MATLAB 智能算法 30個案例分析, 2/e

本書是作者多年從事演算法研究的經驗總結。
書中所有案例均應國內各大MATLAB技術論壇網友的切身需求而精心設計，
其中不少案例所涉及的內容和求解方法在國內現已出版的MATLAB書籍中鮮有介紹。
本書採用案例形式，以智慧演算法為主線，講解了遺傳演算法、免疫演算法、退火演算法、粒子群演算法、
魚群演算法、蟻群演算法和神經網路演算法等最常用的智慧演算法的MATLAB實現。
本書共給出30個案例，每個案例都是一個使用智慧演算法解決問題的具體實例，所有案例均由理論講解、
案例背景、MATLAB程式實現和擴展閱讀四個部分組成，並配有完整的程式源碼和講解視頻，
使讀者在掌握演算法的同時，也可以學習到作者們多年積累的程式設計經驗與技巧，從而快速提高使用演算法求解實際問題的能力。
本書可作為本科畢業設計、研究生專案設計、博士低年級課題設計參考書籍，
同時對廣大科研人員也．有很高的參考價值。

第1章謝菲爾德大學的MATLAB遺傳算法工具箱1
1.1理論基礎1
1.1.1遺傳算法概述1
1.1.2謝菲爾德遺傳算法工具箱1
1.2案例背景3
1.2.1問題描述3
1.2.2解題思路及步驟3
1.3 MATLAB程序實現3
1.3.1工具箱結構3
1.3.2遺傳算法常用函數4
1.3.3遺傳算法工具箱應用舉例12
1.4延伸閱讀16
參考文獻16
第2章基於遺傳算法和非線性規劃的函數尋優算法17
2.1理論基礎17
2.1.1非線性規劃17
2.1.2非線性規劃函數17
2.1.3遺傳算法基本思想18
2.1.4算法結合思想18
2.2案例背景18
2.2.1問題描述18
2.2.2算法流程18
2.2.3遺傳算法實現19
2.3 MATLAB程序實現20
2.3.1適應度函數20
2.3.2選擇操作20
2.3.3交叉操作21
2.3.4變異操作22
2.3.5算法主函數23
2.3.6非線性尋優24
2.3.7結果分析24
2.4延伸閱讀25
2.4.1其他函數的優化25
2.4.2其他優化算法26
參考文獻26
第3章基於遺傳算法的BP神經網絡優化算法27
3.1理論基礎27
3.1.1 BP神經網絡概述27
3.1.2遺傳算法的基本要素27
3.2案例背景27
3.2.1問題描述27
3.2.2解題思路及步驟29
3.3 MATLAB程序實現31
3.3.1神經網絡算法31
3.3.2遺傳算法主函數32
3.3.3比較使用遺傳算法前後的差別34
3.3.4結果分析35
3.4延伸閱讀37
參考文獻37
第4章基於遺傳算法的TSP算法38
4.1理論基礎38
4.2案例背景38
4.2.1問題描述38
4.2 .2解決思路及步驟39
4.3 MATLAB程序實現40
4.3.1種群初始化40
4.3.2適應度函數40
4.3.3選擇操作41
4.3.4交叉操作41
4.3.5變異操作43
4.3.6進化逆轉操作43
4.3.7畫路線軌跡圖43
4.3.8遺傳算法主函數44
4.3.9結果分析47
4.4延伸閱讀48
4.4.1應用擴展48
4.4.2遺傳算法的改進49
4.4.3算法的局限性49
參考文獻49
第5章基於遺傳算法的LQR控制器優化設計50
5.1理論基礎50
5.1.1 LQR控制50
5.1.2基於遺傳算法設計LQR控制器50
5.2案例背景51
5.2.1問題描述51
5.2.2解題思路及步驟52
5.3 MATLAB程序實現53
5.3.1模型實現53
5.3.2遺傳算法實現54
5.3.3結果分析56
參考文獻56
第6章遺傳算法工具箱詳解及應用57
6.1理論基礎57
6.1.1遺傳算法的一些基本概念57
6.1.2遺傳算法與直接搜索工具箱58
6.2案例背景58
6.2.1問題描述58
6.2.2解題思路及步驟59
6.3 MATLAB程序實現59
6.3.1 GADST各函數詳解59
6.3.2 GADST的使用簡介63
6.3.3使用GADST求解遺傳算法相關問題66
6.4延伸閱讀68
參考文獻68
第7章多種群遺傳算法的函數優化算法69
7.1理論基礎69
7.1.1遺傳算法早熟問題69
7.1.2多種群遺傳算法概述69
7.2案例背景70
7.2.1問題描述70
7.2.2解題思路及步驟71
7.3 MATLAB程序實現71
7.3.1移民算子72
7.3. 2人工選擇算子72
7.3.3目標函數73
7.3.4標準遺傳算法主函數73
7.3.5多種群遺傳算法主函數74
7.3.6結果分析75
7.4延伸閱讀76
參考文獻77
第8章基於量子遺傳算法的函數尋優算法78
8.1理論基礎78
8.1.1量子遺傳算法概述78
8.1.2量子比特編碼78
8.1.3量子門更新79
8.2案例背景79
8.2.1問題描述79
8.2.2解題思路及步驟80
8.3 MATLAB程序實現82
8.3.1種群初始化82
8.3.2測量函數82
8.3.3量子旋轉門函數83
8.3.4適應度函數84
8.3.5量子遺傳算法主函數85
8.3.6結果分析87
8.4延伸閱讀87
參考文獻88
第9章基於遺傳算法的多目標優化算法89
9.1理論基礎89
9.1.1多目標優化及Pareto最優解89
9.1.2函數gamultiobj 89
9.1.3函數gamultiobj中的一些基本概念90
9.2案例背景90
9.2.1問題描述90
9.2.2解題思路及步驟90
9.3 MATLAB程序實現91
9.3.1 gamultiobj組織結構91
9.3.2函數stepgamultiobj分析92
9.3.3使用函數gamultiobj求解多目標優化問題99
9.3 .4結果分析100
參考文獻101
第10章基於粒子群算法的多目標搜索算法102
10.1理論基礎102
10.2案例背景102
10.2.1問題描述102
10.2.2算法流程103
10.2.3適應度計算103
10.2.4篩選非劣解集103
10.2.5粒子速度和位置更新103
10.2.6粒子最優104
10.3 MATLAB程序實現104
10.3.1種群初始化104
10.3 .2種群更新104
10.3.3更新個體最優粒子105
10.3.4非劣解篩選105
10.3.5仿真結果106
10.4延伸閱讀107
參考文獻107
第11章基於多層編碼遺傳算法的車間調度算法108
11.1理論基礎108
11.2案例背景108
11.2.1問題描述108
11.2.2模型建立108
11.2.3算法實現109
11.3 MATLAB程序實現110
11.3.1主函數110
11.3.2適應度值計算111
11.3.3交叉函數113
11.3.4變異函數113
11.3.5仿真結果114
11.4案例擴展115
11.4.1模糊目標115
11.4.2代碼分析116
11.4.3仿真結果117
參考文獻117
第12章免疫優化算法在物流配送中心選址中的應用118
12.1理論基礎118
12.1.1物流中心選址問題118
12.1.2免疫算法的基本思想118
12.2案例背景119
12.2.1問題描述119
12.2.2解題思路及步驟120
12.3 MATLAB程序實現122
12.3.1免疫算法主函數122
12.3.2多樣性評價123
12.3.3免疫操作124
12.3.4仿真實驗127
12.4案例擴展128
參考文獻129