|
關(guān)于我們
 書單推薦 新書推薦 |
MATLAB智能算法 
定 價(jià)：89 元 叢書名：科學(xué)與工程計(jì)算技術(shù)叢書
9 7 4 8 6 7 7 3 7 0 4 2 8 
本書以最新推出的MATLAB 2016a軟件為基礎(chǔ)，詳細(xì)介紹了各種智能算法的原理及其MATLAB在智能算法中的應(yīng)用。全書以智能算法原理及MATLAB應(yīng)用為主線，結(jié)合各種應(yīng)用實(shí)例，詳細(xì)講解了智能算法的MATLAB實(shí)現(xiàn)。全書分為兩部共13章，第一部分首先從人工智能概述開始，詳細(xì)介紹了神經(jīng)網(wǎng)絡(luò)算法、粒子群算法、遺傳算法、模糊邏輯控制、免疫算法、蟻群算法、小波分析算法及其MATLAB的實(shí)現(xiàn)方式等內(nèi)容；第二部分詳細(xì)介紹了智能算法的工程中的應(yīng)用問(wèn)題，包括模糊神經(jīng)網(wǎng)絡(luò)在工程中的應(yīng)用、遺傳算法在圖像處理中的應(yīng)用、神經(jīng)網(wǎng)絡(luò)在參數(shù)估計(jì)中的應(yīng)用、基于智能算法的PID控制和智能算法的綜合應(yīng)用等。
前言
美國(guó)MathWorks公司的MATLAB軟件是一款用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語(yǔ)言和交互式環(huán)境，主要包括MATLAB和Simulink兩大部分。這款軟件和Mathematica、Maple并稱為三大數(shù)學(xué)軟件。它在數(shù)學(xué)類科技應(yīng)用軟件中首屈一指。MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用MATLAB來(lái)實(shí)現(xiàn)智能算法設(shè)計(jì)要比用C、FORTRAN等語(yǔ)言更為方便。 在人工智能研究領(lǐng)域，智能算法是其重要的一個(gè)分支。目前智能計(jì)算正在蓬勃發(fā)展，研究人工智能的領(lǐng)域十分活躍。雖然智能算法研究水平暫時(shí)還很難使“智能機(jī)器”真正具備人類的智能，但是人工腦是人腦和生物腦的結(jié)合，這種結(jié)合將使人工智能的研究更廣、更深。 智能計(jì)算不斷地在探索智能的新概念、新理論、新方法和新技術(shù)，這些研究成果將給人類世界帶來(lái)巨大的改變。本書將詳細(xì)介紹應(yīng)用MATLAB2016a進(jìn)行智能算法的設(shè)計(jì)及應(yīng)用方法。 1.本書特點(diǎn) (1)由淺入深，循序漸進(jìn)。本書以初、中讀者為對(duì)象，首先從人工智能概述的基礎(chǔ)講起，再以各種智能算法原理及其在MATLAB中的應(yīng)用案例幫助讀者盡快掌握神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的技能。 (2)步驟詳盡、內(nèi)容新穎。本書結(jié)合作者多年的MATLAB智能算法使用經(jīng)驗(yàn)與實(shí)際工程應(yīng)用案例，將智能算法的原理及其MATLAB的實(shí)現(xiàn)方法與技巧詳細(xì)地講解給讀者。本書在講解過(guò)程中步驟詳盡、內(nèi)容新穎，講解過(guò)程輔以相應(yīng)的圖片，使讀者在閱讀時(shí)一目了然，從而快速把握書中所講內(nèi)容。 (3)實(shí)例典型，輕松易學(xué)。通過(guò)學(xué)習(xí)實(shí)際工程應(yīng)用案例的具體操作是掌握神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)最好的方式。本書通過(guò)綜合應(yīng)用案例，透徹詳盡地講解了神經(jīng)網(wǎng)絡(luò)在各方面的應(yīng)用。 2.本書內(nèi)容 本書基于MATLAB2016a版本，講解了智能算法在MATLAB2016a的實(shí)現(xiàn)。本書分為兩個(gè)部分：專題介紹部分和綜合實(shí)例應(yīng)用部分。 第一部分：專題介紹。主要介紹了神經(jīng)網(wǎng)絡(luò)算法、粒子群算法、遺傳算法、模糊邏輯控制、免疫算法、蟻群算法、小波分析算法等。 第1章人工智能概述 第2章神經(jīng)網(wǎng)絡(luò)算法及其MATLAB實(shí)現(xiàn) 第3章粒子群算法及其MATLAB實(shí)現(xiàn) 第4章遺傳算法及其MATLAB實(shí)現(xiàn) 第5章模糊邏輯控制及其MATLAB實(shí)現(xiàn) 第6章免疫算法及其MATLAB實(shí)現(xiàn) 第7章蟻群算法及其MATLAB實(shí)現(xiàn) 第8章小波分析算法及其MATLAB實(shí)現(xiàn) 第二部分：綜合實(shí)例應(yīng)用。主要介紹了幾種智能算法的綜合應(yīng)用，包括模糊神經(jīng)網(wǎng)絡(luò)在工程中的應(yīng)用、遺傳算法在圖像處理中的應(yīng)用、神經(jīng)網(wǎng)絡(luò)在參數(shù)估計(jì)中的應(yīng)用、基于智能算法的PID控制和智能算法的綜合應(yīng)用。 第9章模糊神經(jīng)網(wǎng)絡(luò)在工程中的應(yīng)用 第10章遺傳算法在圖像處理中的應(yīng)用 第11章神經(jīng)網(wǎng)絡(luò)在參數(shù)估計(jì)中的應(yīng)用 第12章基于智能算法的PID控制器設(shè)計(jì) 第13章智能算法的綜合應(yīng)用 3.讀者對(duì)象 本書適合于MATLAB智能算法設(shè)計(jì)初學(xué)者和期望提高智能算法工程應(yīng)用能力的讀者，具體說(shuō)明如下： ★人工智能從業(yè)人員★初學(xué)MATLAB智能算法設(shè)計(jì)的技術(shù)人員 ★大中專院校的教師和在校生★相關(guān)培訓(xùn)機(jī)構(gòu)的教師和學(xué)員 ★MATLAB愛(ài)好者★廣大科研工作人員 4.讀者服務(wù) 為了方便解決本書疑難問(wèn)題，讀者朋友在學(xué)習(xí)過(guò)程中若遇到與本書有關(guān)的技術(shù)問(wèn)題，可以發(fā)郵件到郵箱caxart@126.com或者訪問(wèn)博客http://blog.sina.com.cn/caxart，編者會(huì)盡快給予解答，我們將竭誠(chéng)為您服務(wù)。 另外本書所涉及的素材文件（程序代碼）已經(jīng)上傳到為本書提供的博客中，讀者可以訪問(wèn)下載。 5．本書作者 本書主要由溫正、孫華克編著。此外，付文利、王廣、張巖、沈再陽(yáng)、林曉陽(yáng)、任艷芳、唐家鵬、孫國(guó)強(qiáng)、高飛等也參與了本書部分內(nèi)容的編寫工作，在此表示感謝。 雖然作者在本書的編寫過(guò)程中力求敘述準(zhǔn)確、完善，但由于水平有限，書中欠妥之處在所難免，希望讀者和同仁能夠及時(shí)指出，共同促進(jìn)本書質(zhì)量的提高。 最后再次希望本書能為讀者的學(xué)習(xí)和工作提供幫助！ 編者 2017年6月
作者簡(jiǎn)介
溫正 北京航空航天大學(xué)博士后，現(xiàn)就職于航天某院所，精通MATLAB、ANSYS、Fluent等工程仿真計(jì)算軟件。在國(guó)內(nèi)外期刊發(fā)表論文多篇，其中被EI檢索3篇。申請(qǐng)并獲得授權(quán)專利多項(xiàng)，曾獲得國(guó)防科學(xué)技術(shù)成果獎(jiǎng)等獎(jiǎng)項(xiàng)，曾編寫多本暢銷計(jì)算機(jī)圖書。
目錄
第一部分專 題 介 紹 第1章人工智能概述 1.1人工智能的基本概念 1.1.1智能的概念 1．1．2人工智能的概念 1．1．3人工智能的研究目標(biāo) 1．1．4人工智能的研究方法 1．2人工智能的特征 1．3人工智能的應(yīng)用 1．3．1機(jī)器思維 1．3．2機(jī)器感知 1．3．3機(jī)器行為 1．3．4機(jī)器學(xué)習(xí) 1．3．5機(jī)器計(jì)算 1．3．6分布式人工智能 1．3．7機(jī)器系統(tǒng) 1．3．8典型應(yīng)用 1．4本章小結(jié) 第2章神經(jīng)網(wǎng)絡(luò)算法及其MATLAB實(shí)現(xiàn) 2．1神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 2．1．1人工神經(jīng)網(wǎng)絡(luò)的發(fā)展 2．1．2人工神經(jīng)網(wǎng)絡(luò)研究?jī)?nèi)容 2．1．3人工神經(jīng)網(wǎng)絡(luò)研究方向 2．1．4人工神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢(shì) 2．2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及學(xué)習(xí) 2．2．1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 2．2．2神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 2．2．3MATLAB在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用 2．3MATLAB神經(jīng)網(wǎng)絡(luò)工具箱 2．3．1神經(jīng)網(wǎng)絡(luò)工具箱函數(shù) 2．3．2神經(jīng)網(wǎng)絡(luò)工具箱的圖形用戶界面 2．3．3神經(jīng)網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn) 2．4Simulink神經(jīng)網(wǎng)絡(luò)控制工具箱 2．4．1神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)控制 2．4．2反饋線性化控制 2．4．3模型參考控制 2．5本章小結(jié) 第3章粒子群算法及其MATLAB實(shí)現(xiàn) 3．1粒子群算法基礎(chǔ) 3．1．1粒子群算法的發(fā)展 3．1．2粒子群算法研究?jī)?nèi)容 3．1．3粒子群算法的特點(diǎn) 3．1．4粒子群算法的應(yīng)用 3．2基本粒子群算法 3．2．1基本原理 3．2．2算法構(gòu)成要素 3．2．3算法參數(shù)設(shè)置 3．2．4算法的基本流程 3．2．5算法的MATLAB實(shí)現(xiàn) 3．3MATLAB粒子群工具箱 3．4權(quán)重改進(jìn)的粒子群算法 3．4．1自適應(yīng)權(quán)重法 3．4．2隨機(jī)權(quán)重法 3．4．3線性遞減權(quán)重法 3．5混合粒子群算法 3．5．1基于雜交的算法 3．5．2基于自然選擇的算法 3．5．3基于免疫的粒子群算法 3．5．4基于模擬退火的算法 3．6本章小結(jié) 第4章遺傳算法及其MATLAB實(shí)現(xiàn) 4．1遺傳算法的基本概念 4．1．1算法的基本運(yùn)算 4．1．2遺傳算法的特點(diǎn) 4．1．3遺傳算法中的術(shù)語(yǔ) 4．1．4遺傳算法的發(fā)展現(xiàn)狀 4．1．5遺傳算法的應(yīng)用領(lǐng)域 4．2遺傳算法的原理 4．2．1算法運(yùn)算過(guò)程 4．2．2算法編碼 4．2．3適應(yīng)度及初始群體選取 4．3遺傳算法程序設(shè)計(jì)及其MATLAB工具箱 4．3．1程序設(shè)計(jì) 4．3．2算法參數(shù)設(shè)計(jì)原則 4．3．3適應(yīng)度函數(shù)的調(diào)整 4．3．4算法MATLAB工具箱及其應(yīng)用 4．3．5遺傳算法的GUI實(shí)現(xiàn) 4．4遺傳算法的典型應(yīng)用 4．4．1利用遺傳算法求解函數(shù)極值 4．4．2遺傳算法在TSP中的應(yīng)用 4．4．3遺傳算法的求解優(yōu)化 4．5本章小結(jié) 第5章模糊邏輯控制及其MATLAB實(shí)現(xiàn) 5．1模糊邏輯控制基礎(chǔ) 5．1．1模糊邏輯控制的基本概念 5．1．2模糊邏輯控制原理 5．1．3模糊邏輯控制器設(shè)計(jì)的內(nèi)容 5．1．4模糊邏輯控制規(guī)則設(shè)計(jì) 5．1．5模糊邏輯控制系統(tǒng)的應(yīng)用領(lǐng)域 5．2模糊邏輯控制工具箱 5．2．1模糊邏輯控制工具箱的功能特點(diǎn) 5．2．2模糊系統(tǒng)的基本類型 5．2．3模糊邏輯控制系統(tǒng)的構(gòu)成 5．2．4模糊推理系統(tǒng)的建立、修改與存儲(chǔ)管理 5．2．5模糊語(yǔ)言變量及其語(yǔ)言值 5．2．6模糊語(yǔ)言變量的隸屬度函數(shù) 5．2．7模糊規(guī)則的建立與修改 5．2．8模糊推理計(jì)算與去模糊化 5．3模糊邏輯控制工具箱的圖形界面工具 5．3．1FIS編輯器 5．3．2隸屬度函數(shù)編輯器 5．3．3模糊規(guī)則編輯器 5．3．4模糊規(guī)則瀏覽器 5．3．5模糊推理輸入輸出曲面視圖 5．4模糊邏輯控制的經(jīng)典應(yīng)用 5．4．1基于Simulink的模糊邏輯控制應(yīng)用 5．4．2基于模糊邏輯控制的路徑規(guī)劃應(yīng)用 5．5本章小結(jié) 第6章免疫算法及其MATLAB實(shí)現(xiàn) 6.1免疫算法的基本概念 6.1.1生物免疫系統(tǒng) 6.1.2免疫算法基本原理 6.1.3免疫算法步驟和流程 6.1.4免疫系統(tǒng)模型和免疫算法 6.1.5免疫算法特點(diǎn) 6.1.6免疫算法的發(fā)展趨勢(shì) 6.2免疫遺傳算法 6.2.1免疫遺傳算法步驟和流程 6.2.2基于MATLAB實(shí)現(xiàn)免疫遺傳算法 6.3免疫算法的MATLAB應(yīng)用 6.3.1免疫算法在克隆選擇中的應(yīng)用 6.3.2免疫算法在最短路徑規(guī)劃問(wèn)題中的應(yīng)用 6.3.3免疫算法在TSP中的應(yīng)用 6.3.4免疫算法在故障檢測(cè)中的應(yīng)用 6.4本章小結(jié) 第7章蟻群算法及其MATLAB實(shí)現(xiàn) 7.1蟻群算法概述 7.1.1蟻群算法起源 7.1.2蟻群算法的基本原理 7.1.3自適應(yīng)蟻群算法的介紹 7.1.4蟻群算法實(shí)現(xiàn)的重要規(guī)則 7.1.5蟻群算法的特點(diǎn) 7.1.6蟻群優(yōu)化算法的應(yīng)用 7.2蟻群算法的MATLAB實(shí)現(xiàn) 7.3蟻群算法在MATLAB中的應(yīng)用 7.3.1蟻群算法在路徑規(guī)劃中的應(yīng)用 7.3.2蟻群算法在解決TSP中的應(yīng)用 7.4本章小結(jié) 第8章小波分析算法及其MATLAB實(shí)現(xiàn) 8.1傅里葉變換到小波分析 8.1.1傅里葉變換 8.1.2小波分析 8.2Mallat算法 8.2.1Mallat算法原理 8.2.2常用小波函數(shù)介紹 8.2.3Mallat算法示例 8.3小波GUI簡(jiǎn)介 8.4小波分析用例 8.4.1信號(hào)壓縮 8.4.2信號(hào)去噪 8.4.3分離信號(hào)的不同成分 8.5小波變換在圖像處理中的應(yīng)用 8.5.1小波變換用于圖像壓縮 8.5.2小波在圖像邊緣檢測(cè)的應(yīng)用 8.5.3小波變換在圖像增強(qiáng)方面的應(yīng)用 8.6本章小結(jié) 第二部分綜合實(shí)例應(yīng)用 第9章模糊神經(jīng)網(wǎng)絡(luò)在工程中的應(yīng)用 9.1模糊神經(jīng)網(wǎng)絡(luò) 9.1.1模糊神經(jīng)網(wǎng)絡(luò)概述 9.1.2模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系 9.1.3典型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 9.1.4自適應(yīng)模糊神經(jīng)推理系統(tǒng) 9.2模糊神經(jīng)網(wǎng)絡(luò)建模方法 9.3模糊神經(jīng)網(wǎng)絡(luò)在工程中的應(yīng)用 9.3.1模糊神經(jīng)網(wǎng)絡(luò)在解耦控制中的應(yīng)用 9.3.2模糊神經(jīng)網(wǎng)絡(luò)在函數(shù)逼近中的應(yīng)用 9.4本章小結(jié) 第10章遺傳算法在圖像處理中的應(yīng)用 10.1圖像分割的基礎(chǔ)知識(shí) 10.1.1圖像分割的概念 10.1.2圖像分割的理論 10.1.3灰度門限法簡(jiǎn)介 10.1.4基于最大類間方差圖像分割原理 10.2遺傳算法實(shí)現(xiàn)圖像分割 10.2.1利用遺傳算法實(shí)現(xiàn)圖像分割的原理 10.2.2算法的實(shí)現(xiàn) 10.3遺傳算法在圖像處理中的應(yīng)用 10.3.1基于遺傳算法的道路圖像閾值分割 10.3.2基于遺傳神經(jīng)網(wǎng)絡(luò)的圖像分割 10.3.3應(yīng)用遺傳算法和KSW熵法實(shí)現(xiàn)灰度圖像閾值分割 10.4本章小結(jié) 第11章神經(jīng)網(wǎng)絡(luò)在參數(shù)估計(jì)中的應(yīng)用 11.1參數(shù)估計(jì)的基本知識(shí) 11.1.1參數(shù)估計(jì)的概念 11.1.2點(diǎn)估計(jì)與區(qū)間估計(jì) 11.1.3樣本容量 11.2幾種通用神經(jīng)網(wǎng)絡(luò)MATLAB代碼 11.3神經(jīng)網(wǎng)絡(luò)在參數(shù)估計(jì)中的應(yīng)用 11.3.1神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用 11.3.2灰色神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測(cè)中的應(yīng)用 11.3.3BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測(cè)中的應(yīng)用 11.3.4概率神經(jīng)網(wǎng)絡(luò)在分類預(yù)測(cè)中的應(yīng)用 11.4本章小結(jié) 第12章基于智能算法的PID控制器設(shè)計(jì) 12.1PID控制器的理論基礎(chǔ) 12.2智能算法在PID控制器設(shè)計(jì)中的應(yīng)用 12.2.1神經(jīng)網(wǎng)絡(luò)在PID控制器設(shè)計(jì)中的應(yīng)用 12.2.2模糊控制在PID控制器設(shè)計(jì)中的應(yīng)用 12.2.3遺傳算法在PID控制器設(shè)計(jì)中的應(yīng)用 12.3本章小結(jié) 第13章智能算法綜合應(yīng)用 13.1模糊神經(jīng)網(wǎng)絡(luò)控制在MATLAB中的應(yīng)用 13.2基于遺傳算法的MP算法的應(yīng)用 13.3本章小結(jié) 參考文獻(xiàn)
第3章粒子群算法及其MATLAB實(shí)現(xiàn)
粒子群算法，也稱粒子群優(yōu)化算法(particleswarmoptimization,PSO)，是近年來(lái)發(fā)展起來(lái)的一種新的進(jìn)化算法(evolutionaryalgorithm,EA)。 這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重視，并且在解決實(shí)際問(wèn)題中展示了其優(yōu)越性。粒子群算法是一種并行算法。 本章主要講解了粒子群算法的原理及其在MATLAB上的運(yùn)用。 學(xué)習(xí)目標(biāo)： ■了解粒子群算法的發(fā)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在粒子群算法中的運(yùn)用。 3.1粒子群算法基礎(chǔ) PSO算法屬于進(jìn)化算法的一種，和模擬退火算法相似，它也是從隨機(jī)解出發(fā)，通過(guò)迭代尋找最優(yōu)解，它也是通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)，但它比遺傳算法規(guī)則更為簡(jiǎn)單，它沒(méi)有遺傳算法的“交叉”和“變異”操作，它通過(guò)追隨當(dāng)前搜索到的最優(yōu)值來(lái)尋找全局最優(yōu)。 3.1.1粒子群算法的發(fā)展 1995年美國(guó)電氣工程師Eberhart和社會(huì)心理學(xué)家Kenndy基于鳥群覓食行為提出了粒子群優(yōu)化算法(PSO)，簡(jiǎn)稱粒子群算法。由于該算法概念簡(jiǎn)明、實(shí)現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少，是一種高效的搜索算法。 PSO是模擬鳥群隨機(jī)搜尋食物的捕食行為。假設(shè)在搜索食物區(qū)域里只有一塊食物，所有的小鳥都不知道食物在什么地方，所以Kenndy等認(rèn)為鳥之間存在著互相交換信息，通過(guò)估計(jì)自身的適應(yīng)度值，它們知道當(dāng)前的位置離食物還有多遠(yuǎn)，所以搜索目前離食物最近的鳥的周圍區(qū)域是找到食物的最簡(jiǎn)單有效的辦法，通過(guò)鳥之間的集體協(xié)作使群體達(dá)到最優(yōu)。 PSO就是從這種模型中得到啟示并用于解決優(yōu)化問(wèn)題。在PSO中每個(gè)優(yōu)化問(wèn)題的潛在解都可以想象成搜索空間中的一只鳥，稱之為“粒子”。粒子主要追隨當(dāng)前的最優(yōu)粒子在解空間中搜索，PSO初始化為一群隨機(jī)粒子(隨機(jī)解)，然后通過(guò)迭代找到最優(yōu)解。 在每一次迭代中，粒子通過(guò)跟蹤兩個(gè)“極值”來(lái)更新自己，第一個(gè)就是粒子本身所找到的最優(yōu)解，這個(gè)解稱為個(gè)體極值pbest，另一個(gè)極值是整個(gè)種群目前找到的最優(yōu)解，這個(gè)極值是全局極值gbest。 這兩個(gè)最優(yōu)變量使得鳥在某種程度上朝著這些方向靠近，此外也可以不用整個(gè)種群而只用其中一部分作為粒子的鄰居，那么所有鄰居的極值就是局部極值，粒子始終跟隨這兩個(gè)極值變更自己的位置和速度，直到找到最優(yōu)解。 到目前為止，粒子群算法的發(fā)展得到越來(lái)越多的眾多領(lǐng)域?qū)W者的關(guān)注和研究，成為解決許多問(wèn)題的熱點(diǎn)算法的研究重點(diǎn)。 其中對(duì)PSO算法的改進(jìn)也非常多，有增強(qiáng)算法自適應(yīng)性的改進(jìn)、增強(qiáng)收斂性的改進(jìn)、增加多種群多樣性的改進(jìn)、增強(qiáng)局部搜索的改進(jìn)、與全局優(yōu)化算法相結(jié)合、與確定性的局部?jī)?yōu)化算法相融合等。 以上所述的是對(duì)于算法改進(jìn)的目的的討論，實(shí)際改進(jìn)中應(yīng)用的方法有基于參數(shù)的改進(jìn)，即對(duì)PSO算法的迭代公式的形式上做改進(jìn)；還有從粒子的行為模式進(jìn)行改進(jìn)，即粒子之間的信息交流方式，如拓?fù)浣Y(jié)構(gòu)的改進(jìn)、全局模式與局部模式相結(jié)合的改進(jìn)等；還有基于算法融合的粒子群算法的改進(jìn)，算法融合可以引入其他算法的優(yōu)點(diǎn)來(lái)彌補(bǔ)PSO算法的缺點(diǎn)，設(shè)計(jì)出更適合問(wèn)題求解的優(yōu)化算法。 目前，粒子群算法的發(fā)展趨勢(shì)如下。 (1)粒子群優(yōu)化算法的改進(jìn)。粒子群優(yōu)化算法在解決空間函數(shù)的優(yōu)化問(wèn)題和單目標(biāo)優(yōu)化問(wèn)題上應(yīng)用得比較多，如何應(yīng)用于離散空間優(yōu)化問(wèn)題和多目標(biāo)優(yōu)化問(wèn)題將是粒子群優(yōu)化算法的主要研究方向。如何充分結(jié)合其他進(jìn)化類算法，發(fā)揮優(yōu)勢(shì)，改進(jìn)粒子群優(yōu)化算法的不足也是值得研究的。 (2)粒子群優(yōu)化算法的理論分析。粒子群優(yōu)化算法提出的時(shí)間不長(zhǎng)，數(shù)學(xué)分析很不成熟和系統(tǒng)，存在許多不完善和未涉及的問(wèn)題，對(duì)算法運(yùn)行行為、收斂性、計(jì)算復(fù)雜性的分析比較少。如何知道參數(shù)的選擇和設(shè)計(jì)，如何設(shè)計(jì)適應(yīng)值函數(shù)，如何提高算法在解空間搜索的效率算法收斂以及對(duì)算法模型本身的研究都需要在理論上進(jìn)行更深入的研究。這些都是粒子群優(yōu)化算法的研究方向之一。 (3)粒子群算法的生物學(xué)基礎(chǔ)。如何根據(jù)群體進(jìn)行行為完善算法，將群體智能引入算法中，借鑒生物群體進(jìn)化規(guī)則和進(jìn)化的智能性也是學(xué)者關(guān)注的問(wèn)題。 (4)粒子群優(yōu)化算法與其他進(jìn)化類算法的比較研究。與其他進(jìn)化算法的融合，如何將其他進(jìn)化算法的優(yōu)點(diǎn)和粒子群優(yōu)化算法相結(jié)合，構(gòu)造出有特色有實(shí)用價(jià)值的混合算法是當(dāng)前算法改進(jìn)的一個(gè)重要方向。 (5)粒子群優(yōu)化算法的應(yīng)用。算法的有效性必須在應(yīng)用中才能體現(xiàn)，廣泛地開拓粒子群優(yōu)化算法的應(yīng)用領(lǐng)域，也對(duì)深入研究粒子群優(yōu)化算法非常有意義。 3.1.2粒子群算法研究?jī)?nèi)容 粒子群算法是一個(gè)非常簡(jiǎn)單的算法，且能夠有效地優(yōu)化各種函數(shù)。從某種程度上說(shuō)，此算法介于遺傳算法和進(jìn)化規(guī)劃之間。 此算法非常依賴于隨機(jī)的過(guò)程，這也是和進(jìn)化規(guī)劃的相識(shí)之處，算法中朝全局最優(yōu)和局部最優(yōu)靠近的調(diào)整非常類似于遺傳算法中的交叉算子。 粒子群算法的主要研究?jī)?nèi)容如下。 (1)尋找全局最優(yōu)點(diǎn)。 (2)有較高的收斂速度。 算法還是用了適應(yīng)值的概念，這是所有進(jìn)化計(jì)算方法所共有的特征。 3.1.3粒子群算法的特點(diǎn) 粒子群算法的本質(zhì)是一種隨機(jī)搜索算法，它是一種新興的智能優(yōu)化技術(shù)，是群體智能中一個(gè)新的分支，它也是對(duì)簡(jiǎn)單社會(huì)系統(tǒng)的模擬。 該算法能以較大的概率收斂于全局最優(yōu)解。實(shí)踐證明，它適合在動(dòng)態(tài)、多目標(biāo)優(yōu)化環(huán)境中尋優(yōu)，與傳統(tǒng)的優(yōu)化算法相比較具有更快的計(jì)算速度和更好的全局搜索能力。 其具體特點(diǎn)如下： (1)粒子群優(yōu)化算法是基于群體智能理論的優(yōu)化算法，通過(guò)群體中粒子間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。與進(jìn)化算法比較，PSO是一種更為高效的并行搜索算法。 (2)PSO與GA有很多共同之處，兩者都是隨機(jī)初始化種群，使用適應(yīng)值來(lái)評(píng)價(jià)個(gè)體的優(yōu)劣程度和進(jìn)行一定的隨機(jī)搜索。但PSO是根據(jù)自己的速度來(lái)決定搜索，沒(méi)有GA的明顯交叉和變異。與進(jìn)化算法比較，PSO保留了基于種群的全局搜索策略，但是其采用的速度位移模型操作簡(jiǎn)單，避免了復(fù)雜的遺傳操作。 (3)由于每個(gè)粒子在算法結(jié)束時(shí)仍然保持著其個(gè)體極值。因此，若將PSO用于調(diào)度和決策問(wèn)題時(shí)可以給出多種有意義的選擇方案。而基本遺傳算法在結(jié)束時(shí)，只能得到最后一代個(gè)體的信息，前面迭代的信息沒(méi)有保留。 (4)PSO特有的記憶使其可以動(dòng)態(tài)地跟蹤當(dāng)前的搜索情況并調(diào)整其搜索策略。 (5)PSO有良好的機(jī)制來(lái)有效地平衡搜索過(guò)程的多樣性和方向性。 (6)在收斂的情況下，由于所有的粒子都向最優(yōu)解的方向飛去，所以粒子趨向同一化(失去了多樣性)使得后期收斂速度明顯變慢，以致算法收斂到一定精度時(shí)無(wú)法繼續(xù)優(yōu)化。因此很多學(xué)者都致力于提高PSO算法的性能。 (7)PSO算法對(duì)種群大小不十分敏感，即種群數(shù)目下降時(shí)性能下降不是很大。 3.1.4粒子群算法的應(yīng)用 粒子群算法提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的通用框架，它不依賴于問(wèn)題的具體領(lǐng)域，對(duì)問(wèn)題的種類有很強(qiáng)的適應(yīng)性，所以廣泛應(yīng)用于很多學(xué)科。粒子群算法的一些主要應(yīng)用領(lǐng)域如下。 (1)約束優(yōu)化。隨著問(wèn)題的增多，約束優(yōu)化問(wèn)題的搜索空間也急劇變換，有時(shí)在目前的計(jì)算機(jī)上用枚舉法很難或甚至不可能求出其精確最優(yōu)解。粒子群算法是解決這類問(wèn)題的最佳工具之一。實(shí)踐證明，粒子群算法對(duì)于約束優(yōu)化中的規(guī)劃，離散空間組合問(wèn)題的求解非常有效。 (2)函數(shù)優(yōu)化。是粒子群算法的經(jīng)典應(yīng)用領(lǐng)域，也是對(duì)粒子群算法進(jìn)行性能評(píng)價(jià)的常用算例。 (3)機(jī)器人智能控制。機(jī)器人是一類復(fù)雜的難以精確建模的人工系統(tǒng)，而粒子群算法可用于此類機(jī)器人群搜索，如機(jī)器人的控制與協(xié)調(diào)，移動(dòng)機(jī)器人路徑規(guī)劃。所以機(jī)器人智能控制理所當(dāng)然地成為粒子群算法的一個(gè)重要應(yīng)用領(lǐng)域。 (4)電力系統(tǒng)領(lǐng)域。在其領(lǐng)域中有種類多樣的問(wèn)題，根據(jù)目標(biāo)函數(shù)特性和約束類型許多與優(yōu)化相關(guān)的問(wèn)題需要求解。PSO在電力系統(tǒng)方面的應(yīng)用如配電網(wǎng)擴(kuò)展規(guī)劃、檢修計(jì)劃、機(jī)組組合等。隨著粒子群優(yōu)化理論研究的深入，它還將在電力市場(chǎng)競(jìng)價(jià)交易等其他領(lǐng)域發(fā)揮巨大的應(yīng)用潛在力。 (5)工程設(shè)計(jì)問(wèn)題。在許多情況下所建立起來(lái)的數(shù)學(xué)模型難以精確求解，即使經(jīng)過(guò)一些簡(jiǎn)化之后可以進(jìn)行求解，也會(huì)因簡(jiǎn)化得太多而使得求解結(jié)果與實(shí)際相差甚遠(yuǎn)。現(xiàn)在粒子群算法已成為解決復(fù)雜調(diào)度問(wèn)題的有效工具，在電路及濾波器設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、控制器設(shè)計(jì)與優(yōu)化、任務(wù)分配等方面粒子群算法都得到了有效的應(yīng)用。 (6)生物醫(yī)學(xué)領(lǐng)域。許多菌體的生長(zhǎng)模型即為非線性模型提出了用粒子群算法解決非線性模型的參數(shù)估計(jì)問(wèn)題。還在分子力場(chǎng)的參數(shù)設(shè)定和蛋白質(zhì)圖形的發(fā)現(xiàn)。根據(jù)粒子群算法提出的自適應(yīng)多峰生物測(cè)定融合算法，提高了解決問(wèn)題的準(zhǔn)確性。在醫(yī)學(xué)方面，如醫(yī)學(xué)成像上得到的推廣應(yīng)用等。 (7)通信領(lǐng)域。包括路由選擇及移動(dòng)通信基站布置優(yōu)化，在順序碼分多址連接方式(DSCDMA)通信系統(tǒng)中使用粒子群算法，可獲得可移植的有力算法并提供并行處理能力。比傳統(tǒng)先前的算法有了顯著的優(yōu)越性，還可以應(yīng)用到天線陣列控制和偏振模色散補(bǔ)償?shù)确矫妗?br /> (8)交通運(yùn)輸領(lǐng)域。在物流配送供應(yīng)領(lǐng)域中要求以最少的車輛數(shù)、最小的車輛總行程來(lái)完成貨物的派送任務(wù)；在交通控制控制領(lǐng)域，城市交通問(wèn)題是困擾城市發(fā)展、制約城市經(jīng)濟(jì)建設(shè)的重要因素。 3.2基本粒子群算法 PSO算法是起源對(duì)簡(jiǎn)單社會(huì)系統(tǒng)的模擬，具有很好的生物社會(huì)背景而易理解、參數(shù)少而易實(shí)現(xiàn)，對(duì)非線性、多峰問(wèn)題均具有較強(qiáng)的全局搜索能力，在科學(xué)研究與工程實(shí)踐中得到了廣泛關(guān)注。同時(shí)，PSO是一種很好的優(yōu)化工具。 3.2.1基本原理 PSO從這種模型中得到啟示并用于解決優(yōu)化問(wèn)題。PSO中，每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間中的一只鳥，稱之為粒子。所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適值(fitnessvalue)，每個(gè)粒子還有一個(gè)速度決定它們“飛行”的方向和距離。然后粒子就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。 粒子位置的更新方式如圖31所示。 圖31每代粒子位置的更新方式 ……
你還可能感興趣
我要評(píng)論
|
