优化技术与MATLAB优化工具箱(赵继俊)【电子书籍下载 epub txt pdf doc 】
书籍作者：
书籍出版：
机械工业出版社
书籍页数：
书籍ISBN：
书籍人气：
推荐指数：
优化技术与MATLAB优化工具箱《优化技术与MATLAB优化工具箱》基于山东省研究生教育创新计划项目&优化技术与MATLAB优化工具箱&中的主要内容。《优化技术与MATLAB优化工具箱》把传统的优化设计理论融于MATLAB软件中，通过将最优化技术理论与MATLAB优化工具箱或MATLAB编程相结合，既大大简化了优化设计理论解题过程中繁琐的高级语言编程工作，又能节省程序调试时间，还可以借助于MATLAB软件的强大的数值计算能力和卓越的数据可视化能力，将优化设计的迭代过程形象化地用图表形式表示出来，有利于更深入地了解和掌握各种优化方法的原理及工程应用。《优化技术与MATLAB优化工具箱》主要内容有：优化设计方法与MATLAB优化工具箱概述，优化设计中的数学基础，一维搜索方法，无约束优化方法，约束优化方法，线性规划，多目标函数的优化方法，现代优化方法及上述各种方法中在MATLAB软件中的实现。《优化技术与MATLAB优化工具箱》可作为机械类研究生和高年级本科生教材，也可供广大工程技术人员参考。前言
第1章　优化设计方法与MATLAB概述
1．1　优化设计问题实例
1．2　设计变量
1．3　约束条件
1．5　MATLAB简介
第2章　优化设计中的数学基础与MATLAB实现
函数的方向导数和梯度
2．2　多元函数的泰勒展开式
2．3　二次型函数
2．4　无约束问题的极值条件
2．5　函数的凸性
2．6　约束优化问题的极值条件
2．7　优化设计的迭代法和终止准则
第3章　一维搜索方法与MATLAB实现
3．1　一维搜索方法概述
3．2　搜索区间的确定
3．3　黄金分割法
3．4　二次插值法
3．5　牛顿法
3．6　一维优化问题MATLAB工具箱中的基本函数
第4章　无约束优化方法与MATLAB实现
4．1　无约束优化方法概述
4．2　坐标轮换法
4．3　梯度法
4．4　牛顿法
4．5　共轭方向法
4．6　单纯形法
4．7　Powell法
4．8　变尺度法
4．9　无约束优化问题MATLAB工具箱中的基本函数
第5章　约束优化方法与MATLAB实现
5．1　概述
5．2　随机方向法
5．3　复合形法
5．4　可行方向法
5．5　惩罚函数法
5．6　有约束优化问题MATLAB工具箱中的基本函数
第6章　线性规划与MATLAB现
6．1　线性规划的标准形式与基本性质
6．2　单纯形法的基本原理
6．3　初始基本解与两相法
6．4　线性规划问题的MATLAB实现
6．5　线性规划问题MATLAB工具箱中的基本函数
第7章　多目标函数的优化方法与MATLAB实现
7．1　概述
7．2　统一目标函数法
7．3　主要目标法
7．4　协调曲线法
7．5　多目标优化举例及MATLAB实现
第8章　现代优化方法与MATLAB实现
8．1　遗传算法
8．2　模拟退火算法
第9章　优化设计实例
9．1　威布尔分布参数优化估计
9．2　弹簧的优化设计5被浏览1591分享邀请回答0添加评论分享收藏感谢收起君，已阅读到文档的结尾了呢~~
MATLAB遗传算法工具箱在函数优化中的应用
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
MATLAB遗传算法工具箱在函数优化中的应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口导读：算法流程图如下：，非线性遗传算法寻优结果如下：，普通遗传算法寻优结果如下：，%%遗传算法参数maxgen=30;%进化代数sizepop=100;%种群规模，第3章基于遗传算法的BP神经网络优化算法，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法，BP算法是Rumelhart等人在1986年提出来的，训练算法也多，BP神经网络虽然是人工神经网络中应用最广泛的算法，针对这些特点个重要理论是1951年Kuhn-Tucker最优条件（简称KT条件）的建立。此后的50年代主要是对梯度法和牛顿法的研究。以Davidon（1959），Fletcher和Powell（1963）提出的DFP方法为起点，60年代是研究拟牛顿方法活跃时期，同时对共轭梯度法也有较好的研究。在1970年由Broyden，Fletcher、Goldfarb 和Shanno从不同的角度共同提出的BFGS方法是目前为止最有效的拟牛顿方法。由于Broyden，Dennis 和More的工作使得拟牛顿方法的理论变得很完善。 70年代是非线性规划飞速发展时期， 约束变尺度（SQP）方法（Han和Powell为代表）和Lagrange乘子法（代表人物是Powell 和Hestenes）是这一时期主要研究成果.计算机的飞速发展使非线性规划的研究如虎添翼。80年**始研究信赖域法、稀疏拟牛顿法、大规模问题的方法和并行计算，90年代研究解非线性规划问题的内点法和有限储存法。可以毫不夸张的说，这半个世纪是最优化发展的黄金时期。
1.1.2非线性规划函数
fmincon函数是Matlab最优化工具箱中用来求解非线性规划问题的重要函数，它从一个预估值出发，搜索约束条件下非线性多元函数的最小值。
1.1.3 案例
1.2 模型建立
算法流程图如下：
1.3 仿真结果
非线性遗传算法寻优结果如下：
普通遗传算法寻优结果如下：
主函数代码如下： %% 清空环境 clc clear
%% 遗传算法参数 maxgen=30; %进化代数 sizepop=100; %种群规模 pcross=[0.6]; %交叉概率 pmutation=[0.01]; %变异概率 lenchrom=[1 1 1 1 1]; %变量字串长度 bound=[0 0.9*0 0.9*0 0.9*0 0.9*0 0.9*pi]; %变量范围
%% 个体初始化 individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %种群结构体 avgfitness=[]; %种群平均适应度 bestfitness=[]; %种群最佳适应度 bestchrom=[]; %适应度最好染色体 % 初始化种群 for i=1:sizepop individuals.chrom(i,:)=Code(lenchrom,bound); %随机产生个体 x=individuals.chrom(i,:); individuals.fitness(i)=fun(x); %个体适应度 end
%找最好的染色体 [bestfitness bestindex]=min(individuals.fitness); bestchrom=individuals.chrom(bestindex,:); %最好的染色体 avgfitness=sum(individuals.fitness)/ %染色体的平均适应度 % 记录每一代进化中最好的适应度和平均适应度 trace=[avgfitness bestfitness];
%% 进化开始 for i=1:maxgen
% 选择操作 individuals=Select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/ % 交叉操作 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound); % 变异操作 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound);
% 计算适应度
for j=1:sizepop x=individuals.chrom(j,:); individuals.fitness(j)=fun(x);
%找到最小和最大适应度的染色体及它们在种群中的位置 [newbestfitness,newbestindex]=min(individuals.fitness); [worestfitness,worestindex]=max(individuals.fitness); % 代替上一次进化中最好的染色体 if bestfitness>newbestfitness bestfitness= bestchrom=individuals.chrom(newbestindex,:); end
individuals.chrom(worestindex,:)= individuals.fitness(worestindex)=
avgfitness=sum(individuals.fitness)/
trace=[avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度 end %进化结束
%% 结果显示 [r c]=size(trace); plot([1:r]',trace(:,1),'r-',[1:r]',trace(:,2),'b--'); title(['函数值曲线 ' '终止代数＝' num2str(maxgen)]); xlabel('进化代数');ylabel('函数值'); legend('各代平均值','各代最佳值'); disp('函数值 变量'); % 窗口显示 disp([bestfitness x]);
基于遗传算法的BP神经网络优化算法
1、案例背景
BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP神经网络获得了非常广泛的应用。据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如： ①、学习收敛速度太慢； ②、不能保证收敛到全局最小点； ③、网络结构不易确定。 另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。
本节以某型号拖拉机的齿轮箱为工程背景，介绍使用基于遗传算法的BP神经网络进行齿轮箱故障的诊断。
2、案例目录： 第3章 基于遗传算法的BP神经网络优化算法 3.1 理论基础
3.1.1 BP神经网络概述
3.1.2 遗传算法概述 3.2 案例背景
3.2.1 问题描述
3.2.2 解决思路及步骤
1. 算法流程
2. 神经网络算法实现
3. 遗传算法实现 3.3 MATLAB程序实现
3.3.1 神经网络算法
3.3.2 遗传算法主函数
3.3.3 比较使用遗传算法前后的差别
3.3.4 结果分析 3.4 延伸阅读 3.5 参考文献
3、主程序： clc clear all close all %% 加载神经网络的训练样本 测试样本每列一个样本 输入P 输出T %样本数据就是前面问题描述中列出的数据 load data % 初始隐层神经元个数 hiddennum=31; % 输入向量的最大值和最小值 threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; inputnum=size(P,1); % 输入层神经元个数 outputnum=size(T,1); % 输出层神经元个数 w1num=inputnum* % 输入层到隐层的权值个数 w2num=outputnum*% 隐层到输出层的权值个数 N=w1num+hiddennum+w2num+ %待优化的变量的个数
%% 定义遗传算法参数 NIND=40; %个体数目 MAXGEN=50; %最大遗传代数
包含总结汇报、专业文献、外语学习、旅游景点、IT计算机、资格考试、word文档、行业论文、出国留学、应用文书以及MATLAB_智能算法30个案例分析 有目录等内容。本文共10页
相关内容搜索苹果/安卓/wp
积分 12, 距离下一级还需 12 积分
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
我总以为训练函数和学习函数是一回事，都是用来调整权值和阈值的一种方式。
请问：训练函数和学习函数各有什么作为？
BP网络GUI工具中，训练函数可以是trainlm（默认）, trainbfg, trainrp, traingd, etc.中的任何一个，学习函数必须是learngd 或 learngdm两者之一。训练函数通过调用学习函数对网络权值进行调整，那是不是说明trainlm只是Matlab中调用学习函数的函数，不具有任何调节权值的性能？但有书上这么写：matlab工具箱中函数trainlm以实现levenberg-Marquardt算法，既然trainlm调用levenverg-Marquardt算法（基于最优化理论的算法），那为选择trainlm后，还要调用learngd（梯度下降）和learngdm（带动量梯度下降）算法？一个网络可以有两种不同的算法么？
载入中......
顶一下！！！
有哪个大侠知道的，讲解一下，谢谢
目前正在看这方面的书，关注一下~~
网上看的解释，感觉不错，训练函数和学习函数是两个不同的函数 ，网络设置中两个都有。简单的说，训练函数确定调整的大算法，是全局调整权值和阈值，考虑的是整体误差的最小； 学习函数决定调整量怎么确定，是局部调整权值和阈值，考虑的是单个神经元误差的最小。所以两者不冲突，可以一样也可以不同，就像你绕着楼跑步时，地球也在绕着太阳跑，是局部与整体的区别，既有联系又有区别，辩证统一。
训练函数是如何让误差最小的一些算法，如梯度下降，共轭梯度，这里强调算法。学习函数是指，权值和阈值的调整规则，或者称更新规则。训练函数求得权值或阈值之后，由学习函数进行调整，然后再由训练函数训练新的权值或阈值，然后再调整，反复下去。
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师