MATLAB-智能算法30个案例分析-终极版带目录

1、MATLAB 智能算法 30 个案例分析（终极版）1 1 基于遗传算法的 TSP!TSP!法（王辉）2 2 基于遗传算法和非线性规划的函数寻优算法（史峰）3 3 基于遗传算法的 BPBP 神经网络优化算法（王辉）4 4 设菲尔德大学的 MATLAEBMATLAEB 传算法工具箱（王辉）5 5 基于遗传算法的 LQRLQR 空制优化算法（胡斐）6 6 遗传算法工具箱详解及应用（胡斐）7 7 多种群遗传算法的函数优化算法（王辉）8 8 基于量子遗传算法的函数寻优算法（王辉）9 9 多目标 ParetParet。最优解搜索算法（胡斐）1010 基于多目标 ParetoPareto 的二维背包搜索算法

2、（史峰）1111 基于免疫算法的柔性车间调度算法（史峰）1212 基于免疫算法的运输中心规划算法（史峰）1313 基于粒子群算法的函数寻优算法（史峰）1414 基于粒子群算法的 PIDPID 控制优化算法（史峰）1515 基于混合粒子群算法的 TSPTSP 寻优算法（史峰）1616 基于动态粒子群算法的动态环境寻优算法（史峰）1717 粒子群算法工具箱（史峰）1818 基于鱼群算法的函数寻优算法（王辉）1919 基于模拟退火算法的 TSP!TSP!法（王辉）2020 基于遗传模拟退火算法的聚类算法（王辉）2121 基于模拟退火算法的 HEVHEV 能量管理策略参数优化（胡斐）2222 蚁群算法

3、的优化计算一一旅行商问题（TSPTSP 优化（郁磊） 2323 基于蚁群算法的二维路径规划算法（史峰）2424 基于蚁群算法的三维路径规划算法（史峰）2 25 5有导师学习神经网络的回归拟合一一基于近红外光谱的汽油辛烷 值预测（郁磊）2626 有导师学习神经网络的分类一一莺尾花种类识别（郁磊）2727 无导师学习神经网络的分类一一矿井突水水源判别（郁磊）2828 支持向量机的分类一一基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊）2929 支持向量机的回归拟合一一混凝土抗压强度预测（郁磊）3030 极限学习机的回归拟合及分类一一对比实验研究（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

4、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，既爱乂恨，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MATLABWMATLABW 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 paretopareto 算法，模拟退火算法，蚁群算法，神经网 络，SVMSVM 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

5、会套用案例程序 来编写白己的程序。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 1 基于遗传算法的 TSP!TSP!法（王辉）TSPTSP 旅行商问题一 TravelingTraveling SalesmanSalesman ProblemProblem 谜典型的 NPNP 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

6、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 TSPTSP 问题等组合优化问题具有较好的寻优性能。2 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

7、 3 基于遗传算法的 BPBP 神经网络优化算法（王辉）BPBP 模型被广泛地应用于模式分类、模式识别等方面.但 BPBP 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 BPBP 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 4 设菲尔德大学的 MATLAEBMATLAEB 传算法工具箱（王辉）MatlabMatlab 遗传算法（GeneticGe

8、netic Algorithm!Algorithm!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传操作函数。以函数 仿真为例，对该函数优化和 GAGA 改进，只需改写函数 m m 文件形式即可。5 5 基于遗传算法的 LQRLQR 空制优化算法（胡斐）LQRLQR 控制在工程中得到了广泛的应用，对于 LQRLQR 最优控制方法， 性能指标中权重矩阵的选择对控制系统的性能有很大影响。 权重矩阵 通常的确定方法，首先是根据经验初步确定，然后通过模拟，

9、根据输 出响应量逐步调整权重系数，直到获得满意的输出响应量为止。 这种确定方法不仅费时，而且无法获得最优的权重矩阵使系统性能达到最优。本案例将研究基于遗传算法的 LQRLQR 控制优化算法，利用遗传算 法的全局寻优能力，搜索权重矩阵。6 6 遗传算法工具箱详解及应用（胡斐）MATLABMATLAB 白带的遗传算法与直接搜索工具箱 （GeneticGenetic AlgorithmAlgorithm andandDirectDirect SearchSearch Toolbox,Toolbox, GADSGADS T T）T T 以较好地解决与遗传算法相关 的各种问题。GADSTGADST 可以

10、通过 GUIGUI 界面调用，也可以通过命令行方 式调用，使用简单方便。本案例将对 GADSTGADST 函数库的遗传算法部分 进行详细的代码分析和讲解，并通过求解非线性方程组介绍GADSTGADST的使用方法。7 7 多种群遗传算法的函数优化算法（王辉）标准遗传算法有时候会出现未成熟收敛问题，在求解多目标优 化问题时显得尤其严重。遗传算法存在未成熟收敛问题，在求解多目 标优化问题时显得尤其严重。因此已有学者提出了多种群遗传算法。 该算法中多个种群使用同一目标函数，各种群的交叉率和变异率取不 同的固定值，以搜索不同解空间中的最优解，种群之间定期进行信息 交换。多种群遗传算法能在一定程度上缓解遗

11、传算法的不成熟收敛问 题。8 8 基于量子遗传算法的函数寻优算法（王辉）量子遗传算法（QuantumQuantum GeneticGenetic AlgorithmAlgorithm QGAQGA 是量子计算与 遗传算法（GeneticGenetic Algorithm,Algorithm, GAGA）ffiffi 结合的产物，是一种新发展起来的概率进化算法。量子遗传算法是将量子计算与遗传算法相结合而形 成的一种混合遗传算法，它弥补了传统遗传算法的某些不足；利用量 子计算的一些概念和理论，如量子位、量子叠加态等，使用量子比特 编码染色体，这种概率幅表示可以使一个量子染色体同时表达多个状 态的信

12、息，用量子门对叠加态的作用作为进化操作，能很好地保持种群多样性和避免选择压力问题，而且当前最优个体的信息能够很容易 用来引导变异，使得种群以大概率向着优良模式进化，从而实现目标的优化求解。9 9 多目标 ParetParet。最优解搜索算法（胡斐）多目标优化是指在约束条件下有两个或两个以上的优化目标， 而且这些目标之间相互矛盾，不能同时达到最优，也就是说，一个目 标的最优往往是以牺牲其它目标作为代价的， 因此多目标优化问题存 在多个最优解，这些解之间无法比较优劣，统称为ParetoPareto 最优解。带精 英策略的快速非支配排序遗传算法（NondominatedNondominated So

13、rtingSorting GeneticGeneticAlgorithmAlgorithm II,II, NSGA-IINSGA-II 是目前应用较为广泛的一种多目标算 法。本案例将对 MATLABMATLAB 白带的改进的 NSGA-INSGA-I 进行讲解，并举例说 明其应用。1010 基于多目标 ParetoPareto 的二维背包搜索算法（史峰）背包问题（knapsackknapsack problemproblem 是运筹学一个典型的优化难题， 但是它有着广泛的应用背景，如装载问题、材料切割、投资决策以及 资源分配等， 往往还将其作为其他问题的子问题加以研究。它是个典型的 NPNP

14、问题，对其求解主要采用启发式算法，如贪心算法、遗传 算法及模拟退火算法等。粒子群算法是一种新的进化算法，运算简单、易于实现，该案例将其用于多目标二维背包问题中，向读者阐明粒子群算法解决带有约束的多目标组合优化问题的方法。1111 基于免疫算法的柔性车间调度算法（史峰）有效的调度方法与优化技术的研究和应用，对于制造企业提高生 产效率，降低生产成本等方面起着重要作用。然而柔性车间调度问题 计算复杂，约束条件多，普通算法容易陷入局部最优问题。免疫算法 是模仿免疫系统抗原识别，抗原与抗体产生过程，并利用免疫系统多 样性和记忆抽象得到的算法，具有非线性，全局化搜索等优势，本案 例研究了基于免疫算法的柔性

15、车间调度算法。1212 基于免疫算法的运输中心规划算法（史峰）随着物流业的快速发展，配送在整个物流系统中的所起的作用 越发重要，因而配送中心的选址对于企业的网络布局、经营方式等起到了重要作用。然而，配送中心的选择具有计算复杂、 约束条件多等 问题，普通算法难以找到问题的最优解。 免疫算法具有非线性、全局 搜索等优点，适合于此类复杂问题的研究，本案例研究了基于免疫算 法的运输中心规划算法。1313 基于粒子群算法的函数寻优算法（史峰）粒子群优化算法（PSO,particlePSO,particle swarmswarm optimizatioptimizati。n n 是计算智 能领域，除了蚁群

16、算法，鱼群算法之外的一种群体智能的优化算法。函数寻优是工程中经常遇到的问题，有些函数因为局部极小值点的存 在，算法难以寻找到局部最优值。粒子群算法具有群体智能，全局寻 优等优势，比较适合于函数寻优问题， 本案例研究了基于粒子群算法 的函数寻优算法。1414 基于粒子群算法的 PIDPID 控制优化算法（史峰）PIDPID 控制方法是工业领域中最常用的控制方法，然而在PIDPID 控制算法的使用中，PI,DPI,D 参数即比例参数、积分参数、微分参数的确 定是个难题，一般是凭经验获得。粒子群算法具有全局寻优功能，可 以寻找使控制指标值最优的 PIDPID 参数。本案例研究了基于粒子群算法 的 P

17、IDPID 控制优化算法。1515 基于混合粒子群算法的 TSPTSP 寻优算法（史峰）粒子群算法虽然具有算法简单，寻优速度快等优点，但同时存在算 法容易收敛，易陷入局部最优值等问题。采用遗传算法改进粒子群算 法，通过选择、交叉和变异操作的引入，改进了算法性能，增强了算 法的全局搜索能力。本案例研究了基于混合粒子群算法的 TSPTSP 寻优算 法。1616 基于动态粒子群算法的动态环境寻优算法（史峰）普通粒子群算法无法感知外界环境的变化，在外界环境发生改变 时无法实时进行响应，因而缺乏动态环境寻优能力。在普通粒子群算 法基本上通过增加敏感粒子得到一种动态粒子群算法，该算法通过实 时计算敏感粒子

18、的适应度值从而感知外界环境的变化，当外界环境的变化超过一定的阈值时算法以按一定比例更新速度和粒子的方式进 行相应，从而具有动态环境寻优的功能。本案例研究了基于动态粒子 群算法的动态环境寻优算法。1717 粒子群算法工具箱（史峰）粒子群算法工具箱包含了粒子群算法的基本操作和常用功能，实现步骤包括种群规模选择，粒子长度选取，适应度函数编写，粒子群 参数确定等，可以方便实现函数极值寻找，系统参数寻优等功能。本 案例以函数极值寻优为例，详细讲解了粒子群算法工具箱的使用。1818 基于鱼群算法的函数寻优算法（王辉）人工鱼群算法是李晓磊等人于 20022002 年提出的一类基于动物行 为的群体智能优化算法

19、.该算法是通过模拟鱼类的觅食、聚群、追尾 等行为在搜索域中进行寻优，是集群体智能思想的一个具体应用. 人 工鱼群算法具有以下特点：具有克服局部极值、取得全局极值的较优 秀的能力；算法中仅使用目标问题的函数值，对搜索空间有一定白适 应能力；具有对初值与参数选择不敏感、鲁棒性强、简单易实现、收 敛速度快和使用灵活等特点.可以解决经典方法不能求解的带有绝对 值且不可导二元函数等的极值问题。本案例研究了基于鱼群算法的函 数寻优算法。1919 基于模拟退火算法的 TSPTSP 算法（王辉）模拟退火算法（SimulatedSimulated AnnealingAnnealing , ,简称 SASA 内求

20、解传统方 法难处理的 TSPTSP 问题提供了一个有效的途径和通用框架， 并逐渐发 展成一种迭代白适应启发式概率性搜索算法。 用以求解不同的非线性 问题；对不可微甚至不连续的函数优化， SASA 能以较大概率求得全 局优化解； 具有较强的鲁棒性、全局收敛性、隐含并行性及广泛的适应性； 并且能处理不同类型的优化设计变量 （离散的、连续的和 混合型的）；不需要任何的辅助信息，对目标函数和约束函数没有任何要求。利用 MetropolisMetropolis 算法并适当地控制温度下降过程， 在优 化问题中具有很强的竞争力，本案例研究了基于模拟退火算法的TSP#TSP# 法。2020 基于遗传模拟退火算

21、法的聚类算法（王辉）遗传算法在运行早期个体差异较大，当米用经典的轮盘赌方式选 择时，后代产生的个数与父个体适应度大小成正比，因此在早期容易使个别好的个体的后代充斥整个种群，造成早熟。在遗传算法后期， 适应度趋向一致，优秀的个体在产生后代时，优势不明显，从而使整 个种群进化停滞不前。因此对适应度适当地进行拉伸是必要的， 这样 在温度高时（遗传算法的前期），适应度相近的个体产生的后代概率相 近；而当温度不断下降后，拉伸作用加强，使适应度相近的个体适应 度差异放大，从而使得优秀的个体优势更明显。由于模拟退火算法和 遗传算法可以互相取长补短，因此有效地克服了传统遗传算法的早熟 现象，同时根据聚类问题的

22、具体情况设计遗传编码方式、适应度函数，使该算法更有效、更快速地收敛到全局最优解。本案例研究了基于遗 传模拟退火算法的聚类算法。2121 基于模拟退火算法的 HEVHEV 能量管理策略参数优化（胡斐）模拟退火算法（SimulatedSimulated Annealing,Annealing, SASA 昨为局部搜索算法的扩 展，在每一次修改模型的过程中，随机产生一个新的状态模型，然后 以一定的概率选择邻域中能量值大的状态。这种接受新模型的方式使 其成为一种全局最优算法，并得到理论证明和实际应用的验证。 能量 管理策略是混合动力汽车（HybridHybrid ElectricVehicle,Ele

23、ctricVehicle, HEVHEV 的核心技术之 一。本案例将对SASA 进行讲解并将其应用于 HEVHEV 能量管理策略的参数 优化。2222 蚁群算法的优化计算一一旅行商问题（TSRTSR 优化（郁磊）蚁群算法（AntAnt ColonyColony AlgorithpriACQAlgorithpriACQ 是由意大利学者 M.DorigoM.Dorigo 等人于 2020 世纪 9090 年代初提出的一种新的模拟进化算法，其真实地模 拟了白然界蚂蚁群体的觅食行为。M.DorigoM.Dorigo 等人将其应用于解决旅行商问题（TravelingTraveling SalesmanS

24、alesman ProblemTSRProblemTSR）, ,取得了较好的实验结 果。近年来，许多专家与学者致力于蚁群算法的研究，并将其应用于交通、通信、化工、电力等领域，成功解决了许多组合优化问题， 如调度问题 （Job-shopSchedulingProblemJob-shopSchedulingProblem） 、 指派问题 （QuadraticQuadratic AssignmentAssignmentProblemProblem 旅行商问题 （TravelingTraveling SalesmanSalesman ProblemProblem。 本章将详细阐述蚁群算法的基本思想及原

25、理，并以实例的形式介绍其 应用于解决中国旅行商问题（ChineseChinese TSPTSP CTSPCTSP 的情况。2323 基于蚁群算法的二维路径规划算法（史峰）二维路径规划算法是机器人智能控制领域研究中的热点，算法目的是使机器人能够在有障碍物的工作环境中寻找一条恰当的从给定起 点到终点的运动路径。蚁群算法具有分布计算，群体智能等优势，在 路径规划算法上具有很大潜力，本案例研究了基于蚁群算法的二维路 径规划算法。2424 基于蚁群算法的三维路径规划算法（史峰）三维路径规划算法是机器人智能控制领域中的热点问题，是指机器 人在三维地图中白动规划一条从出发点到目标点满足指标最优的路 径。相对

26、于二维路径规划算法来说，三维路径规划问题更加复杂，需 要考虑的因素和约束条件更多，一般方法难以取得好的规划效果。 蚁 群算法具有分布计算，群体智能等优势，在路径规划算法上具有很大 潜力，本案例研究了基于蚁群算法的三维路径规划算法。2525 有导师学习神经网络的回归拟合一一基于近红外光谱的汽油辛 烷值预测（郁磊）神经网络的学习规则又称神经网络的训练算法，用来计算更新 神经网络的权值和阈值。学习规则有两大类别：有导师学习和无导师 学习。在有导师学习中，需要为学习规则提供一系列正确的网络输入 /输出对（即训练样本），当网络输入时，将网络输出与相对应的期望 值进行比较，然后应用学习规则调整权值和阈值，

27、使网络的输出接近 于期望值。而在无导师学习中，权值和阈值的调整只与网络输入有关 系，没有期望值，这类算法大多用聚类法，将输入模式归类于有限的 类别。本章将详细分析两种应用最广的有导师学习神经网络（BPBP 神经网络及 RBFRBF 神经网络）的原理及其在回归拟合中的应用。2626 有导师学习神经网络的分类一一莺尾花种类识别（郁磊）有导师学习神经网络以其良好的学习能力广泛应用于各个领域 中，其不仅可以解决拟合回归问题，亦可以用于模式识别、分类识别。 本章将继续介绍两种典型的有导师学习神经网络（ GRNNGRNN 和 PNNPNN）, , 并以实例说明其在分类识别中的应用。2727 无导师学习神经

28、网络的分类一一矿井突水水源判别（郁磊）如第 2525 章及第 2626 章所述，对于有导师学习神经网络，事先需要 知道与输入相对应的期望输出，根据期望输出与网络输出间的偏差来 调整网络的权值和阈值。然而，在大多数情况下，由于人们认知能力 以及环境的限制，往往无法或者很难获得期望的输出，在这种情况下， 基于有导师学习的神经网络往往是无能为力的。与有导师学习神经网络不同，无导师学习神经网络在学习过程中无需知道期望的输出。 其与真实人脑中的神经网络类似，可以通过不断地观察、分析与比较， 白动揭示样本中的内在规律和本质，从而可以对具有近似特征（属性） 的样本进行准确地分类和识别。本章将详细介绍竞争神经

29、网络与白组 织特征映射（SOFMSOFM）神经网络的结构及原理，并以实例说明其具体 的应用范围及效果。2828 支持向量机的分类一一基于乳腺组织电阻抗特性的乳腺癌诊 断 （郁磊）支持向量机（SupportSupport VectorVector MachineSVMMachineSVM）是一种新的机器学 习方法，其基础是 VapnikVapnik 创建的统计学习理论（StatiscalStatiscal LearningLearning Theory,Theory,STLSTL。 统计学习理论采用结构风险最小化 （ StructuralStructural RiskRisk Minimizat

30、ion,Minimization,SRMSRM）准则，在最小化样本点误差的同时，最小化结 构风险，提高了模型的泛化能力，且没有数据维数的限制。在进行线 性分类时，将分类面取在离两类 样本距离较大的地方；进行非线性分类时通过高维空间变换， 将非线性分类变成高维空间的线性分类问题。本章将详细介绍支持向量机的分类原理，并将其应用于基于乳腺组织电阻抗频谱特性的乳腺癌诊 断。2929 支持向量机的回归拟合一一混凝土抗压强度预测（郁磊）与传统的神经网络相比，SVMSVM 具有以下几个优点：（1 1） SVMSVM是专门针对小样本问题而提出的， 其可以在有限样本的情况下获得最 优解；（2 2） SVMSVM

31、 算法最终将转化为一个二次规划问题，从理论上 讲可以得到全局最优解，从而解决了传统神经网无法避免局部最优的 问题；（3 3）SVMSVM 的拓扑结构由支持向量决定，避免了传统神经网络需要反复试凑确定网络结构的问题；（4 4） SVMSVM 利用非线性变换将原始变量映射到高维特征空间，在高维特征空间中构造线性分类函 数，这既保证了模型具有良好的泛化能力，又解决了 “维数灾难”问 题。 同时，SVMSVM 不仅可以解决分类、模式识别等问题，还可以解 决回归、拟合等问题。因此，其在各个领域中都得到了非常广泛的利 用。 本章将详细介绍 SVMSVM 回归拟合的基本思想和原理，并以实例的形式阐述其在混凝

32、土抗压强度预测中的应用。3030 极限学习机的回归拟合及分类一一对比实验研究（郁磊）单隐含层前馈神经网络（Single-hiddenLayerSingle-hiddenLayer FeedforwardFeedforward NeuralNeuralNetwork,Network, SLFNSLFN 以其良好的学习能力在许多领域中得到了广泛的应 用。然而，传统的学习算法（如 BPBP 算法等）固有的一些缺点，成为 制约其发展的主要瓶颈。因此，探索一种训练速度快、获得全局最优解，且具有良好的泛化性能的训练算法是提升前馈神经网络性能的 主要目标，也是近年来的研究热点和难点。本章将介绍一个针对SLF

33、NSLFN 勺新算法-极限学习机（ExtremeExtreme LearningLearning MachineMachine ELWELW , ,该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈 值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比，该方法具有学习速 度快、泛化性能好等优点。同时，在介绍 ELMELM 算法的基础上，本章以实例的形式将该算法分别应用于回归拟合（第 2525 章一一基于近 红外光谱的汽油辛烷值预测）和分类（第 2626 章一一莺尾花种类识别） 中。MATLAB 智能算法 30 个案例分析智能算法是我们在

34、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

35、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 1 基于遗传算法的 TSPTSP 算法（王辉）TSP龌行商问题一Traveling Salesman Problem），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大择、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TS

36、P问题等组合优化问题具有较好的寻优性能。2 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 3 基于遗传算法的 BPBP 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

37、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 4 设菲尔德大学的 MATLABMATLAB 遗传算法工具箱（王辉）Matlab遗传算法（Genetic Algorithm）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

38、群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。以函数仿真 为例，对该函数优化和GA改进，只需改写函数m文件形式即可。5 5 基于遗传算法的 LQRLQR 控制优化算法（胡斐）LQR控制在工程中得到了广泛的应用，对于LQR最优控制方法，性能指标中权重矩阵的选择对控制系统的性能有很大影响。权重矩阵通常的确定方法，首先是根据经验初步确定，然后通过模拟，根据输出响应量逐步调整权重系数，直到获得满意的输出响应量为止。这种确定方法不仅费时，而且无法获得最优的权重矩阵使系统性能达到最优。本案例将研究基于遗传算法的LQR控制优化算法，利用遗传算法的全局寻优能力，搜索权重矩阵。6 6 遗传算法工具

39、箱详解及应用（胡斐）MATLAB自带的遗传算法与直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox,GADST）可以较好地解决与遗传算法相关的各种问题。GADST可以通过GUI界面调用，也可以通过命令行方式调用，使用简单方便。本案例将对GADST函数库的遗传算法部分进行详细的代码分析和讲解，并通过求解非线性方程组介绍GADST的使用方法。7 7 多种群遗传算法的函数优化算法（王辉） 标准遗传算法有时候会出现未成熟收敛问题，在 求 解多目标优化问题时显得尤其严重。遗传算法存在未成熟收敛问题，在求解多目标优化问题时显得尤其严重。因此已有学者提出了

40、多种群遗传算法。该算法中多个种群使用同一目标函数，各种群的交叉率和变异率取不同的固定值，以搜索不同解空间中的最优解，种群之间定期进行信息交换。多种群遗传算法能在一 定程度上缓解遗传算法的不成熟收敛问题。8 8 基于量子遗传算法的函数寻优算法（王辉）量子遗传算法（Quantum Genetic Algorithm , QGA）是量子计算与遗传算法（Genetic Algorithm ,GA）相结合的产物，是一种新发展起来的概率进化算法。量子遗传算法是将量子计算与遗传 算法相结合而形成的一种混合遗传算法，它弥补了传统遗传算法的某些不足；利用量子计算的一些概念和理论， 如量子位、量子叠加态等，使用量

41、子比特编码染色体，这种概率幅表示可以使一个量子染色体同时表达多个状态的信息，用量子门对叠加态的作用作为进化操作， 能很好地保持种群多样性和避免选择压力问题，而且当前最优个体的信息能够很容易用来引 导变异，使得种群以大概率向着优良模式进化，从而实现目标的优化求解。9 9 多目标 ParetoPareto 最优解搜索算法（胡斐）多目标优化是指在约束条件下有两个或两个以上的优化目标，而且这些目标之间相互矛盾， 不能同时达到最优，也就是说，一个目标的最优往往是以牺牲其它目标作为代价的，因此多目标优化问题存在多个最优解，这些解之间无法比较优劣，统称为Pareto最优解。带精英策略的快速非支配排序遗传算法

42、（Nondominated Sorting Genetic Algorithm II , NSGA-II）H目前应用较为广泛的一种多目标算法。本案例将对MATLAB自带的改进的NSGA-II进行讲解，并举例说明其应用。1010 基于多目标 ParetoPareto 的二维背包搜索算法（史峰）背包问题（knapsack problem）是运筹学一个典型的优化难题，但是它有着广泛的应用背景， 如装载问题、材料切割、投资决策以及资源分配等，往往还将其作为其他问题的子问题加以研究。它是个典型的NP问题，对其求解主要采用启发式算法，如贪心算法、遗传算法及 模拟退火算法等。粒子群算法是一种新的进化算法，运

43、算简单、易于实现，该案例将其用于 多目标二维背包问题中，向读者阐明粒子群算法解决带有约束的多目标组合优化问题的方 法。1111 基于免疫算法的柔性车间调度算法（史峰）有效的调度方法与优化技术的研究和应用，对于制造企业提高生产效率，降低生产成本等方面起着重要作用。然而柔性车间调度问题计算复杂，约束条件多，普通算法容易陷入局部最优问题。免疫算法是模仿免疫系统抗原识别，抗原与抗体产生过程， 并利用免疫系统多样性和记忆抽象得到的算法，具有非线性，全局化搜索等优势，本案例研究了基于免疫算法的柔性车间调度算法。1212 基于免疫算法的运输中心规划算法（史峰） 随着物流业的快速发展，配送在整个物流系统中的所

44、起的作用越发重要，因而配送中心的选址对于企业的网络布局、 经营方式等起到了重要作用。然而，配送中心的选择具有计算复杂、约束条件多等问题，普通算法难以找到问题的最优解。免疫算法具有非线性、全局搜索等优点，适合于此类复杂问题的研究，本案例研究了基于免疫算法的运输中心规划算法。1313 基于粒子群算法的函数寻优算法（史峰）粒子群优化算法（PSO,particle swarm optimization ）是计算智能领域，除了蚁群算法，鱼群 算法之外的一种群体智能的优化算法。函数寻优是工程中经常遇到的问题，有些函数因为局部极小值点的存在，算法难以寻找到局部最优值。粒子群算法具有群体智能，全局寻优等优势，

45、比较适合于函数寻优问题，本案例研究了基于粒子群算法的函数寻优算法。1414 基于粒子群算法的 PIDPID 控制优化算法（史峰）PID控制方法是工业领域中最常用的控制方法，然而在PID控制算法的使用中，PI,D参数即比例参数、积分参数、微分参数的确定是个难题，一般是凭经验获得。粒子群算法具有全局寻优功能，可以寻找使控制指标值最优的PID参数。本案例研究了基于粒子群算法的PID控制优化算法。1515 基于混合粒子群算法的 TSPTSP 寻优算法（史峰）粒子群算法虽然具有算法简单，寻优速度快等优点，但同时存在算法容易收敛，易陷入局部最优值等问题。采用遗传算法改进粒子群算法，通过选择、交叉和变异操作

46、的引入，改进了 算法性能，增强了算法的全局搜索能力。本案例研究了基于混合粒子群算法的TSP寻优算法。1616 基于动态粒子群算法的动态环境寻优算法（史峰）普通粒子群算法无法感知外界环境的变化，在外界环境发生改变时无法实时进行响应，因而缺乏动态环境寻优能力。在普通粒子群算法基本上通过增加敏感粒子得到一种动态粒子群算 法，该算法通过实时计算敏感粒子的适应度值从而感知外界环境的变化，当外界环境的变化超过一定的阈值时算法以按一定比例更新速度和粒子的方式进行相应，从而具有动态环境寻优的功能。本案例研究了基于动态粒子群算法的动态环境寻优算法。1717 粒子群算法工具箱（史峰）粒子群算法工具箱包含了粒子群算

47、法的基本操作和常用功能，实现步骤包括种群规模选择， 粒子长度选取，适应度函数编写，粒子群参数确定等，可以方便实现函数极值寻找，系统参 数寻优等功能。本案例以函数极值寻优为例，详细讲解了粒子群算法工具箱的使用。1818 基于鱼群算法的函数寻优算法（王辉）人工鱼群算法是李晓磊等人于2002年提出的一类基于动物行为的群体智能优化算法.该算 法是通过模拟鱼类的觅食、聚群、追尾等行为在搜索域中进行寻优，是集群体智能思想的一个具体应用.人工鱼群算法具有以下特点：具有克服局部极值、 取得全局极值的较优秀的能力；算法中仅使用目标问题的函数值，对搜索空间有一定自适应能力；具有对初值与参数选择不敏感、鲁棒性强、简

48、单易实现、 收敛速度快和使用灵活等特点.可以解决经典方法不能 求解的带有绝对值且不可导二元函数等的极值问题。本案例研究了基于鱼群算法的函数寻优算法。1919 基于模拟退火算法的 TSPTSP 算法（王辉）模拟退火算法（Simulated Annealing ,简称SA）为求解传统方法难处理的TSP问题提供了一个有效的途径和通用框架，并逐渐发展成一种迭代自适应启发式概率性搜索算法。用以求解不同的非线性问题；对不可微甚至不连续的函数优化，SA能以较大概率求得全局优化解；具有较强的鲁棒性、 全局收敛性、隐含并行性及广泛的适应性；并且能处理不同类型的优化设计变量（离散的、连续的和混合型的）；不需要任何

49、的辅助信息，对目标函数和约束函数没有任何要求。利用Metropolis算法并适当地控制温度下降过程，在优化问题中具有很强的竞争力，本案例研究了基于模拟退火算法的TSP算法。2020 基于遗传模拟退火算法的聚类算法（王辉）遗传算法在运行早期个体差异较大，当采用经典的轮盘赌方式选择时，后代产生的个数与父个体适应度大小成正比，因此在早期容易使个别好的个体的后代充斥整个种群，造成早熟。在遗传算法后期，适应度趋向一致，优秀的个体在产生后代时，优势不明显，从而使整个种群进化停滞不前。因此对适应度适当地进行拉伸是必要的，这样在温度高时（遗传算法的前期），适应度相近的个体产生的后代概率相近；而当温度不断下降后

50、，拉伸作用加强，使适 应度相近的个体适应度差异放大，从而使得优秀的个体优势更明显。由于模拟退火算法和遗传算法可以互相取长补短，因此有效地克服了传统遗传算法的早熟现象，同时根据聚类问题的具体情况设计遗传编码方式、适应度函数，使该算法更有效、更快速地收敛到全局最优解。 本案例研究了基于遗传模拟退火算法的聚类算法。2121 基于模拟退火算法的HEVHEV 能量管理策略参数优化（胡斐）模拟退火算法（Simulated Annealing, SA）作为局部搜索算法的扩展，在每一次修改模型的过程 中，随机产生一个新的状态模型，然后以一定的概率选择邻域中能量值大的状态。这种接受新模型的方式使其成为一种全局最

51、优算法，并得到理论证明和实际应用的验证。能量管理策略是混合动力汽车（Hybrid Electric Vehicle, HEV）的核心技术之一。本案例将对SA进行讲解并将其应用于HEV能量管理策略的参数优化。2222 蚁群算法的优化计算一一旅行商问题（TSPTSP）优化（郁磊）蚁群算法（Ant Colony Algorithm , ACA）是由意大利学者M.Dorigo等人于20世纪90年代初 提出的一种新的模拟进化算法，其真实地模拟了自然界蚂蚁群体的觅食行为。M.Dorigo等人将其应用于解决旅行商问题（Traveling Salesman Problem, TSF3）,取得了较好的实验结果。

52、近年来，许多专家与学者致力于蚁群算法的研究，并将其应用于交通、通信、化工、电力等 领域，成功解决了许多组合优化问题，如调度问题（Job-shop Scheduling Problem）、指派问 题（Quadratic AssignmentProblem ）、旅行商问题（Traveling Salesman Problem）等。本章将详细阐述蚁群算法的基本思想及原理，并以实例的形式介绍其应用于解决中国旅行商问题（Chinese TSP CTSP的情况。2323 基于蚁群算法的二维路径规划算法（史峰）二维路径规划算法是机器人智能控制领域研究中的热点，算法目的是使机器人能够在有障碍物的工作环境中寻找

53、一条恰当的从给定起点到终点的运动路径。蚁群算法具有分布计算，群体智能等优势，在路径规划算法上具有很大潜力，本案例研究了基于蚁群算法的二维路径规划算法。2424 基于蚁群算法的三维路径规划算法（史峰）三维路径规划算法是机器人智能控制领域中的热点问题，是指机器人在三维地图中自动规划一条从出发点到目标点满足指标最优的路径。相对于二维路径规划算法来说，三维路径规划问题更加复杂，需要考虑的因素和约束条件更多，一般方法难以取得好的规划效果。蚁群算法具有分布计算，群体智能等优势，在路径规划算法上具有很大潜力，本案例研究了基于蚁群算法的三维路径规划算法。2525 有导师学习神经网络的回归拟合一一基于近红外光谱

54、的汽油辛烷值预测（郁磊）神经网络的学习规则又称神经网络的训练算法，用来计算更新神经网络的权值和阈值。学习规则有两大类别：有导师学习和无导师学习。在有导师学习中，需要为学习规则提供一系列正确的网络输入/输出对（即训练样本），当网络输入时，将网络输出与相对应的期望值进行 比较，然后应用学习规则调整权值和阈值，使网络的输出接近于期望值。而在无导师学习中，权值和阈值的调整只与网络输入有关系，没有期望值，这类算法大多用聚类法，将输入模式归类于有限的类别。本章将详细分析两种应用最广的有导师学习神经网络（BP神经网络及RBF神经网络）的原理及其在回归拟合中的应用。2626 有导师学习神经网络的分类一一莺尾花

55、种类识别（郁磊）有导师学习神经网络以其良好的学习能力广泛应用于各个领域中，其不仅可以解决拟合回归问题，亦可以用于模式识别、分类识别。本章将继续介绍两种典型的有导师学习神经网络（GRNN和PNN）,并以实例说明其在分类识别中的应用。2727 无导师学习神经网络的分类一一矿井突水水源判别(郁磊)如第25章及第26章所述，对于有导师学习神经网络，事先需要知道与输入相对应的期望输 出，根据期望输出与网络输出间的偏差来调整网络的权值和阈值。然而，在大多数情况下， 由于人们认知能力以及环境的限制，往往无法或者很难获得期望的输出，在这种情况下，基于有导师学习的神经网络往往是无能为力的。与有导师学习神经网络不

56、同，无导师学习神经网络在学习过程中无需知道期望的输出。其与真实人脑中的神经网络类似，可以通过不断地观察、 分析与比较，自动揭示样本中的内在规律和本质，从而可以对具有近似特征(属性)的样本进行准确地分类和识别。本章将详细介 绍竞争神经网络与自组织特征映射(SOFM)神经网络的结构及原理，并以实例说明其具体的应用范围及效果。2828 支持向量机的分类 一一基于乳腺组织电阻抗特性的乳腺癌诊断(郁磊)支持向量机(Support Vector Machine , SVM)是一种新的机器学习方法，其基础是Vapnik创建的统计学习理论(Statiscal Learning Theory, STD。统计学习

57、理论采用结构风险最小化(Structural Risk Minimization , SRM)准则，在最小化样本点误差的同时，最小化结构风险， 提高了模型的泛化能力，且没有数据维数的限制。在进行线性分类时，将分类面取在离两类 样本距离较大的地方；进行非线性分类时通过高维空间变换，将非线性分类变成高维空间的线性分类问题。本章将详细介绍支持向量机的分类原理，并将其应用于基于乳腺组织电阻抗频谱特性的乳腺癌诊断。2929 支持向量机的回归拟合 一一混凝土抗压强度预测(郁磊)与传统的神经网络相比，SVM具有以下几个优点：(1)SVM是专门针对小样本问题而提出的，其可以在有限样本的情况下获得最优解；(2)

58、SVM算法最终将转化为一个二次规划问题，从理论上讲可以得到全局最优解，从而解 决了传统神经网无法避免局部最优的问题；(3)SVM的拓扑结构由支持向量决定，避免了传统神经网络需要反复试凑确定网络结构的 问题；(4)SVM利用非线性变换将原始变量映射到高维特征空间，在高维特征空间中构造线性分类函数，这既保证了模型具有良好的泛化能力，又解决了维数灾难”问题。同时，SVM不仅可以解决分类、模式识别等问题，还可以解决回归、拟合等问题。因此， 其在各个领域中都得到了非常广泛的利用。本章将详细介绍SVM回归拟合的基本思想和原理，并以实例的形式阐述其在混凝土抗压强 度预测中的应用。3030 极限学习机的回归拟

59、合及分类 一一对比实验研究(郁磊)单隐含层前馈神经网络(Single-hidden Layer Feedforward Neural Network , SLFN以其良好的学习能力在许多领域中得到了广泛的应用。然而，传统的学习算法(如BP算法等)固有的一些缺点，成为制约其发展的主要瓶颈。因此，探索一种训练速度快、获得全局最优解，且具有良好的泛化性能的训练算法是提升前 馈神经网络性能的主要目标，也是近年来的研究热点和难点。本章将介绍一个针对SLFN的新算法 极限学习机(Extreme Learning Machine , ELM)，该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且

60、在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比， 该方法具有学习速度快、泛化性能好等优点。同时，在介绍ELM算法的基础上，本章以实例的形式将该算法分别应用于回归拟合(第25章一一基于近红外光谱的汽油辛烷值预测)和分类(第26章一一莺尾花种类识别)中。第1章1、案例背景遗传算法(Genetic Algorithm , GA)是一种进化算法，其基本原理是仿效生物界中的物竞 大择、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。在遗传算法