MATLAB-智能算法30个案例分析-终极版(带目录).docx

MATLAB 智能算法 30 个案例分析（终极版） 1基于遗传算法的TSP算法（王辉） 2 基于遗传算法和非线性规划的函数寻优算法（史峰） 3基于遗传算法的BP神经网络优化算法（王辉） 4设菲尔德大学的MATLAB遗传算法工具箱（王辉） 5基于遗传算法的LQR空制优化算法（胡斐） 遗传算法工具箱详解及应用（胡斐） 多种群遗传算法的函数优化算法（王辉） 基于量子遗传算法的函数寻优算法（王辉） 9多目标ParetO最优解搜索算法（胡斐） 10基于多目标ParetO的二维背包搜索算法（史峰） 基于免疫算法的柔性车间调度算法（史峰） 基于免疫算法的运输中心规划算法（史峰） 基于粒子群算法的函数寻优算法（史峰） 基于粒子群算法的 PID 空制优化算法（史峰） 15基于混合粒子群算法的TSP寻优算法（史峰） 基于动态粒子群算法的动态环境寻优算法（史峰） 粒子群算法工具箱（史峰） 基于鱼群算法的函数寻优算法（王辉） 佃 基于模拟退火算法的TSP算法（王辉） 20 基于遗传模拟退火算法的聚类算法（王辉） 21基于模拟退火算法的HEV能量管理策略参数优化（胡斐） 22蚁群算法的优化计算一一旅行商问题（TSP优化（郁磊） 基于蚁群算法的二维路径规划算法（史峰） 基于蚁群算法的三维路径规划算法（史峰） 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷 值预测（郁磊） 有导师学习神经网络的分类——鸢尾花种类识别（郁磊） 无导师学习神经网络的分类——矿井突水水源判别（郁磊） 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断 （郁磊） 支持向量机的回归拟合——混凝土抗压强度预测（郁磊） 极限学习机的回归拟合及分类——对比实验研究（郁磊） 智能算法是我们在学习中经常遇到的算法， 主要包括遗 传算法，免疫算法，粒子群算法，神经网络等，智能算法对 于很多人来说，既爱又恨，爱是因为熟练的掌握几种智能算 法，能够很方便的解决我们的论坛问题，恨是因为智能算法 感觉比较“玄乎” ，很难理解，更难用它来解决问题。 因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作 MATLAB智能算法，该书包含了遗传算法，免疫算法，粒子群算法， 鱼群算法，多目标 pareto 算法，模拟退火算法，蚁群算法，神经网 络， SVM 等，本书最大的特点在于以案例为导向，每个案例针对一 个实际问题， 给出全部程序和求解思路， 并配套相关讲解视频， 使读 者在读过一个案例之后能够快速掌握这种方法， 并且会套用案例程序 来编写自己的程序。 本书作者在线， 读者和会员可以向作者提问， 作 者做到有问必答。 本书和目录如下： 1基于遗传算法的TSP算法（王辉） TSP旅行商问题一TraVeIing SaIeSman PrObIem是典型的NP完 全问题，即其最坏情况下的时间复杂性随着问题规模的增大按指数方 式增长，到目前为止不能找到一个多项式时间的有效算法。 遗传算法 是一种进化算法， 其基本原理是仿效生物界中的 “物竞天择、 适者生 存”的演化法则。 遗传算法的做法是把问题参数编码为染色体， 再利 用迭代的方式进行选择、 交叉以及变异等运算来交换种群中染色体的 信息，最终生成符合优化目标的染色体。 实践证明， 遗传算法对于解 决TSP问题等组合优化问题具有较好的寻优性能。 2 基于遗传算法和非线性规划的函数寻优算法（史峰） 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， 可大大减少陷入局部最小的可能性。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。 3 基于遗传算法的 BP 神经网络优化算法（王辉） BP模型被广泛地应用于模式分类、模式识别等方面.但BP算法 收敛速度慢，且很容易陷入局部极小点，而遗传算法具有并行搜索、 效率高、不存在局部收敛问题等优点而被广泛应用. 遗传算法的寻优 过程带有一定程度的随机性和盲从性， 多数情况下只能收敛到全局次 优解，且有过早收敛的现象.为了克服遗传算法寻优过程的盲从性， 将有监督学习的BP算法与之结合以达到优势互补、提高算法的稳定 性和全局搜索能力的目的。 4设菲尔德大学的MATLAB遗传算法工具箱（王辉） MatIab遗传算法（GenetiC AIgOrithm优化工具箱是基于基本操作 及终止条件、 二进制和十进制相互转换等操作的综合函数库。 其实现 步骤包括：通过输入及输出函数求出遗传算法主函数、 初始种群的生 成函数，采用选择、交叉、变异操作求得基本遗