智能控制理論和方法（第二版）

第1章 緒論
1.1 控制科學發(fā)展的歷史回顧
1.2 智能控制的產(chǎn)生背景
1.3 智能控制的基本概念與研究內(nèi)容
1.3.1 智能控制的基本概念
1.3.2 智能與智能控制的定義
1.3.3 智能控制的主要研究內(nèi)容
參考文獻
 
第2章 智能控制系統(tǒng)的結(jié)構(gòu)體系
2.1 智能控制系統(tǒng)的基本結(jié)構(gòu)
2.2 智能控制系統(tǒng)的分類
2.3 遞階智能控制系統(tǒng)的結(jié)構(gòu)和理論
2.3.1 遞階智能控制系統(tǒng)的結(jié)構(gòu)
2.3.2 信息熵與IPDI原理
2.3.3 組織級的分析理論
2.3.4 協(xié)調(diào)級的分析理論
2.3.5 執(zhí)行級的最優(yōu)控制
2.4 智能控制系統(tǒng)的信息結(jié)構(gòu)理論
2.4.1 N維信息理論
2.4.2 信息率劃分定律
2.4.3 對遞階智能控制系統(tǒng)的信息流分析
習題與思考題
參考文獻
 
第3章 基于模糊推理的智能控制系統(tǒng)
3.1 模糊控制系統(tǒng)的基本概念與發(fā)展歷史
3.2 模糊集合與模糊推理
3.2.1 模糊集合
3.2.2 模糊集合的運算和MF的參數(shù)化
3.2.3 模糊關(guān)系與復(fù)合運算
3.2.4 模糊推理
3.3 模糊推理系統(tǒng)
3.4 模糊基函數(shù)
3.5 模糊建模
3.5.1 模糊模型
3.5.2 模糊模型的參數(shù)辨識
3.5.3 模糊模型的結(jié)構(gòu)辨識
3.6 模糊邏輯控制器的結(jié)構(gòu)與設(shè)計
3.6.1 模糊控制器的基本結(jié)構(gòu)
3.6.2 模糊控制系統(tǒng)的設(shè)計問題
3.6.3 PID控制器的模糊增益調(diào)整
3.7 模糊控制系統(tǒng)的穩(wěn)定性分析
習題與思考題
參考文獻
 
第4章 基于神經(jīng)元網(wǎng)絡(luò)的智能控制系統(tǒng)
4.1 神經(jīng)元網(wǎng)絡(luò)與控制
4.2 神經(jīng)元網(wǎng)絡(luò)的基本原理和結(jié)構(gòu)
4.2.1 神經(jīng)元網(wǎng)絡(luò)的基本單元
4.2.2 神經(jīng)元網(wǎng)絡(luò)的模型
4.2.3 神經(jīng)元的連接方式
4.3 監(jiān)督學習神經(jīng)元網(wǎng)絡(luò)
4.3.1 感知器和反傳(BP)網(wǎng)絡(luò)
4.3.2 小腦模型連接控制器(CMAC)網(wǎng)絡(luò)
4.3.3 增強學習網(wǎng)絡(luò)
4.3.4 組合網(wǎng)絡(luò)(Modular Network)
4.4 無監(jiān)督學習和反饋神經(jīng)元網(wǎng)絡(luò)
4.4.1 競爭學習和Kohonen自組織網(wǎng)絡(luò)
4.4.2 Hopfield網(wǎng)絡(luò)
4.4.3 雙向聯(lián)想存儲器BAM
4.4.4 Boltzman機
4.5 基于神經(jīng)元網(wǎng)絡(luò)的智能控制
4.5.1 基于多神經(jīng)元網(wǎng)絡(luò)的復(fù)雜函數(shù)逼近
4.5.2 用神經(jīng)元網(wǎng)絡(luò)對復(fù)雜系統(tǒng)建模
4.5.3 用神經(jīng)元網(wǎng)絡(luò)進行的智能控制
4.6 神經(jīng)元網(wǎng)絡(luò)控制非線性動態(tài)系統(tǒng)的能控性與穩(wěn)定性
習題與思考題
參考文獻
 
第5章 遺傳算法及其在智能控制中的應(yīng)用
5.1 遺傳算法的基本概念
5.2 簡單遺傳算法
5.3 遺傳算法的基本數(shù)學問題
5.4 遺傳算法應(yīng)用中的一些基本問題
5.4.1 知識表示(編碼)
5.4.2 適應(yīng)度函數(shù)
5.4.3 GA的全局收斂性與最優(yōu)性
5.4.4 遺傳算法的早期收斂
5.5 高級遺傳算法
5.5.1 改進的選擇方法
5.5.2 高級GA運算
5.6 微種群和雙種群遺傳算法
5.6.1 微種群算法
5.6.2 雙種群遺傳算法
5.7 遺傳算法的應(yīng)用
5.7.1 GA在神經(jīng)網(wǎng)絡(luò)參數(shù)學習中的應(yīng)用
5.7.2 GA在滑?？刂葡到y(tǒng)設(shè)計中的應(yīng)用
5.8 模糊規(guī)則與遺傳算法在控制中的應(yīng)用
習題與思考題
參考文獻
 
第6章 模糊—神經(jīng)元網(wǎng)絡(luò)及其在智能控制中的應(yīng)用
6.1 模糊系統(tǒng)與神經(jīng)元網(wǎng)絡(luò)集成的基本概念
6.1.1 模糊系統(tǒng)與神經(jīng)元網(wǎng)絡(luò)的一般比較
6.1.2 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)集成的理由
6.2 基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)
6.2.1 基于神經(jīng)元網(wǎng)絡(luò)的基本模糊邏輯運算
6.2.2 基于神經(jīng)網(wǎng)絡(luò)的模糊邏輯推理
6.2.3 神經(jīng)網(wǎng)絡(luò)驅(qū)動的模糊推理系統(tǒng)
6.2.4 基于神經(jīng)網(wǎng)絡(luò)的模糊建模
6.3 模糊神經(jīng)網(wǎng)絡(luò)
6.3.1 模糊神經(jīng)元
6.3.2 神經(jīng)網(wǎng)絡(luò)模糊化
6.4 神經(jīng)-模糊控制器
6.4.1 模糊自適應(yīng)學習控制網(wǎng)絡(luò)
6.4.2 神經(jīng)-模糊控制器的參數(shù)學習
6.4.3 神經(jīng)-模糊控制器的結(jié)構(gòu)學習
6.4.4 具有增強學習的神經(jīng)-模糊控制器
6.5 神經(jīng)-模糊網(wǎng)絡(luò)在智能控制中的應(yīng)用
6.5.1 控制系統(tǒng)在線辨識
6.5.2 逆向運動學問題
習題與思考題
參考文獻
 
第7章 蟻群算法及其在智能控制中的應(yīng)用
7.1 引言
7.2 蟻群覓食奧秘
7.2.1 蟻群覓食
7.2.2 蟻群的信息系統(tǒng)及使用機制
7.3 基本人工蟻群算法
7.3.1 人工蟻群與真實蟻群
7.3.2 基本的人工蟻群算法原理
7.3.3 基本人工蟻群算法模型
7.3.4 蟻群算法的蟻密模型、蟻量模型和蟻周模型
7.3.5 蟻群算法的參數(shù)
7.3.6 用蟻群算法求解TSP問題仿真示例
7.3.7 基本蟻群算法的收斂性
7.4 改進的蟻群優(yōu)化算法
7.4.1 帶精英策略的蟻群算法
7.4.2 基于優(yōu)化排序的蟻群算法
7.4.3 最大—最小蟻群算法
7.5 用蟻群算法求解Job Shop問題
7.5.1 經(jīng)典Job Shop問題的描述
7.5.2 基于蟻群算法Job Shop調(diào)度問題求解
習題與思考題
參考文獻
 
第8章 人工免疫算法及其在智能控制中的應(yīng)用
8.1 引言
8.1.1 自然免疫系統(tǒng)的組成
8.1.2 自然免疫系統(tǒng)的機理
8.2 人工免疫系統(tǒng)與基本免疫算法簡介
8.2.1 人工免疫系統(tǒng)定義
8.2.2 基本的人工免疫算法
8.3 基于生發(fā)中心反應(yīng)的全局優(yōu)化算法
8.3.1 生發(fā)中心反應(yīng)機理
8.3.2 基于生發(fā)中心的全局優(yōu)化算法
8.3.3 GOAIA-GCR的收斂性證明
8.4 人工免疫網(wǎng)絡(luò)算法(aiNet)
8.4.1 人工免疫網(wǎng)絡(luò)簡介
8.4.2 人工免疫網(wǎng)絡(luò)算法在數(shù)據(jù)分析中的應(yīng)用
習題與思考題
參考文獻
第9章 粒子群算法及其在智能控制中的應(yīng)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 帶慣性權(quán)重的粒子群算法
9.2.4 帶收縮因子的粒子群算法
9.3 粒子群算法的分析
9.3.1 標準PSO算法分析
9.3.2 PSO算法在二維空間的收斂分析
9.4 幾種改進的粒子群算法
9.4.1 離散粒子群優(yōu)化算法
9.4.2 小生境粒子群優(yōu)化算法
9.5 粒子群算法在智能控制中的應(yīng)用
9.5.1 用PSO算法求解TSP的應(yīng)用
9.5.2 在機器人控制領(lǐng)域的應(yīng)用
習題與思考題
參考文獻