人工智能及其應(yīng)用實(shí)驗(yàn)指導(dǎo)書(shū)樣本

資料內(nèi)容僅供您學(xué)習(xí)參考，如有不當(dāng)或者侵權(quán)，請(qǐng)聯(lián)系改正或者刪除。《人工智能及其應(yīng)用》實(shí)驗(yàn)指導(dǎo)書(shū)浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院—人工智能課程組9月前言本實(shí)驗(yàn)是為了配合《人工智能及其應(yīng)用》課程的理論學(xué)習(xí)而專門(mén)設(shè)置的。本實(shí)驗(yàn)的目的是鞏固和加強(qiáng)人工智能的基本原理和方法,并為今后進(jìn)一步學(xué)習(xí)更高級(jí)課程和信息智能化技術(shù)的研究與系統(tǒng)開(kāi)發(fā)奠定良好的基礎(chǔ)。全書(shū)共分為八個(gè)實(shí)驗(yàn):1.產(chǎn)生式系統(tǒng)實(shí)驗(yàn);2.模糊推理系統(tǒng)實(shí)驗(yàn);3.A*算法求解8數(shù)碼問(wèn)題實(shí)驗(yàn);4.A*算法求解迷宮問(wèn)題實(shí)驗(yàn);5.遺傳算法求解函數(shù)最值問(wèn)題實(shí)驗(yàn);6.遺傳算法求解TSP問(wèn)題實(shí)驗(yàn);7.基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn);8.基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算實(shí)驗(yàn)。每個(gè)實(shí)驗(yàn)包括有:實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)內(nèi)容、實(shí)驗(yàn)條件、實(shí)驗(yàn)要求、實(shí)驗(yàn)步驟和實(shí)驗(yàn)報(bào)告等六個(gè)項(xiàng)目。本實(shí)驗(yàn)指導(dǎo)書(shū)包括兩個(gè)部分。第一個(gè)部分是介紹實(shí)驗(yàn)的教學(xué)大綱;第二部分是介紹八個(gè)實(shí)驗(yàn)的內(nèi)容。由于編者水平有限,本實(shí)驗(yàn)指導(dǎo)書(shū)的錯(cuò)誤和不足在所難免,歡迎批評(píng)指正。人工智能課程組9月目錄實(shí)驗(yàn)教學(xué)大綱 1實(shí)驗(yàn)一產(chǎn)生式系統(tǒng)實(shí)驗(yàn) 3實(shí)驗(yàn)二模糊推理系統(tǒng)實(shí)驗(yàn) 5實(shí)驗(yàn)三A*算法實(shí)驗(yàn)I 9實(shí)驗(yàn)四A*算法實(shí)驗(yàn)II 12實(shí)驗(yàn)五遺傳算法實(shí)驗(yàn)I 14實(shí)驗(yàn)六遺傳算法實(shí)驗(yàn)II 18實(shí)驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn) 20實(shí)驗(yàn)八

基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算實(shí)驗(yàn) 24實(shí)驗(yàn)教學(xué)大綱一、學(xué)時(shí):16學(xué)時(shí),一般安排在第9周至第16周。二、主要儀器設(shè)備及運(yùn)行環(huán)境:PC機(jī)、VisualC++6.0、Matlab7.0。三、實(shí)驗(yàn)項(xiàng)目及教學(xué)安排序號(hào)實(shí)驗(yàn)名稱實(shí)驗(yàn)平臺(tái)實(shí)驗(yàn)內(nèi)容學(xué)時(shí)類(lèi)型教學(xué)要求1產(chǎn)生式系統(tǒng)應(yīng)用VC++設(shè)計(jì)知識(shí)庫(kù),實(shí)現(xiàn)系統(tǒng)識(shí)別或分類(lèi)等。2設(shè)計(jì)課內(nèi)2模糊推理系統(tǒng)應(yīng)用Matlab1)設(shè)計(jì)洗衣機(jī)的模糊控制器;2)設(shè)計(jì)兩車(chē)追趕的模糊控制器。2驗(yàn)證課內(nèi)3A*算法應(yīng)用IVC++設(shè)計(jì)與實(shí)現(xiàn)求解N數(shù)碼問(wèn)題的A*算法。2綜合課內(nèi)4A*算法應(yīng)用IIVC++設(shè)計(jì)與實(shí)現(xiàn)求解迷宮問(wèn)題的A*算法。2綜合課內(nèi)5遺傳算法應(yīng)用IMatlab1)求某一函數(shù)的最小值;2)求某一函數(shù)的最大值。2驗(yàn)證課內(nèi)6遺傳算法應(yīng)用IIVC++設(shè)計(jì)與實(shí)現(xiàn)求解不同城市規(guī)模的TSP問(wèn)題的遺傳算法。2綜合課內(nèi)7基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別Matlab1)基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別設(shè)計(jì);2)基于離散Hopfiel神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶設(shè)計(jì)。2驗(yàn)證課內(nèi)8基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計(jì)算VC++設(shè)計(jì)與實(shí)現(xiàn)求解TSP問(wèn)題的連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)。2綜合課內(nèi)四、實(shí)驗(yàn)成績(jī)?cè)u(píng)定實(shí)驗(yàn)課成績(jī)單獨(dú)按五分制評(píng)定。凡實(shí)驗(yàn)成績(jī)不及格者,該門(mén)課程就不及格。學(xué)生的實(shí)驗(yàn)成績(jī)應(yīng)以平時(shí)考查為主,一般應(yīng)占課程總成績(jī)的50%,其平時(shí)成績(jī)又要以實(shí)驗(yàn)實(shí)際操作的優(yōu)劣作為主要考核依據(jù)。對(duì)于實(shí)驗(yàn)課成績(jī),無(wú)論采取何種方式進(jìn)行考核,都必須按實(shí)驗(yàn)課的目的要求,以實(shí)際實(shí)驗(yàn)工作能力的強(qiáng)弱作為評(píng)定成績(jī)的主要依據(jù)。評(píng)定各級(jí)成績(jī)時(shí),可參考以下標(biāo)準(zhǔn):(一)優(yōu)秀能正確理解實(shí)驗(yàn)的目的要求,能獨(dú)立、順利而正確地完成各項(xiàng)實(shí)驗(yàn)操作,會(huì)分析和處理實(shí)驗(yàn)中遇到的問(wèn)題,能掌握所學(xué)的各項(xiàng)實(shí)驗(yàn)技能,能較好地完成實(shí)驗(yàn)報(bào)告及其它各項(xiàng)實(shí)驗(yàn)作業(yè),有一定創(chuàng)造精神和能力。有良好的實(shí)驗(yàn)室工作作風(fēng)和習(xí)慣。(二)良好能理解實(shí)驗(yàn)的目的和要求,能認(rèn)真而正確地完成各項(xiàng)實(shí)驗(yàn)操作,能分析和處理實(shí)驗(yàn)中遇到的一些問(wèn)題。能掌握所學(xué)實(shí)驗(yàn)技能的絕大部分,對(duì)難點(diǎn)較大的操作完成有困難。能一般完成實(shí)驗(yàn)報(bào)告和其它實(shí)驗(yàn)作業(yè)。有較好的實(shí)驗(yàn)習(xí)慣和工作作風(fēng)。(三)中等能粗淺理解實(shí)驗(yàn)?zāi)康囊?能認(rèn)真努力進(jìn)行各項(xiàng)實(shí)驗(yàn)操作,但技巧較差。能分析和處理實(shí)驗(yàn)中一些較容易的問(wèn)題,掌握實(shí)驗(yàn)技能的大部分。有30%掌握得不好。能一般完成各項(xiàng)實(shí)驗(yàn)作業(yè)和報(bào)告。處理問(wèn)題缺乏條理。工作作風(fēng)較好。能認(rèn)真遵守各項(xiàng)規(guī)章制度。學(xué)習(xí)努力。(四)及格只能機(jī)械地了解實(shí)驗(yàn)內(nèi)容,能一般按圖、或按實(shí)驗(yàn)步驟”照方抓藥”完成實(shí)驗(yàn)操作,能完成60%所學(xué)的實(shí)驗(yàn)技能,有些雖作但不準(zhǔn)確。遇到問(wèn)題常常缺乏解決的辦法,在別人啟發(fā)下能作些簡(jiǎn)單處理,但效果不理想。能一般完成實(shí)驗(yàn)報(bào)告,能認(rèn)真遵守實(shí)驗(yàn)室各項(xiàng)規(guī)章制度,工作中有小的習(xí)慣性毛病(如工作無(wú)計(jì)劃,處理問(wèn)題缺乏條理)。(五)不及格盲目地”照方抓藥”,只掌握50%的所學(xué)實(shí)驗(yàn)技能。有些實(shí)驗(yàn)雖能作,但一般效果不好,操作不正確。工作忙亂無(wú)條理。一般能遵守實(shí)驗(yàn)室規(guī)章制度,但常有小的錯(cuò)誤。實(shí)驗(yàn)報(bào)告較多的時(shí)候有結(jié)果,遇到問(wèn)題時(shí)說(shuō)不明原因,在教師指導(dǎo)下也較難完成各項(xiàng)實(shí)驗(yàn)作業(yè)。或有些小聰明但不努力,不求上進(jìn)。實(shí)驗(yàn)一產(chǎn)生式系統(tǒng)實(shí)驗(yàn)一、實(shí)驗(yàn)?zāi)康?熟悉一階謂詞邏輯和產(chǎn)生式表示法,掌握產(chǎn)生式系統(tǒng)的運(yùn)行機(jī)制,以及基于規(guī)則推理的基本方法。二、實(shí)驗(yàn)內(nèi)容運(yùn)用所學(xué)知識(shí),設(shè)計(jì)并編程實(shí)現(xiàn)一個(gè)小型人工智能系統(tǒng)(如分類(lèi)、診斷、預(yù)測(cè)等類(lèi)型)。三、實(shí)驗(yàn)條件:產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序,如下圖1所示。圖1產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序界面四、實(shí)驗(yàn)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(duì)不能雷同。2.用一階謂詞邏輯和產(chǎn)生式規(guī)則作為知識(shí)表示,利用如圖1所示的產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序,建立知識(shí)庫(kù),分別運(yùn)行正、反向推理。3.系統(tǒng)完成后,提交實(shí)驗(yàn)報(bào)告。五、實(shí)驗(yàn)步驟:1.基于如圖1所示的產(chǎn)生式系統(tǒng)實(shí)驗(yàn)程序,設(shè)計(jì)并實(shí)現(xiàn)一個(gè)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(shí)庫(kù),經(jīng)過(guò)輸入規(guī)則或修改規(guī)則等,完成整個(gè)規(guī)則庫(kù)的建立。3)建立事實(shí)庫(kù)(綜合數(shù)據(jù)庫(kù)),輸入多條事實(shí)或結(jié)論。4)運(yùn)行推理,包括正向推理和反向推理,給出相應(yīng)的推理過(guò)程、事實(shí)區(qū)和規(guī)則區(qū)。2.撰寫(xiě)實(shí)驗(yàn)報(bào)告。六、實(shí)驗(yàn)報(bào)告下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書(shū)寫(xiě)格式。遞交的報(bào)告文件名:班級(jí)_學(xué)號(hào)_姓名_實(shí)驗(yàn)名稱———————————————————————實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)內(nèi)容三、實(shí)驗(yàn)步驟四、實(shí)驗(yàn)結(jié)果1.系統(tǒng)名稱及謂詞定義2.系統(tǒng)知識(shí)庫(kù)3.系統(tǒng)正、反向推理過(guò)程、事實(shí)區(qū)和規(guī)則區(qū)。五、實(shí)驗(yàn)總結(jié)———————————————————————實(shí)驗(yàn)二模糊推理系統(tǒng)實(shí)驗(yàn)一、實(shí)驗(yàn)?zāi)康睦斫饽：壿嬐评淼脑砑疤攸c(diǎn),熟練應(yīng)用模糊推理,了解可能性理論。二、實(shí)驗(yàn)原理模糊推理所處理的事物自身是模糊的,概念本身沒(méi)有明確的外延,一個(gè)對(duì)象是否符合這個(gè)概念難以明確地確定,模糊推理是對(duì)這種不確定性,即模糊性的表示與處理。模糊邏輯推理是基于模糊性知識(shí)(模糊規(guī)則)的一種近似推理,一般采用Zadeh提出的語(yǔ)言變量、語(yǔ)言值、模糊集和模糊關(guān)系合成的方法進(jìn)行推理。三、實(shí)驗(yàn)條件 Matlab7.0的FuzzyLogicTool。四、實(shí)驗(yàn)內(nèi)容及要求1.設(shè)計(jì)洗衣機(jī)洗滌時(shí)間的模糊控制。已知人的操作經(jīng)驗(yàn)為:”污泥越多,油脂越多,洗滌時(shí)間越長(zhǎng)”;”污泥適中,油脂適中,洗滌時(shí)間適中”;”污泥越少,油脂越少,洗滌時(shí)間越短”。要求:(1)假設(shè)污泥、油脂、洗滌時(shí)間的論域分別為[0,100]、[0,100]和[0,120],設(shè)計(jì)相應(yīng)的模糊推理系統(tǒng),給出輸入、輸出語(yǔ)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。(2)假定當(dāng)前傳感器測(cè)得的信息為,采用面積重心法反模糊化,給出模糊推理結(jié)果,并觀察模糊推理的動(dòng)態(tài)仿真環(huán)境,給出其動(dòng)態(tài)仿真環(huán)境圖。提示: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(shí)間很短)、S(洗滌時(shí)間短)、M(洗滌時(shí)間中等)、L(洗滌時(shí)間長(zhǎng))、VL(洗滌時(shí)間很長(zhǎng))。 圖1洗衣機(jī)的模糊控制規(guī)則表xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2．假設(shè)兩汽車(chē)均為理想狀態(tài),即,Y為速度,U為油門(mén)控制輸入。(1)設(shè)計(jì)模糊推理系統(tǒng)控制2號(hào)汽車(chē)由靜止啟動(dòng),追趕200m外時(shí)速90km的1號(hào)汽車(chē)并與其保持30m的距離。(2)在25時(shí)刻1號(hào)汽車(chē)速度改為時(shí)速110km時(shí),仍與其保持30m距離。(3)在35時(shí)刻1號(hào)汽車(chē)速度改為時(shí)速70km時(shí),仍與其保持30m距離。要求:(1)如下圖1所示,設(shè)計(jì)兩輸入一輸出的模糊推理系統(tǒng)作為2號(hào)汽車(chē)的模糊控制器,其中輸入為誤差e和誤差的變化,輸出為1號(hào)汽車(chē)的油門(mén)控制u,采用面積等分法反模糊化,給出輸入、輸出語(yǔ)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(dòng)態(tài)仿真環(huán)境圖。圖1兩車(chē)追趕的模糊控制系統(tǒng)框圖(2)用SIMULINK仿真兩車(chē)追趕的模糊控制系統(tǒng),給出目標(biāo)車(chē)(1號(hào)汽車(chē))的速度曲線圖,以及追趕車(chē)(2號(hào)汽車(chē))的速度曲線圖和與目標(biāo)車(chē)(1號(hào)汽車(chē))相對(duì)距離變化圖。提示:模糊控制規(guī)則如下表2所示,其中,r、和油門(mén)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NBZEPBPBZENMNBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB圖2r的隸屬函數(shù)圖五、實(shí)驗(yàn)報(bào)告要求:1.按照實(shí)驗(yàn)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。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書(shū)寫(xiě)格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)內(nèi)容三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)要求,給出相應(yīng)結(jié)果。四、實(shí)驗(yàn)總結(jié)1.分析隸屬度、模糊關(guān)系和模糊規(guī)則的相互關(guān)系。2.總結(jié)實(shí)驗(yàn)心得體會(huì)——————————————————————————————————實(shí)驗(yàn)三A*算法實(shí)驗(yàn)I一、實(shí)驗(yàn)?zāi)康氖煜ず驼莆諉l(fā)式搜索的定義、估價(jià)函數(shù)和算法過(guò)程,并利用A*算法求解N數(shù)碼難題,理解求解流程和搜索順序。二、實(shí)驗(yàn)原理A*算法是一種啟發(fā)式圖搜索算法,其特點(diǎn)在于對(duì)估價(jià)函數(shù)的定義上。對(duì)于一般的啟發(fā)式圖搜索,總是選擇估價(jià)函數(shù)f值最小的節(jié)點(diǎn)作為擴(kuò)展節(jié)點(diǎn)。因此,f是根據(jù)需要找到一條最小代價(jià)路徑的觀點(diǎn)來(lái)估算節(jié)點(diǎn)的,因此,可考慮每個(gè)節(jié)點(diǎn)n的估價(jià)函數(shù)值為兩個(gè)分量:從起始節(jié)點(diǎn)到節(jié)點(diǎn)n的實(shí)際代價(jià)g(n)以及從節(jié)點(diǎn)n到達(dá)目標(biāo)節(jié)點(diǎn)的估價(jià)代價(jià)h(n),且,為節(jié)點(diǎn)到目的結(jié)點(diǎn)的最優(yōu)路徑的代價(jià)。八數(shù)碼問(wèn)題是在3×3的九宮格棋盤(pán)上,擺有8個(gè)刻有1～8數(shù)碼的將牌。棋盤(pán)中有一個(gè)空格,允許緊鄰空格的某一將牌能夠移到空格中,這樣經(jīng)過(guò)平移將牌能夠?qū)⒛骋粚⑴撇季肿儞Q為另一布局。針對(duì)給定的一種初始布局或結(jié)構(gòu)(目標(biāo)狀態(tài)),問(wèn)如何移動(dòng)將牌,實(shí)現(xiàn)從初始狀態(tài)到目標(biāo)狀態(tài)的轉(zhuǎn)變。如下圖1表示了一個(gè)具體的八數(shù)碼問(wèn)題求解。圖1八數(shù)碼問(wèn)題的求解三、實(shí)驗(yàn)內(nèi)容1.參考A*算法核心代碼,以8數(shù)碼問(wèn)題為例實(shí)現(xiàn)A*算法的求解程序(編程語(yǔ)言不限),要求設(shè)計(jì)兩種不同的估價(jià)函數(shù)。2.設(shè)置相同的初始狀態(tài)和目標(biāo)狀態(tài),針對(duì)不同的估價(jià)函數(shù),求得問(wèn)題的解,并比較它們對(duì)搜索算法性能的影響,包括擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)等。3.設(shè)置與上述2相同的初始狀態(tài)和目標(biāo)狀態(tài),用寬度優(yōu)先搜索算法(即令估計(jì)代價(jià)h(n)＝0的A*算法)求得問(wèn)題的解,以及搜索過(guò)程中的擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)。*4.參考A*算法核心代碼,實(shí)現(xiàn)A*算法求解15數(shù)碼問(wèn)題的程序,設(shè)計(jì)兩種不同的估價(jià)函數(shù),然后重復(fù)上述2和3的實(shí)驗(yàn)內(nèi)容。5.提交實(shí)驗(yàn)報(bào)告和源程序。四、實(shí)驗(yàn)報(bào)告要求1.分析不同的估價(jià)函數(shù)對(duì)A*算法性能的影響。2.根據(jù)寬度優(yōu)先搜索算法和A*算法求解8、15數(shù)碼問(wèn)題的結(jié)果,分析啟發(fā)式搜索的特點(diǎn)。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書(shū)寫(xiě)格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容,把結(jié)果填入表1。表1不同啟發(fā)函數(shù)h(n)求解8數(shù)碼問(wèn)題的結(jié)果比較啟發(fā)函數(shù)h(n)不在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)最優(yōu)解擴(kuò)展節(jié)點(diǎn)數(shù)生成節(jié)點(diǎn)數(shù)運(yùn)行時(shí)間*表2不同啟發(fā)函數(shù)h(n)求解15數(shù)碼問(wèn)題的結(jié)果比較啟發(fā)函數(shù)h(n)不在位數(shù)0初始狀態(tài)目標(biāo)狀態(tài)最優(yōu)解擴(kuò)展節(jié)點(diǎn)數(shù)生成節(jié)點(diǎn)數(shù)運(yùn)行時(shí)間四、實(shí)驗(yàn)總結(jié)1.畫(huà)出A*算法求解N數(shù)碼問(wèn)題的流程圖2.完成實(shí)驗(yàn)報(bào)告要求1和2。3.總結(jié)實(shí)驗(yàn)心得體會(huì)——————————————————————————————————實(shí)驗(yàn)四A*算法實(shí)驗(yàn)II一、實(shí)驗(yàn)?zāi)康氖煜ず驼莆誂*算法實(shí)現(xiàn)迷宮尋路功能,要求掌握啟發(fā)式函數(shù)的編寫(xiě)以及各類(lèi)啟發(fā)式函數(shù)效果的比較。二、實(shí)驗(yàn)原理A*(A-Star)算法是一種靜態(tài)路網(wǎng)中求解最短路最有效的方法。公式表示為:f(n)=g(n)+h(n),其中f(n)是節(jié)點(diǎn)n從初始點(diǎn)到目標(biāo)點(diǎn)的估價(jià)函數(shù),g(n)是在狀態(tài)空間中從初始節(jié)點(diǎn)到n節(jié)點(diǎn)的實(shí)際代價(jià),h(n)是從n到目標(biāo)節(jié)點(diǎn)最佳路徑的估計(jì)代價(jià)。保證找到最短路徑(最優(yōu)解的)條件,關(guān)鍵在于估價(jià)函數(shù)h(n)的選取:估價(jià)值h(n)小于等于n到目標(biāo)節(jié)點(diǎn)的距離實(shí)際值,這種情況下,搜索的點(diǎn)數(shù)多,搜索范圍大,效率低,但能得到最優(yōu)解。如果估價(jià)值大于實(shí)際值,搜索的點(diǎn)數(shù)少,搜索范圍小,效率高,但不能保證得到最優(yōu)解。尋路問(wèn)題常見(jiàn)于各類(lèi)游戲中角色尋路、三維虛擬場(chǎng)景中運(yùn)動(dòng)目標(biāo)的路徑規(guī)劃、機(jī)器人尋路等多個(gè)應(yīng)用領(lǐng)域。迷宮尋路問(wèn)題是在以方格表示的地圖場(chǎng)景中,對(duì)于給定的起點(diǎn)、終點(diǎn)和障礙物(墻),如何找到一條從起點(diǎn)開(kāi)始避開(kāi)障礙物到達(dá)終點(diǎn)的最短路徑。假設(shè)在一個(gè)n*m的迷宮里,入口坐標(biāo)和出口坐標(biāo)分別為(1,1)和(5,5),每一個(gè)坐標(biāo)點(diǎn)有兩種可能:0或1,其中0表示該位置允許經(jīng)過(guò),1表示該位置不允許經(jīng)過(guò)。如地圖:

00000

10101

00111

01000

00010最短路徑應(yīng)該是

AB000

1C101

ED111

F1JKL

GHI1M即:(1,1)-(1,2)-(2,2)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)三、實(shí)驗(yàn)內(nèi)容1．參考迷宮求解的核心代碼,觀察求解過(guò)程與思路,畫(huà)出用A*算法求解迷宮最短路徑的流程圖。2．設(shè)置不同的地圖,以及不同的初始狀態(tài)和目標(biāo)狀態(tài),記錄A*算法的求解結(jié)果,包括最短路徑、擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)和算法運(yùn)行時(shí)間。3．對(duì)于相同的初始狀態(tài)和目標(biāo)狀態(tài),設(shè)計(jì)不同的啟發(fā)式函數(shù),比較不同啟發(fā)式函數(shù)對(duì)迷宮尋路速度的提升效果,包括擴(kuò)展節(jié)點(diǎn)數(shù)、生成節(jié)點(diǎn)數(shù)和算法運(yùn)行時(shí)間。4．提交實(shí)驗(yàn)報(bào)告和源程序。四、實(shí)驗(yàn)報(bào)告要求:1．畫(huà)出A*算法求解迷宮最短路徑問(wèn)題的流程圖。2．試分析不同啟發(fā)式函數(shù)h(n)對(duì)迷宮尋路求解的速度提升效果。3．分析A*算法求解不同規(guī)模迷宮最短路徑問(wèn)題的性能。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書(shū)寫(xiě)格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容,給出相應(yīng)結(jié)果。四、實(shí)驗(yàn)總結(jié)1.完成實(shí)驗(yàn)報(bào)告要求2和3。2.總結(jié)實(shí)驗(yàn)心得體會(huì)——————————————————————————————————實(shí)驗(yàn)五遺傳算法實(shí)驗(yàn)I一、實(shí)驗(yàn)?zāi)康氖煜ず驼莆者z傳算法的原理、流程和編碼策略,并利用遺傳求解函數(shù)優(yōu)化問(wèn)題,理解求解流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影響。二、實(shí)驗(yàn)原理遺傳算法(GeneticAlgorithms,GA)是基于生物界自然選擇和基因遺傳學(xué)原理的一種廣為應(yīng)用的、高效的隨機(jī)搜索算法,20世紀(jì)60年代由美國(guó)的密執(zhí)根大學(xué)的Holland教授首先提出。該算法將優(yōu)化問(wèn)題看作是自然界中生物的進(jìn)化過(guò)程,經(jīng)過(guò)模擬大自然中生物進(jìn)化過(guò)程中的遺傳規(guī)律,來(lái)達(dá)到尋優(yōu)的目的。近年來(lái),遺傳算法已廣泛地應(yīng)用于作業(yè)調(diào)度與排序、可靠性設(shè)計(jì)、車(chē)輛路徑選擇與調(diào)度、成組技術(shù)、設(shè)備布置與分配、交通問(wèn)題等等。用遺傳算法求解優(yōu)化問(wèn)題,首先對(duì)優(yōu)化問(wèn)題的解進(jìn)行編碼,編碼后的一個(gè)解稱為一個(gè)染色體,組成染色體的元素稱為基因。一個(gè)群體由若干個(gè)染色體組成,染色體的個(gè)數(shù)稱為群體的規(guī)模。在遺傳算法中用適應(yīng)度函數(shù)表示環(huán)境,它是已編碼的解的函數(shù),是一個(gè)解適應(yīng)環(huán)境程度的評(píng)價(jià)。當(dāng)適應(yīng)度函數(shù)確定后,自然選擇規(guī)律以適應(yīng)度函數(shù)值的大小來(lái)決定一個(gè)染色體是否繼續(xù)生存下去的概率。生存下來(lái)的染色體成為種群,它們中的部分或全部以一定的概率進(jìn)行交叉、變異,從而得到下一代群體。三、實(shí)驗(yàn)條件 Matlab7.X的遺傳算法工具箱。四、實(shí)驗(yàn)內(nèi)容:1．用遺傳算法求解下列函數(shù)的最大值,設(shè)定求解精度到15位小數(shù)。給出適應(yīng)度函數(shù)(FitnessFunction)的M文件(Matlab中要求適應(yīng)度函數(shù)最小化)。設(shè)計(jì)及選擇上述問(wèn)題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等,填入表1,給出最佳適應(yīng)度(Bestfitness)和最佳個(gè)體(Bestindividual)圖。表1遺傳算法參數(shù)的選擇編碼編碼方式(populationtype)種群參數(shù)種群規(guī)模(populationsize)初始種群的個(gè)體取值范圍(Initialrange)選擇操作個(gè)體選擇概率分配策略(對(duì)應(yīng)Fitnessscaling)個(gè)體選擇方法(Selectionfunction)最佳個(gè)體保存優(yōu)良個(gè)體保存數(shù)量(Elitecount)交叉操作交叉概率(Crossoverfraction)交叉方式(Crossoverfunction)變異操作變異方式(Mutationfunction)停止參數(shù)最大迭代步數(shù)(Generations)最大運(yùn)行時(shí)間限制(Timelimit)最小適應(yīng)度限制(Fitnesslimit)停滯代數(shù)(Stallgenerations)停滯時(shí)間限制(Stalltimelimit)使用相同的初始種群(Userandomstatefrompreviousrun),設(shè)置不同的種群規(guī)模(populationsize),例如5、20和100,初始種群的個(gè)體取值范圍(Initialrange)為[0;1],其它參數(shù)同表1,然后求得相應(yīng)的最佳適應(yīng)度(Bestfitness)、平均適應(yīng)度(Meanfitness)和最佳個(gè)體(Bestindividual),填入下表2,分析種群規(guī)模對(duì)算法性能的影響。表2不同的種群規(guī)模的GA運(yùn)行結(jié)果種群規(guī)模最佳適應(yīng)度平均適應(yīng)度最佳個(gè)體xy520100*4)設(shè)置種群規(guī)模(populationsize)為20,初始種群的個(gè)體取值范圍(Initialrange)為[0;10],選擇不同的選擇操作、交叉操作和變異操作,其它參數(shù)同表1,然后獨(dú)立運(yùn)行算法10次,完成下表3,并分析比較采用不同的選擇策略、交叉策略和變異策略的算法運(yùn)行結(jié)果。表3不同的選擇策略、交叉策略和變異策略的算法運(yùn)行結(jié)果遺傳算法參數(shù)設(shè)置(gaoptimset)1234選擇操作個(gè)體選擇概率分配FitnessScalingFcnRank(排序)@fitscalingrank√√√Proportional(比率)@fitscalingprop√個(gè)體選擇SelectionFcnRoulette(輪盤(pán)賭選擇)@selectionroulette√√√Tournament(競(jìng)標(biāo)賽選擇)@selectiontournament√交叉操作CrossoverFcn單點(diǎn)交叉@crossoversinglepoint√√√兩點(diǎn)交叉@crossovertwopoint√變異操作MutationFcnUniform(均勻變異)@mutationuniform√√√Gaussian(高斯變異)@mutationgaussian√最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度備注:1:options=gaoptimset('PopulationSize',20,'PopInitRange',[0;10],'FitnessScalingFcn',@fitscalingrank,'SelectionFcn',@selectionroulette,'CrossoverFcn',@crossoversinglepoint,'MutationFcn',@mutationuniform)2．用遺傳算法求解下面一個(gè)Rastrigin函數(shù)的最小值,設(shè)定求解精度到15位小數(shù)。1)給出適應(yīng)度函數(shù)的M文件(Matlab中要求適應(yīng)度函數(shù)最小化)。設(shè)計(jì)上述問(wèn)題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等,填入表4,并畫(huà)出最佳適應(yīng)度(Bestfitness)和最佳個(gè)體(Bestindividual)圖。表4遺傳算法參數(shù)的選擇編碼編碼方式(populationtype)種群參數(shù)種群規(guī)模(populationsize)初始種群的個(gè)體取值范圍(Initialrange)選擇操作個(gè)體選擇概率分配策略(對(duì)應(yīng)Fitnessscaling)個(gè)體選擇方法(Selectionfunction)最佳個(gè)體保存優(yōu)良個(gè)體保存數(shù)量(Elitecount)交叉操作交叉概率(Crossoverfraction)交叉方式(Crossoverfunction)變異操作變異方式(Mutationfunction)停止參數(shù)最大迭代步數(shù)(Generations)最大運(yùn)行時(shí)間限制(Timelimit)最小適應(yīng)度限制(Fitnesslimit)停滯代數(shù)(Stallgenerations)停滯時(shí)間限制(Stalltimelimit)設(shè)置種群的不同初始范圍,例如[1;1.1]、[1;100]和[1;2],畫(huà)出相應(yīng)的最佳適應(yīng)度值(Bestfitness)和平均距離(Distance)圖,比較分析初始范圍及種群多樣性對(duì)遺傳算法性能的影響。設(shè)置不同的交叉概率(Crossoverfraction=0、0.8、1),畫(huà)出無(wú)變異的交叉(Crossoverfraction=1)、無(wú)交叉的變異(Crossoverfraction=0)以及交叉概率為0.8時(shí)最佳適應(yīng)度值(Bestfitness)和和平均距離(Distance)圖,分析交叉和變異操作對(duì)算法性能的影響。五、實(shí)驗(yàn)報(bào)告要求:1．畫(huà)出遺傳算法的算法流程圖。2．根據(jù)實(shí)驗(yàn)內(nèi)容,給出相應(yīng)結(jié)果。3.總結(jié)遺傳算法的特點(diǎn),并說(shuō)明適應(yīng)度函數(shù)在遺傳算法中的作用。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書(shū)寫(xiě)格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容,給出實(shí)驗(yàn)結(jié)果以及結(jié)果分析。四、實(shí)驗(yàn)總結(jié)1.完成實(shí)驗(yàn)報(bào)告要求3。2.總結(jié)實(shí)驗(yàn)心得體會(huì)——————————————————————————————————實(shí)驗(yàn)六遺傳算法實(shí)驗(yàn)II一、實(shí)驗(yàn)?zāi)康氖煜ず驼莆者z傳算法的原理、流程和編碼策略,理解求解TSP問(wèn)題的流程并測(cè)試主要參數(shù)對(duì)結(jié)果的影響,掌握遺傳算法的基本實(shí)現(xiàn)方法。二、實(shí)驗(yàn)原理旅行商問(wèn)題,即TSP問(wèn)題(TravelingSalesmanProblem)是數(shù)學(xué)領(lǐng)域中著名問(wèn)題之一。假設(shè)有一個(gè)旅行商人要拜訪n個(gè)城市,n個(gè)城市之間的相互距離已知,她必須選擇所要走的路徑,路經(jīng)的限制是每個(gè)城市只能拜訪一次,而且最后要回到原來(lái)出發(fā)的城市。路徑的選擇目標(biāo)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(yǔ)來(lái)說(shuō),假設(shè)有一個(gè)圖g=(v,e),其中v是頂點(diǎn)集,e是邊集,設(shè)d=(dij)是由頂點(diǎn)i和頂點(diǎn)j之間的距離所組成的距離矩陣,旅行商問(wèn)題就是求出一條經(jīng)過(guò)所有頂點(diǎn)且每個(gè)頂點(diǎn)只經(jīng)過(guò)一次的具有最短距離的回路。TSP問(wèn)題是一個(gè)典型的組合優(yōu)化問(wèn)題,該問(wèn)題能夠被證明具有NPC計(jì)算復(fù)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(zhǎng)的,因此一般很難精確地求出其最優(yōu)解,本實(shí)驗(yàn)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(guò)程。它把問(wèn)題的參數(shù)用基因代表,把問(wèn)題的解用染色體代表(在計(jì)算機(jī)里用二進(jìn)制碼表示),從而得到一個(gè)由具有不同染色體的個(gè)體組成的群體。這個(gè)群體在問(wèn)題特定的環(huán)境里生存競(jìng)爭(zhēng),適者有最好的機(jī)會(huì)生存和產(chǎn)生后代。后代隨機(jī)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(guò)程。群體的染色體都將逐漸適應(yīng)環(huán)境,不斷進(jìn)化,最后收斂到一個(gè)最適應(yīng)環(huán)境的類(lèi)似個(gè)體,即得到問(wèn)題最優(yōu)的解。三、實(shí)驗(yàn)內(nèi)容1、參考實(shí)驗(yàn)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(gè)城市,20個(gè)城市,100個(gè)城市)的TSP問(wèn)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(wèn)題的結(jié)果城市規(guī)模最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時(shí)間10201002、對(duì)于同一個(gè)TSP問(wèn)題(例如10個(gè)城市),設(shè)置不同的種群規(guī)模(例如10,20,100)、交叉概率(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,交叉概率為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(diǎn)互換變異、逆轉(zhuǎn)變異或插入變異等)和1種個(gè)體選擇概率分配策略(例如按線性排序或者按非線性排序分配個(gè)體選擇概率)用于求解同一TSP問(wèn)題(例如10個(gè)城市),把結(jié)果填入表3。表2不同的種群規(guī)模、交叉概率和變異概率的求解結(jié)果種群規(guī)模交叉概率變異概率最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時(shí)間100.850.15200.850.151000.850.1510000.151000.50.1510010.151000.8501000.850.51000.851表3不同的變異策略和個(gè)體選擇概率分配策略的求解結(jié)果變異策略個(gè)體選擇概率分配最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運(yùn)行時(shí)間兩點(diǎn)互換按適應(yīng)度比例分配兩點(diǎn)互換按適應(yīng)度比例分配4、提交實(shí)驗(yàn)報(bào)告和源程序。四、實(shí)驗(yàn)報(bào)告要求:1、畫(huà)出遺傳算法求解TSP問(wèn)題的流程圖。2、分析遺傳算法求解不同規(guī)模的TSP問(wèn)題的算法性能。3、對(duì)于同一個(gè)TSP問(wèn)題,分析種群規(guī)模、交叉概率和變異概率對(duì)算法結(jié)果的影響。4、增加1種變異策略和1種個(gè)體選擇概率分配策略,比較求解同一TSP問(wèn)題時(shí)不同變異策略及不同個(gè)體選擇分配策略對(duì)算法結(jié)果的影響。下面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書(shū)寫(xiě)格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:一、實(shí)驗(yàn)?zāi)康亩?shí)驗(yàn)原理三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)內(nèi)容,給出相應(yīng)結(jié)果。四、實(shí)驗(yàn)總結(jié)1.完成實(shí)驗(yàn)報(bào)告要求2,3和4。2.總結(jié)實(shí)驗(yàn)心得體會(huì)——————————————————————————————————實(shí)驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn)一、實(shí)驗(yàn)?zāi)康睦斫釨P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,掌握反向傳播學(xué)習(xí)算法對(duì)神經(jīng)元的訓(xùn)練過(guò)程,了解反向傳播公式。經(jīng)過(guò)構(gòu)建BP網(wǎng)絡(luò)和離散Hopfield網(wǎng)絡(luò)模式識(shí)別實(shí)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、實(shí)驗(yàn)原理BP學(xué)習(xí)算法是經(jīng)過(guò)反向?qū)W習(xí)過(guò)程使誤差最小,其算法過(guò)程從輸出節(jié)點(diǎn)開(kāi)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)不但含有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn),而且含有一層或多層隱(層)節(jié)點(diǎn)。輸入信號(hào)先向前傳遞到隱節(jié)點(diǎn),經(jīng)過(guò)作用后,再把隱節(jié)點(diǎn)的輸出信息傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。離散Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶過(guò)程分為學(xué)習(xí)和聯(lián)想兩個(gè)階段。在給定樣本的條件下,按照Hebb學(xué)習(xí)規(guī)則調(diào)整連接權(quán)值,使得存儲(chǔ)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)值不變的情況下,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(gè)穩(wěn)定狀態(tài)。

三、實(shí)驗(yàn)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(pán)上輸入Enter鍵,即可打開(kāi)神經(jīng)網(wǎng)絡(luò)工具箱。四、實(shí)驗(yàn)內(nèi)容1.針對(duì)教材P243例8.1,設(shè)計(jì)一個(gè)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(cè)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(cè)試數(shù)據(jù)(testinputdata),然后新建一個(gè)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(xiàng)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(lèi)型)Feed-forwardbackprop(前饋反向傳播)Inputranges(輸入信息范圍)來(lái)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)Numberoflayers(神經(jīng)網(wǎng)絡(luò)層數(shù))2Layer1(第1層)的Numberofneurons(神經(jīng)元個(gè)數(shù))6Layer1(第1層)的TransferFunction(傳遞函數(shù))TANSIG(雙曲正切S型函數(shù))Layer2(第2層)的Numberofneurons(神經(jīng)元個(gè)數(shù))9Layer2(第2層)的TransferFunction(傳遞函數(shù))LOGSIG(S型函數(shù))(2)輸入訓(xùn)練樣本數(shù)據(jù)(inputdata,outputdata),隨機(jī)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)1000訓(xùn)練時(shí)間(time)Inf訓(xùn)練目標(biāo)(goal)0學(xué)習(xí)率(lr)0.3最大確認(rèn)失敗次數(shù)(max_fail)5最小性能梯度(min_grad)1e-025兩次顯示之間的訓(xùn)練步數(shù)(show)25(3)選擇不同的訓(xùn)練函數(shù),例如TRAINGDM(梯度下降動(dòng)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)置相同的初始連接權(quán)(RevertWeights),觀察不同BP訓(xùn)練算法的學(xué)習(xí)效果,給出各訓(xùn)練算法下的誤差變化曲線圖。(4)在上述3個(gè)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中,選擇訓(xùn)練誤差最小的一個(gè)網(wǎng)絡(luò),并給出訓(xùn)練后的連接權(quán)值和偏置,然后輸入測(cè)試數(shù)據(jù)(testinputdata)進(jìn)行仿真(Simulate),并把訓(xùn)練和測(cè)試的結(jié)果都導(dǎo)出到工作空間,給出