中南大學(xué)人工智能實驗報告

1、學(xué)院：專業(yè)班級：指導(dǎo)老師：學(xué)號：姓名：第一次實驗：搜索策略2.dfs搜索策略：當(dāng)節(jié)點v的所有邊都己被探尋過，搜索將回溯到發(fā)現(xiàn)節(jié)點 v的那條邊的起始節(jié)點。這一過程一直進行到已發(fā)現(xiàn)從源節(jié)點可達的 所有節(jié)點為止。如果還存在未被發(fā)現(xiàn)的節(jié)點，則選擇其中一個作為源 節(jié)點并重復(fù)以上過程，整個進程反復(fù)進行直到所有節(jié)點都被訪問為止。 屬于盲目搜索。搜索結(jié)果前四步open表和close表的變化open 表close 表14161,401,4,63.bfs搜索策略：bfs并不使用經(jīng)驗法則算法。從算法的觀點，所有因為 展開節(jié)點而得到的子節(jié)點都會被加進一個先進先出的隊列中。依次對 出隊的結(jié)點進行搜索，直至找到目標(biāo)節(jié)點搜

2、索結(jié)果前四步open表和close表的變化open 表close 表1416,21,41,4,62,0,34 丄owestcostfirst搜索策略：類似于bfs，但在搜索結(jié)點時，并不按照隊列的順序進 行搜索，而選取隊列中與起始結(jié)點距離最近的結(jié)點進行搜索。搜索結(jié)果open 表close 表1416,21,42,0,31,4,6前步open表和close表的變化5.bestfirst搜索策略：最佳優(yōu)先搜索通過擴展最有可能到達目標(biāo)節(jié)點的節(jié)點，根 據(jù)指定的規(guī)則，探索一個 搜索結(jié)果前四步open表和close表的變化open 表close 表1416,21,42,0,31,4,66.房次深度優(yōu)先搜索策

3、略：令k=1，進行k層的深度優(yōu)先搜索，如果沒有找到目標(biāo)， 則k+1，進行k+1層的深度優(yōu)先搜索，以此類推。搜索結(jié)果lode0.011 2前四步open表和close表的變化open 表close 表1416,21,42,0,31,4,67.a"算法搜索策略：a*1 (a-star)算法是一種靜態(tài)路網(wǎng)中求解最短路最存效的直接搜索方法。公式表示為：f(n)=g(n)+h(n),其中f(n)是從初始點經(jīng)由節(jié)點n到口標(biāo)點的估價函數(shù), g(n)是在狀態(tài)空間中從初始節(jié)點到n節(jié)點的實際代價， h(n)是從n到目標(biāo)節(jié)點最佳路徑的估計代價。促證找到最短路徑(最優(yōu)解的)條件，關(guān)鍵在于估價函數(shù)f(n)的

4、選取:估價值h(n)<= n到目標(biāo)節(jié)點的距離實際值，這種情況下，搜索的 點數(shù)多，搜索范圍大，效率低。但能得到最優(yōu)解。并且如果h(n)=d(n), 即距離估計h(n)等于最短距離，那么搜索將嚴(yán)格沿著最短路徑進行， 此時的搜索效率是最高的。如果估價值>實際值，搜索的點數(shù)少，搜索范圍小，效率高，但不 能保證得到最優(yōu)解。搜索結(jié)果前四步open表和close表的變化open 表close 表1416,21,41,4,62,0,38.修改源代碼中的估價函數(shù)對于一個啟發(fā)式算法來說，他的搜索順序依賴于估價函數(shù)的定義，而 估價函數(shù)中啟發(fā)函數(shù)部分h的定義比較主觀，容易對搜索造成比較大 的影響。因此，如

5、果我們修改關(guān)于八數(shù)碼問題的源代碼，將估價函數(shù) 中的曼哈頓距離改為歐式距離，結(jié)果可能會改變。修改前134820765130824765103824765123804765solution steps 4123804765searchsteps : 5修改后（將啟發(fā)函數(shù)由曼哈頓距離改為歐氏距離）stl a* 8-puzzle solver implementation (c)2001 justin heyes-jones search terminated. out of memory searchsteps : 561由上面的2個結(jié)果可以看出，當(dāng)未做修改前，我們的算法可以通過5步搜索得出結(jié)果，當(dāng)

6、把曼哈頓距離改為歐氏距離之后，算法嘗試了 561次搜索，直到內(nèi)存不夠，也沒能得出結(jié)果?？梢姽纼r函數(shù)對于整 個搜索的影響力。第二次實驗：推理技術(shù)1. 實驗說明產(chǎn)生式系統(tǒng)用來描述若干個不同的以一個基本概念為基礎(chǔ)的 系統(tǒng)，這個基本概念就是產(chǎn)生式規(guī)則或產(chǎn)生式條件和操作對。 在產(chǎn)生式系統(tǒng)中，論域的知識分為兩部分：用事實表示靜態(tài)知 識；用產(chǎn)生式規(guī)則表示推理過程和行為。2. 實驗內(nèi)容下面以一個具體的動物識別專家系統(tǒng)模型來說明其原理。建立該專家系統(tǒng)的代碼：規(guī)則庫事實庫該動物是哺乳動物-該動物有毛發(fā).%會游泳.該動物是企鵝該動物是哺乳動物-該動物有奶.%不會飛.該動物是鳥-該動物有羽毛.%有黑白二色.%該動物是

7、鳥.該動物是鳥-該動物會飛&會下蛋.% %-該動物是鳥該動物是食肉動物-該動物吃肉.%該動物會飛.該動物是食肉動物-該動物有犬齒&有爪&眼%會下蛋.盯前方.%-該動物是金錢豹-該動物是哺乳動物&該動物是有蹄類動物-該動物是哺乳動物&有是食肉動物&是黃掲色&身上有暗斑點.蹄.%該動物有毛發(fā).該動物是有蹄類動物-該動物是哺乳動物&是%是食肉動物.嚼反芻動物.%是黃褐色.該動物是金錢豹-該動物是哺乳動物&是食肉%身上有暗斑點.動物&是黃褐色&身上有暗斑點.%-該動物是虎-該動物是哺乳動物&是食該動物是虎-

8、該動物是哺乳動物&是食肉動物肉動物&是黃褐色&身上有黑色條紋.&是黃褐色&身上有黑色條紋.該動物是哺乳動物.該動物是長頸鹿-該動物是有蹄類動物&有長是食肉動物.脖子&有長腿&身上有暗斑點.是黃掲色.該動物是斑馬-該動物是有蹄類動物&身上有身上有黑色條紋.黑色條紋.該動物是鴕鳥-該動物是鳥&有長脖子&有長%-該動物是長頸鹿-該動物是有蹄類動物腿&不會飛&有黑白二色.&有長脖子&有長腿&身上有暗斑點.該動物是企鵝-該動物是鳥&會游泳&不會飛&%該動

9、物是有蹄類動物.有黑白二色.%有長脖子.該動物是信天翁-該動物是鳥&善飛.%有長腿.%身上有暗斑點.實現(xiàn)逆向推理過程（該動物是鳥）:將該事實（該動物是鳥）與規(guī)則庫進行匹配，與“該動物是鳥-該動 物有羽毛.”和“該動物是鳥-該動物會飛&會下蛋”這兩條規(guī)則匹配， 于是得到這兩個結(jié)論，將它們加入用于推理的事實中，繼續(xù)與規(guī)則庫 匹配，發(fā)現(xiàn)沒有能夠繼續(xù)匹配的規(guī)則了，于是推理終止。過程如下我嘗試對規(guī)則庫進行修改，將“該動物是鳥-該動物會飛&會下蛋 改為了“該動物是鳥-該動物會飛&會下蛋&有屁股.”，果然發(fā)現(xiàn)得到 的結(jié)果改變了file edit graph optio

10、ns deduction options help文擋 1 - mic.1402140114-.今俗彳汚13:26reset edge labelsautoscalec pan ( zoomhide knowledge base |create new queryreset query，書r inspect node hi nodemove subtreec view proof treestepfine stepauto searchalgorithm selected:sld resolution后來我又嘗試自己建立規(guī)則庫 規(guī)則庫代碼如下：% file:動物識別系統(tǒng)規(guī)則庫.pi該動物是人-

11、該動物有毛發(fā).該動物是人-該動物會說話.該動物是人-該動物知羞恥.該動物有毛發(fā)-該動物等級高.該動物有毛發(fā)-該動物不是魚.該動物不是魚-該動物不會游泳.%動物識別系統(tǒng)事實集：%-該動物是人%該動物有毛發(fā).%會說話.%知羞恥%- %該動物有毛發(fā) %該動物等級高%該動物不是魚%- %該動物不是魚%該動物不會游泳實驗自己生成的產(chǎn)生式系統(tǒng)（逆向推理“該動物有毛發(fā)”），得到如下結(jié) 果def initclause deduction applet vecsion.02 動期系統(tǒng)找pi由“該動物有毛發(fā)”推出了“該動物等級高”和“該動物不是魚”，進而推出 了“該動物不會游泳；可見這個產(chǎn)生式系統(tǒng)是符合要求的。第

12、三次實驗：神經(jīng)網(wǎng)絡(luò)1.實驗內(nèi)容1.1多數(shù)贊成表決器的應(yīng)用 網(wǎng)絡(luò)拓撲圖瑜出節(jié)點5 -0.22所使用的訓(xùn)練數(shù)據(jù)集：數(shù)據(jù)類型：(輸入節(jié)點0 ,輸入節(jié)點1，輸入節(jié)點2，輸入 節(jié)點5 )(0, 0, 0, 0 )( 0, 0, 1, 0 )( 0, 1, 1, 1 )( 1, 0, 0, 0 )( 1, 0, 1, 1 )( 1, 1,0, 1 ) (1,1,1,1)反復(fù)對這個網(wǎng)絡(luò)訓(xùn)練的結(jié)果：訓(xùn)練一次時的總誤差1.68 訓(xùn)練五十次時的誤差0.52 訓(xùn)練一百次時的誤差0.11訓(xùn)練一百五十次時的誤差0.05訓(xùn)練兩百次時的誤差0.03可見隨著不斷的訓(xùn)練，誤差越來越小，也就是說網(wǎng)絡(luò)越來越能滿足功 能的要求，下面

13、是誤差隨訓(xùn)練次數(shù)的變化圖。100 train0 0 testtotal errorstep court1.2異或問題的實現(xiàn) 網(wǎng)絡(luò)拓撲圖b mpural applet version ? 5 努或何湖.霣鵬fim edit ootons helprandomce parametersstepstep to target errorcalculate oulpmsnow plotsummar, staqsttcs601auloscam96finished 51 steps total error 0 01pan zoom>i zo -1.50.80.40.00.40.81.52.03.0co

14、fkt/用于訓(xùn)練的數(shù)據(jù)集:數(shù)據(jù)類型：(輸入節(jié)點0，輸入節(jié)點1，輸入節(jié)點4 )(0,0,0) (0,1,0) ( 1,0, 1 )對網(wǎng)絡(luò)進行訓(xùn)練的結(jié)果：訓(xùn)練1次的誤差0.018 訓(xùn)練50次的誤差0.010 訓(xùn)練100次的誤差0.010 訓(xùn)練150次的誤差0.010 訓(xùn)練200次的誤差0.010誤差測試如下圖total error0.0 train0. 0 te<tstep coufit可以發(fā)現(xiàn)，和多數(shù)贊成表決器的bp網(wǎng)絡(luò)一樣這個bp網(wǎng)絡(luò)經(jīng)過訓(xùn)練， 誤差也在不斷減小。單層的神經(jīng)網(wǎng)絡(luò)無法實現(xiàn)異或問題，但是含有中 間層的網(wǎng)絡(luò)卻可以很好的解決異或問題。最終得到的網(wǎng)絡(luò)結(jié)構(gòu)如功能測試：我們輸入結(jié)點1和

15、0 （異或），得到相應(yīng)輸出0. 9574 （近似為1 ） 我們輸入結(jié)點0和0，得到相應(yīng)輸出0. 0638 （近似為0 ）可見是可以實現(xiàn)異或功能的j calculate outputvaluesinput values:輸入節(jié)點01輸入節(jié)點11°output values:輸出節(jié)點4|0.9574calculatecancel2.感知器實現(xiàn)邏輯與功能2.1感知器實現(xiàn)邏輯與功能的學(xué)習(xí)算法單層感知器，即只有一層處理單元的感知器。感知器結(jié)構(gòu)如下圖所示感知器結(jié)構(gòu)表1 :與運算的真值表xlx2 y0 0 00 1010 0ill分界線的方程(wlxl+w2x2-t=0 )可以為：0. 5x1+0

16、. 5x2-0. 75=0輸入為kxl、kx2，輸出為yk。當(dāng)kxl和kx2均為1時，yk為1，否則yk為0。2. 2具體代碼(用matlab編寫):function yu();close all;rand c state，sum(100*clock)x=h 0 0;-i 0 1;-1 1 0;-l 1 1 ； d=0 0 0 1;h=0. 1;p=4;epoch=100;t=0. 1;w=rand(l, 3);w(1)=t;wl = ;w2=;err=;k=0;for i=l:epoch s=0;for j=l:p net(j)=w*x(:, j); o(j) = (net (j)=0);

17、w=w+h*(d(j)-o(j)*x(:, j) ； s=s+abs(d(j)-o(j);enderr=err s; k=k+l;w1=w1 w (2);w2=w2 w; if s=0,breakendendfigure(l)subplot (3,1，1)x=l:k;plot (x，err,1 b)xlabelc迭代次數(shù))ylabel (，error*)titlec誤差的收斂曲線)subplot (3, 1, 2)plot (x, wl, r-)xlabelc迭代次數(shù))ylabel ( wl)title(權(quán)值w1的變化過程)subplot (3, 1, 3) plot (x, w2, y-)

18、xlabelc迭代次數(shù)) ylabel (w2)titlec權(quán)值w2的變化過程)figure(2)hold ongrid onxl=-2:4;x2=(t-w(l)*xl)/w(2); plot (xl, x2, b)xlabel (，xl)ylabel ( x2 )titlec樣本分布及分界線)x=0 oil;y=0 10 1;plot (x, y, b*)；m=0 0 0;0 1 0;l 0 0;l 1 1;fprintf c n)display (與運算的結(jié)果)num2str(w(3)display(the final error is/ num2str(s) display(the epoch is: num2str(k) display(the final w is: num2str(w(2)display(the final t is: num2str(t)display (th