《人工智能及其應(yīng)用》試驗指導(dǎo)書

本文格式為Word版，下載可任意編輯——《人工智能及其應(yīng)用》試驗指導(dǎo)書《人工智能及其應(yīng)用》試驗指導(dǎo)書

《人工智能及其應(yīng)用》

試驗指導(dǎo)書

浙江工業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院—人工智能課程組

2023年9月

《人工智能及其應(yīng)用》試驗指導(dǎo)書

前言

本試驗是為了協(xié)同《人工智能及其應(yīng)用》課程的理論學(xué)習(xí)而專門設(shè)置的。本試驗的目的是穩(wěn)定和加強人工智能的基本原理和方法，并為今后進一步學(xué)習(xí)更高級課程和信息智能化技術(shù)的研究與系統(tǒng)開發(fā)奠定良好的基礎(chǔ)。

全書共分為八個試驗：1.產(chǎn)生式系統(tǒng)試驗；2.模糊推理系統(tǒng)試驗；3.A*算法求解8數(shù)碼問題試驗；4.A*算法求解迷宮問題試驗；5.遺傳算法求解函數(shù)最值問題試驗；6.遺傳算法求解TSP問題試驗；7.基于神經(jīng)網(wǎng)絡(luò)的模式識別試驗；8.基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算試驗。每個試驗包括有：試驗?zāi)康摹⒃囼瀮?nèi)容、試驗條件、試驗要求、試驗步驟和試驗報告等六個項目。

本試驗指導(dǎo)書包括兩個部分。第一個部分是介紹試驗的教學(xué)大綱；其次部分是介紹八個試驗的內(nèi)容。

由于編者水平有限，本試驗指導(dǎo)書的錯誤和不足在所難免，歡迎批評指正。

人工智能課程組

2023年9月

第II頁

《人工智能及其應(yīng)用》試驗指導(dǎo)書

目錄

試驗教學(xué)大綱1試驗一產(chǎn)生式系統(tǒng)試驗3試驗二模糊推理系統(tǒng)試驗5試驗三A*算法試驗I9試驗四A*算法試驗II12試驗五遺傳算法試驗I14試驗六遺傳算法試驗II18試驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別試驗20試驗八基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算試驗24

第III頁

《人工智能及其應(yīng)用》試驗指導(dǎo)書

試驗教學(xué)大綱

一、學(xué)時：16學(xué)時，一般安排在第9周至第16周。

二、主要儀器設(shè)備及運行環(huán)境：PC機、VisualC++6.0、Matlab7.0。三、試驗項目及教學(xué)安排

序號

試驗名稱

試驗平臺

12

產(chǎn)生式系統(tǒng)應(yīng)用模糊推理系統(tǒng)應(yīng)用

VC++Matlab

設(shè)計知識庫，實現(xiàn)系統(tǒng)識別或分類等。

1）設(shè)計洗衣機的模糊控制器；2）設(shè)計兩車追趕的模糊控制器。

34567

A*算法應(yīng)用IA*算法應(yīng)用II遺傳算法應(yīng)用I遺傳算法應(yīng)用II基于神經(jīng)網(wǎng)絡(luò)的模式識別

VC++VC++MatlabVC++Matlab

設(shè)計與實現(xiàn)求解N數(shù)碼問題的A*算法。

設(shè)計與實現(xiàn)求解迷宮問題的A*算法。

1）求某一函數(shù)的最小值；2）求某一函數(shù)的最大值。設(shè)計與實現(xiàn)求解不同城市規(guī)模的TSP問題的遺傳算法。1）基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別設(shè)計；

2）基于離散Hopfiel神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶設(shè)計。

8

基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算

VC++

設(shè)計與實現(xiàn)求解TSP問題的連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)。2

綜合

課內(nèi)

2

驗證

課內(nèi)

2

綜合

課內(nèi)

2

驗證

課內(nèi)

2

綜合

課內(nèi)

2

綜合

課內(nèi)

2

驗證

課內(nèi)

試驗內(nèi)容

學(xué)時2

類型設(shè)計

教學(xué)要求課內(nèi)

四、試驗成績評定

試驗課成績單獨按五分制評定。凡試驗成績不及格者，該門課程就不及格。學(xué)生的試驗成績應(yīng)以平日考察為主，一般應(yīng)占課程總成績的50%，其平日成績又要以試驗實際操作的優(yōu)劣作為主要考核依據(jù)。對于試驗課成績，無論采取何種方式進行考核，都必需按試驗課的目的要求，以實際試驗工作能力的強弱作為評定成績的主要依據(jù)。

評定各級成績時，可參考以下標準：

1

《人工智能及其應(yīng)用》試驗指導(dǎo)書

（一）優(yōu)秀

能正確理解試驗的目的要求，能獨立、順利而正確地完成各項試驗操作，會分析和處理試驗中遇到的問題，能把握所學(xué)的各項試驗技能，能較好地完成試驗報告及其它各項試驗作業(yè)，有一定創(chuàng)造精神和能力。有良好的試驗室工作作風(fēng)和習(xí)慣。（二）良好

能理解試驗的目的和要求，能認真而正確地完成各項試驗操作，能分析和處理試驗中遇到的一些問題。能把握所學(xué)試驗技能的絕大部分，對難點較大的操作完成有困難。能一般完成試驗報告和其它試驗作業(yè)。有較好的試驗習(xí)慣和工作作風(fēng)。

（三）中等

能粗淺理解試驗?zāi)康囊?，能認真努力進行各項試驗操作，但技巧較差。能分析和處理試驗中一些較簡單的問題，把握試驗技能的大部分。有30%把握得不好。能一般完成各項試驗作業(yè)和報告。處理問題缺乏條理。工作作風(fēng)較好。能認真遵守各項規(guī)章制度。學(xué)習(xí)努力。（四）及格

只能機械地了解試驗內(nèi)容，能一般按圖、或按試驗步驟“照方抓藥〞完成試驗操作，能完成60%所學(xué)的試驗技能，有些雖作但不確鑿。遇到問題往往缺乏解決的方法，在別人啟發(fā)下能作些簡單處理，但效果不理想。能一般完成試驗報告，能認真遵守試驗室各項規(guī)章制度，工作中有小的習(xí)慣性毛?。ㄈ绻ぷ鳠o計劃，處理問題缺乏條理）。（五）不及格

盲目地“照方抓藥〞，只把握50%的所學(xué)試驗技能。有些試驗雖能作，但一般效果不好，操作不正確。工作忙亂無條理。一般能遵守試驗室規(guī)章制度，但常有小的錯誤。試驗報告較多的時候有結(jié)果，遇到問題時說不明原因，在教師指導(dǎo)下也較難完成各項試驗作業(yè)?；蛴行┬÷斆鞯慌?，不求上進。

2

《人工智能及其應(yīng)用》試驗指導(dǎo)書

試驗一產(chǎn)生式系統(tǒng)試驗

一、試驗?zāi)康模?/p>

熟悉一階謂詞規(guī)律和產(chǎn)生式表示法，把握產(chǎn)生式系統(tǒng)的運行機制，以及基于規(guī)則推理的基本方法。二、試驗內(nèi)容

運用所學(xué)知識，設(shè)計并編程實現(xiàn)一個小型人工智能系統(tǒng)（如分類、診斷、預(yù)計等類型）。三、試驗條件：

產(chǎn)生式系統(tǒng)試驗程序，如下圖1所示。

圖1產(chǎn)生式系統(tǒng)試驗程序界面

四、試驗要求

1.具體應(yīng)用領(lǐng)域自選，具體系統(tǒng)名稱自定；但所做系統(tǒng)絕對不能雷同。2.用一階謂詞規(guī)律和產(chǎn)生式規(guī)則作為知識表示，利用如圖1所示的產(chǎn)生式系統(tǒng)試驗程序，建立知識庫，分別運行正、反向推理。

3

《人工智能及其應(yīng)用》試驗指導(dǎo)書

3.系統(tǒng)完成后，提交試驗報告。五、試驗步驟：

1.基于如圖1所示的產(chǎn)生式系統(tǒng)試驗程序，設(shè)計并實現(xiàn)一個小型人工智能系統(tǒng)：

1）系統(tǒng)設(shè)置，包括設(shè)置系統(tǒng)名稱和系統(tǒng)謂詞，給出謂詞名及其含義。2）編輯知識庫，通過輸入規(guī)則或修改規(guī)則等，完成整個規(guī)則庫的建立。3）建立事實庫（綜合數(shù)據(jù)庫），輸入多條事實或結(jié)論。

4）運行推理，包括正向推理和反向推理，給出相應(yīng)的推理過程、事實區(qū)和規(guī)則區(qū)。

2.撰寫試驗報告。六、試驗報告

下面是試驗報告的基本內(nèi)容和書寫格式。

遞交的報告文件名：班級_學(xué)號_姓名_試驗名稱

———————————————————————

試驗名稱

班級：學(xué)號：姓名：

一、試驗?zāi)康亩?、試驗?nèi)容三、試驗步驟四、試驗結(jié)果

1.系統(tǒng)名稱及謂詞定義2.系統(tǒng)知識庫

3.系統(tǒng)正、反向推理過程、事實區(qū)和規(guī)則區(qū)。五、試驗總結(jié)

———————————————————————

4

《人工智能及其應(yīng)用》試驗指導(dǎo)書

試驗二模糊推理系統(tǒng)試驗

一、試驗?zāi)康?/p>

理解模糊規(guī)律推理的原理及特點，熟練應(yīng)用模糊推理，了解可能性理論。二、試驗原理

模糊推理所處理的事物自身是模糊的，概念本身沒有明確的外延，一個對象是否符合這個概念難以明確地確定，模糊推理是對這種不確定性，即模糊性的表示與處理。模糊規(guī)律推理是基于模糊性知識(模糊規(guī)則)的一種近似推理，一般采用Zadeh提出的語言變量、語言值、模糊集和模糊關(guān)系合成的方法進行推理。三、試驗條件

Matlab7.0的FuzzyLogicTool。

四、試驗內(nèi)容及要求

1.設(shè)計洗衣機洗滌時間的模糊控制。已知人的操作經(jīng)驗為：

“污泥越多，油脂越多，洗滌時間越長〞；

“污泥適中，油脂適中，洗滌時間適中〞；“污泥越少，油脂越少，洗滌時間越短〞。

要求：

（1）假設(shè)污泥、油脂、洗滌時間的論域分別為[0,100]、[0,100]和[0,120]，設(shè)計相應(yīng)的模糊推理系統(tǒng)，給出輸入、輸出語言變量的隸屬函數(shù)圖，模糊控制規(guī)則表和推論結(jié)果立體圖。

?60,y（油脂）?70，（2）假定當(dāng)前傳感器測得的信息為x0(污泥）采用面積重0心法反模糊化，給出模糊推理結(jié)果，并觀測模糊推理的動態(tài)仿真環(huán)境，給出其動態(tài)仿真環(huán)境圖。

提醒：模糊控制規(guī)則如下表1所示，其中SD（污泥少）、MD（污泥中）、LD（污泥多）、NG（油脂少）、MG（油脂中）、LG（油脂多）、VS（洗滌時間很短）、S（洗滌時間短）、M（洗滌時間中等）、L（洗滌時間長）、VL（洗滌時間很長）。

圖1洗衣機的模糊控制規(guī)則表

xyzSDNGVSSDMGM

5

《人工智能及其應(yīng)用》試驗指導(dǎo)書

SDMDMDMDLDLDLDLGNGMGLGNGMGLGLSMLMLVL

2．假設(shè)兩汽車均為理想狀態(tài)，即為油門控制輸入。

Y(s)4，Y為速度，U?2U(s)s?2?0.7?2s?4（1）設(shè)計模糊推理系統(tǒng)控制2號汽車由靜止啟動，追趕200m外時速90km的1號汽車并與其保持50m的距離。

（2）在25時刻1號汽車速度改為時速110km時，仍與其保持50m距離。（3）在35時刻1號汽車速度改為時速70km時，仍與其保持50m距離。要求：

（1）如下圖1所示，設(shè)計兩輸入一輸出的模糊推理系統(tǒng)作為2號汽車的模糊

?，輸出為1號汽車的油門控制u，采控制器，其中輸入為誤差e和誤差的變化e用面積等分法反模糊化，給出輸入、輸出語言變量的隸屬函數(shù)圖，模糊控制規(guī)則

表，推論結(jié)果立體圖和模糊推理的動態(tài)仿真環(huán)境圖。

1號車＋2號車—相對距離e30mu模糊推理系統(tǒng)dedt

圖1兩車追趕的模糊控制系統(tǒng)框圖

（2）用SIMULINK仿真兩車追趕的模糊控制系統(tǒng)，給出目標車（1號汽車）的速度曲線圖，以及追趕車（2號汽車）的速度曲線圖和與目標車（1號汽車）相對距離變化圖。

6

《人工智能及其應(yīng)用》試驗指導(dǎo)書

.提醒：模糊控制規(guī)則如下表2所示，其中re?e?e2,??tg，r、?和

e2.油門控制u的論域分別為[0,1]、[-3,3]和[-1,1]，r的隸屬函數(shù)如圖2所示。

表2模糊控制規(guī)則表

?\\rPBPMZENMNB

NBZEZEZEZEZEZENMPMPMNMNMPBNBPBPBNBNB

圖2r的隸屬函數(shù)圖

五、試驗報告要求：

1.依照試驗要求，給出相應(yīng)結(jié)果。

2．分析隸屬度、模糊關(guān)系和模糊規(guī)則的相互關(guān)系。

7

《人工智能及其應(yīng)用》試驗指導(dǎo)書

試驗六遺傳算法試驗II

一、試驗?zāi)康?/p>

熟悉和把握遺傳算法的原理、流程和編碼策略，理解求解TSP問題的流程并測試主要參數(shù)對結(jié)果的影響，把握遺傳算法的基本實現(xiàn)方法。二、試驗原理

旅行商問題，即TSP問題（TravelingSalesmanProblem）是數(shù)學(xué)領(lǐng)域中著名問題之一。假設(shè)有一個旅行商人要訪問n個城市，n個城市之間的相互距離已知，他必需選擇所要走的路徑，路經(jīng)的限制是每個城市只能訪問一次，而且最終要回到原來出發(fā)的城市。路徑的選擇目標是要求得的路徑路程為所有路徑之中的最小值。

用圖論的術(shù)語來說，假設(shè)有一個圖g=(v,e)，其中v是頂點集，e是邊集，設(shè)d=(dij)是由頂點i和頂點j之間的距離所組成的距離矩陣，旅行商問題就是求出一條通過所有頂點且每個頂點只通過一次的具有最短距離的回路。TSP問題是一個典型的組合優(yōu)化問題，該問題可以被證明具有NPC計算繁雜性，其可能的路徑數(shù)目與城市數(shù)目n是成指數(shù)型增長的，所以一般很難確切地求出其最優(yōu)解，本試驗采用遺傳算法求解。

遺傳算法的基本思想正是基于模仿生物界遺傳學(xué)的遺傳過程。它把問題的參數(shù)用基因代表，把問題的解用染色體代表（在計算機里用二進制碼表示），從而得到一個由具有不同染色體的個體組成的群體。這個群體在問題特定的環(huán)境里生存競爭，適者有最好的機遇生存和產(chǎn)生后代。后代隨機化地繼承了父代的最好特征，并也在生存環(huán)境的控制支配下繼續(xù)這一過程。群體的染色體都將逐漸適應(yīng)環(huán)境，不斷進化，最終收斂到一個最適應(yīng)環(huán)境的類似個體，即得到問題最優(yōu)的解。三、試驗內(nèi)容

1、參考試驗系統(tǒng)給出的遺傳算法核心代碼，用遺傳算法求解不同規(guī)模（例如10個城市，20個城市，100個城市）的TSP問題，把結(jié)果填入表1。

表1遺傳算法求解不同規(guī)模的TSP問題的結(jié)果最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度城市規(guī)模1020100平均運行時間2、對于同一個TSP問題（例如10個城市），設(shè)置不同的種群規(guī)模（例如10，20，100）、交織概率（0，0.5，1）和變異概率（0，0.5，1），把結(jié)果填入表2。3、設(shè)置種群規(guī)模為100，交織概率為0.85，變異概率為0.15，然后增加1種變異策略（例如相鄰兩點互換變異、逆轉(zhuǎn)變異或插入變異等）和1種個體選擇概

18

《人工智能及其應(yīng)用》試驗指導(dǎo)書

率分派策略（例如按線性排序或者按非線性排序分派個體選擇概率）用于求解同一TSP問題（例如10個城市），把結(jié)果填入表3。

表2不同的種群規(guī)模、交織概率和變異概率的求解結(jié)果交織概率變異概率最好適應(yīng)最差適應(yīng)平均適應(yīng)度度度0.850.150.850.150.850.1500.150.50.1510.150.8500.850.50.851種群規(guī)模1020100100100100100100100平均運行時間表3不同的變異策略和個體選擇概率分派策略的求解結(jié)果變異策略個體選擇概率分派最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運行時間兩點互換按適應(yīng)度比例分派兩點互換按適應(yīng)度比例分派4、提交試驗報告和源程序。四、試驗報告要求：

1、畫出遺傳算法求解TSP問題的流程圖。

2、分析遺傳算法求解不同規(guī)模的TSP問題的算法性能。

3、對于同一個TSP問題，分析種群規(guī)模、交織概率和變異概率對算法結(jié)果的影響。

4、增加1種變異策略和1種個體選擇概率分派策略，比較求解同一TSP問題時不同變異策略及不同個體選擇分派策略對算法結(jié)果的影響。下面是試驗報告的基本內(nèi)容和書寫格式。

試驗名稱

班級：學(xué)號：姓名：

一、試驗?zāi)康亩?、試驗原理三、試驗結(jié)果

依照試驗內(nèi)容，給出相應(yīng)結(jié)果。四、試驗總結(jié)

1.完成試驗報告要求2,3和4。2.總厚試驗心得體會

——————————————————————————————————

19

《人工智能及其應(yīng)用》試驗指導(dǎo)書

試驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別試驗

一、試驗?zāi)康?/p>

理解BP神經(jīng)網(wǎng)絡(luò)和離散Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理，把握反向傳播學(xué)習(xí)算法對神經(jīng)元的訓(xùn)練過程，了解反向傳播公式。通過構(gòu)建BP網(wǎng)絡(luò)和離散Hopfield網(wǎng)絡(luò)模式識別實例，熟悉前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)的原理及結(jié)構(gòu)。二、試驗原理

BP學(xué)習(xí)算法是通過反向?qū)W習(xí)過程使誤差最小，其算法過程從輸出節(jié)點開始，反向地向第一隱含層(即最接近輸入層的隱含層)傳播由總誤差引起的權(quán)值修正。BP網(wǎng)絡(luò)不僅含有輸入節(jié)點和輸出節(jié)點，而且含有一層或多層隱(層)節(jié)點。輸入信號先向前傳遞到隱節(jié)點，經(jīng)過作用后，再把隱節(jié)點的輸出信息傳遞到輸出節(jié)點，最終給出輸出結(jié)果。

離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶過程分為學(xué)習(xí)和聯(lián)想兩個階段。在給定樣本的條件下，依照Hebb學(xué)習(xí)規(guī)則調(diào)整連接權(quán)值，使得存儲的樣本成為網(wǎng)絡(luò)的穩(wěn)定狀態(tài)，這就是學(xué)習(xí)階段。聯(lián)想是指在連接權(quán)值不變的狀況下，輸入部分不全或者受了干擾的信息，最終網(wǎng)絡(luò)輸出某個穩(wěn)定狀態(tài)。

三、試驗條件

Matlab7.X的神經(jīng)網(wǎng)絡(luò)工具箱：在Matlab7.X的命令窗口輸入nntool，然后在鍵盤上輸入Enter鍵，即可開啟神經(jīng)網(wǎng)絡(luò)工具箱。四、試驗內(nèi)容

1.針對教材P243例8.1，設(shè)計一個BP網(wǎng)絡(luò)結(jié)構(gòu)模型（63-6-9），并以教材圖8.5為訓(xùn)練樣本數(shù)據(jù)，圖8.6為測試數(shù)據(jù)。

（1）從Matlab工作空間導(dǎo)入（Import）訓(xùn)練樣本數(shù)據(jù)（inputdata，outputdata）和測試數(shù)據(jù)（testinputdata），然后新建一個神經(jīng)網(wǎng)絡(luò)（NewNetwork），選擇參數(shù)如下表1，給出BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

表1BP網(wǎng)絡(luò)結(jié)構(gòu)模型的各項參數(shù)設(shè)置NetworkName（神經(jīng)網(wǎng)絡(luò)名稱）NetworkType（神經(jīng)網(wǎng)絡(luò)類型）Feed-forwardbackprop（前饋反向傳播）Inputranges（輸入信息范圍）來自訓(xùn)練樣本的輸入數(shù)據(jù)（inputdata）Trainingfunction（訓(xùn)練函數(shù)）TRAINGD(梯度下降BP算法)Performancefunction（性能函數(shù)）MSE（均方誤差）2Numberoflayers（神經(jīng)網(wǎng)絡(luò)層數(shù)）

20

《人工智能及其應(yīng)用》試驗指導(dǎo)書

Layer1（第1層）的Numberofneurons(神經(jīng)元個數(shù))Layer1（第1層）的TransferFunction(傳遞函數(shù))Layer2（第2層）的Numberofneurons(神經(jīng)元個數(shù))Layer2（第2層）的TransferFunction(傳遞函數(shù))6TANSIG(雙曲正切S型函數(shù))2LOGSIG（S型函數(shù)）（2）輸入訓(xùn)練樣本數(shù)據(jù)（inputdata，outputdata），隨機初始化連接權(quán)（InitializeWeights），給出BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后的誤差變化曲線圖，訓(xùn)練參數(shù)設(shè)置如表2所示。

表2BP網(wǎng)絡(luò)訓(xùn)練參數(shù)

訓(xùn)練次數(shù)（epochs）訓(xùn)練時間（time）訓(xùn)練目標（goal）學(xué)習(xí)率（lr）最大確認失敗次數(shù)（max_fail）最小性能梯度（min_grad）兩次顯示之間的訓(xùn)練步數(shù)（show）1000Inf00.351e-02525（3）選擇不同的訓(xùn)練函數(shù)，例如TRAINGDM（梯度下降動量BP算法）、TRAINLMM（Levenberg-MarquardtBP訓(xùn)練函數(shù)），然后輸入訓(xùn)練樣本數(shù)據(jù)（inputdata，outputdata），訓(xùn)練參數(shù)設(shè)置如表2所示，設(shè)置一致的初始連接權(quán)（Revert