1、MATLAB 智能算法 30 個(gè)案例分析（終極版）1 1 基于遺傳算法的 TSP!TSP!法（王輝）2 2 基于遺傳算法和非線性規(guī)劃的函數(shù)尋優(yōu)算法（史峰）3 3 基于遺傳算法的 BPBP 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法（王輝）4 4 設(shè)菲爾德大學(xué)的 MATLAEBMATLAEB 傳算法工具箱（王輝）5 5 基于遺傳算法的 LQRLQR 空制優(yōu)化算法（胡斐）6 6 遺傳算法工具箱詳解及應(yīng)用（胡斐）7 7 多種群遺傳算法的函數(shù)優(yōu)化算法（王輝）8 8 基于量子遺傳算法的函數(shù)尋優(yōu)算法（王輝）9 9 多目標(biāo) ParetParet。最優(yōu)解搜索算法（胡斐）1010 基于多目標(biāo) ParetoPareto 的二維背包搜索算法

2、（史峰）1111 基于免疫算法的柔性車間調(diào)度算法（史峰）1212 基于免疫算法的運(yùn)輸中心規(guī)劃算法（史峰）1313 基于粒子群算法的函數(shù)尋優(yōu)算法（史峰）1414 基于粒子群算法的 PIDPID 控制優(yōu)化算法（史峰）1515 基于混合粒子群算法的 TSPTSP 尋優(yōu)算法（史峰）1616 基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法（史峰）1717 粒子群算法工具箱（史峰）1818 基于魚群算法的函數(shù)尋優(yōu)算法（王輝）1919 基于模擬退火算法的 TSP!TSP!法（王輝）2020 基于遺傳模擬退火算法的聚類算法（王輝）2121 基于模擬退火算法的 HEVHEV 能量管理策略參數(shù)優(yōu)化（胡斐）2222 蟻群算法

3、的優(yōu)化計(jì)算一一旅行商問題（TSPTSP 優(yōu)化（郁磊） 2323 基于蟻群算法的二維路徑規(guī)劃算法（史峰）2424 基于蟻群算法的三維路徑規(guī)劃算法（史峰）2 25 5有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的回歸擬合一一基于近紅外光譜的汽油辛烷 值預(yù)測（郁磊）2626 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一鶯尾花種類識(shí)別（郁磊）2727 無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一礦井突水水源判別（郁磊）2828 支持向量機(jī)的分類一一基于乳腺組織電阻抗特性的乳腺癌診斷（郁磊）2929 支持向量機(jī)的回歸擬合一一混凝土抗壓強(qiáng)度預(yù)測（郁磊）3030 極限學(xué)習(xí)機(jī)的回歸擬合及分類一一對比實(shí)驗(yàn)研究（郁磊）智能算法是我們在學(xué)習(xí)中經(jīng)常遇到的算法，主要包括遺傳算

4、法，免疫算法，粒子群算法，神經(jīng)網(wǎng)絡(luò)等，智能算法對于很多人來說，既愛乂恨，愛是因?yàn)槭炀毜恼莆諑追N智能算 法，能夠很方便的解決我們的論壇問題，恨是因?yàn)橹悄芩惴?感覺比較“玄乎”，很難理解，更難用它來解決問題。因此，我們組織了王輝，史峰，郁磊，胡斐四名高手共同寫作MATLABWMATLABW 能算法，該書包含了遺傳算法，免疫算法，粒子群算法， 魚群算法，多目標(biāo) paretopareto 算法，模擬退火算法，蟻群算法，神經(jīng)網(wǎng) 絡(luò)，SVMSVM 等，本書最大的特點(diǎn)在于以案例為導(dǎo)向，每個(gè)案例針對一 個(gè)實(shí)際問題，給出全部程序和求解思路，并配套相關(guān)講解視頻，使讀 者在讀過一個(gè)案例之后能夠快速掌握這種方法，并且

5、會(huì)套用案例程序 來編寫白己的程序。本書作者在線，讀者和會(huì)員可以向作者提問，作 者做到有問必答。本書和目錄如下：1 1 基于遺傳算法的 TSP!TSP!法（王輝）TSPTSP 旅行商問題一 TravelingTraveling SalesmanSalesman ProblemProblem 謎典型的 NPNP 完 全問題，即其最壞情況下的時(shí)間復(fù)雜性隨著問題規(guī)模的增大按指數(shù)方 式增長，到目前為止不能找到一個(gè)多項(xiàng)式時(shí)間的有效算法。遺傳算法是一種進(jìn)化算法，其基本原理是仿效生物界中的“物競天擇、適者生 存”的演化法則。遺傳算法的做法是把問題參數(shù)編碼為染色體，再利用迭代的方式進(jìn)行選擇、 交叉以及變異等運(yùn)算

6、來交換種群中染色體的 信息，最終生成符合優(yōu)化目標(biāo)的染色體。 實(shí)踐證明，遺傳算法對于解 決 TSPTSP 問題等組合優(yōu)化問題具有較好的尋優(yōu)性能。2 2 基于遺傳算法和非線性規(guī)劃的函數(shù)尋優(yōu)算法（史峰）遺傳算法提供了求解非線性規(guī)劃的通用框架， 它不依賴于問題的 具體領(lǐng)域。遺傳算法的優(yōu)點(diǎn)是將問題參數(shù)編碼成染色體后進(jìn)行優(yōu) 化，而不針對參數(shù)本身，從而不受函數(shù)約束條件的限制；搜索過程從問題解的一個(gè)集合開始，而不是單個(gè)個(gè)體，具有隱含并行搜索特 性，可大大減少陷入局部最小的可能性。而且優(yōu)化計(jì)算時(shí)算法不依 賴于梯度信息，且不要求目標(biāo)函數(shù)連續(xù)及可導(dǎo)，使其適于求解傳統(tǒng)搜 索方法難以解決的大規(guī)模、非線性組合優(yōu)化問題。3

7、 3 基于遺傳算法的 BPBP 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法（王輝）BPBP 模型被廣泛地應(yīng)用于模式分類、模式識(shí)別等方面.但 BPBP 算法 收斂速度慢，且很容易陷入局部極小點(diǎn)，而遺傳算法具有并行搜索、 效率高、不存在局部收斂問題等優(yōu)點(diǎn)而被廣泛應(yīng)用.遺傳算法的尋優(yōu)過程帶有一定程度的隨機(jī)性和盲從性， 多數(shù)情況下只能收斂到全局次 優(yōu)解，且有過早收斂的現(xiàn)象.為了克服遺傳算法尋優(yōu)過程的盲從性， 將有監(jiān)督學(xué)習(xí)的 BPBP 算法與之結(jié)合以達(dá)到優(yōu)勢互補(bǔ)、提高算法的穩(wěn)定 性和全局搜索能力的目的。4 4 設(shè)菲爾德大學(xué)的 MATLAEBMATLAEB 傳算法工具箱（王輝）MatlabMatlab 遺傳算法（GeneticGe

8、netic Algorithm!Algorithm!化工具箱是基于基本操作 及終止條件、二進(jìn)制和十進(jìn)制相互轉(zhuǎn)換等操作的綜合函數(shù)庫。 其實(shí)現(xiàn) 步驟包括：通過輸入及輸出函數(shù)求出遺傳算法主函數(shù)、 初始種群的生 成函數(shù)，采用選擇、交叉、變異操作求得基本遺傳操作函數(shù)。以函數(shù) 仿真為例，對該函數(shù)優(yōu)化和 GAGA 改進(jìn)，只需改寫函數(shù) m m 文件形式即可。5 5 基于遺傳算法的 LQRLQR 空制優(yōu)化算法（胡斐）LQRLQR 控制在工程中得到了廣泛的應(yīng)用，對于 LQRLQR 最優(yōu)控制方法， 性能指標(biāo)中權(quán)重矩陣的選擇對控制系統(tǒng)的性能有很大影響。 權(quán)重矩陣 通常的確定方法，首先是根據(jù)經(jīng)驗(yàn)初步確定，然后通過模擬，

9、根據(jù)輸 出響應(yīng)量逐步調(diào)整權(quán)重系數(shù)，直到獲得滿意的輸出響應(yīng)量為止。 這種確定方法不僅費(fèi)時(shí)，而且無法獲得最優(yōu)的權(quán)重矩陣使系統(tǒng)性能達(dá)到最優(yōu)。本案例將研究基于遺傳算法的 LQRLQR 控制優(yōu)化算法，利用遺傳算 法的全局尋優(yōu)能力，搜索權(quán)重矩陣。6 6 遺傳算法工具箱詳解及應(yīng)用（胡斐）MATLABMATLAB 白帶的遺傳算法與直接搜索工具箱 （GeneticGenetic AlgorithmAlgorithm andandDirectDirect SearchSearch Toolbox,Toolbox, GADSGADS T T）T T 以較好地解決與遺傳算法相關(guān) 的各種問題。GADSTGADST 可以

10、通過 GUIGUI 界面調(diào)用，也可以通過命令行方 式調(diào)用，使用簡單方便。本案例將對 GADSTGADST 函數(shù)庫的遺傳算法部分 進(jìn)行詳細(xì)的代碼分析和講解，并通過求解非線性方程組介紹GADSTGADST的使用方法。7 7 多種群遺傳算法的函數(shù)優(yōu)化算法（王輝）標(biāo)準(zhǔn)遺傳算法有時(shí)候會(huì)出現(xiàn)未成熟收斂問題，在求解多目標(biāo)優(yōu) 化問題時(shí)顯得尤其嚴(yán)重。遺傳算法存在未成熟收斂問題，在求解多目 標(biāo)優(yōu)化問題時(shí)顯得尤其嚴(yán)重。因此已有學(xué)者提出了多種群遺傳算法。 該算法中多個(gè)種群使用同一目標(biāo)函數(shù)，各種群的交叉率和變異率取不 同的固定值，以搜索不同解空間中的最優(yōu)解，種群之間定期進(jìn)行信息 交換。多種群遺傳算法能在一定程度上緩解遺

11、傳算法的不成熟收斂問 題。8 8 基于量子遺傳算法的函數(shù)尋優(yōu)算法（王輝）量子遺傳算法（QuantumQuantum GeneticGenetic AlgorithmAlgorithm QGAQGA 是量子計(jì)算與 遺傳算法（GeneticGenetic Algorithm,Algorithm, GAGA）ffiffi 結(jié)合的產(chǎn)物，是一種新發(fā)展起來的概率進(jìn)化算法。量子遺傳算法是將量子計(jì)算與遺傳算法相結(jié)合而形 成的一種混合遺傳算法，它彌補(bǔ)了傳統(tǒng)遺傳算法的某些不足；利用量 子計(jì)算的一些概念和理論，如量子位、量子疊加態(tài)等，使用量子比特 編碼染色體，這種概率幅表示可以使一個(gè)量子染色體同時(shí)表達(dá)多個(gè)狀 態(tài)的信

12、息，用量子門對疊加態(tài)的作用作為進(jìn)化操作，能很好地保持種群多樣性和避免選擇壓力問題，而且當(dāng)前最優(yōu)個(gè)體的信息能夠很容易 用來引導(dǎo)變異，使得種群以大概率向著優(yōu)良模式進(jìn)化，從而實(shí)現(xiàn)目標(biāo)的優(yōu)化求解。9 9 多目標(biāo) ParetParet。最優(yōu)解搜索算法（胡斐）多目標(biāo)優(yōu)化是指在約束條件下有兩個(gè)或兩個(gè)以上的優(yōu)化目標(biāo)， 而且這些目標(biāo)之間相互矛盾，不能同時(shí)達(dá)到最優(yōu)，也就是說，一個(gè)目 標(biāo)的最優(yōu)往往是以犧牲其它目標(biāo)作為代價(jià)的， 因此多目標(biāo)優(yōu)化問題存 在多個(gè)最優(yōu)解，這些解之間無法比較優(yōu)劣，統(tǒng)稱為ParetoPareto 最優(yōu)解。帶精 英策略的快速非支配排序遺傳算法（NondominatedNondominated So

13、rtingSorting GeneticGeneticAlgorithmAlgorithm II,II, NSGA-IINSGA-II 是目前應(yīng)用較為廣泛的一種多目標(biāo)算 法。本案例將對 MATLABMATLAB 白帶的改進(jìn)的 NSGA-INSGA-I 進(jìn)行講解，并舉例說 明其應(yīng)用。1010 基于多目標(biāo) ParetoPareto 的二維背包搜索算法（史峰）背包問題（knapsackknapsack problemproblem 是運(yùn)籌學(xué)一個(gè)典型的優(yōu)化難題， 但是它有著廣泛的應(yīng)用背景，如裝載問題、材料切割、投資決策以及 資源分配等， 往往還將其作為其他問題的子問題加以研究。它是個(gè)典型的 NPNP

14、問題，對其求解主要采用啟發(fā)式算法，如貪心算法、遺傳 算法及模擬退火算法等。粒子群算法是一種新的進(jìn)化算法，運(yùn)算簡單、易于實(shí)現(xiàn)，該案例將其用于多目標(biāo)二維背包問題中，向讀者闡明粒子群算法解決帶有約束的多目標(biāo)組合優(yōu)化問題的方法。1111 基于免疫算法的柔性車間調(diào)度算法（史峰）有效的調(diào)度方法與優(yōu)化技術(shù)的研究和應(yīng)用，對于制造企業(yè)提高生 產(chǎn)效率，降低生產(chǎn)成本等方面起著重要作用。然而柔性車間調(diào)度問題 計(jì)算復(fù)雜，約束條件多，普通算法容易陷入局部最優(yōu)問題。免疫算法 是模仿免疫系統(tǒng)抗原識(shí)別，抗原與抗體產(chǎn)生過程，并利用免疫系統(tǒng)多 樣性和記憶抽象得到的算法，具有非線性，全局化搜索等優(yōu)勢，本案 例研究了基于免疫算法的柔性

15、車間調(diào)度算法。1212 基于免疫算法的運(yùn)輸中心規(guī)劃算法（史峰）隨著物流業(yè)的快速發(fā)展，配送在整個(gè)物流系統(tǒng)中的所起的作用 越發(fā)重要，因而配送中心的選址對于企業(yè)的網(wǎng)絡(luò)布局、經(jīng)營方式等起到了重要作用。然而，配送中心的選擇具有計(jì)算復(fù)雜、 約束條件多等 問題，普通算法難以找到問題的最優(yōu)解。 免疫算法具有非線性、全局 搜索等優(yōu)點(diǎn)，適合于此類復(fù)雜問題的研究，本案例研究了基于免疫算 法的運(yùn)輸中心規(guī)劃算法。1313 基于粒子群算法的函數(shù)尋優(yōu)算法（史峰）粒子群優(yōu)化算法（PSO,particlePSO,particle swarmswarm optimizatioptimizati。n n 是計(jì)算智 能領(lǐng)域，除了蟻群

16、算法，魚群算法之外的一種群體智能的優(yōu)化算法。函數(shù)尋優(yōu)是工程中經(jīng)常遇到的問題，有些函數(shù)因?yàn)榫植繕O小值點(diǎn)的存 在，算法難以尋找到局部最優(yōu)值。粒子群算法具有群體智能，全局尋 優(yōu)等優(yōu)勢，比較適合于函數(shù)尋優(yōu)問題， 本案例研究了基于粒子群算法 的函數(shù)尋優(yōu)算法。1414 基于粒子群算法的 PIDPID 控制優(yōu)化算法（史峰）PIDPID 控制方法是工業(yè)領(lǐng)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 參數(shù)即比例參數(shù)、積分參數(shù)、微分參數(shù)的確 定是個(gè)難題，一般是憑經(jīng)驗(yàn)獲得。粒子群算法具有全局尋優(yōu)功能，可 以尋找使控制指標(biāo)值最優(yōu)的 PIDPID 參數(shù)。本案例研究了基于粒子群算法 的 P

17、IDPID 控制優(yōu)化算法。1515 基于混合粒子群算法的 TSPTSP 尋優(yōu)算法（史峰）粒子群算法雖然具有算法簡單，尋優(yōu)速度快等優(yōu)點(diǎn)，但同時(shí)存在算 法容易收斂，易陷入局部最優(yōu)值等問題。采用遺傳算法改進(jìn)粒子群算 法，通過選擇、交叉和變異操作的引入，改進(jìn)了算法性能，增強(qiáng)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 尋優(yōu)算 法。1616 基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法（史峰）普通粒子群算法無法感知外界環(huán)境的變化，在外界環(huán)境發(fā)生改變 時(shí)無法實(shí)時(shí)進(jìn)行響應(yīng)，因而缺乏動(dòng)態(tài)環(huán)境尋優(yōu)能力。在普通粒子群算 法基本上通過增加敏感粒子得到一種動(dòng)態(tài)粒子群算法，該算法通過實(shí) 時(shí)計(jì)算敏感粒子

18、的適應(yīng)度值從而感知外界環(huán)境的變化，當(dāng)外界環(huán)境的變化超過一定的閾值時(shí)算法以按一定比例更新速度和粒子的方式進(jìn) 行相應(yīng)，從而具有動(dòng)態(tài)環(huán)境尋優(yōu)的功能。本案例研究了基于動(dòng)態(tài)粒子 群算法的動(dòng)態(tài)環(huán)境尋優(yōu)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，實(shí)現(xiàn)步驟包括種群規(guī)模選擇，粒子長度選取，適應(yīng)度函數(shù)編寫，粒子群 參數(shù)確定等，可以方便實(shí)現(xiàn)函數(shù)極值尋找，系統(tǒng)參數(shù)尋優(yōu)等功能。本 案例以函數(shù)極值尋優(yōu)為例，詳細(xì)講解了粒子群算法工具箱的使用。1818 基于魚群算法的函數(shù)尋優(yōu)算法（王輝）人工魚群算法是李曉磊等人于 20022002 年提出的一類基于動(dòng)物行 為的群體智能優(yōu)化算法

19、.該算法是通過模擬魚類的覓食、聚群、追尾 等行為在搜索域中進(jìn)行尋優(yōu)，是集群體智能思想的一個(gè)具體應(yīng)用. 人 工魚群算法具有以下特點(diǎn)：具有克服局部極值、取得全局極值的較優(yōu) 秀的能力；算法中僅使用目標(biāo)問題的函數(shù)值，對搜索空間有一定白適 應(yīng)能力；具有對初值與參數(shù)選擇不敏感、魯棒性強(qiáng)、簡單易實(shí)現(xiàn)、收 斂速度快和使用靈活等特點(diǎn).可以解決經(jīng)典方法不能求解的帶有絕對 值且不可導(dǎo)二元函數(shù)等的極值問題。本案例研究了基于魚群算法的函 數(shù)尋優(yōu)算法。1919 基于模擬退火算法的 TSPTSP 算法（王輝）模擬退火算法（SimulatedSimulated AnnealingAnnealing , ,簡稱 SASA 內(nèi)求

20、解傳統(tǒng)方 法難處理的 TSPTSP 問題提供了一個(gè)有效的途徑和通用框架， 并逐漸發(fā) 展成一種迭代白適應(yīng)啟發(fā)式概率性搜索算法。 用以求解不同的非線性 問題；對不可微甚至不連續(xù)的函數(shù)優(yōu)化， SASA 能以較大概率求得全 局優(yōu)化解； 具有較強(qiáng)的魯棒性、全局收斂性、隱含并行性及廣泛的適應(yīng)性； 并且能處理不同類型的優(yōu)化設(shè)計(jì)變量 （離散的、連續(xù)的和 混合型的）；不需要任何的輔助信息，對目標(biāo)函數(shù)和約束函數(shù)沒有任何要求。利用 MetropolisMetropolis 算法并適當(dāng)?shù)乜刂茰囟认陆颠^程， 在優(yōu) 化問題中具有很強(qiáng)的競爭力，本案例研究了基于模擬退火算法的TSP#TSP# 法。2020 基于遺傳模擬退火算

21、法的聚類算法（王輝）遺傳算法在運(yùn)行早期個(gè)體差異較大，當(dāng)米用經(jīng)典的輪盤賭方式選 擇時(shí)，后代產(chǎn)生的個(gè)數(shù)與父個(gè)體適應(yīng)度大小成正比，因此在早期容易使個(gè)別好的個(gè)體的后代充斥整個(gè)種群，造成早熟。在遺傳算法后期， 適應(yīng)度趨向一致，優(yōu)秀的個(gè)體在產(chǎn)生后代時(shí)，優(yōu)勢不明顯，從而使整 個(gè)種群進(jìn)化停滯不前。因此對適應(yīng)度適當(dāng)?shù)剡M(jìn)行拉伸是必要的， 這樣 在溫度高時(shí)（遺傳算法的前期），適應(yīng)度相近的個(gè)體產(chǎn)生的后代概率相 近；而當(dāng)溫度不斷下降后，拉伸作用加強(qiáng)，使適應(yīng)度相近的個(gè)體適應(yīng) 度差異放大，從而使得優(yōu)秀的個(gè)體優(yōu)勢更明顯。由于模擬退火算法和 遺傳算法可以互相取長補(bǔ)短，因此有效地克服了傳統(tǒng)遺傳算法的早熟 現(xiàn)象，同時(shí)根據(jù)聚類問題的

22、具體情況設(shè)計(jì)遺傳編碼方式、適應(yīng)度函數(shù)，使該算法更有效、更快速地收斂到全局最優(yōu)解。本案例研究了基于遺 傳模擬退火算法的聚類算法。2121 基于模擬退火算法的 HEVHEV 能量管理策略參數(shù)優(yōu)化（胡斐）模擬退火算法（SimulatedSimulated Annealing,Annealing, SASA 昨?yàn)榫植克阉魉惴ǖ臄U(kuò) 展，在每一次修改模型的過程中，隨機(jī)產(chǎn)生一個(gè)新的狀態(tài)模型，然后 以一定的概率選擇鄰域中能量值大的狀態(tài)。這種接受新模型的方式使 其成為一種全局最優(yōu)算法，并得到理論證明和實(shí)際應(yīng)用的驗(yàn)證。 能量 管理策略是混合動(dòng)力汽車（HybridHybrid ElectricVehicle,Ele

23、ctricVehicle, HEVHEV 的核心技術(shù)之 一。本案例將對SASA 進(jìn)行講解并將其應(yīng)用于 HEVHEV 能量管理策略的參數(shù) 優(yōu)化。2222 蟻群算法的優(yōu)化計(jì)算一一旅行商問題（TSRTSR 優(yōu)化（郁磊）蟻群算法（AntAnt ColonyColony AlgorithpriACQAlgorithpriACQ 是由意大利學(xué)者 M.DorigoM.Dorigo 等人于 2020 世紀(jì) 9090 年代初提出的一種新的模擬進(jìn)化算法，其真實(shí)地模 擬了白然界螞蟻群體的覓食行為。M.DorigoM.Dorigo 等人將其應(yīng)用于解決旅行商問題（TravelingTraveling SalesmanS

24、alesman ProblemTSRProblemTSR）, ,取得了較好的實(shí)驗(yàn)結(jié) 果。近年來，許多專家與學(xué)者致力于蟻群算法的研究，并將其應(yīng)用于交通、通信、化工、電力等領(lǐng)域，成功解決了許多組合優(yōu)化問題， 如調(diào)度問題 （Job-shopSchedulingProblemJob-shopSchedulingProblem） 、 指派問題 （QuadraticQuadratic AssignmentAssignmentProblemProblem 旅行商問題 （TravelingTraveling SalesmanSalesman ProblemProblem。 本章將詳細(xì)闡述蟻群算法的基本思想及原

25、理，并以實(shí)例的形式介紹其 應(yīng)用于解決中國旅行商問題（ChineseChinese TSPTSP CTSPCTSP 的情況。2323 基于蟻群算法的二維路徑規(guī)劃算法（史峰）二維路徑規(guī)劃算法是機(jī)器人智能控制領(lǐng)域研究中的熱點(diǎn)，算法目的是使機(jī)器人能夠在有障礙物的工作環(huán)境中尋找一條恰當(dāng)?shù)膹慕o定起 點(diǎn)到終點(diǎn)的運(yùn)動(dòng)路徑。蟻群算法具有分布計(jì)算，群體智能等優(yōu)勢，在 路徑規(guī)劃算法上具有很大潛力，本案例研究了基于蟻群算法的二維路 徑規(guī)劃算法。2424 基于蟻群算法的三維路徑規(guī)劃算法（史峰）三維路徑規(guī)劃算法是機(jī)器人智能控制領(lǐng)域中的熱點(diǎn)問題，是指機(jī)器 人在三維地圖中白動(dòng)規(guī)劃一條從出發(fā)點(diǎn)到目標(biāo)點(diǎn)滿足指標(biāo)最優(yōu)的路 徑。相對

26、于二維路徑規(guī)劃算法來說，三維路徑規(guī)劃問題更加復(fù)雜，需 要考慮的因素和約束條件更多，一般方法難以取得好的規(guī)劃效果。 蟻 群算法具有分布計(jì)算，群體智能等優(yōu)勢，在路徑規(guī)劃算法上具有很大 潛力，本案例研究了基于蟻群算法的三維路徑規(guī)劃算法。2525 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的回歸擬合一一基于近紅外光譜的汽油辛 烷值預(yù)測（郁磊）神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則又稱神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，用來計(jì)算更新 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。學(xué)習(xí)規(guī)則有兩大類別：有導(dǎo)師學(xué)習(xí)和無導(dǎo)師 學(xué)習(xí)。在有導(dǎo)師學(xué)習(xí)中，需要為學(xué)習(xí)規(guī)則提供一系列正確的網(wǎng)絡(luò)輸入 /輸出對（即訓(xùn)練樣本），當(dāng)網(wǎng)絡(luò)輸入時(shí)，將網(wǎng)絡(luò)輸出與相對應(yīng)的期望 值進(jìn)行比較，然后應(yīng)用學(xué)習(xí)規(guī)則調(diào)整權(quán)值和閾值，

27、使網(wǎng)絡(luò)的輸出接近 于期望值。而在無導(dǎo)師學(xué)習(xí)中，權(quán)值和閾值的調(diào)整只與網(wǎng)絡(luò)輸入有關(guān) 系，沒有期望值，這類算法大多用聚類法，將輸入模式歸類于有限的 類別。本章將詳細(xì)分析兩種應(yīng)用最廣的有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（BPBP 神經(jīng)網(wǎng)絡(luò)及 RBFRBF 神經(jīng)網(wǎng)絡(luò)）的原理及其在回歸擬合中的應(yīng)用。2626 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一鶯尾花種類識(shí)別（郁磊）有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)以其良好的學(xué)習(xí)能力廣泛應(yīng)用于各個(gè)領(lǐng)域 中，其不僅可以解決擬合回歸問題，亦可以用于模式識(shí)別、分類識(shí)別。 本章將繼續(xù)介紹兩種典型的有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（ GRNNGRNN 和 PNNPNN）, , 并以實(shí)例說明其在分類識(shí)別中的應(yīng)用。2727 無導(dǎo)師學(xué)習(xí)神經(jīng)

28、網(wǎng)絡(luò)的分類一一礦井突水水源判別（郁磊）如第 2525 章及第 2626 章所述，對于有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，事先需要 知道與輸入相對應(yīng)的期望輸出，根據(jù)期望輸出與網(wǎng)絡(luò)輸出間的偏差來 調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。然而，在大多數(shù)情況下，由于人們認(rèn)知能力 以及環(huán)境的限制，往往無法或者很難獲得期望的輸出，在這種情況下， 基于有導(dǎo)師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)往往是無能為力的。與有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不同，無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中無需知道期望的輸出。 其與真實(shí)人腦中的神經(jīng)網(wǎng)絡(luò)類似，可以通過不斷地觀察、分析與比較， 白動(dòng)揭示樣本中的內(nèi)在規(guī)律和本質(zhì)，從而可以對具有近似特征（屬性） 的樣本進(jìn)行準(zhǔn)確地分類和識(shí)別。本章將詳細(xì)介紹競爭神經(jīng)

29、網(wǎng)絡(luò)與白組 織特征映射（SOFMSOFM）神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理，并以實(shí)例說明其具體 的應(yīng)用范圍及效果。2828 支持向量機(jī)的分類一一基于乳腺組織電阻抗特性的乳腺癌診 斷 （郁磊）支持向量機(jī)（SupportSupport VectorVector MachineSVMMachineSVM）是一種新的機(jī)器學(xué) 習(xí)方法，其基礎(chǔ)是 VapnikVapnik 創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論（StatiscalStatiscal LearningLearning Theory,Theory,STLSTL。 統(tǒng)計(jì)學(xué)習(xí)理論采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化 （ StructuralStructural RiskRisk Minimizat

30、ion,Minimization,SRMSRM）準(zhǔn)則，在最小化樣本點(diǎn)誤差的同時(shí)，最小化結(jié) 構(gòu)風(fēng)險(xiǎn)，提高了模型的泛化能力，且沒有數(shù)據(jù)維數(shù)的限制。在進(jìn)行線 性分類時(shí)，將分類面取在離兩類 樣本距離較大的地方；進(jìn)行非線性分類時(shí)通過高維空間變換， 將非線性分類變成高維空間的線性分類問題。本章將詳細(xì)介紹支持向量機(jī)的分類原理，并將其應(yīng)用于基于乳腺組織電阻抗頻譜特性的乳腺癌診 斷。2929 支持向量機(jī)的回歸擬合一一混凝土抗壓強(qiáng)度預(yù)測（郁磊）與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，SVMSVM 具有以下幾個(gè)優(yōu)點(diǎn)：（1 1） SVMSVM是專門針對小樣本問題而提出的， 其可以在有限樣本的情況下獲得最 優(yōu)解；（2 2） SVMSVM

31、 算法最終將轉(zhuǎn)化為一個(gè)二次規(guī)劃問題，從理論上 講可以得到全局最優(yōu)解，從而解決了傳統(tǒng)神經(jīng)網(wǎng)無法避免局部最優(yōu)的 問題；（3 3）SVMSVM 的拓?fù)浣Y(jié)構(gòu)由支持向量決定，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要反復(fù)試湊確定網(wǎng)絡(luò)結(jié)構(gòu)的問題；（4 4） SVMSVM 利用非線性變換將原始變量映射到高維特征空間，在高維特征空間中構(gòu)造線性分類函 數(shù)，這既保證了模型具有良好的泛化能力，又解決了 “維數(shù)災(zāi)難”問 題。 同時(shí)，SVMSVM 不僅可以解決分類、模式識(shí)別等問題，還可以解 決回歸、擬合等問題。因此，其在各個(gè)領(lǐng)域中都得到了非常廣泛的利 用。 本章將詳細(xì)介紹 SVMSVM 回歸擬合的基本思想和原理，并以實(shí)例的形式闡述其在混凝

32、土抗壓強(qiáng)度預(yù)測中的應(yīng)用。3030 極限學(xué)習(xí)機(jī)的回歸擬合及分類一一對比實(shí)驗(yàn)研究（郁磊）單隱含層前饋神經(jīng)網(wǎng)絡(luò)（Single-hiddenLayerSingle-hiddenLayer FeedforwardFeedforward NeuralNeuralNetwork,Network, SLFNSLFN 以其良好的學(xué)習(xí)能力在許多領(lǐng)域中得到了廣泛的應(yīng) 用。然而，傳統(tǒng)的學(xué)習(xí)算法（如 BPBP 算法等）固有的一些缺點(diǎn)，成為 制約其發(fā)展的主要瓶頸。因此，探索一種訓(xùn)練速度快、獲得全局最優(yōu)解，且具有良好的泛化性能的訓(xùn)練算法是提升前饋神經(jīng)網(wǎng)絡(luò)性能的 主要目標(biāo)，也是近年來的研究熱點(diǎn)和難點(diǎn)。本章將介紹一個(gè)針對SLF

33、NSLFN 勺新算法-極限學(xué)習(xí)機(jī)（ExtremeExtreme LearningLearning MachineMachine ELWELW , ,該算法隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾 值，且在訓(xùn)練過程中無需調(diào)整，只需要設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，便可以獲得唯一的最優(yōu)解。與傳統(tǒng)的訓(xùn)練方法相比，該方法具有學(xué)習(xí)速 度快、泛化性能好等優(yōu)點(diǎn)。同時(shí)，在介紹 ELMELM 算法的基礎(chǔ)上，本章以實(shí)例的形式將該算法分別應(yīng)用于回歸擬合（第 2525 章一一基于近 紅外光譜的汽油辛烷值預(yù)測）和分類（第 2626 章一一鶯尾花種類識(shí)別） 中。MATLAB 智能算法 30 個(gè)案例分析智能算法是我們在

34、學(xué)習(xí)中經(jīng)常遇到的算法，主要包括遺傳算法，免疫算法，粒子群算法，神經(jīng)網(wǎng)絡(luò)等，智能算法對于很多人來說，既愛又恨，愛是因?yàn)槭炀毜恼莆諑追N智能算法，能夠很方便的解決我們的論壇問題，恨是因?yàn)橹悄芩惴ǜ杏X比較玄乎”，很難理解，更難用它來解決問題。因此，我們組織了王輝，史峰，郁磊，胡斐四名高手共同寫作MATLAB智能算法,該書包含了遺傳算法，免疫算法，粒子群算法，魚群算法，多目標(biāo)pareto算法，模擬退火算法， 蟻群算法，神經(jīng)網(wǎng)絡(luò)，SVM等，本書最大的特點(diǎn)在于以案例為導(dǎo)向，每個(gè)案例針對一個(gè)實(shí) 際問題，給出全部程序和求解思路，并配套相關(guān)講解視頻,使讀者在讀過一個(gè)案例之后能夠 快速掌握這種方法，并且會(huì)套用案例程

35、序來編寫自己的程序。本書作者在線，讀者和會(huì)員可以向作者提問，作者做到有問必答。本書和目錄如下：1 1 基于遺傳算法的 TSPTSP 算法（王輝）TSP齷行商問題一Traveling Salesman Problem），是典型的NP完全問題，即其最壞情況下的 時(shí)間復(fù)雜性隨著問題規(guī)模的增大按指數(shù)方式增長，到目前為止不能找到一個(gè)多項(xiàng)式時(shí)間的有效算法。遺傳算法是一種進(jìn)化算法，其基本原理是仿效生物界中的物競大擇、適者生存”的演化法則。遺傳算法的做法是把問題參數(shù)編碼為染色體，再利用迭代的方式進(jìn)行選擇、交叉以及變異等運(yùn)算來交換種群中染色體的信息，最終生成符合優(yōu)化目標(biāo)的染色體。 實(shí)踐證明，遺傳算法對于解決TS

36、P問題等組合優(yōu)化問題具有較好的尋優(yōu)性能。2 2 基于遺傳算法和非線性規(guī)劃的函數(shù)尋優(yōu)算法（史峰）遺傳算法提供了求解非線性規(guī)劃的通用框架，它不依賴于問題的具體領(lǐng)域。遺傳算法的優(yōu)點(diǎn)是將問題參數(shù)編碼成染色體后進(jìn)行優(yōu)化，而不針對參數(shù)本身， 從而不受函數(shù)約束條件的限制；搜索過程從問題解的一個(gè)集合開始，而不是單個(gè)個(gè)體， 具有隱含并行搜索特性，可大大減少陷入局部最小的可能性。而且優(yōu)化計(jì)算時(shí)算法不依賴于梯度信息，且不要求目標(biāo)函數(shù)連續(xù)及可導(dǎo)，使其適于求解傳統(tǒng)搜索方法難以解決的大規(guī)模、非線性組合優(yōu)化問題。3 3 基于遺傳算法的 BPBP 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法（王輝）BP模型被廣泛地應(yīng)用于模式分類、模式識(shí)別等方面.但BP

37、算法收斂速度慢，且很容易陷入局部極小點(diǎn)，而遺傳算法具有并行搜索、效率高、不存在局部收斂問題等優(yōu)點(diǎn)而被廣泛應(yīng) 用.遺傳算法的尋優(yōu)過程帶有一定程度的隨機(jī)性和盲從性，多數(shù)情況下只能收斂到全局次優(yōu)解，且有過早收斂的現(xiàn)象.為了克服遺傳算法尋優(yōu)過程的盲從性，將有監(jiān)督學(xué)習(xí)的BP算法與之結(jié)合以達(dá)到優(yōu)勢互補(bǔ)、提高算法的穩(wěn)定性和全局搜索能力的目的。4 4 設(shè)菲爾德大學(xué)的 MATLABMATLAB 遺傳算法工具箱（王輝）Matlab遺傳算法（Genetic Algorithm）優(yōu)化工具箱是基于基本操作及終止條件、二進(jìn)制和十進(jìn) 制相互轉(zhuǎn)換等操作的綜合函數(shù)庫。其實(shí)現(xiàn)步驟包括：通過輸入及輸出函數(shù)求出遺傳算法主函數(shù)、初始種

38、群的生成函數(shù)，采用選擇、交叉、變異操作求得基本遺傳操作函數(shù)。以函數(shù)仿真 為例，對該函數(shù)優(yōu)化和GA改進(jìn)，只需改寫函數(shù)m文件形式即可。5 5 基于遺傳算法的 LQRLQR 控制優(yōu)化算法（胡斐）LQR控制在工程中得到了廣泛的應(yīng)用，對于LQR最優(yōu)控制方法，性能指標(biāo)中權(quán)重矩陣的選擇對控制系統(tǒng)的性能有很大影響。權(quán)重矩陣通常的確定方法，首先是根據(jù)經(jīng)驗(yàn)初步確定，然后通過模擬，根據(jù)輸出響應(yīng)量逐步調(diào)整權(quán)重系數(shù)，直到獲得滿意的輸出響應(yīng)量為止。這種確定方法不僅費(fèi)時(shí)，而且無法獲得最優(yōu)的權(quán)重矩陣使系統(tǒng)性能達(dá)到最優(yōu)。本案例將研究基于遺傳算法的LQR控制優(yōu)化算法，利用遺傳算法的全局尋優(yōu)能力，搜索權(quán)重矩陣。6 6 遺傳算法工具

39、箱詳解及應(yīng)用（胡斐）MATLAB自帶的遺傳算法與直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox,GADST）可以較好地解決與遺傳算法相關(guān)的各種問題。GADST可以通過GUI界面調(diào)用，也可以通過命令行方式調(diào)用，使用簡單方便。本案例將對GADST函數(shù)庫的遺傳算法部分進(jìn)行詳細(xì)的代碼分析和講解，并通過求解非線性方程組介紹GADST的使用方法。7 7 多種群遺傳算法的函數(shù)優(yōu)化算法（王輝） 標(biāo)準(zhǔn)遺傳算法有時(shí)候會(huì)出現(xiàn)未成熟收斂問題，在 求 解多目標(biāo)優(yōu)化問題時(shí)顯得尤其嚴(yán)重。遺傳算法存在未成熟收斂問題，在求解多目標(biāo)優(yōu)化問題時(shí)顯得尤其嚴(yán)重。因此已有學(xué)者提出了

40、多種群遺傳算法。該算法中多個(gè)種群使用同一目標(biāo)函數(shù)，各種群的交叉率和變異率取不同的固定值，以搜索不同解空間中的最優(yōu)解，種群之間定期進(jìn)行信息交換。多種群遺傳算法能在一 定程度上緩解遺傳算法的不成熟收斂問題。8 8 基于量子遺傳算法的函數(shù)尋優(yōu)算法（王輝）量子遺傳算法（Quantum Genetic Algorithm , QGA）是量子計(jì)算與遺傳算法（Genetic Algorithm ,GA）相結(jié)合的產(chǎn)物，是一種新發(fā)展起來的概率進(jìn)化算法。量子遺傳算法是將量子計(jì)算與遺傳 算法相結(jié)合而形成的一種混合遺傳算法，它彌補(bǔ)了傳統(tǒng)遺傳算法的某些不足；利用量子計(jì)算的一些概念和理論， 如量子位、量子疊加態(tài)等，使用量

41、子比特編碼染色體，這種概率幅表示可以使一個(gè)量子染色體同時(shí)表達(dá)多個(gè)狀態(tài)的信息，用量子門對疊加態(tài)的作用作為進(jìn)化操作， 能很好地保持種群多樣性和避免選擇壓力問題，而且當(dāng)前最優(yōu)個(gè)體的信息能夠很容易用來引 導(dǎo)變異，使得種群以大概率向著優(yōu)良模式進(jìn)化，從而實(shí)現(xiàn)目標(biāo)的優(yōu)化求解。9 9 多目標(biāo) ParetoPareto 最優(yōu)解搜索算法（胡斐）多目標(biāo)優(yōu)化是指在約束條件下有兩個(gè)或兩個(gè)以上的優(yōu)化目標(biāo)，而且這些目標(biāo)之間相互矛盾， 不能同時(shí)達(dá)到最優(yōu)，也就是說，一個(gè)目標(biāo)的最優(yōu)往往是以犧牲其它目標(biāo)作為代價(jià)的，因此多目標(biāo)優(yōu)化問題存在多個(gè)最優(yōu)解，這些解之間無法比較優(yōu)劣，統(tǒng)稱為Pareto最優(yōu)解。帶精英策略的快速非支配排序遺傳算法

42、（Nondominated Sorting Genetic Algorithm II , NSGA-II）H目前應(yīng)用較為廣泛的一種多目標(biāo)算法。本案例將對MATLAB自帶的改進(jìn)的NSGA-II進(jìn)行講解，并舉例說明其應(yīng)用。1010 基于多目標(biāo) ParetoPareto 的二維背包搜索算法（史峰）背包問題（knapsack problem）是運(yùn)籌學(xué)一個(gè)典型的優(yōu)化難題，但是它有著廣泛的應(yīng)用背景， 如裝載問題、材料切割、投資決策以及資源分配等，往往還將其作為其他問題的子問題加以研究。它是個(gè)典型的NP問題，對其求解主要采用啟發(fā)式算法，如貪心算法、遺傳算法及 模擬退火算法等。粒子群算法是一種新的進(jìn)化算法，運(yùn)

43、算簡單、易于實(shí)現(xiàn)，該案例將其用于 多目標(biāo)二維背包問題中，向讀者闡明粒子群算法解決帶有約束的多目標(biāo)組合優(yōu)化問題的方 法。1111 基于免疫算法的柔性車間調(diào)度算法（史峰）有效的調(diào)度方法與優(yōu)化技術(shù)的研究和應(yīng)用，對于制造企業(yè)提高生產(chǎn)效率，降低生產(chǎn)成本等方面起著重要作用。然而柔性車間調(diào)度問題計(jì)算復(fù)雜，約束條件多，普通算法容易陷入局部最優(yōu)問題。免疫算法是模仿免疫系統(tǒng)抗原識(shí)別，抗原與抗體產(chǎn)生過程， 并利用免疫系統(tǒng)多樣性和記憶抽象得到的算法，具有非線性，全局化搜索等優(yōu)勢，本案例研究了基于免疫算法的柔性車間調(diào)度算法。1212 基于免疫算法的運(yùn)輸中心規(guī)劃算法（史峰） 隨著物流業(yè)的快速發(fā)展，配送在整個(gè)物流系統(tǒng)中的所

44、起的作用越發(fā)重要，因而配送中心的選址對于企業(yè)的網(wǎng)絡(luò)布局、 經(jīng)營方式等起到了重要作用。然而，配送中心的選擇具有計(jì)算復(fù)雜、約束條件多等問題，普通算法難以找到問題的最優(yōu)解。免疫算法具有非線性、全局搜索等優(yōu)點(diǎn)，適合于此類復(fù)雜問題的研究，本案例研究了基于免疫算法的運(yùn)輸中心規(guī)劃算法。1313 基于粒子群算法的函數(shù)尋優(yōu)算法（史峰）粒子群優(yōu)化算法（PSO,particle swarm optimization ）是計(jì)算智能領(lǐng)域，除了蟻群算法，魚群 算法之外的一種群體智能的優(yōu)化算法。函數(shù)尋優(yōu)是工程中經(jīng)常遇到的問題，有些函數(shù)因?yàn)榫植繕O小值點(diǎn)的存在，算法難以尋找到局部最優(yōu)值。粒子群算法具有群體智能，全局尋優(yōu)等優(yōu)勢，

45、比較適合于函數(shù)尋優(yōu)問題，本案例研究了基于粒子群算法的函數(shù)尋優(yōu)算法。1414 基于粒子群算法的 PIDPID 控制優(yōu)化算法（史峰）PID控制方法是工業(yè)領(lǐng)域中最常用的控制方法，然而在PID控制算法的使用中，PI,D參數(shù)即比例參數(shù)、積分參數(shù)、微分參數(shù)的確定是個(gè)難題，一般是憑經(jīng)驗(yàn)獲得。粒子群算法具有全局尋優(yōu)功能，可以尋找使控制指標(biāo)值最優(yōu)的PID參數(shù)。本案例研究了基于粒子群算法的PID控制優(yōu)化算法。1515 基于混合粒子群算法的 TSPTSP 尋優(yōu)算法（史峰）粒子群算法雖然具有算法簡單，尋優(yōu)速度快等優(yōu)點(diǎn)，但同時(shí)存在算法容易收斂，易陷入局部最優(yōu)值等問題。采用遺傳算法改進(jìn)粒子群算法，通過選擇、交叉和變異操作

46、的引入，改進(jìn)了 算法性能，增強(qiáng)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尋優(yōu)算法。1616 基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法（史峰）普通粒子群算法無法感知外界環(huán)境的變化，在外界環(huán)境發(fā)生改變時(shí)無法實(shí)時(shí)進(jìn)行響應(yīng)，因而缺乏動(dòng)態(tài)環(huán)境尋優(yōu)能力。在普通粒子群算法基本上通過增加敏感粒子得到一種動(dòng)態(tài)粒子群算 法，該算法通過實(shí)時(shí)計(jì)算敏感粒子的適應(yīng)度值從而感知外界環(huán)境的變化，當(dāng)外界環(huán)境的變化超過一定的閾值時(shí)算法以按一定比例更新速度和粒子的方式進(jìn)行相應(yīng)，從而具有動(dòng)態(tài)環(huán)境尋優(yōu)的功能。本案例研究了基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)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，實(shí)現(xiàn)步驟包括種群規(guī)模選擇， 粒子長度選取，適應(yīng)度函數(shù)編寫，粒子群參數(shù)確定等，可以方便實(shí)現(xiàn)函數(shù)極值尋找，系統(tǒng)參 數(shù)尋優(yōu)等功能。本案例以函數(shù)極值尋優(yōu)為例，詳細(xì)講解了粒子群算法工具箱的使用。1818 基于魚群算法的函數(shù)尋優(yōu)算法（王輝）人工魚群算法是李曉磊等人于2002年提出的一類基于動(dòng)物行為的群體智能優(yōu)化算法.該算 法是通過模擬魚類的覓食、聚群、追尾等行為在搜索域中進(jìn)行尋優(yōu)，是集群體智能思想的一個(gè)具體應(yīng)用.人工魚群算法具有以下特點(diǎn)：具有克服局部極值、 取得全局極值的較優(yōu)秀的能力；算法中僅使用目標(biāo)問題的函數(shù)值，對搜索空間有一定自適應(yīng)能力；具有對初值與參數(shù)選擇不敏感、魯棒性強(qiáng)、簡

48、單易實(shí)現(xiàn)、 收斂速度快和使用靈活等特點(diǎn).可以解決經(jīng)典方法不能 求解的帶有絕對值且不可導(dǎo)二元函數(shù)等的極值問題。本案例研究了基于魚群算法的函數(shù)尋優(yōu)算法。1919 基于模擬退火算法的 TSPTSP 算法（王輝）模擬退火算法（Simulated Annealing ,簡稱SA）為求解傳統(tǒng)方法難處理的TSP問題提供了一個(gè)有效的途徑和通用框架，并逐漸發(fā)展成一種迭代自適應(yīng)啟發(fā)式概率性搜索算法。用以求解不同的非線性問題；對不可微甚至不連續(xù)的函數(shù)優(yōu)化，SA能以較大概率求得全局優(yōu)化解；具有較強(qiáng)的魯棒性、 全局收斂性、隱含并行性及廣泛的適應(yīng)性；并且能處理不同類型的優(yōu)化設(shè)計(jì)變量（離散的、連續(xù)的和混合型的）；不需要任何

49、的輔助信息，對目標(biāo)函數(shù)和約束函數(shù)沒有任何要求。利用Metropolis算法并適當(dāng)?shù)乜刂茰囟认陆颠^程，在優(yōu)化問題中具有很強(qiáng)的競爭力，本案例研究了基于模擬退火算法的TSP算法。2020 基于遺傳模擬退火算法的聚類算法（王輝）遺傳算法在運(yùn)行早期個(gè)體差異較大，當(dāng)采用經(jīng)典的輪盤賭方式選擇時(shí)，后代產(chǎn)生的個(gè)數(shù)與父個(gè)體適應(yīng)度大小成正比，因此在早期容易使個(gè)別好的個(gè)體的后代充斥整個(gè)種群，造成早熟。在遺傳算法后期，適應(yīng)度趨向一致，優(yōu)秀的個(gè)體在產(chǎn)生后代時(shí)，優(yōu)勢不明顯，從而使整個(gè)種群進(jìn)化停滯不前。因此對適應(yīng)度適當(dāng)?shù)剡M(jìn)行拉伸是必要的，這樣在溫度高時(shí)（遺傳算法的前期），適應(yīng)度相近的個(gè)體產(chǎn)生的后代概率相近；而當(dāng)溫度不斷下降后

50、，拉伸作用加強(qiáng)，使適 應(yīng)度相近的個(gè)體適應(yīng)度差異放大，從而使得優(yōu)秀的個(gè)體優(yōu)勢更明顯。由于模擬退火算法和遺傳算法可以互相取長補(bǔ)短，因此有效地克服了傳統(tǒng)遺傳算法的早熟現(xiàn)象，同時(shí)根據(jù)聚類問題的具體情況設(shè)計(jì)遺傳編碼方式、適應(yīng)度函數(shù)，使該算法更有效、更快速地收斂到全局最優(yōu)解。 本案例研究了基于遺傳模擬退火算法的聚類算法。2121 基于模擬退火算法的HEVHEV 能量管理策略參數(shù)優(yōu)化（胡斐）模擬退火算法（Simulated Annealing, SA）作為局部搜索算法的擴(kuò)展，在每一次修改模型的過程 中，隨機(jī)產(chǎn)生一個(gè)新的狀態(tài)模型，然后以一定的概率選擇鄰域中能量值大的狀態(tài)。這種接受新模型的方式使其成為一種全局最

51、優(yōu)算法，并得到理論證明和實(shí)際應(yīng)用的驗(yàn)證。能量管理策略是混合動(dòng)力汽車（Hybrid Electric Vehicle, HEV）的核心技術(shù)之一。本案例將對SA進(jìn)行講解并將其應(yīng)用于HEV能量管理策略的參數(shù)優(yōu)化。2222 蟻群算法的優(yōu)化計(jì)算一一旅行商問題（TSPTSP）優(yōu)化（郁磊）蟻群算法（Ant Colony Algorithm , ACA）是由意大利學(xué)者M(jìn).Dorigo等人于20世紀(jì)90年代初 提出的一種新的模擬進(jìn)化算法，其真實(shí)地模擬了自然界螞蟻群體的覓食行為。M.Dorigo等人將其應(yīng)用于解決旅行商問題（Traveling Salesman Problem, TSF3）,取得了較好的實(shí)驗(yàn)結(jié)果。

52、近年來，許多專家與學(xué)者致力于蟻群算法的研究，并將其應(yīng)用于交通、通信、化工、電力等 領(lǐng)域，成功解決了許多組合優(yōu)化問題，如調(diào)度問題（Job-shop Scheduling Problem）、指派問 題（Quadratic AssignmentProblem ）、旅行商問題（Traveling Salesman Problem）等。本章將詳細(xì)闡述蟻群算法的基本思想及原理，并以實(shí)例的形式介紹其應(yīng)用于解決中國旅行商問題（Chinese TSP CTSP的情況。2323 基于蟻群算法的二維路徑規(guī)劃算法（史峰）二維路徑規(guī)劃算法是機(jī)器人智能控制領(lǐng)域研究中的熱點(diǎn)，算法目的是使機(jī)器人能夠在有障礙物的工作環(huán)境中尋找

53、一條恰當(dāng)?shù)膹慕o定起點(diǎn)到終點(diǎn)的運(yùn)動(dòng)路徑。蟻群算法具有分布計(jì)算，群體智能等優(yōu)勢，在路徑規(guī)劃算法上具有很大潛力，本案例研究了基于蟻群算法的二維路徑規(guī)劃算法。2424 基于蟻群算法的三維路徑規(guī)劃算法（史峰）三維路徑規(guī)劃算法是機(jī)器人智能控制領(lǐng)域中的熱點(diǎn)問題，是指機(jī)器人在三維地圖中自動(dòng)規(guī)劃一條從出發(fā)點(diǎn)到目標(biāo)點(diǎn)滿足指標(biāo)最優(yōu)的路徑。相對于二維路徑規(guī)劃算法來說，三維路徑規(guī)劃問題更加復(fù)雜，需要考慮的因素和約束條件更多，一般方法難以取得好的規(guī)劃效果。蟻群算法具有分布計(jì)算，群體智能等優(yōu)勢，在路徑規(guī)劃算法上具有很大潛力，本案例研究了基于蟻群算法的三維路徑規(guī)劃算法。2525 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的回歸擬合一一基于近紅外光譜

54、的汽油辛烷值預(yù)測（郁磊）神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則又稱神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，用來計(jì)算更新神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。學(xué)習(xí)規(guī)則有兩大類別：有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)。在有導(dǎo)師學(xué)習(xí)中，需要為學(xué)習(xí)規(guī)則提供一系列正確的網(wǎng)絡(luò)輸入/輸出對（即訓(xùn)練樣本），當(dāng)網(wǎng)絡(luò)輸入時(shí)，將網(wǎng)絡(luò)輸出與相對應(yīng)的期望值進(jìn)行 比較，然后應(yīng)用學(xué)習(xí)規(guī)則調(diào)整權(quán)值和閾值，使網(wǎng)絡(luò)的輸出接近于期望值。而在無導(dǎo)師學(xué)習(xí)中，權(quán)值和閾值的調(diào)整只與網(wǎng)絡(luò)輸入有關(guān)系，沒有期望值，這類算法大多用聚類法，將輸入模式歸類于有限的類別。本章將詳細(xì)分析兩種應(yīng)用最廣的有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)）的原理及其在回歸擬合中的應(yīng)用。2626 有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一鶯尾花

55、種類識(shí)別（郁磊）有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)以其良好的學(xué)習(xí)能力廣泛應(yīng)用于各個(gè)領(lǐng)域中，其不僅可以解決擬合回歸問題，亦可以用于模式識(shí)別、分類識(shí)別。本章將繼續(xù)介紹兩種典型的有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（GRNN和PNN）,并以實(shí)例說明其在分類識(shí)別中的應(yīng)用。2727 無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的分類一一礦井突水水源判別(郁磊)如第25章及第26章所述，對于有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，事先需要知道與輸入相對應(yīng)的期望輸 出，根據(jù)期望輸出與網(wǎng)絡(luò)輸出間的偏差來調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。然而，在大多數(shù)情況下， 由于人們認(rèn)知能力以及環(huán)境的限制，往往無法或者很難獲得期望的輸出，在這種情況下，基于有導(dǎo)師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)往往是無能為力的。與有導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不

56、同，無導(dǎo)師學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中無需知道期望的輸出。其與真實(shí)人腦中的神經(jīng)網(wǎng)絡(luò)類似，可以通過不斷地觀察、 分析與比較，自動(dòng)揭示樣本中的內(nèi)在規(guī)律和本質(zhì)，從而可以對具有近似特征(屬性)的樣本進(jìn)行準(zhǔn)確地分類和識(shí)別。本章將詳細(xì)介 紹競爭神經(jīng)網(wǎng)絡(luò)與自組織特征映射(SOFM)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理，并以實(shí)例說明其具體的應(yīng)用范圍及效果。2828 支持向量機(jī)的分類 一一基于乳腺組織電阻抗特性的乳腺癌診斷(郁磊)支持向量機(jī)(Support Vector Machine , SVM)是一種新的機(jī)器學(xué)習(xí)方法，其基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計(jì)學(xué)習(xí)理論(Statiscal Learning Theory, STD。統(tǒng)計(jì)學(xué)習(xí)

57、理論采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization , SRM)準(zhǔn)則，在最小化樣本點(diǎn)誤差的同時(shí)，最小化結(jié)構(gòu)風(fēng)險(xiǎn)， 提高了模型的泛化能力，且沒有數(shù)據(jù)維數(shù)的限制。在進(jìn)行線性分類時(shí)，將分類面取在離兩類 樣本距離較大的地方；進(jìn)行非線性分類時(shí)通過高維空間變換，將非線性分類變成高維空間的線性分類問題。本章將詳細(xì)介紹支持向量機(jī)的分類原理，并將其應(yīng)用于基于乳腺組織電阻抗頻譜特性的乳腺癌診斷。2929 支持向量機(jī)的回歸擬合 一一混凝土抗壓強(qiáng)度預(yù)測(郁磊)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，SVM具有以下幾個(gè)優(yōu)點(diǎn)：(1)SVM是專門針對小樣本問題而提出的，其可以在有限樣本的情況下獲得最優(yōu)解；(2)

58、SVM算法最終將轉(zhuǎn)化為一個(gè)二次規(guī)劃問題，從理論上講可以得到全局最優(yōu)解，從而解 決了傳統(tǒng)神經(jīng)網(wǎng)無法避免局部最優(yōu)的問題；(3)SVM的拓?fù)浣Y(jié)構(gòu)由支持向量決定，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要反復(fù)試湊確定網(wǎng)絡(luò)結(jié)構(gòu)的 問題；(4)SVM利用非線性變換將原始變量映射到高維特征空間，在高維特征空間中構(gòu)造線性分類函數(shù)，這既保證了模型具有良好的泛化能力，又解決了維數(shù)災(zāi)難”問題。同時(shí)，SVM不僅可以解決分類、模式識(shí)別等問題，還可以解決回歸、擬合等問題。因此， 其在各個(gè)領(lǐng)域中都得到了非常廣泛的利用。本章將詳細(xì)介紹SVM回歸擬合的基本思想和原理，并以實(shí)例的形式闡述其在混凝土抗壓強(qiáng) 度預(yù)測中的應(yīng)用。3030 極限學(xué)習(xí)機(jī)的回歸擬

59、合及分類 一一對比實(shí)驗(yàn)研究(郁磊)單隱含層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidden Layer Feedforward Neural Network , SLFN以其良好的學(xué)習(xí)能力在許多領(lǐng)域中得到了廣泛的應(yīng)用。然而，傳統(tǒng)的學(xué)習(xí)算法(如BP算法等)固有的一些缺點(diǎn)，成為制約其發(fā)展的主要瓶頸。因此，探索一種訓(xùn)練速度快、獲得全局最優(yōu)解，且具有良好的泛化性能的訓(xùn)練算法是提升前 饋神經(jīng)網(wǎng)絡(luò)性能的主要目標(biāo)，也是近年來的研究熱點(diǎn)和難點(diǎn)。本章將介紹一個(gè)針對SLFN的新算法 極限學(xué)習(xí)機(jī)(Extreme Learning Machine , ELM)，該算法隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值，且

60、在訓(xùn)練過程中無需調(diào)整，只需要設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，便可以獲得唯一的最優(yōu)解。與傳統(tǒng)的訓(xùn)練方法相比， 該方法具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)。同時(shí)，在介紹ELM算法的基礎(chǔ)上，本章以實(shí)例的形式將該算法分別應(yīng)用于回歸擬合(第25章一一基于近紅外光譜的汽油辛烷值預(yù)測)和分類(第26章一一鶯尾花種類識(shí)別)中。第1章1、案例背景遺傳算法(Genetic Algorithm , GA)是一種進(jìn)化算法，其基本原理是仿效生物界中的物競 大擇、適者生存”的演化法則。遺傳算法的做法是把問題參數(shù)編碼為染色體，再利用迭代的方式進(jìn)行選擇、交叉以及變異等運(yùn)算來交換種群中染色體的信息，最終生成符合優(yōu)化目標(biāo)的染色體。在遺傳算法