人工智能导论pdf百度云,百度网盘下载
资源说明【人工智能导论.pdf】是由这小伙n1ce310分享到百度网盘，盘131在2018-02-0721:30:51收录整理，文件大小：5.8MB，格式：.pdf。以上内容由网络爬虫自动抓取，以非人工方式自动生成。盘131本身不储存任何百度云资源文件，只负责收集整理该资源的相关信息，下载地址跳转到百度网盘进行下载，该文件的安全性和合法性需要您自行判断，我们重视知识产权保护，如有侵犯您的合法权益，请联系百度网盘进行删除，如您发现网页有违法违规信息,欢迎在线举报或是发邮件admin(at)pan131.com，我们核实后会马上处理。由于数据量巨大，机器过滤结合人工审查都难免存在疏漏，如您发现问题请与我们联系，感谢您对盘131的支持。
《MATLAB智能算法》[66M]百度网盘pdf下载
第3章粒子群算法及其MATLAB实现
粒子群算法，也称粒子群优化算法(particleswarmoptimization,PSO)，是近年来发展起来的一种新的进化算法(evolutionaryalgorithm,EA)。
这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。
本章主要讲解了粒子群算法的原理及其在MATLAB上的运用。
学习目标：
■了解粒子群算法的发展。
■掌握粒子群算法的基本原理。
■熟悉MATLAB粒子群算法工具箱。
■掌握MATLAB在粒子群算法中的运用。
3.1粒子群算法基础
PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”和“变异”操作，它通过追随当前搜索到的最优值来寻找全局最优。
3.1.1粒子群算法的发展
1995年美国电气工程师Eberhart和社会心理学家Kenndy基于鸟群觅食行为提出了粒子群优化算法(PSO)，简称粒子群算法。由于该算法概念简明、实现方便、收敛速度快、参数设置少，是一种高效的搜索算法。
PSO是模拟鸟群随机搜寻食物的捕食行为。假设在搜索食物区域里只有一块食物，所有的小鸟都不知道食物在什么地方，所以Kenndy等认为鸟之间存在着互相交换信息，通过估计自身的适应度值，它们知道当前的位置离食物还有多远，所以搜索目前离食物最近的鸟的周围区域是找到食物的最简单有效的办法，通过鸟之间的集体协作使群体达到最优。
PSO就是从这种模型中得到启示并用于解决优化问题。在PSO中每个优化问题的潜在解都可以想象成搜索空间中的一只鸟，称之为“粒子”。粒子主要追随当前的最优粒子在解空间中搜索，PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。
在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，第一个就是粒子本身所找到的最优解，这个解称为个体极值pbest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest。
这两个最优变量使得鸟在某种程度上朝着这些方向靠近，此外也可以不用整个种群而只用其中一部分作为粒子的邻居，那么所有邻居的极值就是局部极值，粒子始终跟随这两个极值变更自己的位置和速度，直到找到最优解。
到目前为止，粒子群算法的发展得到越来越多的众多领域学者的关注和研究，成为解决许多问题的热点算法的研究重点。
其中对PSO算法的改进也非常多，有增强算法自适应性的改进、增强收敛性的改进、增加多种群多样性的改进、增强局部搜索的改进、与全局优化算法相结合、与确定性的局部优化算法相融合等。
以上所述的是对于算法改进的目的的讨论，实际改进中应用的方法有基于参数的改进，即对PSO算法的迭代公式的形式上做改进；还有从粒子的行为模式进行改进，即粒子之间的信息交流方式，如拓扑结构的改进、全局模式与局部模式相结合的改进等；还有基于算法融合的粒子群算法的改进，算法融合可以引入其他算法的优点来弥补PSO算法的缺点，设计出更适合问题求解的优化算法。
目前，粒子群算法的发展趋势如下。
(1)粒子群优化算法的改进。粒子群优化算法在解决空间函数的优化问题和单目标优化问题上应用得比较多，如何应用于离散空间优化问题和多目标优化问题将是粒子群优化算法的主要研究方向。如何充分结合其他进化类算法，发挥优势，改进粒子群优化算法的不足也是值得研究的。
(2)粒子群优化算法的理论分析。粒子群优化算法提出的时间不长，数学分析很不成熟和系统，存在许多不完善和未涉及的问题，对算法运行行为、收敛性、计算复杂性的分析比较少。如何知道参数的选择和设计，如何设计适应值函数，如何提高算法在解空间搜索的效率算法收敛以及对算法模型本身的研究都需要在理论上进行更深入的研究。这些都是粒子群优化算法的研究方向之一。
(3)粒子群算法的生物学基础。如何根据群体进行行为完善算法，将群体智能引入算法中，借鉴生物群体进化规则和进化的智能性也是学者关注的问题。
(4)粒子群优化算法与其他进化类算法的比较研究。与其他进化算法的融合，如何将其他进化算法的优点和粒子群优化算法相结合，构造出有特色有实用价值的混合算法是当前算法改进的一个重要方向。
(5)粒子群优化算法的应用。算法的有效性必须在应用中才能体现，广泛地开拓粒子群优化算法的应用领域，也对深入研究粒子群优化算法非常有意义。
3.1.2粒子群算法研究内容
粒子群算法是一个非常简单的算法，且能够有效地优化各种函数。从某种程度上说，此算法介于遗传算法和进化规划之间。
此算法非常依赖于随机的过程，这也是和进化规划的相识之处，算法中朝全局最优和局部最优靠近的调整非常类似于遗传算法中的交叉算子。
粒子群算法的主要研究内容如下。
(1)寻找全局最优点。
(2)有较高的收敛速度。
算法还是用了适应值的概念，这是所有进化计算方法所共有的特征。
3.1.3粒子群算法的特点
粒子群算法的本质是一种随机搜索算法，它是一种新兴的智能优化技术，是群体智能中一个新的分支，它也是对简单社会系统的模拟。
该算法能以较大的概率收敛于全局最优解。实践证明，它适合在动态、多目标优化环境中寻优，与传统的优化算法相比较具有更快的计算速度和更好的全局搜索能力。
其具体特点如下：
(1)粒子群优化算法是基于群体智能理论的优化算法，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。与进化算法比较，PSO是一种更为高效的并行搜索算法。
(2)PSO与GA有很多共同之处，两者都是随机初始化种群，使用适应值来评价个体的优劣程度和进行一定的随机搜索。但PSO是根据自己的速度来决定搜索，没有GA的明显交叉和变异。与进化算法比较，PSO保留了基于种群的全局搜索策略，但是其采用的速度位移模型操作简单，避免了复杂的遗传操作。
(3)由于每个粒子在算法结束时仍然保持着其个体极值。因此，若将PSO用于调度和决策问题时可以给出多种有意义的选择方案。而基本遗传算法在结束时，只能得到最后一代个体的信息，前面迭代的信息没有保留。
(4)PSO特有的记忆使其可以动态地跟踪当前的搜索情况并调整其搜索策略。
(5)PSO有良好的机制来有效地平衡搜索过程的多样性和方向性。
(6)在收敛的情况下，由于所有的粒子都向最优解的方向飞去，所以粒子趋向同一化(失去了多样性)使得后期收敛速度明显变慢，以致算法收敛到一定精度时无法继续优化。因此很多学者都致力于提高PSO算法的性能。
(7)PSO算法对种群大小不十分敏感，即种群数目下降时性能下降不是很大。
3.1.4粒子群算法的应用
粒子群算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的适应性，所以广泛应用于很多学科。粒子群算法的一些主要应用领域如下。
(1)约束优化。随着问题的增多，约束优化问题的搜索空间也急剧变换，有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。粒子群算法是解决这类问题的最佳工具之一。实践证明，粒子群算法对于约束优化中的规划，离散空间组合问题的求解非常有效。
(2)函数优化。是粒子群算法的经典应用领域，也是对粒子群算法进行性能评价的常用算例。
(3)机器人智能控制。机器人是一类复杂的难以精确建模的人工系统，而粒子群算法可用于此类机器人群搜索，如机器人的控制与协调，移动机器人路径规划。所以机器人智能控制理所当然地成为粒子群算法的一个重要应用领域。
(4)电力系统领域。在其领域中有种类多样的问题，根据目标函数特性和约束类型许多与优化相关的问题需要求解。PSO在电力系统方面的应用如配电网扩展规划、检修计划、机组组合等。随着粒子群优化理论研究的深入，它还将在电力市场竞价交易等其他领域发挥巨大的应用潜在力。
(5)工程设计问题。在许多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解，也会因简化得太多而使得求解结果与实际相差甚远。现在粒子群算法已成为解决复杂调度问题的有效工具，在电路及滤波器设计、神经网络训练、控制器设计与优化、任务分配等方面粒子群算法都得到了有效的应用。
(6)生物医学领域。许多菌体的生长模型即为非线性模型提出了用粒子群算法解决非线性模型的参数估计问题。还在分子力场的参数设定和蛋白质图形的发现。根据粒子群算法提出的自适应多峰生物测定融合算法，提高了解决问题的准确性。在医学方面，如医学成像上得到的推广应用等。
(7)通信领域。包括路由选择及移动通信基站布置优化，在顺序码分多址连接方式(DSCDMA)通信系统中使用粒子群算法，可获得可移植的有力算法并提供并行处理能力。比传统先前的算法有了显著的优越性，还可以应用到天线阵列控制和偏振模色散补偿等方面。
(8)交通运输领域。在物流配送供应领域中要求以最少的车辆数、最小的车辆总行程来完成货物的派送任务；在交通控制控制领域，城市交通问题是困扰城市发展、制约城市经济建设的重要因素。
3.2基本粒子群算法
PSO算法是起源对简单社会系统的模拟，具有很好的生物社会背景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛关注。同时，PSO是一种很好的优化工具。
3.2.1基本原理
PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适值(fitnessvalue)，每个粒子还有一个速度决定它们“飞行”的方向和距离。然后粒子就追随当前的最优粒子在解空间中搜索。
粒子位置的更新方式如图31所示。
图31每代粒子位置的更新方式
……
MATLAB R2017a人工智能算法 PDF下载
编辑推荐本书算法先进，实例丰富，并提供实例源代码的免费下载。
内容简介本书以MATLABR2017a为平台，以智能算法为背景，全面详细地介绍了人工智能的各种新型算法。本书内容以理论为基础，以实际应用为主导，循序渐进地向读者讲解怎样利用MATLAB智能算法解决实际问题。全书共13章，主要内容包括MATLABR2017a软件的基础知识、智能算法的理论、人工神经网络算法、模糊逻辑控制算法、粒子群算法、蚁群算法、模拟退火算法、遗传算法、免疫算法、禁忌搜索算法、支持向量机算法及小波分析算法等。
作者简介张德丰，男，1963年9月生，辽宁大连人。1993年毕业于哈尔滨工业大学航天学院，获得工学硕士学位。现佛山科学技术学院，电子信息工程学院计算机系，计算机应用技术教授。学院数字图像处理与识别学术带头人。
目录目录第1章初识MATLABR2017a11.1MATLAB的应用领域和优势11.2MATLABR2017a的新功能31.3MATLAB的编程风格41.4MATLAB的接口技术51.5MATLAB与C/C混合编程51.6MATLAB的工作环境61.6.1菜单/工具栏71.6.2命令行窗口71.6.3工作区81.7MATLAB的常用命令91.8MATLAB的帮助系统101.8.1纯文本帮助101.8.2演示帮助121.9MATLAB的数据类型131.9.1数值类型131.9.2字符与字符串161.9.3逻辑类型181.9.4函数句柄191.9.5结构数组211.9.6元胞数组241.10MATLAB的运算符281.10.1算术运算符281.10.2关系运算符291.10.3逻辑运算符301.10.4运算优先级31第2章MATLAB的编程基础322.1数组及其运算322.1.1数组的创建322.1.2数组的运算332.2矩阵及其运算352.2.1矩阵的创建352.2.2特殊矩阵的生成372.2.3矩阵的操作392.2.4矩阵的基本运算412.2.5矩阵的相关运算422.3MATLAB控制语句442.3.1循环结构442.3.2分支控制语句462.4m文件492.4.1m文件的分类492.4.2m文件的结构512.5图形可视化512.5.1MATLAB的绘图步骤522.5.2在工作空间直接绘图522.5.3二维图形绘制532.5.4图形的修饰552.5.5三维绘图58第3章人工智能概述623.1什么是智能623.1.1智能的定义623.1.2人工智能的定义633.2人工智能的发展643.3人工智能的研究方法643.4人工智能的危机663.5人工智能的应用673.6人工智能的发展趋势673.7人工智能对人类的深远影响683.7.1人工智能对经济的影响683.7.2人工智能对社会的影响683.7.3人工智能对文化的影响703.8各种常用智能算法713.8.1群智能算法713.8.2模拟退火算法723.8.3禁忌搜索算法723.8.4神经网络算法72第4章人工神经网络算法744.1人工神经网络概述744.1.1神经网络研究的方向744.1.2人脑工作原理754.1.3人工神经网络的工作原理754.1.4人工神经网络的基本特征764.1.5人工神经网络的特点774.2神经网络算法的理论784.2.1人工神经元模型784.2.2常用激活函数794.2.3神经网络模型804.2.4神经网络工作方式814.2.5几种常见的神经网络814.3BP神经网络844.3.1BP神经网络的拓扑结构844.3.2BP神经网络的训练854.3.3BP神经网络的学习方法864.3.4BP神经网络的实现904.4径向基神经网络934.4.1RBF的基本思想944.4.2RBF的网络模型944.4.3RBF的网络输出944.4.4RBF网络的学习过程954.4.5RBF网络有关的几个问题974.4.6RBF神经网络的应用984.5自组织神经网络1064.5.1自组织竞争神经网络的基本概念1074.5.2自组织特征映射神经网络1084.5.3自组织竞争神经网络的应用1104.6对向传播神经网络1144.6.1CPN的基本概念1144.6.2CPN网络的学习算法1154.7广义回归神经网络1154.7.1广义回归神经网络的结构1164.7.2广义回归神经网络的优点1164.7.3广义回归神经网络的应用1174.8概率神经网络1184.8.1概率神经网络的结构1184.8.2概率神经网络的优缺点1194.8.3概率神经网络的应用1204.9Hopfield神经网络1254.9.1Hopfield神经网络的结构1254.9.2Hopfield神经网络的学习算法1264.9.3Hopfield神经网络的应用126第5章模糊逻辑控制算法1325.1模糊逻辑控制概述1325.1.1模糊、神经网络、人工智能间的关系1325.1.2神经网络和模糊系统的比较1335.1.3模糊和神经网络的结合1355.2模糊逻辑控制理论1365.2.1模糊逻辑控制的基本概念1365.2.2模糊逻辑的组成1375.2.3模糊逻辑控制原理1375.2.4模糊逻辑控制器的设计内容1395.2.5模糊逻辑控制的规则1395.2.6模糊逻辑控制的应用领域1405.3模糊逻辑控制工具箱1415.3.1模糊逻辑控制工具箱的功能特点1415.3.2模糊系统的基本类型1425.3.3模糊推理系统的基本函数1435.4模糊逻辑工具箱的图形用户界面1585.4.1FIS编辑器1585.4.2隶属度函数编辑器1595.4.3模糊规则编辑器1605.4.4模糊规则浏览器1615.4.5输入/输出曲面视图1615.4.6模糊推理界面的应用1625.5基于Simulink的模糊逻辑控制1645.6模糊推理系统在控制系统中的应用170第6章粒子群算法1746.1粒子群概述1746.1.1人工生命1746.1.2粒子群算法的基本原理1756.1.3全局与局部模式1766.1.4粒子群的算法建模1766.1.5粒子群的特点1766.1.6粒子群算法与其他进化算法的异同1776.2粒子群的种类1776.2.1基本粒子群1776.2.2标准粒子群1786.2.3压缩因子粒子群1796.2.4离散粒子群1796.3基于粒子群的聚类分析1806.4粒子群算法的MATLAB实现1816.5改进权重粒子群算法1876.5.1自适应权重法1876.5.2随机权重法1906.5.3线性递减权重法1926.6混合粒子群算法1946.6.1混合粒子群协同优化的设计思想1946.6.2基于杂交的算法1946.6.3基于自然选择的算法1976.6.4基于模拟退火的算法1996.7粒子群的应用202第7章蚁群算法2087.1蚁群的基本概念2087.1.1蚁群的觅食过程2087.1.2人工蚂蚁与真实蚂蚁的异同2087.1.3人工蚁群的优化过程2097.1.4蚁群算法的基本原理2107.2改进的蚁群算法2117.2.1蚁群系统2117.2.2精英蚁群系统2127.2.3最大最小蚁群系统2127.2.4排序的蚁群系统2137.2.5几种改进蚁群算法的比较2137.3自适应蚁群算法2137.4蚁群算法的重要规则2157.5蚁群算法的应用进展及发展趋势2167.5.1应用进展2167.5.2存在的问题2167.5.3发展趋势2167.5.4蚁群算法的MATLAB实现2177.6蚁群算法的应用219第8章模拟退火算法2348.1模拟退火算法的理论2348.1.1模拟退火算法的思想2348.1.2物理退火的过程2358.1.3模拟退火的原理2368.1.4模拟退火算法的终止准则2368.1.5模拟退火算法的特点2368.2模拟退火算法的改进2378.2.1模拟退火算法的改进方式2378.2.2模拟退火算法的改进新解2388.3模拟退火算法的MATLAB工具箱2388.4模拟退火算法的应用242第9章遗传算法2499.1遗传算法概述2499.1.1遗传算法的生物学基础2499.1.2遗传算法的名称解释2509.1.3遗传算法的运算过程2519.1.4遗传算法的特点2529.1.5遗传算法的改进方向2539.2遗传算法的构成要素2549.2.1染色体的编码2549.2.2适应度函数2559.2.3遗传算子2569.3控制参数的选择2589.4遗传算法的研究现状2589.5遗传算法的应用领域2609.6遗传算法工具箱2609.6.1遗传算法的程序设计2619.6.2MATLAB自带的遗传算法函数2659.6.3遗传算法的GUI2689.7遗传算法的应用2709.7.1遗传算法求解极值问题2709.7.2遗传算法求解TSP问题2809.7.3遗传算法的BP神经网络实现286第10章免疫算法29410.1免疫算法概述29410.1.1免疫算法的发展史29510.1.2生物免疫系统29510.1.3免疫算法的基本原理29710.1.4免疫算法流程29810.1.5免疫算法算子29910.1.6免疫算法的特点30110.1.7免疫算法的发展趋势30110.2免疫遗传算法30210.2.1免疫遗传算法的几个基本概念30310.2.2免疫遗传算法的原理30410.2.3免疫遗传算法的MATLAB实现30510.3免疫算法的应用31310.3.1免疫算法在优化中的应用31310.3.2免疫算法在TSP中的应用31610.3.3免疫算法在物流选址中的应用32010.3.4免疫算法在故障检测中的应用327第11章禁忌搜索算法33511.1禁忌搜索的相关理论33511.1.1启发式搜索算法与传统的方法33511.1.2禁忌搜索与局部邻域搜索33611.1.3局部邻域搜索33611.1.4禁忌搜索的基本思想33711.1.5禁忌搜索算法的特点33811.1.6禁忌搜索算法的改进方向33911.2禁忌算法的关键参数33911.3禁忌搜索算法的应用343第12章支持向量机算法34912.1支持向量机的相关理论34912.1.1统计学理论34912.1.2数据挖掘分类35012.1.3线性分类器35112.2支持向量机的理论35312.2.1支持向量机的支持技术35312.2.2最优分类面35412.2.3支持向量机的模型35412.2.4支持向量机的算法35512.2.5核函数35612.3支持向量机的应用357第13章小波分析算法36113.1傅里叶变换36113.1.1一维傅里叶变换36113.1.2二维傅里叶变换36613.2小波变换的基本定义36713.2.1一维离散小波变换36813.2.2二维离散小波变换36813.3Mallat算法37013.3.1Mallat算法的原理37113.3.2常用小波函数37313.3.3Mallat算法的应用37513.4小1MATLABR2017a人工智能算法pdf下载声明本pdf资料下载仅供个人学习和研究使用，不能用于商业用途，请在下载后24小时内删除。如果喜欢，请购买正版
pdf下载地址版权归出版社和作者所有，下载链接已删除。如果喜欢，请购买正版！
链接地址：MATLABR2017a人工智能算法