Monografia przeznaczona jest dla inżynierów, doktorantów i pracowników naukowych oraz dla studentów studiów technicznych o kierunku informatyka, którzy w swej praktyce spotykają się z wybranymi zagadnieniami informatycznymi. 
Celem monografii jest przybliżenie użytkownikom wybranych zagadnień modelowania i projektowania obiektów i procesów dynamicznych opartych na obliczeniach symbolicznych, teorii sieci neuronowych oraz algorytmach ewolucyjnych. Materiał książki obejmuje swoim zakresem krótką charakterystykę rozpatrywanych metod, opis wykorzystywanych narzędzi programistycznych w postaci pakietu MATLAB, a także zestaw przykładów ilustrujących możliwości ich zastosowania, przede wszystkim w zagadnieniach optymalizacji, modelowania, prognozowania i sterowania. 
Dotychczasowe opracowania z tego zakresu ograniczały się do przedstawiania teoretycznych właściwości zadań metod numerycznych. Inżynier jest natomiast zainteresowany nie tyle pięknem matematycznym wyników, ile ich konsekwencjami praktycznymi. W związku z tym koncepcja i struktura niniejszej książki została tak pomyślana, by mógł z niej korzystać każdy inżynier i naukowiec, który zna podstawowe pojęcia z zakresu optymalizacji, identyfikacji i sterowania oraz umie programować w językach wysokiego poziomu. 
Przykłady zgrupowane w poszczególnych rozdziałach poprzedzono krótkimi wprowadzeniami, w których zebrano podstawowe wiadomości teoretyczne, niezbędne do zrozumienia treści algorytmów i ich rozwiązania komputerowego. 
W rozdziale pierwszym zamieszczono przykłady, których celem jest zapoznanie z ogólnym wprowadzeniem do systemów obliczeń symbolicznych. Pokazano, ze przekazanie rutynowych obliczeń maszynie przynosi wiele korzyści. Najważniejsza z nich to zyskanie czasu na skoncentrowanie się na pojęciach, uzasadnieniach, zastosowaniach i zależnościach. Pokazano także, że pakiet Matlaba Symbolic Math Toolbox może być efektywnym narzędziem do przekonania użytkowników, że powinni przywiązywać wagę do pojęć i procesów, zamiast do biegłości w realizacji algorytmów. 
W rozdziale drugim przedstawiono sposoby i algorytmy wykorzystania narzędzi programistycznych w postaci biblioteki Neural Network Toolbox pakietu MATLAB. Wprowadzono pojęcia neuronu, perceptronu, funkcja przejścia i in. oraz przedstawiono ich zastosowanie do rozwiązywania zadań aproksymacji, filtracji, identyfikacji, prognozowania i sterowania obiektów i procesów dynamicznych. 
Rozdział trzeci, poświecono optymalizacji wielokryterialnej. Opisane zostali metody: ważonych kryteriów, sum ważonych, optymalizacji hierarchicznej, ograniczonych kryteriów, minimaksowe, programowania celowego. Zadania tego rozdziału zostali realizowane w monografii z wykorzystaniem pakietu Matlab Optimization Toolbox. 
W rozdziale czwartym przedstawiono zadania dotyczące zastosowaniu algorytmów ewolucyjnych do rozwiązywania problemów optymalizacyjnych. Algo 
y rytmy genetyczne zdobywają coraz szersze obszary zastosowań w środowiskach naukowych, inżynierskich i w kręgach biznesu. Przyczyna rosnącej liczby zastosowań jest oczywista: algorytmy genetyczne stanowią nieskomplikowane, a przy tym potężne narzędzie poszukiwań lepszych rozwiązań. Co więcej są one wolne od zasadniczych ograniczeń nakładanych przez mocne założenia o przestrzeni poszukiwań (takich jak ciągłość, istnienie pochodnych, jednomodalność funkcji celu itp.). Pokazano, że cztery cechy, wzięte razem - kodowanie parametrów, działanie na populacjach, korzystanie z minimum informacji o zadaniu oraz zrandomizowane operacje - składają się w efekcie końcowym na odporność algorytmu genetycznego i wynikającą stąd jego przewagę nad innymi, powszechniej stosowanymi technikami. W rozdziale pokazano, że łączenie Optimization Toolbox i niedawno wprowadzonego do MATLAB Genetic Algorithm and Direct Search Tolbox rozszerza możliwości rozwiązywania różnorakich zadań optymalizacyjnych. W rozdziale zamieszczono zadania dotyczące problemów praktycznych oraz rezultaty porównania przedstawionych metod i algorytmów. 
Rozdział Dodatków poświecono analizie macierzowej, analizie błędów, funkcjom specjalnym Mapl-a, podglądu plików dostępnych w Genetic Algorithm and Direct Search Tolbox. Za pomocą plików tego rozdziału przedstawiono zasady konstrukcji i badania zbieżności najważniejszych algorytmów poszukiwania rozwiązań optymalnych. 
 
Spis treści:

PRZEDMOWA 
 
ROZDZIAŁ 1. OBLICZENIA SYMBOLICZNE W MATLABIE 
1.1. Dlaczego MATLAB? 
1.1.1. Wstęp 
1.2. Wprowadzenie do Symbolic Toolbox 
1.2.1. Symboliczne zmienne i wyrażenia 
1.2.2. Arytmetyka zmiennej precyzji w obliczeniach symbolicznych 
1.2.3. Rozwinięcie w szereg i sumowanie 
1.3. Operacje na macierzach symbolicznych 
1.4. Metody symboliczne do rozwiązywania równań 
1.5. Różniczkowanie symboliczne 
1.5.1. Symboliczne różniczkowanie cząstkowe 
1.6. Całkowanie symboliczne 
1.7. Rozwiązywanie zwykłych równań różniczkowych w postaci symbolicznej 
1.8. Przekształcenia 
1.8.1. Przekształcenie Laplace'a 
1.8.2. Przekształcenie Z 
1.8.3. Metody przekształcenia Fouriera 
1.9. Łączenie procedur symbolicznych i numerycznych 
Bibliografia 
 
ROZDZIAŁ 2. SIECI NEURONOWE A MATLAB 
2.1. Wstęp 
2.2. Biblioteka Neural Network Toolbox 
2.3. Katalog NNET (m-pliki funkcyjne) 
2.4. Katalog NNDEMOS (m-pliki demonstracyjne) 
2.5. Podstawowe struktury sieci neuronowych wykorzystanych w Matlab-ie 
2.6. Przykłady zastosowania sieci neuronowych do identyfikacji i modelowania obiektów i procesów dynamicznych 
2.6.1. Aproksymacja i filtracja sygnałów 
2.6.1.1. Przewidywanie stacjonarnego sygnału 
2.6.1.2. Śledzenie niestacjonarnego sygnału 
2.6.1.3. Modelowanie stacjonarnego filtra 
2.6.1.4. Modelowanie niestacjonarnego filtra 
2.6.2. Rozpoznawanie obrazów 
2.6.2.1. Ustawienie zadania 
2.6.2.2. Sieć neuronowa 
2.6.2.3. Architektura sieci 
2.6.2.4. Inicjalizacja sieci 
2.6.2.5. Uczenie sieci 
2.6.2.6. Uczenie w przypadku braku szumów 
2.6.2.7. Uczenie przy występowaniu szumów 
2.6.2.8. Powtórne uczenie przy nieobecności szumu 
2.6.2.9. Efektywność funkcjonowania sieci 
2.6.2.10. Sprawdzanie sieci 
2.6.3. Sieci neuronowe i systemy sterowania 
2.6.3.1. Regulator z predykcją w realizacji MATLAB-a 
2.6.3.2. Regulator NARMA-L2 
2.6.3.3. Regulator według modelu wzorcowego 
2.6.4. Prognozowanie wyników wyborów 
2.6.4.1. Treść zadania 
2.6.4.2. Modelowanie neurosieciowe 
Bibliografia 
 
ROZDZIAŁ 3. OPTYMALIZACJA WIELOKRYTERIALNA 
3.1. Wprowadzenie do metod obliczeń optymalizacji wielokryterialnej 
3.2. Metoda ważonych kryteriów 
3.3. Metoda sum ważonych 
3.4. Metoda optymalizacji hierarchicznej 
3.5. Metoda epsilon-ograniczeń 
3.6. Metoda ograniczonych kryteriów 
3.7. Metoda kryterium globalnego 
3.8. Metody funkcji odległości i minimaksowe 
3.9. Metoda funkcji użyteczności 
3.10. Metoda algorytmów ewolucyjnych 
3.11. Metoda programowania celowego 
3.12. Algorytmiczne poprawienie metody programowania celowego 
3.13. Technologia obliczeń optymalizacji wielokryterialnej z wykorzystaniem pakietu MATLAB 
3.13.1. Opis funkcji fminimax 
3.13.2. Opis funkcji fgoalattain 
Bibliografia 
 
ROZDZIAŁ 4. ALGORYTMY EWOLUCYJNE 
4.1. Algorytmy genetyczne (AG) 
4.1.1. Podstawy działania algorytmów genetycznych 
4.1.2. Porównanie algorytmów genetycznych z tradycyjnymi metodami optymalizacyjnymi 
4.1.3. Podstawowe problemy przy projektowaniu algorytmów genetycznych 
4.1.4. Różnica między algorytmami genetycznymi i metodami tradycyjnymi 
4.1.5. Odporność tradycyjnych metod optymalizacji 
4.1.6. Elementarny algorytm genetyczny 
4.1.7. Klasyczny algorytm genetyczny 
4.2. Optymalizacja z wykorzystaniem Genetic Algorithm and Direct Search Toolbox pakietu MATLAB 
4.2.1. Wzorcowa funkcja celu 
4.2.2. Minimalizacja funkcji celu z wykorzystaniem algorytmu genetycznego 
4.2.3. Zastosowanie funkcji hybrydowej z algorytmem genetycznym 
4.2.4. Minimalizacja funkcji celu z algorytmem szukania według wzorca 
4.2.5. Programy wykorzystywane w Genetic Algorithm Direct Serach Toolbox 
4.2.6. Opis Genetic Algorithm and Direct Search Toolbox 
4.2.7. Znaczenie przystosowania i znaczenie najlepszego przystosowania 
4.2.8. Tryb pracy algorytmu genetycznego 
4.2.9. Wprowadzenie do metody bezpośredniego poszukiwania 
4.2.9.1. Terminologia metody bezpośredniego poszukiwania 
4.2.9.2. Uruchomienie algorytmu bezpośredniego poszukiwania 
4.2.10. Praca metody bezpośredniego poszukiwania 
4.2.11. Opis solvera w sytuacji nieliniowych ograniczeń 
4.2.12. Lista funkcji dostępnych w Genetic Algorithm and Direct Search Toolbox
Bibliografia
 
DODATEK 1. ALGEBRA MACIERZOWA 
D1.1. Wprowadzenie 
D1.2. Macierze i wektory 
D1.3. Specjalne macierze 
D1.4. Wyznaczniki 
D1.5. Operacje macierzowe 
D1.6. Macierze złożone 
D1.7. Własności macierzy 
D1.8. Pewne relacje macierzowe 
D1.9. Wartości własne 
D1.10. Definicja norm 
D1.11. Zredukowana forma kolumnowa (Reduced Row Echelon Form - RREF) 
D1.12. Różniczkowanie macierzy 
 
DODATEK 2. ANALIZA BŁĘDÓW 
D2.1. Wprowadzenie 
D2.2. Błędy w operacjach arytmetycznych 
D2.3. Błędy w rozwiązywaniu układów równań liniowych 
 
DODATEK 3. FUNKCJE SPECJALNE MAPL-A 
D3.1. Wprowadzenie 
D3.2. Funkcja Diraca (delta) 
D3.3. Jednostkowa funkcja krokowa 
D3.4. Funkcja Signum 
D3.5. Stała Eulera 
 
DODATEK 4. Plik nonSmoothOpt.m 
 
DODATEK 5. Plik fminuncOut.m 
 
DODATEK 6. Plik gaplotbestfun.m 
 
DODATEK 7. Plik nonSmoothFcn.m 
 
DODATEK 8. Plik showNonSmoothFcn.m