本書(shū)全面而系統(tǒng)地介紹了MATLAB算法和案例應(yīng)用，涉及面廣，從基本操作到高級(jí)算法應(yīng)用，幾乎涵蓋MATLAB算法的所有重要知識(shí)。本書(shū)結(jié)合算法理論和流程，通過(guò)大量案例，詳解算法代碼，解決具體的工程案例，讓讀者更加深入地學(xué)習(xí)和掌握各種算法在不同案例中的應(yīng)用。

目錄

 第1篇MATLAB常見(jiàn)算法應(yīng)用
第1章MATLAB基礎(chǔ)知識(shí) 2
1.1MATLAB簡(jiǎn)介 2
1.2矩陣的表示 7
1.3圖形點(diǎn)線樣式 10
1.4MATLAB自帶圖形集 10
1.4.1平面與立體繪圖 10
1.4.2復(fù)雜函數(shù)的三維繪圖 13
1.4.3等高線繪制 17
1.4.4MATLAB動(dòng)畫(huà) 17
1.4.5數(shù)據(jù)擬合 19
1.4.6MATLAB圖像處理 21
1.5本章小結(jié) 22
第2章GUI應(yīng)用及數(shù)值分析 23
2.1GUI應(yīng)用分析 23
2.1.1圖像加載和存儲(chǔ) 23
2.1.2GUI圖形顯示 25
2.1.3可變GUI窗體設(shè)置 26
2.2設(shè)計(jì)可執(zhí)行函數(shù)文件 28
2.3符號(hào)變量應(yīng)用求解 29
2.4圖像盲區(qū) 31
2.5正態(tài)分布 34
2.6本章小結(jié) 36
第3章MATLAB工程應(yīng)用實(shí)例 37
3.1光的反射定理論證 37
3.1.1公式推算 37
3.1.2代碼實(shí)現(xiàn) 38
3.2質(zhì)點(diǎn)系轉(zhuǎn)動(dòng)慣量求解 39
3.3儲(chǔ)油罐的油量計(jì)算 40
3.4香煙毒物攝入問(wèn)題 40
3.5冰雹的下落速度 42
3.5.1公式推算 42
3.5.2代碼實(shí)現(xiàn) 43
3.6本章小結(jié) 45
第4章GM應(yīng)用分析 46
4.1數(shù)據(jù)歸一化處理 46
4.2灰色關(guān)聯(lián)分析 47
4.2.1灰色預(yù)測(cè)求解流程 47
4.2.2灰色預(yù)測(cè)建模 48
4.3食品價(jià)格灰色關(guān)聯(lián)分析 49
4.3.1食品價(jià)格趨勢(shì)預(yù)測(cè) 49
4.3.2食品價(jià)格分析 50
4.3.3灰色關(guān)聯(lián)分析 50
4.4本章小結(jié) 55
第5章PLS應(yīng)用分析 56
5.1偏最小二乘回歸 56
5.2偏最小二乘快速計(jì)算方法 59
5.3偏最小二乘數(shù)據(jù)分析 60
5.4本章小結(jié) 66
第6章ES應(yīng)用分析 67
6.1時(shí)間序列的基本概念 67
6.2非平穩(wěn)時(shí)間序列變動(dòng)的影響因素與測(cè)定模型 68
6.3時(shí)間序列的預(yù)測(cè)方法 68
6.3.1季節(jié)變動(dòng)分析 69
6.3.2循環(huán)變動(dòng)分析 69
6.4食品價(jià)格分析 69
6.5時(shí)間序列指數(shù)平滑預(yù)測(cè)法 71
6.5.1一次指數(shù)平滑預(yù)測(cè)法 72
6.5.2二次指數(shù)平滑預(yù)測(cè)法 73
6.5.3三次指數(shù)平滑法 74
6.6時(shí)間序列線性二次移動(dòng)平均法預(yù)測(cè)法 76 [2]
6.7本章小結(jié) 80
第7章Markov應(yīng)用分析 81
7.1問(wèn)題背景 81
7.2模型基本假設(shè) 82
7.3食品價(jià)格趨勢(shì)預(yù)測(cè) 82
7.3.1模型符號(hào)說(shuō)明 82
7.3.2模型建立與求解 83
7.3.3結(jié)果分析 89
7.4本章小結(jié) 95
第8章AHP應(yīng)用分析 96
8.1層次分析法 96
8.1.1層次分析法特點(diǎn) 96
8.1.2層次分析法步驟 96
8.2工作滿意度模型 101
8.3食堂就餐服務(wù)質(zhì)量滿意度 105
8.3.1模型基本假設(shè) 106
8.3.2模型分析 106
8.3.3模型符號(hào)說(shuō)明 106
8.3.4模型建立與求解 107
8.3.5一致性檢驗(yàn) 111
8.3.6結(jié)果分析 112
8.4本章小結(jié) 113
第9章DWRR應(yīng)用分析 114
9.1問(wèn)題的背景 114
9.2模型基本假設(shè) 114
9.3模型符號(hào)說(shuō)明 114
9.4模型的建立與求解 115
9.4.1評(píng)價(jià)指標(biāo)的規(guī)范化處理 115
9.4.2動(dòng)態(tài)加權(quán)函數(shù)的確定 116
9.4.3空氣質(zhì)量評(píng)價(jià)模型的建立 116
9.4.4模型求解步驟 117
9.4.5結(jié)果求解及分析 118
9.5本章小結(jié) 121
第10章模糊逼近算法 122
10.1模糊控制理論 122
10.2模糊系統(tǒng)的設(shè)計(jì) 122
10.3模糊系統(tǒng)的逼近精度 123
10.4模糊逼近仿真 124
10.5本章小結(jié) 129
第11章模糊RBF網(wǎng)絡(luò) 130
11.1RBF神經(jīng)網(wǎng)絡(luò) 130
11.1.1RBF網(wǎng)絡(luò)結(jié)構(gòu) 130
11.1.2RBF網(wǎng)絡(luò)的逼近 131
11.2模糊RBF網(wǎng)絡(luò) 138
11.2.1網(wǎng)絡(luò)結(jié)構(gòu) 139
11.2.2基于模糊RBF網(wǎng)絡(luò)的逼近算法 140
11.3本章小結(jié) 144
第12章基于FCEM的TRIZ評(píng)價(jià) 145
12.1TRIZ創(chuàng)新方法原理 145
12.2企業(yè)創(chuàng)新能力評(píng)價(jià)指標(biāo)的構(gòu)建 146
12.3企業(yè)創(chuàng)新能力的模糊綜合評(píng)價(jià)方法 146
12.4企業(yè)創(chuàng)新能力綜合評(píng)價(jià)指標(biāo)排序結(jié)果分析 153
12.5本章小結(jié) 154
第2篇MATLAB群智能算法應(yīng)用設(shè)計(jì)
第13章基于PSO的尋優(yōu)計(jì)算 156
13.1基本粒子群算法 156
13.2粒子群算法的收斂性 158
13.3粒子群算法函數(shù)極值求解 159
13.3.1一維函數(shù)全局最優(yōu) 159
13.3.2經(jīng)典測(cè)試函數(shù) 162
13.3.3無(wú)約束函數(shù)極值尋優(yōu) 168
13.3.4有約束函數(shù)極值尋優(yōu) 171
13.3.5有約束函數(shù)極值A(chǔ)PSO尋優(yōu) 174
13.4本章小結(jié) 179
第14章基于PSO的機(jī)構(gòu)優(yōu)化 180
14.1微粒群優(yōu)化算法研究現(xiàn)狀 180
14.1.1微粒群優(yōu)化算法的改進(jìn)研究 180
14.1.2微粒群優(yōu)化算法的應(yīng)用研究 181
14.2機(jī)構(gòu)優(yōu)化設(shè)計(jì)理論分析 181 [2]
14.3平面連桿機(jī)構(gòu)的模型建立 182
14.4利用復(fù)合形法進(jìn)行設(shè)計(jì) 184
14.4.1復(fù)合形法的算法流程 184
14.4.2模型計(jì)算結(jié)果 184
14.5利用約束隨機(jī)方向法進(jìn)行設(shè)計(jì) 187
14.5.1初始點(diǎn)的選擇 188
14.5.2隨機(jī)方向法的算法流程 188
14.5.3模型計(jì)算結(jié)果 188
14.6利用優(yōu)化工具箱法進(jìn)行設(shè)計(jì) 191
14.7利用微粒群優(yōu)化算法進(jìn)行設(shè)計(jì) 194
14.8本章小結(jié) 198
第15章基本PSO的改進(jìn)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粒子群算法改進(jìn) 201
15.3加快粒子群算法效率 202
15.3.1帶慣性權(quán)重的PSO算法 202
15.3.2權(quán)重線性遞減的PSO算法 203
15.3.3自適應(yīng)權(quán)重的PSO算法 208
15.3.4隨機(jī)權(quán)重策略的PSO算法 211
15.3.5增加收縮因子的PSO算法 213
15.3.6其他參數(shù)的變化 217
15.4本章小結(jié) 226
第16章基于GA的尋優(yōu)計(jì)算 227
16.1遺傳算法簡(jiǎn)介 227
16.2遺傳算法特點(diǎn) 228
16.3遺傳算法的基本步驟 229
16.3.1編碼 229
16.3.2初始群體的生成 230
16.3.3雜交 230
16.3.4適應(yīng)度值評(píng)估檢測(cè) 230
16.3.5選擇 231
16.3.6變異 231
16.3.7中止 231
16.4遺傳算法的尋優(yōu)計(jì)算 231
16.5基于GA的3D曲面極值尋優(yōu)計(jì)算 239
16.6基于GA_PSO算法的尋優(yōu)計(jì)算 245
16.7遺傳算法討論 248
16.7.1編碼表示 248
16.7.2適應(yīng)度函數(shù) 248
16.7.3選擇策略 248
16.7.4控制參數(shù) 248
16.8本章小結(jié) 249
第17章基于GA的TSP求解 250
17.1旅行商問(wèn)題分析 250
17.2遺傳算法算子分析 250
17.2.1選擇算子（selection） 250
17.2.2交叉算子（crossover） 251
17.2.3變異算子（mutation） 252
17.3基于GA的旅行商問(wèn)題求解 252
17.3.1TSP問(wèn)題定義 252
17.3.2基于遺傳算法的TSP算法框架 253
17.3.3TSP算法流程框圖 253
17.3.4固定地圖TSP求解 254
17.3.5隨機(jī)地圖TSP求解 255
17.4本章小結(jié) 261
第18章基于Hopfield的TSP求解 262
18.1Hopfield神經(jīng)網(wǎng)絡(luò) 262
18.1.1離散Hopfield網(wǎng)絡(luò) 263
18.1.2連續(xù)Hopfield網(wǎng)絡(luò) 263
18.2基于CHNN的TSP求解 265
18.2.1模型分析 266
18.2.2模型算法具體步驟 266
18.2.3模型求解 267
18.3本章小結(jié) 271
第19章基于ACO的TSP求解 272
19.1蟻群算法理論研究現(xiàn)狀 272
19.2蟻群算法的基本原理 273
19.3基于ACO的TSP求解 277
19.4基于ACO_PSO的TSP求解 281
19.5本章小結(jié) 291
第20章基于SA的PSO算法 292
20.1模擬退火算法提出 292
20.2模擬退火算法的步驟 293
20.3模擬退火的粒子群算法 293
20.3.1算法尋優(yōu)步驟 294
20.3.2程序代碼 294
20.4本章小結(jié) 299
第21章基于kalman的PID控制 300
21.1PID控制原理 300
21.2基于卡爾曼濾波器的PID控制 301
21.2.1含噪音信號(hào)的濾波常見(jiàn)處理方法 302
21.2.2采用卡爾曼濾波器實(shí)現(xiàn)信號(hào)的濾波 312
21.2.3采用卡爾曼濾波進(jìn)行測(cè)量溫度的跟蹤 314
21.3本章小結(jié) 319
第22章基于SOA的尋優(yōu)計(jì)算 320
22.1SOA算法的基本原理 320
22.1.1利己行為 320
22.1.2利他行為 321
22.1.3預(yù)動(dòng)行為 321
22.1.4不確定性行為 321
22.2群智能優(yōu)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適應(yīng)度函數(shù)的選取 322
22.3.2搜索步長(zhǎng)的確定 323
22.3.3搜索方向的確定 323
22.3.4個(gè)體位置的更新 324
22.3.5算法的實(shí)現(xiàn) 324
22.4基于人群搜索算法的函數(shù)優(yōu)化 324
22.4.1優(yōu)化函數(shù)的選擇 325
22.4.2函數(shù)優(yōu)化的結(jié)果 325
22.5本章小結(jié) 337
第23章基于Bayes的數(shù)據(jù)預(yù)測(cè) 338
23.1貝葉斯統(tǒng)計(jì)方法 338
23.2貝葉斯預(yù)測(cè)方法 340
23.3貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè) 342
23.4基于貝葉斯網(wǎng)絡(luò)模式識(shí)別應(yīng)用 345
23.5本章小結(jié) 348
第24章基于SOA的PID參數(shù)整定 349
24.1SOA算法在PID控制中的運(yùn)用 349
24.1.1PID控制原理 349
24.1.2PID的離散化處理 350
24.2基于SOA的PID參數(shù)整定的設(shè)計(jì)方案 350
24.2.1參數(shù)的編碼 351
24.2.2適應(yīng)度函數(shù)的選取 351
24.2.3算法流程 351
24.2.4算法實(shí)例 352
24.2.5PID參數(shù)整定結(jié)果 352
24.3數(shù)控機(jī)床進(jìn)給伺服系統(tǒng)的數(shù)學(xué)模型 371
24.3.1數(shù)控機(jī)床進(jìn)給伺服系統(tǒng)的PMSM數(shù)學(xué)模型 371
24.3.2數(shù)控機(jī)床伺服系統(tǒng)數(shù)學(xué)模型的傳遞函數(shù)的表示 372
24.4基于SOA算法對(duì)數(shù)控機(jī)床進(jìn)給伺服系統(tǒng)PID優(yōu)化 372
24.4.1適應(yīng)度函數(shù)的選取 373
24.4.2SOA算法流程 373
24.4.3PID參數(shù)整定結(jié)果 373
24.5本章小結(jié) 392
第25章基于BP的人臉?lè)较蝾A(yù)測(cè) 393
25.1BP神經(jīng)網(wǎng)絡(luò)基本原理 393
25.2BP神經(jīng)網(wǎng)絡(luò)的分析流程 394
25.3人臉?lè)较蝾A(yù)測(cè) 396
25.4本章小結(jié) 399
第26章基于Hopfield的數(shù)字識(shí)別 400
26.1Hopfield網(wǎng)絡(luò)原理分析 400
26.2Hopfield數(shù)字識(shí)別 401
26.2.1離散Hopfield網(wǎng)絡(luò)（DHNN） 401
26.2.2連續(xù)Hopfield網(wǎng)絡(luò) 402
26.2.3基于DHNN的數(shù)字識(shí)別 403
26.3本章小結(jié) 409
第27章基于DEA的投入產(chǎn)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評(píng)價(jià)模型 411
27.3本章小結(jié) 415
第28章基于BP的數(shù)據(jù)分類 416
28.1BP神經(jīng)網(wǎng)絡(luò)基本原理 416
28.2BP神經(jīng)網(wǎng)絡(luò)算法步驟 417
28.3BP網(wǎng)絡(luò)的語(yǔ)音信號(hào)識(shí)別 417
28.4BP網(wǎng)絡(luò)的蝴蝶花分類預(yù)測(cè) 423
28.5本章小結(jié) 430
第29章基于SOM的數(shù)據(jù)分類 431
29.1SOM原理分析 431
29.2SOM拓?fù)浣Y(jié)構(gòu)分析 432
29.3SOM的癌癥樣本分類預(yù)測(cè) 437
29.4柴油機(jī)故障分類 439
29.5本章小結(jié) 444
第30章基于人工免疫PSO的聚類算法 445
30.1聚類分析 445
30.2PSO優(yōu)化算法分析 446
30.2.1粒子群優(yōu)化算法 446
30.2.2PSO算法改進(jìn)策略 446
30.3人工免疫特性分析 447
30.3.1生物免疫系統(tǒng)及其特性 447
30.3.2種群分布熵 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優(yōu)化算法 448
30.4.1PSO在函數(shù)極值求解 450
30.4.2粒子群聚類算法理論分析 451
30.4.3粒子群算法實(shí)現(xiàn)流程 453
30.4.4種群多樣性聚類分析 454
30.5本章小結(jié) 464
第31章模糊聚類分析 465
31.1聚類分析原理 465
31.2食品聚類分析 465
31.3模糊聚類工具箱 468
31.4本章小結(jié) 472
第32章基于GA_BP的抗糖化活性研究 473
32.1多糖活性背景介紹 473
32.2多糖活性數(shù)據(jù)初始化 473
32.3GA_BP優(yōu)化分析 475
32.4本章小結(jié) 485
參考文獻(xiàn) 486