其成为一种全局最优算法，并得到理论证明和实际应用的验证。能量管理策略是混合动力汽车(Hybrid Electric Vehicle, HEV)的核心技术之一。本案例将对SA进行讲解并将其应用于HEV能量管理策略的参数优化。
22 蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊） 蚁群算法（Ant Colony Algorithm，ACA）是由意大利学者M.Dorigo等人于20世纪90年代初提出的一种新的模拟进化算法，其真实地模拟了自然界蚂蚁群体的觅食行为。M.Dorigo等人将其应用于解决旅行商问题（Traveling Salesman Problem，TSP），取得了较好的实验结果。 近年来，许多专家与学者致力于蚁群算法的研究，并将其应用于交通、通信、化工、电力等领域，成功解决了许多组合优化问题，如调度问题（Job-shop Scheduling Problem）、指派问题（Quadratic Assignment Problem）、旅行商问题（Traveling Salesman Problem）等。 本章将详细阐述蚁群算法的基本思想及原理，并以实例的形式介绍其应用于解决中国旅行商问题（Chinese TSP，CTSP）的情况。 23 基于蚁群算法的二维路径规划算法（史峰）
二维路径规划算法是机器人智能控制领域研究中的热点，算法目的是使机器人能够在有障碍物的工作环境中寻找一条恰当的从给定起点到终点的运动路径。蚁群算法具有分布计算，群体智能等优势，在路径规划算法上具有很大潜力，本案例研究了基于蚁群算法的二维路径规划算法。
24 基于蚁群算法的三维路径规划算法（史峰）
三维路径规划算法是机器人智能控制领域中的热点问题，是指机器人在三维地图中自动规划一条从出发点到目标点满足指标最优的路径。相对于二维路径规划算法来说，三维路径规划问题更加复杂，需要考虑的因素和约束条件更多，一般方法难以取得好的规划效果。蚁群算法具有分布计算，群体智能等优势，在路径规划算法上具有很大潜力，本案例研究了基于蚁群算法的三维路径规划算法。 25 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊）
神经网络的学习规则又称神经网络的训练算法，用来计算更新神经网络的权值和阈值。学习规则有两大类别：有导师学习和无导师学习。在有导师学习中，需要为学习规则提供一系列正确的网络输入/输出对（即训练样本），当网络输入时，将网络输出与相对应的期望值进行比较，然后应用学习规则调整权值和阈值，使网络的输出接近于期望值。而在无导师学习中，权值和阈值的调整只与网络输入有关系，没有期望值，这类算法大多用聚类法，将输入模式归类于有限的类别。本章将详细分析两种应用最广的有导师学习神经网络（BP神经网络及RBF神经网络）的原理及其在回归拟合中的应用。 26 有导师学习神经网络的分类——鸢尾花种类识别（郁磊）
有导师学习神经网络以其良好的学习能力广泛应用于各个领域中，其不仅可以解决拟合回归问题，亦可以用于模式识别、分类识别。本章将继续介绍两种典型的有导师学习神经网络（GRNN和PNN），并以实例说明其在分类识别中的应用。
27 无导师学习神经网络的分类——矿井突水水源判别（郁磊）
如第25章及第26章所述，对于有导师学习神经网络，事先需要知道与输入相对应的期望输出，根据期望输出与网络输出间的偏差来调整网络的权值和阈值。然而，在大多数情况下，由于人们认知能力以及环境的限制，往往无法或者很难获得期望的输出，在这种情况下，基于有导师学习的神经网络往往是无能为力的。 与有导师学习神经网络不同，无导师学习神经网络在学习过程中无需知道期望的输出。其与真实人脑中的神经网络类似，可以通过不断地观察、分析与比较，自动揭示样本中的内在规律和本质，从而可以对具有近似特征（属性）的样本进行准确地分类和识别。本章将详细介绍竞争神经网络与自组织特征映射（SOFM）神经网络的结构及原理，并以实例说明其具体的应用范围及效果。
28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊）
支持向量机（Support Vector Machine，SVM）是一种新的机器学习方法，其基础是Vapnik创建的统计学习理论（Statiscal Learning Theory，STL）。统计学习理论采用结构风险最小化（Structural Risk Minimization，SRM）准则，在最小化样本点误差的同时，最小化结构风险，提高了模型的泛化能力，且没有数据维数的限制。在进行线性分类时，将分类面取在离两类
样本距离较大的地方；进行非线性分类时通过高维空间变换，将非线性分类变成高维空间的线性分类问题。 本章将详细介绍支持向量机
的分类原理，并将其应用于基于乳腺组织电阻抗频谱特性的乳腺癌诊断。
29 支持向量机的回归拟合——混凝土抗压强度预测（郁磊） 与传统的神经网络相比，SVM具有以下几个优点： （1）SVM是专门针对小样本问题而提出的，其可以在有限样本的情况下获得最优解； （2）SVM算法最终将转化为一个二次规划问题，从理论上讲可以得到全局最优解，从而解决了传统神经网无法避免局部最优的问题； （3）SVM的拓扑结构由支持向量决定，避免了传统神经网络需要反复试凑确定网络结构的问题； （4）SVM利用非线性变换将原始变量映射到高维特征空间，在高维特征空间中构造线性分类函数，这既保证了模型具有良好的泛化能力，又解决了“维数灾难”问题。 同时，SVM不仅可以解决分类、模式识别等问题，还可以解决回归、拟合等问题。因此，其在各个领域中都得到了非常广泛的利用。 本章将详细介绍SVM回归拟合的基本思想和原理，并以实例的形式阐述其在混凝土抗压强度预测中的应用。
30 极限学习机的回归拟合及分类——对比实验研究（郁磊） 单隐含层前馈神经网络（Single-hidden Layer Feedforward Neural Network，SLFN）以其良好的学习能力在许多领域中得到了广泛的应用。然而，传统的学习算法（如BP算法等）固有的一些缺点，成为制约其发展的主要瓶颈。 因此，探索一种训练速度快、获得全局最优解，且具有良好的泛化性能的训练算法是提升前馈神经网络性能的主要目标，也是近年来的研究热点和难点。 本章将介绍一个针对
SLFN的新算法——极限学习机（Extreme Learning Machine，ELM），该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比，该方法具有学习速度快、泛化性能好等优点。 同时，在介绍ELM算法的基础上，本章以实例的形式将该算法分别应用于回归拟合（第25章——基于近红外光谱的汽油辛烷值预测）和分类（第26章——鸢尾花种类识别）中。
MATLAB 智能算法30个案例分析
智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更难用它来解决问题。
因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作MATLAB智能算法，该书包含了遗传算法，免疫算法，粒子群算法，鱼群算法，多目标pareto算法，模拟退火算法，蚁群算法，神经网络，SVM等，本书最大的特点在于以案例为导向，每个案例针对一个实际问题，给出全部程序和求解思路，并配套相关讲解视频，使读者在读过一个案例之后能够快速掌握这种方法，并且会套用案例程序来编写自己的程序。本书作者在线，读者和会员可以向作者提问，作者做到有问必答。
本书和目录如下：
1 基于遗传算法的TSP算法（王辉）
TSP (旅行商问题—Traveling Salesman Problem)，是典型的NP完全问题，即其最坏情况下的时间复杂性随着问题规模的增大按指数方式增长，到目前为止不能找到一个多项式时间的有效算法。遗传算法是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。实践证明，遗传算法对于解决TSP问题等组合优化问题具有较好的寻优性能。
2 基于遗传算法和非线性规划的函数寻优算法（史峰） 遗传算法提供了求解非线性规划的通用框架，它不依赖于问题的具体领域。遗传算法的优点是将问题参数编码成染色体后进行优化， 而不针对参数本身， 从而不受函数约束条件的限制； 搜索过程从问题解的一个集合开始， 而不是单个个体， 具有隐含并行搜索特性， 可