本书全面而系统地介绍了MATLAB算法和案例应用，涉及面广，从基本操作到高级算法应用，几乎涵盖MATLAB算法的所有重要知识。本书结合算法理论和流程，通过大量案例，详解算法代码，解决具体的工程案例，让读者更加深入地学习和掌握各种算法在不同案例中的应用。
目录
第1篇MATLAB常见算法应用
第1章MATLAB基础知识 2
1.1MATLAB简介 2
1.2矩阵的表示 7
1.3图形点线样式 10
1.4MATLAB自带图形集 10
1.4.1平面与立体绘图 10
1.4.2复杂函数的三维绘图 13
1.4.3等高线绘制 17
1.4.4MATLAB动画 17
1.4.5数据拟合 19
1.4.6MATLAB图像处理 21
1.5本章小结 22
第2章GUI应用及数值分析 23
2.1GUI应用分析 23
2.1.1图像加载和存储 23
2.1.2GUI图形显示 25
2.1.3可变GUI窗体设置 26
2.2设计可执行函数文件 28
2.3符号变量应用求解 29
2.4图像盲区 31
2.5正态分布 34
2.6本章小结 36
第3章MATLAB工程应用实例 37
3.1光的反射定理论证 37
3.1.1公式推算 37
3.1.2代码实现 38
3.2质点系转动惯量求解 39
3.3储油罐的油量计算 40
3.4香烟毒物摄入问题 40
3.5冰雹的下落速度 42
3.5.1公式推算 42
3.5.2代码实现 43
3.6本章小结 45
第4章GM应用分析 46
4.1数据归一化处理 46
4.2灰色关联分析 47
4.2.1灰色预测求解流程 47
4.2.2灰色预测建模 48
4.3食品价格灰色关联分析 49
4.3.1食品价格趋势预测 49
4.3.2食品价格分析 50
4.3.3灰色关联分析 50
4.4本章小结 55
第5章PLS应用分析 56
5.1偏最小二乘回归 56
5.2偏最小二乘快速计算方法 59
5.3偏最小二乘数据分析 60
5.4本章小结 66
第6章ES应用分析 67
6.1时间序列的基本概念 67
6.2非平稳时间序列变动的影响因素与测定模型 68
6.3时间序列的预测方法 68
6.3.1季节变动分析 69
6.3.2循环变动分析 69
6.4食品价格分析 69
6.5时间序列指数平滑预测法 71
6.5.1一次指数平滑预测法 72
6.5.2二次指数平滑预测法 73
6.5.3三次指数平滑法 74
6.6时间序列线性二次移动平均法预测法 76 [2]
6.7本章小结 80
第7章Markov应用分析 81
7.1问题背景 81
7.2模型基本假设 82
7.3食品价格趋势预测 82
7.3.1模型符号说明 82
7.3.2模型建立与求解 83
7.3.3结果分析 89
7.4本章小结 95
第8章AHP应用分析 96
8.1层次分析法 96
8.1.1层次分析法特点 96
8.1.2层次分析法步骤 96
8.2工作满意度模型 101
8.3食堂就餐服务质量满意度 105
8.3.1模型基本假设 106
8.3.2模型分析 106
8.3.3模型符号说明 106
8.3.4模型建立与求解 107
8.3.5一致性检验 111
8.3.6结果分析 112
8.4本章小结 113
第9章DWRR应用分析 114
9.1问题的背景 114
9.2模型基本假设 114
9.3模型符号说明 114
9.4模型的建立与求解 115
9.4.1评价指标的规范化处理 115
9.4.2动态加权函数的确定 116
9.4.3空气质量评价模型的建立 116
9.4.4模型求解步骤 117
9.4.5结果求解及分析 118
9.5本章小结 121
第10章模糊逼近算法 122
10.1模糊控制理论 122
10.2模糊系统的设计 122
10.3模糊系统的逼近精度 123
10.4模糊逼近仿真 124
10.5本章小结 129
第11章模糊RBF网络 130
11.1RBF神经网络 130
11.1.1RBF网络结构 130
11.1.2RBF网络的逼近 131
11.2模糊RBF网络 138
11.2.1网络结构 139
11.2.2基于模糊RBF网络的逼近算法 140
11.3本章小结 144
第12章基于FCEM的TRIZ评价 145
12.1TRIZ创新方法原理 145
12.2企业创新能力评价指标的构建 146
12.3企业创新能力的模糊综合评价方法 146
12.4企业创新能力综合评价指标排序结果分析 153
12.5本章小结 154
第2篇MATLAB群智能算法应用设计
第13章基于PSO的寻优计算 156
13.1基本粒子群算法 156
13.2粒子群算法的收敛性 158
13.3粒子群算法函数极值求解 159
13.3.1一维函数全局最优 159
13.3.2经典测试函数 162
13.3.3无约束函数极值寻优 168
13.3.4有约束函数极值寻优 171
13.3.5有约束函数极值APSO寻优 174
13.4本章小结 179
第14章基于PSO的机构优化 180
14.1微粒群优化算法研究现状 180
14.1.1微粒群优化算法的改进研究 180
14.1.2微粒群优化算法的应用研究 181
14.2机构优化设计理论分析 181 [2]
14.3平面连杆机构的模型建立 182
14.4利用复合形法进行设计 184
14.4.1复合形法的算法流程 184
14.4.2模型计算结果 184
14.5利用约束随机方向法进行设计 187
14.5.1初始点的选择 188
14.5.2随机方向法的算法流程 188
14.5.3模型计算结果 188
14.6利用优化工具箱法进行设计 191
14.7利用微粒群优化算法进行设计 194
14.8本章小结 198
第15章基本PSO的改进策略 199
15.1常用粒子群算法 199
15.1.1基本PSO算法 199
15.1.2基本PSO算法流程 201
15.2粒子群算法改进 201
15.3加快粒子群算法效率 202
15.3.1带惯性权重的PSO算法 202
15.3.2权重线性递减的PSO算法 203
15.3.3自适应权重的PSO算法 208
15.3.4随机权重策略的PSO算法 211
15.3.5增加收缩因子的PSO算法 213
15.3.6其他参数的变化 217
15.4本章小结 226
第16章基于GA的寻优计算 227
16.1遗传算法简介 227
16.2遗传算法特点 228
16.3遗传算法的基本步骤 229
16.3.1编码 229
16.3.2初始群体的生成 230
16.3.3杂交 230
16.3.4适应度值评估检测 230
16.3.5选择 231
16.3.6变异 231
16.3.7中止 231
16.4遗传算法的寻优计算 231
16.5基于GA的3D曲面极值寻优计算 239
16.6基于GA_PSO算法的寻优计算 245
16.7遗传算法讨论 248
16.7.1编码表示 248
16.7.2适应度函数 248
16.7.3选择策略 248
16.7.4控制参数 248
16.8本章小结 249
第17章基于GA的TSP求解 250
17.1旅行商问题分析 250
17.2遗传算法算子分析 250
17.2.1选择算子（selection） 250
17.2.2交叉算子（crossover） 251
17.2.3变异算子（mutation） 252
17.3基于GA的旅行商问题求解 252
17.3.1TSP问题定义 252
17.3.2基于遗传算法的TSP算法框架 253
17.3.3TSP算法流程框图 253
17.3.4固定地图TSP求解 254
17.3.5随机地图TSP求解 255
17.4本章小结 261
第18章基于Hopfield的TSP求解 262
18.1Hopfield神经网络 262
18.1.1离散Hopfield网络 263
18.1.2连续Hopfield网络 263
18.2基于CHNN的TSP求解 265
18.2.1模型分析 266
18.2.2模型算法具体步骤 266
18.2.3模型求解 267
18.3本章小结 271
第19章基于ACO的TSP求解 272
19.1蚁群算法理论研究现状 272
19.2蚁群算法的基本原理 273
19.3基于ACO的TSP求解 277
19.4基于ACO_PSO的TSP求解 281
19.5本章小结 291
第20章基于SA的PSO算法 292
20.1模拟退火算法提出 292
20.2模拟退火算法的步骤 293
20.3模拟退火的粒子群算法 293
20.3.1算法寻优步骤 294
20.3.2程序代码 294
20.4本章小结 299
第21章基于kalman的PID控制 300
21.1PID控制原理 300
21.2基于卡尔曼滤波器的PID控制 301
21.2.1含噪音信号的滤波常见处理方法 302
21.2.2采用卡尔曼滤波器实现信号的滤波 312
21.2.3采用卡尔曼滤波进行测量温度的跟踪 314
21.3本章小结 319
第22章基于SOA的寻优计算 320
22.1SOA算法的基本原理 320
22.1.1利己行为 320
22.1.2利他行为 321
22.1.3预动行为 321
22.1.4不确定性行为 321
22.2群智能优化算法 321 [2]
22.2.1PSO算法 321
22.2.2GA算法 322
22.2.3SOA算法 322
22.3人群搜索算法 322
22.3.1适应度函数的选取 322
22.3.2搜索步长的确定 323
22.3.3搜索方向的确定 323
22.3.4个体位置的更新 324
22.3.5算法的实现 324
22.4基于人群搜索算法的函数优化 324
22.4.1优化函数的选择 325
22.4.2函数优化的结果 325
22.5本章小结 337
第23章基于Bayes的数据预测 338
23.1贝叶斯统计方法 338
23.2贝叶斯预测方法 340
23.3贝叶斯网络的数据预测 342
23.4基于贝叶斯网络模式识别应用 345
23.5本章小结 348
第24章基于SOA的PID参数整定 349
24.1SOA算法在PID控制中的运用 349
24.1.1PID控制原理 349
24.1.2PID的离散化处理 350
24.2基于SOA的PID参数整定的设计方案 350
24.2.1参数的编码 351
24.2.2适应度函数的选取 351
24.2.3算法流程 351
24.2.4算法实例 352
24.2.5PID参数整定结果 352
24.3数控机床进给伺服系统的数学模型 371
24.3.1数控机床进给伺服系统的PMSM数学模型 371
24.3.2数控机床伺服系统数学模型的传递函数的表示 372
24.4基于SOA算法对数控机床进给伺服系统PID优化 372
24.4.1适应度函数的选取 373
24.4.2SOA算法流程 373
24.4.3PID参数整定结果 373
24.5本章小结 392
第25章基于BP的人脸方向预测 393
25.1BP神经网络基本原理 393
25.2BP神经网络的分析流程 394
25.3人脸方向预测 396
25.4本章小结 399
第26章基于Hopfield的数字识别 400
26.1Hopfield网络原理分析 400
26.2Hopfield数字识别 401
26.2.1离散Hopfield网络（DHNN） 401
26.2.2连续Hopfield网络 402
26.2.3基于DHNN的数字识别 403
26.3本章小结 409
第27章基于DEA的投入产出分析 410
27.1DEA原理分析 410
27.2DEA分析 411
27.2.1DEA算法流程 411
27.2.2DEA评价模型 411
27.3本章小结 415
第28章基于BP的数据分类 416
28.1BP神经网络基本原理 416
28.2BP神经网络算法步骤 417
28.3BP网络的语音信号识别 417
28.4BP网络的蝴蝶花分类预测 423
28.5本章小结 430
第29章基于SOM的数据分类 431
29.1SOM原理分析 431
29.2SOM拓扑结构分析 432
29.3SOM的癌症样本分类预测 437
29.4柴油机故障分类 439
29.5本章小结 444
第30章基于人工免疫PSO的聚类算法 445
30.1聚类分析 445
30.2PSO优化算法分析 446
30.2.1粒子群优化算法 446
30.2.2PSO算法改进策略 446
30.3人工免疫特性分析 447
30.3.1生物免疫系统及其特性 447
30.3.2种群分布熵 448
30.3.3平均粒距 448
30.3.4精英均值偏差 448
30.4基于人工免疫粒子群优化算法 448
30.4.1PSO在函数极值求解 450
30.4.2粒子群聚类算法理论分析 451
30.4.3粒子群算法实现流程 453
30.4.4种群多样性聚类分析 454
30.5本章小结 464
第31章模糊聚类分析 465
31.1聚类分析原理 465
31.2食品聚类分析 465
31.3模糊聚类工具箱 468
31.4本章小结 472
第32章基于GA_BP的抗糖化活性研究 473
32.1多糖活性背景介绍 473
32.2多糖活性数据初始化 473
32.3GA_BP优化分析 475
32.4本章小结 485
参考文献 486
下载体验