智能优化算法及其MATLAB实例*子阳计算机与互联网 pdf下载

智能优化算法在解决大空间、非线性、全局寻优、组合优化等复杂问题方面具有的优势，因而得到了国内外学者的广泛关注，并在信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域得到应用。本书介绍了8种经典智能优化算法——遗传算法、差化算法、免疫算法、蚁群算法、粒子群算法、模拟退火算法、禁忌搜索算法和神经网络算法的来源、原理、算法流程和关键参数说明，并给出了具体的MATLAB仿真实例。对于要用这些算法工具来解决具体问题的理论研究和工程技术人员，通过本书可以节省大量查询资料和编写程序的时间，通过仿真实例可以更深入地理解、快速地掌握这些算法。

读者对象：电子、通信、计算机、自动化、机器人、经济学和管理学等学科以及信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等领域，从事智能优化算法的理论研究和工程应用的广大科研人员以及高等院校高年级本科生、研究生。

目 录

第1章 概述 1
1．1化类算法 2
1．2 群智能算法 3
1．3 模拟退火算法 5
1．4 禁忌搜索算法 5
1．5 神经网络算法 5
参考文献 6
第2章 遗传算法 7
2．1 引言 7
2．2 遗传算法理论 8
2．2．1 遗传算法的生物学基础 8
2．2．2 遗传算法理论基础 9
2．2．3 遗传算法的基本概念 11
2．2．4 标准遗传算法 14
2．2．5 遗传算法的特点 14
2．2．6 遗传算法的方向 15
2．3 遗传算法流程 15
2．4 关键参数说明 17
2．5 MATLAB仿真实例 18
参考文献 33
第3章 差化算法 35
3．1 引言 35
3．2 差化算法理论 36
3．2．1 差化算法原理 36
3．2．2 差化算法的特点 36
3．3 差化算法种类 37
3．3．1 基本差化算法 37
3．3．2 差化算法的其他形式 39
3．3．3 的差化算法 40
3．4 差化算法流程 41
3．5 关键参数的说明 42
3．6 MATLAB仿真实例 43
参考文献 55
第4章 免疫算法 57
4．1 引言 57
4．2 免疫算法理论 58
4．2．1 生物免疫系统 58
4．2．2 免疫算法概念 60
4．2．3 免疫算法的特点 61
4．2．4 免疫算法算子 61
4．3 免疫算法种类 65
4．3．1 克隆选择算法 65
4．3．2 免疫遗传算法 65
4．3．3 反向选择算法 65
4．3．4 疫苗免疫算法 66
4．4 免疫算法流程 66
4．5 关键参数说明 68
4．6 MATLAB仿真实例 69
参考文献 82
第5章 蚁群算法 85
5．1 引言 85
5．2 蚁群算法理论 86
5．2．1 真实蚁群的觅食过程 86
5．2．2 人工蚁群的优化过程 88
5．2．3 真实蚂蚁与人工蚂蚁的异同 88
5．2．4 蚁群算法的特点 89
5．3 基本蚁群算法及其流程 90
5．4 的蚁群算法 93
5．4．1 精英蚂蚁系统 93
5．4．2 蚂蚁系统 93
5．4．3 基于排序的蚁群算法 94
5．4．4 自适应蚁群算法 94
5．5 关键参数说明 95
5．6 MATLAB仿真实例 97
参考文献 106
第6章 粒子群算法 109
6．1 引言 109
6．2 粒子群算法理论 110
6．2．1 粒子群算法描述 110
6．2．2 粒子群算法建模 111
6．2．3 粒子群算法的特点 111
6．3 粒子群算法种类 112
6．3．1 基本粒子群算法 112
6．3．2 标准粒子群算法 112
6．3．3 压缩因子粒子群算法 113
6．3．4 离散粒子群算法 114
6．4 粒子群算法流程 114
6．5 关键参数说明 115
6．6 MATLAB仿真实例 118
参考文献 133
第7章 模拟退火算法 135
7．1 引言 135
7．2 模拟退火算法理论 136
7．2．1 物理退火过程 136
7．2．2 模拟退火原理 137
7．2．3 模拟退火算法思想 138
7．2．4 模拟退火算法的特点 139
7．2．5 模拟退火算法的方向 139
7．3 模拟退火算法流程 140
7．4 关键参数说明 141
7．5 MATLAB仿真实例 143
参考文献 154
第8章 禁忌搜索算法 155
8．1 引言 155
8．2 禁忌搜索算法理论 156
8．2．1 局部邻域搜索 156
8．2．2 禁忌搜索 157
8．2．3 禁忌搜索算法的特点 157
8．2．4 禁忌搜索算法的方向 158
8．3 禁忌搜索算法流程 158
8．4 关键参数说明 160
8．5 MATLAB仿真实例 163
参考文献 174
第9章 神经网络算法 177
9．1 引言 177
9．2 神经网络算法理论 178
9．2．1 人工神经元模型 178
9．2．2 常用激活函数 179
9．2．3 神经网络模型 180
9．2．4 神经网络工作方式 180
9．2．5 神经网络算法的特点 181
9．3 梯度下降算法 182
9．4 BP神经网络算法 183
9．5 神经网络算法的实现 186
9．5．1 数据预处理 186
9．5．2 神经网络实现函数 188
9．6 MATLAB仿真实例 191
参考文献 199
附录A MATLAB主要函数命令 201

本书介绍了8种经典智能优化算法的来源、原理、算法流程和关键参数说明，并给出了具体MAt'LAB仿真实例括：遗传算法、差化算法、免疫算法、蚁群算法、粒子群算法、模拟退火算法、禁忌搜索算法和神经网络算法。全书分为9章：第l章为概述，综合介绍智能优化算能和应用以及主要算法的来源、原理和特点；第2～9章对上述8种智能优化算法分行介绍括其算法简介、算法理论、算法主要种类、算法流程和关键参数说明，并给出MAl’LAB仿真实例，其中有的章节还介绍算法的方向和实现方法。

智能优化算法可应用于电子、通信、计算机、自动化、机器人、经济学和管理学等众多学科；对于要用这些算法工具来解决具体问题的理论研究和工程技术人员来说，通过本书可以节省大量查询资料和编写程序的时间，通过MAJ’LAB仿真实例可以更深入地理解、快速地掌握这些算法。由于每种算法的优化目标可以很多，对应的修正算法也很多，感兴趣的读者可以在此基础行深入研究。

本书自第pan>版、第2版出版发行以来，得到广大读者的厚爱，并有幸被一些高校老师征订为学生教材，他们提出了很多中肯的意见和建议。此外，*本的MAl’LAB软件对其中一些MATLAB函行了更新或替换。为此，有必要在之前版本的基础行一次全面的修订完善，并对MAt、LAB程序版行更新。

为便于读者学考，书中的实例源程序可在华信教育资源网(https：／／www．hxedu．corn．cn／)免费下载，或通过与本书责任编辑(zhangls@phei com_cn)联系获取。

本书子阳、余继周负责编写和修订，杨杉参与修订并负责审查和校正。在编写和修订过程中，得到了北京无线电测量研究所科技委*体部、档信中心、党办、所办以及航天科工二院“创客银行”项目的支持和帮助，电子工业出版社相关编辑为本书的出版付出了辛勤劳动，特此表示感谢。

由于编著者有限，书中难免有各种不足之处，诚挚希望各位专家和读者批评指正。：bao—ZLyang@163．c011pan>。

编著者

2020年10月

第1章 概述

   优化问题是指在满足一定条件下，在众多方案或参数值中寻找方案或参数值，以使得某个或能指标达到，或使系统的某些性能指标达到值或值。优化问题广泛地存在于信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域…。优化方法是一种以数学为基础，用于求解各种优化问题的应用技术。各种优化方法在上述领域得到了广泛应用，并且已经产生了巨大的经济效益和社会效益。实践证明，通过优化方法，能够提率，降低能耗，合理地利用资源，并且随着处理对象规模的增加，这种效果也会更加明显。

在电子、通信、计算机、自动化、机器人、经济学和管理学等众多学科中，不断地出现了许多复杂的组合优化问题。面对这些大型的优化问题，传统的优化方法(如牛顿法、单纯形法等)需要遍历整个搜索空间，无法在短时间内完成搜索，且容易产生搜索的“组合爆炸”‘”。例如，许多工程优化问题，往往需要在复杂而庞大的搜索空间中寻找解或者准解。鉴于实际工程问题的复杂性、非线性、约束性以及建模困难等诸多特点，寻求的优化算法己成为相关学科的主要研究内容之一。

受到人类智能、生物群体社会性或自然现象规律的启发，人们发明了很多智能优化算法来解决上述复杂优化问题，主括：模仿自然界生化机制的遗传算法：通过群体内个体间的合作与竞争来优化搜索的差化算法：模拟生物免疫系统学能的免疫算法；模拟蚂蚁集体寻径行为的蚁群算法；模拟鸟群和鱼群群体行为的粒子群算法；源于固体物质退火过程的模拟退火算法；模拟人类智力记忆过程的禁忌搜索算法；模拟动物神经网络行为特征的神经网络算法；等等。这些算法有个共同点，即都是通过模拟或揭示某些自然界的现象和过程或生物群体的智能行为而得到发展；在优化领域称它们为智能优化算法，它们具有简单、通用、便于并行处理等特点。

pan style="font-family:宋体">．pan>

自然界的生物体在遗传、选择和变异等一系列作用下，优胜劣汰，不断地由低级向高化和发展，人们将这种“适者生存”化规律的实质加以模式化，从而构成一种优化算法，化计算化计算是一系列的搜索技术括遗传算法化规划化策略等，它们在函数优化、模式识别、机器学经网络训练、智能控制等众多领域都有着广泛的应用。其中，遗传算法化计算中具有普遍影响的模化。

优化算法。

为了求解切比雪夫多项式问题，Rainer Stom和Kenneth Price根据这化思想提出了差化算法。它是一种采用实数编码、在连续空间行随机搜索、基于群体迭代的新化算法，具有结构简单、性能的特点。而免疫算法是模仿生物免疫机制，结合基因化机理，人工地构造出的一种新型智能搜索算法。该算法具有一般免疫系统的特征，它采用群体搜索策略，通过迭代计算，*终以较大的概率得到问题的解，属化算法的变种算法。

遗传算法

遗传算法((ienetic．Algorithm，GA)是模拟生物在自然环境中的遗传化过程，从而形成的自适应全局优化搜索算法。它起源于20世纪60年代人们对自然和人工自适应系统的研究，国J．H．Holland教授提出，并于80年代由D．J．Goldberg在一系列研究工作的基础上归*结而成。

遗传算法是通过模仿自然界生化机制而发展起来的随机全局搜索和优化方法。它借鉴了达尔文化论和孟德尔的遗传学说，使用“适者生存”的原则，本质上是一种并行、、全局搜索的方法；它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得解。

差化算法

差化(Differential Evolution，DE)算法*初用于解决切比雪夫多项式问题，后来发现该算法也是解决复杂优化问题的有效技术。

差化算法是一种新兴化计算技术，它基于群体智能理论，是通过群

……