智能算法30个案例分析
matlab智能算法30个案例分析
matlab智能算法30个案例分析Matlab智能算法30个案例分析。
Matlab作为一种强大的数学软件，拥有丰富的算法库和强大的编程能力，能够实现各种复杂的智能算法。
本文将针对Matlab智能算法进行30个案例分析，帮助读者深入了解Matlab在智能算法领域的应用和实践。
1. 遗传算法。
遗传算法是一种模拟自然选择和遗传机制的优化算法，能够有效解决复杂的优化问题。
在Matlab中，可以利用遗传算法工具箱快速实现各种优化问题的求解，例如函数最小化、参数优化等。
2. 神经网络。
神经网络是一种模拟人脑神经元网络的计算模型，能够实现复杂的非线性映射和模式识别。
Matlab提供了丰富的神经网络工具箱，可以用于神经网络的建模、训练和应用，例如分类、回归、聚类等任务。
3. 模糊逻辑。
模糊逻辑是一种处理不确定性和模糊信息的逻辑推理方法，能够有效处理模糊规则和模糊数据。
Matlab中的模糊逻辑工具箱提供了丰富的模糊推理方法和工具，可以用于模糊控制、模糊识别等领域。
4. 粒子群算法。
粒子群算法是一种模拟鸟群觅食行为的优化算法，能够有效处理多维优化问题。
在Matlab中，可以利用粒子群算法工具箱快速实现各种优化问题的求解，例如函数最小化、参数优化等。
5. 蚁群算法。
蚁群算法是一种模拟蚂蚁觅食行为的优化算法，能够有效处理离散优化问题和组合优化问题。
Matlab中的蚁群算法工具箱提供了丰富的蚁群优化方法和工具，可以用于解决各种组合优化问题。
6. 遗传规划算法。
遗传规划算法是一种结合遗传算法和规划算法的优化方法，能够有效处理复杂的规划问题。
在Matlab中，可以利用遗传规划算法工具箱快速实现各种规划问题的求解，例如路径规划、资源分配等。
7. 人工免疫算法。
人工免疫算法是一种模拟免疫系统的优化算法，能够有效处理多峰优化问题和动态优化问题。
在Matlab中，可以利用人工免疫算法工具箱快速实现各种复杂的优化问题的求解。
8. 蜂群算法。
MATLAB_智能算法30个案例分析
MATLAB_智能算法30个案例分析1.线性回归：使用MATLAB的回归工具箱，对给定的数据集进行线性回归分析，获取拟合的直线方程。
2.逻辑回归：使用MATLAB的分类工具箱，对给定的数据集进行逻辑回归分析，建立分类模型。
3.K均值聚类：使用MATLAB的聚类工具箱，对给定的数据集进行K 均值聚类算法，将数据集分为多个簇。
4.支持向量机：使用MATLAB的SVM工具箱，对给定的数据集进行支持向量机算法，建立分类或回归模型。
5.决策树：使用MATLAB的分类工具箱，对给定的数据集进行决策树分析，建立决策模型。
6.随机森林：使用MATLAB的分类和回归工具箱，对给定的数据集进行随机森林算法，集成多个决策树模型。
7. AdaBoost：使用MATLAB的分类工具箱，对给定的数据集进行AdaBoost算法，提升分类性能。
8.遗传算法：使用MATLAB的全局优化工具箱，利用遗传算法进行优化问题的求解。
9.粒子群优化：使用MATLAB的全局优化工具箱，利用粒子群优化算法进行优化问题的求解。
10.模拟退火算法：使用MATLAB的全局优化工具箱，利用模拟退火算法进行优化问题的求解。
11.神经网络：使用MATLAB的神经网络工具箱，构建和训练多层感知机模型。
12.卷积神经网络：使用MATLAB的深度学习工具箱，构建和训练卷积神经网络模型。
13.循环神经网络：使用MATLAB的深度学习工具箱，构建和训练循环神经网络模型。
14.长短期记忆网络：使用MATLAB的深度学习工具箱，构建和训练长短期记忆网络模型。
15.GAN（生成对抗网络）：使用MATLAB的深度学习工具箱，构建和训练生成对抗网络模型。
16.自编码器：使用MATLAB的深度学习工具箱，构建和训练自编码器模型。
17.强化学习：使用MATLAB的强化学习工具箱，构建和训练强化学习模型。
18.关联规则挖掘：使用MATLAB的数据挖掘工具箱，发现数据中的关联规则。
MATLAB_智能算法30个案例分析
MATLAB_智能算法30个案例分析MATLAB是一种强大的数值计算和编程工具，教育和科研领域中广泛应用于数据分析、机器学习和智能算法的研究。
在本文中，我们将介绍30个MATLAB智能算法的案例分析，并探讨其用途和优势。
分析的案例包括分类、回归、聚类、神经网络和遗传算法等不同类型的智能算法。
1. K均值聚类：利用MATLAB中的kmeans函数对一组数据进行聚类分析，得到不同的簇。
2. 随机森林：利用MATLAB中的TreeBagger函数构建一个随机森林分类器，并通过测试数据进行分类预测。
3. 人工神经网络：使用MATLAB中的feedforwardnet函数构建一个人工神经网络，并通过训练集进行预测。
4. 遗传算法：利用MATLAB中的ga函数对一个优化问题进行求解，找到最优解。
5. 支持向量机：使用MATLAB中的svmtrain和svmclassify函数构建一个支持向量机分类器，并进行分类预测。
6. 极限学习机：使用MATLAB中的elmtrain和elmpredict函数构建一个极限学习机分类器，并进行分类预测。
7. 逻辑回归：使用MATLAB中的mnrfit和mnrval函数构建一个逻辑回归模型，并进行预测。
8. 隐马尔可夫模型：使用MATLAB中的hmmtrain和hmmdecode函数构建一个隐马尔可夫模型，对一系列观测数据进行预测。
9. 神经进化算法：利用MATLAB中的ne_train函数构建一个基于神经进化算法的神经网络分类器，并进行分类预测。
10. 朴素贝叶斯分类器：使用MATLAB中的NaiveBayes对象构建一个朴素贝叶斯分类器，并进行分类预测。
11. 高斯过程回归：使用MATLAB中的fitrgp函数构建一个高斯过程回归模型，并进行回归预测。
12. 最小二乘支持向量机：使用MATLAB中的fitcsvm函数构建一个最小二乘支持向量机分类器，并进行分类预测。
13. 遗传网络：利用MATLAB中的ngenetic函数构建一个基于遗传算法和人工神经网络的分类器，并进行分类预测。
人工智能算法的实际应用案例
人工智能算法的实际应用案例人工智能算法是当前科技行业研究的热门领域之一，它可以在不同领域的应用中发挥重要作用。
人工智能算法的应用可以实现人工智能自动学习、分析和处理大量数据，以辅助人类的工作和决策。
本文将介绍一些人工智能算法的实际应用案例，以展示这些算法在解决各种实际问题时的潜力和成效。
一、图像识别图像识别是人工智能算法中最为常见的一种应用之一。
人类视觉系统可以很容易地识别并区分出各种物体和形状，然而对于计算机来说，这似乎是一项巨大的挑战。
人工智能算法中深度学习技术通过神经网络训练，可以很好地解决这个问题。
以人脸识别为例，早期的算法需要手动提取脸部特征，而现在的深度学习算法可以从图片中自动提取特征，从而实现更高的准确率和鲁棒性。
深度学习算法还可以用于医学图像识别，比如CT 和MRI图像的自动分析，帮助医生快速诊断病情。
二、自然语言处理自然语言处理是指让计算机能够理解、生成和处理自然语言的一类技术。
在现代社会，自然语言处理技术已经广泛应用于搜索引擎、机器翻译、语音识别和智能客服等领域。
在机器翻译中，机器可以根据大量的语料库中的数据进行学习和翻译，从而实现高质量的翻译结果。
在语音识别中，机器可以快速识别出语音内容并将其转换成文字，从而为人类提供更多便利。
三、推荐算法推荐算法是指通过分析用户的历史行为和兴趣，为用户提供个性化的商品或服务推荐。
推荐算法已经被应用到了电商、社交媒体以及在线视频等领域。
例如网易严选商品推荐，蚂蚁金服的金融理财产品推荐，以及优酷视频的个性化推荐等。
四、智能交通智能交通是人工智能算法在实际应用中的一个典型案例。
智能交通系统可以通过交通信号灯的自适应控制，实时路况预测，以及自动驾驶技术的应用，提高公路运输的效率和安全。
例如，加拿大（Waterloo）的智能交通系统“FOTENN”利用智能传感器、图像识别技术、行为分析等技术，实现了流量优化和交通管理信号的自适应控制。
在许多城市的地铁系统中，自动售票机和入口闸机也使用了人工智能算法，以便实现快速进出站。
MATLAB-智能算法30个案例分析-终极版(带目录)
MATLAB 智能算法30个案例分析（终极版）1 基于遗传算法的TSP算法（王辉）2 基于遗传算法和非线性规划的函数寻优算法（史峰）3 基于遗传算法的BP神经网络优化算法（王辉）4 设菲尔德大学的MATLAB遗传算法工具箱（王辉）5 基于遗传算法的LQR控制优化算法（胡斐）6 遗传算法工具箱详解及应用（胡斐）7 多种群遗传算法的函数优化算法（王辉）8 基于量子遗传算法的函数寻优算法（王辉）9 多目标Pareto最优解搜索算法（胡斐）10 基于多目标Pareto的二维背包搜索算法（史峰）11 基于免疫算法的柔性车间调度算法（史峰）12 基于免疫算法的运输中心规划算法（史峰）13 基于粒子群算法的函数寻优算法（史峰）14 基于粒子群算法的PID控制优化算法（史峰）15 基于混合粒子群算法的TSP寻优算法（史峰）16 基于动态粒子群算法的动态环境寻优算法（史峰）17 粒子群算法工具箱（史峰）18 基于鱼群算法的函数寻优算法（王辉）19 基于模拟退火算法的TSP算法（王辉）20 基于遗传模拟退火算法的聚类算法（王辉）21 基于模拟退火算法的HEV能量管理策略参数优化（胡斐）22 蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊）23 基于蚁群算法的二维路径规划算法（史峰）24 基于蚁群算法的三维路径规划算法（史峰）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）26 有导师学习神经网络的分类——鸢尾花种类识别（郁磊）27 无导师学习神经网络的分类——矿井突水水源判别（郁磊）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）29 支持向量机的回归拟合——混凝土抗压强度预测（郁磊）30 极限学习机的回归拟合及分类——对比实验研究（郁磊）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。
MATLAB智能算法30个案例分析
MATLAB智能算法30个案例分析1.线性回归：通过拟合数据，预测未知的连续变量。
2.逻辑回归：基于已知输入和输出数据，通过对数斯蒂格回归模型，进行二元分类。
3.决策树：通过对已知数据进行分类预测，构建一棵决策树模型。
4.随机森林：通过构建多个决策树模型，进行分类和回归分析。
5.支持向量机：通过找到一个最优超平面，对数据进行二元分类。
6.高斯混合模型：基于多个高斯分布，对数据进行聚类分析。
7.K均值聚类：通过对数据进行分组，找到数据的簇结构。
8.主成分分析：找到最具有代表性的主成分，实现数据的降维和可视化。
9.独立成分分析：在多变量数据中，找到相互独立的成分。
10.关联规则挖掘：通过分析大规模数据集，找到数据项之间的关联规则。
11.朴素贝叶斯分类器：基于贝叶斯理论，进行分类和预测。
12.遗传算法：通过模拟进化过程，找到最优解。
13.粒子群算法：通过模拟粒子在空间中的移动，优化问题的解。
14.蚁群算法：通过模拟蚂蚁在空间中的行为，解决优化问题。
15.神经网络：通过多层神经元之间的连接，进行模式识别和预测。
16.卷积神经网络：通过卷积层和池化层，进行图像分类和目标检测。
17.循环神经网络：通过循环连接，进行时间序列预测和自然语言处理。
18.支持张量分解的非负矩阵分解：通过分解张量，进行数据降维和特征提取。
19.马尔科夫链：通过状态转移概率，对随机过程进行建模和分析。
20.K最近邻算法：通过找到与未知样本最接近的训练样本，进行分类和回归分析。
21.高斯过程回归：利用高斯过程进行回归分析和置信区间估计。
22.隐马尔科夫模型：通过观测序列推断隐藏状态序列。
23.时序聚类：通过对时间序列数据进行聚类分析，找到相似的模式。
24.大规模机器学习：通过将数据划分为小批量，进行机器学习模型的训练。
25.非线性最小二乘：通过最小化非线性函数的残差平方和，拟合数据。
26.分类集成学习：通过结合多个分类器的预测结果，提高分类准确率。
人工智能算法与应用案例实践总结
人工智能算法与应用案例实践总结人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机能够像人一样思考、学习和决策的科学。
随着计算机技术的飞速发展，人工智能已经成为现代社会的热门话题。
在AI的研究中，算法是至关重要的一环，它们是实现人工智能的核心。
本文将总结几种常见的人工智能算法，并结合实际应用案例进行分析和讨论。
一、决策树算法决策树算法（Decision Tree）是一种常见的分类和回归方法。
它通过构建一个树状的模型，将数据集划分为多个子集，然后根据特征值的不同来进行决策。
决策树算法的优势在于易于理解和解释，适用于处理具有离散特征的数据。
一个典型的决策树案例是银行信用评估，通过对客户的个人信息和财务状况进行分析，决策树可以预测客户是否具备信用还款能力。
二、神经网络算法神经网络算法（Neural Network）是一种模仿人脑神经网络结构和工作原理的算法。
它由多个神经元和相互连接的层级组成，通过学习和训练来识别和分类模式。
神经网络算法的优势在于可以处理大规模和复杂的数据集，适用于图像识别、语音识别等领域。
一个典型的神经网络应用案例是人脸识别，通过训练神经网络模型，可以实现对人脸图像的自动识别和比对。
三、遗传算法遗传算法（Genetic Algorithm）是一种模拟自然进化的算法。
它通过模拟遗传、变异和选择的过程来搜索最优解。
遗传算法的优势在于能够在大规模的搜索空间中找到较优解，适用于优化问题。
一个典型的遗传算法应用案例是旅行商问题，通过遗传算法可以找到最短路径，实现旅行商的最优路径规划。
四、支持向量机算法支持向量机算法（Support Vector Machine，简称SVM）是一种常用的分类和回归方法。
它通过构建一个超平面来对数据进行分类，使得两类数据之间的间隔最大化。
支持向量机算法的优势在于可以处理高维度和非线性的数据，适用于文本分类、图像识别等领域。
一个典型的支持向量机应用案例是垃圾邮件过滤，通过训练SVM模型，可以对邮件进行分类，将垃圾邮件过滤出去。
智能算法30个案例分析
智能算法30个案例分析智能算法在当今社会中扮演着越来越重要的角色，它们能够帮助我们解决各种复杂的问题，提高效率，节省成本。
本文将介绍30个智能算法的案例分析，帮助读者更好地了解智能算法在实际应用中的作用。
1. 图像识别。
智能算法在图像识别领域有着广泛的应用，比如人脸识别、车牌识别、物体识别等。
通过深度学习算法，计算机可以准确地识别出图像中的各种信息，为安防、交通管理等领域提供了便利。
2. 自然语言处理。
智能算法可以帮助计算机理解和处理自然语言，比如语音识别、机器翻译、情感分析等。
这些应用大大提高了人机交互的效率和便利性。
3. 推荐系统。
通过智能算法，互联网平台可以根据用户的历史行为和偏好，为其推荐个性化的商品、新闻、音乐等内容，提高用户体验和促进销售。
4. 数据挖掘。
智能算法可以帮助企业从海量数据中发现隐藏的规律和趋势，为决策提供支持，比如市场营销、风险控制、产品优化等。
5. 智能交通。
智能算法可以优化交通信号灯控制、交通流量预测、路径规划等，提高交通效率，缓解交通拥堵问题。
6. 医疗影像诊断。
智能算法可以帮助医生快速准确地识别医疗影像中的病变，提高诊断效率和准确性。
7. 金融风控。
智能算法可以通过大数据分析和机器学习，帮助金融机构识别风险，预测违约概率，降低信用风险。
8. 智能家居。
智能算法可以实现家居设备的智能控制，比如智能音箱、智能灯具、智能空调等，提高生活便利性。
9. 智能制造。
智能算法可以优化生产流程、提高生产效率，实现智能制造，推动工业升级。
10. 智能客服。
智能算法可以实现智能客服机器人，为用户提供自动化的咨询和服务，降低客服成本，提高效率。
11. 智能农业。
智能算法可以帮助农民监测土壤湿度、气温等环境参数，提高农作物的产量和质量。
12. 智能教育。
智能算法可以根据学生的学习情况和特点，为其提供个性化的学习内容和辅导方案，提高教学效果。
13. 智能电网。
智能算法可以实现电网的智能监控和调度，提高电网的稳定性和可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能算法30个案例分析【篇一：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：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。
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，大大减少陷入局部最小的可能性。
而且优化计算时算法不依赖于梯度信息，且不要求目标函数连续及可导，使其适于求解传统搜索方法难以解决的大规模、非线性组合优化问题。
用于模式分类、模式识别等方面．但 bp 算法收敛速度慢，且很容易陷入局部极小点，而遗传算法具有并行搜索、效率高、不存在局部收敛问题等优点而被广泛应用．遗传算法的寻优过程带有一定程度的随机性和盲从性，多数情况下只能收敛到全局次优解，且有过早收敛的现象．为了克服遗传算法寻优过程的盲从性，将有监督学习的bp 算法与之结合以达到优势互补、提高算法的稳定性和全局搜索能力的目的。
设菲尔德大学的matlab遗传算法工具箱（王辉） matlab 遗传算法(genetic algorithm)优化工具箱是基于基本操作及终止条件、二进制和十进制相互转换等操作的综合函数库。
其实现步骤包括：通过输入及输出函数求出遗传算法主函数、初始种群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。
以函数仿真为例，对该函数优化和ga 改进，只需改写函数m 文件形式即可。
基于遗传算法的lqr控制优化算法（胡斐） lqr 控制在工程中得到了广泛的应用，对于lqr 最优控制方法，性能指标中权重矩阵的选择对控制系统的性能有很大影响。
权重矩阵通常的确定方法，首先是根据经验初步确定，然后通过模拟，根据输出响应量逐步调整权重系数，直到获得满意的输出响应量为止。
这种确定方法不仅费时，而且无法获得最优的权重矩阵使系统性能达到最优。
本案例将研究基于遗传算法的lqr 控制优化算法，利用遗传算法的全局寻优能力，搜索权重矩阵。
遗传算法工具箱详解及应用（胡斐）matlab 自带的遗传算法与直接搜索工具箱(genetic algorithm directsearch toolbox, gadst)，可以较好地解决与遗传算法相关的各种问题。
gadst 可以通过gui 界面调用，也可以通过命令行方式调用，使用简单方便。
本案例将对gadst 函数库的遗传算法部分进行详细的代码分析和讲解，并通过求解非线性方程组介绍gadst 的使用方法。
多种群遗传算法的函数优化算法（王辉）标准遗传算法有时候会出现未成熟收敛问题，在求解多目标优化问题时显得尤其严重。
遗传算法存在未成熟收敛问题，在求解多目标优化问题时显得尤其严重。
因此已有学者提出了多种群遗传算法。
该算法中多个种群使用同一目标函数，各种群的交叉率和变异率取不同的固定值，以搜索不同解空间中的最优解，种群之间定期进行信息交换。
多种群遗传算法能在一定程度上缓解遗传算法的不成熟收敛问题。
基于量子遗传算法的函数寻优算法（王辉）量子遗传算法(quantum genetic algorithm，qga)是量子计算与遗传算法(genetic algorithm，ga)相结合的产物，是一种新发展起来的概率进化算法。
量子遗传算法是将量子计算与遗传算法相结合而形成的一种混合遗传算法，它弥补了传统遗传算法的某些不足；利用量子计算的一些概念和理论，如量子位、量子叠加态等，使用量子比特编码染色体，这种概率幅表示可以使一个量子染色体同时表达多个状态的信息，用量子门对叠加态的作用作为进化操作，能很好地保持种群多样性和避免选择压力问题，而且当前最优个体的信息能够很容易用来引导变异，使得种群以大概率向着优良模式进化，从而实现目标的优化求解。
多目标pareto最优解搜索算法（胡斐）多目标优化是指在约束条件下有两个或两个以上的优化目标，而且这些目标之间相互矛盾，不能同时达到最优，也就是说，一个目标的最优往往是以牺牲其它目标作为代价的，因此多目标优化问题存在多个最优解，这些解之间无法比较优劣，统称为 pareto 最优解。
带精英策略的快速非支配排序遗传算法(nondominated sorting genetic algorithm ii，nsga-ii)是目前应用较为广泛的一种多目标算法。
本案例将对matlab自带的改进的nsga-ii 进行讲解，并举例说明其应用。
10 基于多目标pareto 的二维背包搜索算法（史峰）背包问题（knapsack problem）是运筹学一个典型的优化难题，但是它有着广泛的应用背景，如装载问题、材料切割、投资决策以及资源分配等，往往还将其作为其他问题的子问题加以研究。
它是个典型的np 问题，对其求解主要采用启发式算法，如贪心算法、遗传算法及模拟退火算法等。
粒子群算法是一种新的进化算法，运算简单、易于实现，该案例将其用于多目标二维背包问题中，向读者阐明粒子群算法解决带有约束的多目标组合优化问题的方 11基于免疫算法的柔性车间调度算法（史峰）有效的调度方法与优化技术的研究和应用，对于制造企业提高生产效率，降低生产成本等方面起着重要作用。
然而柔性车间调度问题计算复杂，约束条件多，普通算法容易陷入局部最优问题。
免疫算法是模仿免疫系统抗原识别，抗原与抗体产生过程，并利用免疫系统多样性和记忆抽象得到的算法，具有非线性，全局化搜索等优势，本案例研究了基于免疫算法的柔性车间调度算法。
12 基于免疫算法的运输中心规划算法（史峰）随着物流业的快速发展，配送在整个物流系统中的所起的作用越发重要，因而配送中心的选址对于企业的网络布局、经营方式等起到了重要作用。
然而，配送中心的选择具有计算复杂、约束条件多等问题，普通算法难以找到问题的最优解。
免疫算法具有非线性、全局搜索等优点，适合于此类复杂问题的研究，本案例研究了基于免疫算法的运输中心规划算法。
13 基于粒子群算法的函数寻优算法（史峰）粒子群优化算法（pso,particle swarm optimization）是计算智能领域，除了蚁群算法，鱼群算法之外的一种群体智能的优化算法。
函数寻优是工程中经常遇到的问题，有些函数因为局部极小值点的存在，算法难以寻找到局部最优值。
粒子群算法具有群体智能，全局寻优等优势，比较适合于函数寻优问题，本案例研究了基于粒子群算法的函数寻优算法。
14 基于粒子群算法的pid 控制优化算法（史峰） pid 控制方法是工业领域中最常用的控制方法，然而在 pid 控制算法的使用中，p,i,d 参数即比例参数、积分参数、微分参数的确定是个难题，一般是凭经验获得。
粒子群算法具有全局寻优功能，可以寻找使控制指标值最优的pid 参数。
本案例研究了基于粒子群算法的pid 控制优化算法。
15 基于混合粒子群算法的tsp 寻优算法（史峰）粒子群算法虽然具有算法简单，寻优速度快等优点，但同时存在算法容易收敛，易陷入局部最优值等问题。
采用遗传算法改进粒子群算法，通过选择、交叉和变异操作的引入，改进了算法性能，增强了算法的全局搜索能力。
本案例研究了基于混合粒子群算法的 tsp 16基于动态粒子群算法的动态环境寻优算法（史峰）普通粒子群算法无法感知外界环境的变化，在外界环境发生改变时无法实时进行响应，因而缺乏动态环境寻优能力。
在普通粒子群算法基本上通过增加敏感粒子得到一种动态粒子群算法，该算法通过实时计算敏感粒子的适应度值从而感知外界环境的变化，当外界环境的变化超过一定的阈值时算法以按一定比例更新速度和粒子的方式进行相应，从而具有动态环境寻优的功能。
本案例研究了基于动态粒子群算法的动态环境寻优算法。
17 粒子群算法工具箱（史峰）粒子群算法工具箱包含了粒子群算法的基本操作和常用功能，实现步骤包括种群规模选择，粒子长度选取，适应度函数编写，粒子群参数确定等，可以方便实现函数极值寻找，系统参数寻优等功能。
本案例以函数极值寻优为例，详细讲解了粒子群算法工具箱的使用。
18 基于鱼群算法的函数寻优算法（王辉）人工鱼群算法是李晓磊等人于2002 年提出的一类基于动物行为的群体智能优化算法．该算法是通过模拟鱼类的觅食、聚群、追尾等行为在搜索域中进行寻优，是集群体智能思想的一个具体应用．人工鱼群算法具有以下特点：具有克服局部极值、取得全局极值的较优秀的能力；算法中仅使用目标问题的函数值，对搜索空间有一定自适应能力；具有对初值与参数选择不敏感、鲁棒性强、简单易实现、收敛速度快和使用灵活等特点．可以解决经典方法不能求解的带有绝对值且不可导二元函数等的极值问题。
本案例研究了基于鱼群算法的函数寻优算法。
19 基于模拟退火算法的tsp 算法（王辉）模拟退火算法(simulated annealing 简称sa)为求解传统方法难处理的tsp问题提供了一个有效的途径和通用框架，并逐渐发展成一种迭代自适应启发式概率性搜索算法。
用以求解不同的非线性问题；对不可微甚至不连续的函数优化， sa 能以较大概率求得全局优化具有较强的鲁棒性、全局收敛性、隐含并行性及广泛的适应性；并且能处理不同类型的优化设计变量( 离散的、连续的和混合型的) 不需要任何的辅助信息，对目标函数和约束函数没有任何要求。