智能控制理论和方法 第二版

智能控制理论和方法 第二版
作者：李人厚主编；王拓副 主编
出版时间：2013年版
内容简介
　　本书较全面地论述了智能控制的理论、方法和应用。全书共分9章。主要内容包括：智能控制的发展过程和基本概念；从信息和熵的概念出发，论述三级递阶智能控制的机理；模糊控制、神经元网络、遗传算法、蚁群算法、人工免疫算法以及粒子群算法的基本原理和它们在智能控制中的应用。 本书可作为高等院校工科电子信息类自动控制科学与工程专业研究生和高年级本科生教材，也可供从事相关专业的科技人员参考。
目录
第1章 绪论
1.1 控制科学发展的历史回顾
1.2 智能控制的产生背景
1.3 智能控制的基本概念与研究内容
1.3.1 智能控制的基本概念
1.3.2 智能与智能控制的定义
1.3.3 智能控制的主要研究内容
参考文献

第2章 智能控制系统的结构体系
2.1 智能控制系统的基本结构
2.2 智能控制系统的分类
2.3 递阶智能控制系统的结构和理论
2.3.1 递阶智能控制系统的结构
2.3.2 信息熵与IPDI原理
2.3.3 组织级的分析理论
2.3.4 协调级的分析理论
2.3.5 执行级的最优控制
2.4 智能控制系统的信息结构理论
2.4.1 N维信息理论
2.4.2 信息率划分定律
2.4.3 对递阶智能控制系统的信息流分析
习题与思考题
参考文献

第3章 基于模糊推理的智能控制系统
3.1 模糊控制系统的基本概念与发展历史
3.2 模糊集合与模糊推理
3.2.1 模糊集合
3.2.2 模糊集合的运算和MF的参数化
3.2.3 模糊关系与复合运算
3.2.4 模糊推理
3.3 模糊推理系统
3.4 模糊基函数
3.5 模糊建模
3.5.1 模糊模型
3.5.2 模糊模型的参数辨识
3.5.3 模糊模型的结构辨识
3.6 模糊逻辑控制器的结构与设计
3.6.1 模糊控制器的基本结构
3.6.2 模糊控制系统的设计问题
3.6.3 PID控制器的模糊增益调整
3.7 模糊控制系统的稳定性分析
习题与思考题
参考文献

第4章 基于神经元网络的智能控制系统
4.1 神经元网络与控制
4.2 神经元网络的基本原理和结构
4.2.1 神经元网络的基本单元
4.2.2 神经元网络的模型
4.2.3 神经元的连接方式
4.3 监督学习神经元网络
4.3.1 感知器和反传(BP)网络
4.3.2 小脑模型连接控制器(CMAC)网络
4.3.3 增强学习网络
4.3.4 组合网络(Modular Network)
4.4 无监督学习和反馈神经元网络
4.4.1 竞争学习和Kohonen自组织网络
4.4.2 Hopfield网络
4.4.3 双向联想存储器BAM
4.4.4 Boltzman机
4.5 基于神经元网络的智能控制
4.5.1 基于多神经元网络的复杂函数逼近
4.5.2 用神经元网络对复杂系统建模
4.5.3 用神经元网络进行的智能控制
4.6 神经元网络控制非线性动态系统的能控性与稳定性
习题与思考题
参考文献

第5章 遗传算法及其在智能控制中的应用
5.1 遗传算法的基本概念
5.2 简单遗传算法
5.3 遗传算法的基本数学问题
5.4 遗传算法应用中的一些基本问题
5.4.1 知识表示(编码)
5.4.2 适应度函数
5.4.3 GA的全局收敛性与最优性
5.4.4 遗传算法的早期收敛
5.5 高级遗传算法
5.5.1 改进的选择方法
5.5.2 高级GA运算
5.6 微种群和双种群遗传算法
5.6.1 微种群算法
5.6.2 双种群遗传算法
5.7 遗传算法的应用
5.7.1 GA在神经网络参数学习中的应用
5.7.2 GA在滑模控制系统设计中的应用
5.8 模糊规则与遗传算法在控制中的应用
习题与思考题
参考文献

第6章 模糊—神经元网络及其在智能控制中的应用
6.1 模糊系统与神经元网络集成的基本概念
6.1.1 模糊系统与神经元网络的一般比较
6.1.2 模糊系统与神经网络集成的理由
6.2 基于神经元网络的模糊系统
6.2.1 基于神经元网络的基本模糊逻辑运算
6.2.2 基于神经网络的模糊逻辑推理
6.2.3 神经网络驱动的模糊推理系统
6.2.4 基于神经网络的模糊建模
6.3 模糊神经网络
6.3.1 模糊神经元
6.3.2 神经网络模糊化
6.4 神经-模糊控制器
6.4.1 模糊自适应学习控制网络
6.4.2 神经-模糊控制器的参数学习
6.4.3 神经-模糊控制器的结构学习
6.4.4 具有增强学习的神经-模糊控制器
6.5 神经-模糊网络在智能控制中的应用
6.5.1 控制系统在线辨识
6.5.2 逆向运动学问题
习题与思考题
参考文献

第7章 蚁群算法及其在智能控制中的应用
7.1 引言
7.2 蚁群觅食奥秘
7.2.1 蚁群觅食
7.2.2 蚁群的信息系统及使用机制
7.3 基本人工蚁群算法
7.3.1 人工蚁群与真实蚁群
7.3.2 基本的人工蚁群算法原理
7.3.3 基本人工蚁群算法模型
7.3.4 蚁群算法的蚁密模型、蚁量模型和蚁周模型
7.3.5 蚁群算法的参数
7.3.6 用蚁群算法求解TSP问题仿真示例
7.3.7 基本蚁群算法的收敛性
7.4 改进的蚁群优化算法
7.4.1 带精英策略的蚁群算法
7.4.2 基于优化排序的蚁群算法
7.4.3 最大—最小蚁群算法
7.5 用蚁群算法求解Job Shop问题
7.5.1 经典Job Shop问题的描述
7.5.2 基于蚁群算法Job Shop调度问题求解
习题与思考题
参考文献

第8章 人工免疫算法及其在智能控制中的应用
8.1 引言
8.1.1 自然免疫系统的组成
8.1.2 自然免疫系统的机理
8.2 人工免疫系统与基本免疫算法简介
8.2.1 人工免疫系统定义
8.2.2 基本的人工免疫算法
8.3 基于生发中心反应的全局优化算法
8.3.1 生发中心反应机理
8.3.2 基于生发中心的全局优化算法
8.3.3 GOAIA-GCR的收敛性证明
8.4 人工免疫网络算法(aiNet)
8.4.1 人工免疫网络简介
8.4.2 人工免疫网络算法在数据分析中的应用
习题与思考题
参考文献
第9章 粒子群算法及其在智能控制中的应用
9.1 引言
9.2 基本粒子群算法
9.2.1 基本粒子群算法的原理
9.2.2 基本粒子群算法
9.2.3 带惯性权重的粒子群算法
9.2.4 带收缩因子的粒子群算法
9.3 粒子群算法的分析
9.3.1 标准PSO算法分析
9.3.2 PSO算法在二维空间的收敛分析
9.4 几种改进的粒子群算法
9.4.1 离散粒子群优化算法
9.4.2 小生境粒子群优化算法
9.5 粒子群算法在智能控制中的应用
9.5.1 用PSO算法求解TSP的应用
9.5.2 在机器人控制领域的应用
习题与思考题
参考文献