 MATLAB程序实现 104

10.3.1 种群初始化 104

10.3.2 种群更新 104

10.3.3 更新个体最优粒子 105

10.3.4 非劣解筛选 105

10.3.5 仿真结果 106

10.4 延伸阅读 107

精彩书摘

2.1.1非线性规划

非线性规划是20世纪50年代形成的一门新兴学科。1951年库恩和塔克发表的关于最优性条件(后来称为库恩·塔克条件)的论文是非线性规划诞生的标志非线性规划研究一个n元实函数在一组等式或不等式的约束条件下的极值问题,非线性规划的理论来源于1951年库恩·塔克建立的最优条件。20世纪50年代,非线性规划的研究主要注重对梯度法和牛顿法的研究,以 Davidon(1959)、 Fletcher和 Powell(1963)提出的DFP方法为代表。20世纪60年代侧重于对牛顿方法和共轭梯度法的研究,其中以由 BroydenFletcher, Goldfarb和 Shanno从不同角度共同提出的BFGS方法为代表。20世纪70年代是非线性规划飞速发展时期,约束变尺度(SQP)方法(Han和 Powel为代表)和 Lagrange乘子法(代表人物是Powl和 Hestenes)为这一时期的主要研究成果,20世纪80年代以来,随着计算机技术的快速发展,非线性规划方法取得了长足进步,在信赖域法、稀硫拟牛顿法、并行计算、内点法和有限储存法等领域取得了丰硕的研究成果

2.1.3遣传算法基本思想

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索算法难以解决的复杂和非线性优化问题。目前,遗传算法已被广泛应用于组合优化机器学习、信号处理、自适应控制和人工生命等领域,并在这些领域中取得了良好的成果与传统搜索算法不同,遗传算法从随机产生的初始解开始搜索,通过一定的选择、交叉、变异操作逐步选代以产生新的解。群体中的每个个体代表问题的一个解,称为染色体,染色体的好坏用适应度值来衡量,根据适应度的好坏从上一代中选择一定数量的优秀个体,通过交叉、变异形成下一代群体。经过若干代的进化之后,算法收敛于最好的染色体,它即是问题的最优解或次优解遗传算法提供了求解非线性规划的通用框架,它不依赖于问题的具体领域。遗传算法的优点是将问题参数编码成染色体后进行优化,而不针对参数本身,从而不受函数约束条件的限制;搜索过程从问题解的一个集合开始,而不是单个个体,具有隐含并行搜索特性,可大大减少陷人局部最小的可能性。而且优化计算时算法不依赖于梯度信息,且不要求目标函数连续及可导,使其适于求解传统搜索方法难以解决的大规模、非线性组合优化问题。

matlab智能算法30个案例分析第二版pdf截图

MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(7)MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(8)MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(9)MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(10)MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(11)MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(12)MATLAB智能算法30个案例分析pdf下载-matlab智能算法30个案例分析第二版pdf免费完整版插图(13)

评分及评论

无用户评分

来评个分数吧

  • 5 分
    0
  • 4 分
    0
  • 3 分
    0
  • 2 分
    0
  • 1 分
    0

评论