智能控制算法及其應(yīng)用

目錄
前言
第1章 緒論 1
1.1 智能控制的發(fā)展歷史 1
1.2 智能及智能控制的基本概念 3
1.3 PID控制策略 5
1.4 傳統(tǒng)控制面臨的挑戰(zhàn) 7
1.5 智能控制與傳統(tǒng)控制的聯(lián)系和區(qū)別 8
1.6 本書主要內(nèi)容 11
參考文獻(xiàn) 12
第2章 專家系統(tǒng) 15
2.1 專家系統(tǒng)的發(fā)展歷史 15
2.2 基于搜索的問題求解 16
2.2.1 搜索的基本概念 16
2.2.2 逐個搜索 18
2.2.3 基于人工智能的搜索 24
2.3 基于MATLAB的A算法程序設(shè)計與仿真實例 32
2.4 專家系統(tǒng)簡介 40
2.5 專家PID控制 43
2.6 本章小結(jié) 45
參考文獻(xiàn) 45
第3章 模糊控制 50
3.1 模糊控制的發(fā)展歷史 50
3.2 模糊控制的數(shù)學(xué)基礎(chǔ) 51
3.2.1 模糊集合 52
3.2.2 模糊關(guān)系 55
3.2.3 模糊推理 56
3.3 模糊控制器 58
3.4 模糊控制算法的MATLAB仿真設(shè)計與實現(xiàn) 61
3.4.1 MATLAB模糊邏輯工具箱簡介 61
3.4.2 模糊控制算法的仿真程序設(shè)計與實現(xiàn) 67
3.5 基于基金會現(xiàn)場總線的模糊PID控制試驗驗證 71
3.6 本章小結(jié) 81
參考文獻(xiàn) 81
第4章 神經(jīng)網(wǎng)絡(luò) 84
4.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 84
4.2 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 85
4.3 感知器 89
4.3.1 感知器的基本思想 89
4.3.2 感知器的應(yīng)用 91
4.4 BP神經(jīng)網(wǎng)絡(luò) 98
4.5 基于MATLAB的神經(jīng)網(wǎng)絡(luò)應(yīng)用仿真實例 103
4.5.1 基于MATLAB的感知器應(yīng)用仿真實例分析 103
4.5.2 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用仿真實例分析 107
4.6 本章小結(jié) 119
參考文獻(xiàn) 119
第5章 進(jìn)化計算 124
5.1 進(jìn)化計算概要 124
5.2 遺傳算法 124
5.2.1 遺傳算法的基本思想 125
5.2.2 基于MATLAB的遺傳算法應(yīng)用實例分析 128
5.2.3 遺傳算法的模式理論 136
5.2.4 遺傳算法的收斂性分析 139
5.2.5 遺傳算法的改進(jìn) 139
5.3 遺傳編程 140
5.3.1 遺傳編程的基本思想 141
5.3.2 遺傳編程算法的工作步驟 146
5.3.3 基于MATLAB的遺傳編程算法實例分析 146
5.4 本章小結(jié) 147
參考文獻(xiàn) 148
第6章 基于CSAD_FWA的離散時間微分平坦自抗擾控制律參數(shù)優(yōu)化 152
6.1 離散時間微分平坦自抗擾控制律 152
6.1.1 引言 152
6.1.2 微分平坦系統(tǒng)的概念 153
6.1.3 微分平坦自抗擾控制律 155
6.1.4 微分平坦自抗擾控制律離散化 157
6.2 混沌模擬退火動態(tài)煙花優(yōu)化算法及仿真實例 164
6.2.1 動態(tài)煙花算法 164
6.2.2 混沌模擬退火動態(tài)煙花算法 166
6.2.3 優(yōu)化算法的仿真實例 167
6.3 基于PLC的智能優(yōu)化算法試驗平臺簡介 169
6.3.1 系統(tǒng)結(jié)構(gòu)示意圖 169
6.3.2 人機(jī)界面的設(shè)計 170
6.4 基于CSAD_FWA的離散時間DFADRC參數(shù)優(yōu)化仿真驗證 173
6.5 基于CSAD_FWA的離散時間DFADRC參數(shù)優(yōu)化試驗驗證 175
6.6 本章小結(jié) 177
參考文獻(xiàn) 177
第7章 遞減步長果蠅優(yōu)化算法及其在風(fēng)電機(jī)組齒輪箱故障診斷中的應(yīng)用 180
7.1 遞減步長果蠅優(yōu)化算法簡介 180
7.2 支持向量機(jī)簡介 182
7.3 基于DS-FOA的支持向量機(jī)在風(fēng)電機(jī)組齒輪箱故障診斷中的應(yīng)用 186
7.3.1 風(fēng)電機(jī)組齒輪箱振動數(shù)據(jù)的預(yù)處理 186
7.3.2 基于DS-FOA的支持向量機(jī)在風(fēng)電機(jī)組齒輪箱故障診斷中的應(yīng)用實例 197
7.4 本章小結(jié) 202
參考文獻(xiàn) 202
第8章 基于云粒子群布谷鳥融合算法的典型熱工過程模型參數(shù)辨識 206
8.1 火電機(jī)組熱工過程模型參數(shù)辨識簡介 206
8.2 云粒子群布谷鳥融合算法 207
8.2.1 粒子群優(yōu)化算法簡介 207
8.2.2 布谷鳥搜索算法簡介 209
8.2.3 云粒子群布谷鳥融合算法簡介 210
8.2.4 函數(shù)優(yōu)化仿真實例分析 212
8.3 基于CPSO-CS的典型熱工過程模型參數(shù)辨識 214
8.4 本章小結(jié) 220
參考文獻(xiàn) 220