《人工智能及其應(yīng)用》實驗指導(dǎo)書上課講義

1、人工智能及其應(yīng)用實驗指導(dǎo)書學(xué)習(xí)好資料學(xué)習(xí)好資料精品資料精品資料人工智能及其應(yīng)用實驗指導(dǎo)書浙江工業(yè)大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院人工智能課程組2011年9月前言本實驗是為了配合人工智能及其應(yīng)用課程的理論學(xué)習(xí)而專門設(shè)置的。本實驗的目的是鞏固和加強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)。全書共分為八個實驗：1產(chǎn)生式系統(tǒng)實驗；2模糊推理系統(tǒng)實驗；3.A*算法求解8數(shù)碼問題實驗；4.A*算法求解迷宮問題實驗；5遺傳算法求解函數(shù)最值問題實驗；6遺傳算法求解TSP問題實驗；7基于神經(jīng)網(wǎng)絡(luò)的模式識別實驗；8.基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算實驗。每個實驗包括有：實

2、驗?zāi)康?、實驗?nèi)容、實驗條件、實驗要求、實驗步驟和實驗報告等六個項目。本實驗指導(dǎo)書包括兩個部分。第一個部分是介紹實驗的教學(xué)大綱；第二部分是介紹八個實驗的內(nèi)容。由于編者水平有限，本實驗指導(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2011年9月目錄TOC o 1-5 h z HYPERLINK l bookmark6 實驗教學(xué)大綱1實驗一產(chǎn)生式系統(tǒng)實驗4 HYPERLINK l bookmark20 實驗二模糊推理系統(tǒng)實驗6 HYPERLINK l bookmark22 實驗三A*算法實驗I11 HYPERLINK l bookmark24 實驗四A*算法實驗II14 HYPERLINK

3、 l bookmark26 實驗五遺傳算法實驗I16 HYPERLINK l bookmark30 實驗六遺傳算法實驗II21 HYPERLINK l bookmark32 實驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別實驗24 HYPERLINK l bookmark42 實驗八基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算實驗28實驗教學(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(jī)、VisualC+6.0、Matlab7.0。三、實驗項目及教學(xué)安排序號實驗名稱實驗平臺實驗內(nèi)容學(xué)時類型教學(xué)要求1產(chǎn)生式系統(tǒng)應(yīng)用VC+設(shè)計知識庫，實現(xiàn)系統(tǒng)識別或分類等。2設(shè)計課內(nèi)2模糊推理系統(tǒng)應(yīng)用Matlab1）

4、設(shè)計洗衣機(jī)的模糊控制器；2）設(shè)計兩車追趕的模糊控制器。2驗證課內(nèi)3A*算法應(yīng)用IVC+設(shè)計與實現(xiàn)求解N數(shù)碼問題的A*算法。2綜合綜合課內(nèi)4A*算法應(yīng)用IIVC+設(shè)計與實現(xiàn)求解迷宮問題的A*算法。2綜合綜合課內(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驗證課內(nèi)6遺傳算法應(yīng)用IIVC+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。2綜合綜合課內(nèi)7基于神經(jīng)網(wǎng)絡(luò)的模式識別Matlab1）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。2驗證課內(nèi)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)。

5、2綜合綜合課內(nèi)四、實驗成績評定實驗課成績單獨按五分制評定。凡實驗成績不及格者，該門課程就不及格。學(xué)生的實驗成績應(yīng)以平時考查為主，一般應(yīng)占課程總成績的50%，其平時成績又要以實驗實際操作的優(yōu)劣作為主要考核依據(jù)。對于實驗課成績，無論采取何種方式進(jìn)行考核，都必須按實驗課的目的要求，以實際實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(biāo)準(zhǔn)：（一）優(yōu)秀能正確理解實驗的目的要求，能獨立、順利而正確地完成各項實驗操作，會分析和處理實驗中遇到的問題，能掌握所學(xué)的各項實驗技能，能較好地完成實驗報告及其它各項實驗作業(yè)，有一定創(chuàng)造精神和能力。有良好的實驗室工作作風(fēng)和習(xí)慣。（二）良好能理解實驗的

6、目的和要求，能認(rèn)真而正確地完成各項實驗操作，能分析和處理實驗中遇到的一些問題。能掌握所學(xué)實驗技能的絕大部分，對難點較大的操作完成有困難。能一般完成實驗報告和其它實驗作業(yè)。有較好的實驗習(xí)慣和工作作風(fēng)。（三）中等能粗淺理解實驗?zāi)康囊?，能認(rèn)真努力進(jìn)行各項實驗操作，但技巧較差。能分析和處理實驗中一些較容易的問題，掌握實驗技能的大部分。有30%掌握得不好。能一般完成各項實驗作業(yè)和報告。處理問題缺乏條理。工作作風(fēng)較好。能認(rèn)真遵守各項規(guī)章制度。學(xué)習(xí)努力。四）及格只能機(jī)械地了解實驗內(nèi)容，能一般按圖、或按實驗步驟“照方抓藥”完成實驗操作，能完成60%所學(xué)的實驗技能，有些雖作但不準(zhǔn)確。遇到問題常常缺乏解決的辦法

7、，在別人啟發(fā)下能作些簡單處理，但效果不理想。能一般完成實驗報告，能認(rèn)真遵守實驗室各項規(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”，只掌握50%的所學(xué)實驗技能。有些實驗雖能作，但一般效果不好，操作不正確。工作忙亂無條理。一般能遵守實驗室規(guī)章制度，但常有小的錯誤。實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)下也較難完成各項實驗作業(yè)。或有些小聰明但不努力，不求上進(jìn)。實驗產(chǎn)生式系統(tǒng)實驗一、實驗?zāi)康模菏煜ひ浑A謂詞邏輯和產(chǎn)生式表示法，掌握產(chǎn)生式系統(tǒng)的運行機(jī)制，以及基于規(guī)則推理的基本方法。二、實驗內(nèi)容運用所學(xué)知識，設(shè)計并編程實現(xiàn)一個小型人工

8、智能系統(tǒng)（如分類、診斷、預(yù)測等類型）。三、實驗條件：產(chǎn)生式系統(tǒng)實驗程序，如下圖1所示。卻口*廣紜込査藝如遼庫11j符萍Q旺別輸人規(guī)則眼二和:學(xué)”）:-it_is雜食動:i彳:母鹽:Tti滅益L；動物）.posltiveL有型娜人it上供犁址確蘑闌的Jt_iW（堆也驢iti平（:令旺I辛Oj-posilLvef吃isC樣頸鹿：-n_Lsrg.m3溥mF.、._is（老虎:-it_i=（哺乳動物）.it歐食扳印隹二：_：=-4L：蠱馬二：-f自蹄動鍛；山=、旳黑京紋J_融十工匕七y玄甘r一物.PLsitiveC莫禍色posifpositiveL營關(guān)色!ripositi4氓孚芯篡戸；小，,posit

9、iveC-Qfjpositive樂呂岸扌tiue（苯務(wù)飛positive（電aniiiaLardEaLaniKiaLaniiiaLaniiiaLaniiiaLaniiiaLanimLanimL_,_一_.itlsCW乳動物tJr):-positiveitlisr哺乳動擁3:飛witi注L頁毛發(fā)片)iOstW性。：予皿譏込引7令下菴0it_iw二寥離：十曲譏込旺養(yǎng)菲p皿iti爛直過丟Jp-agitiveC不合飛需圖1產(chǎn)生式系統(tǒng)實驗程序界面四、實驗要求具體應(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。用一階謂詞邏輯和產(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)實驗程序，建立知識庫，

10、分別運行正、反向推理。系統(tǒng)完成后，提交實驗報告。五、實驗步驟：基于如圖1所示的產(chǎn)生式系統(tǒng)實驗程序，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.撰寫實驗報告。六、實驗報告下面是實驗報告的基本內(nèi)容和書寫格式。遞交的報告文件名：班級_學(xué)號_姓名_實驗名稱實驗名稱班級：學(xué)號：姓名：一、實驗?zāi)康亩?、實驗?nèi)容三、實驗步驟四、實驗結(jié)果1.系統(tǒng)名稱及謂詞定義2.系統(tǒng)知識庫

11、3.系統(tǒng)正、反向推理過程、事實區(qū)和規(guī)則區(qū)。五、實驗總結(jié)實驗二模糊推理系統(tǒng)實驗一、實驗?zāi)康睦斫饽：壿嬐评淼脑砑疤攸c，熟練應(yīng)用模糊推理，了解可能性理論。二、實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。模糊邏輯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(jìn)行推理。三、實驗條件Matlab7.0的FuzzyLogicTool。四、實驗內(nèi)容及要求設(shè)計洗衣機(jī)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

12、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。假定當(dāng)前傳感器測得的信息為x（污泥）=60,y（油脂）=70，采用面積00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態(tài)仿真環(huán)境，給出其動態(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(洗滌時間很短)、S(洗滌時間短)、M(

13、洗滌時間中等)、L(洗滌時間長)、VL(洗滌時間很長)。圖1洗衣機(jī)的模糊控制規(guī)則表xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2假設(shè)兩汽車均為理想狀態(tài)，即Y(S)二4,Y為速度，UU(s)s2+2x0.7x2s+4為油門控制輸入。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30m的距離。在25時刻1號汽車速度改為時速110km時，仍與其保持30m距離。在35時刻1號汽車速度改為時速70km時，仍與其保持30m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號汽車的模糊控制器，其

14、中輸入為誤差e和誤差的變化約輸出為1號汽車的油門控制u采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。相對距離e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(biāo)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(biāo)車（1號汽車）相對距離變化圖。提示：模糊控制規(guī)則如下表2所示，其中r=y!e2+e,9=tgt，丫、oe和油門控制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9rNBZEPBPBZENMNBPMZEPMPBZEZEPM

15、PBNMZENMNBNBZENMNB圖2r的隸屬函數(shù)圖五、實驗報告要求：按照實驗要求，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)系下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：學(xué)號：姓名：一、實驗?zāi)康亩?、實驗?nèi)容三、實驗結(jié)果按照實驗要求，給出相應(yīng)結(jié)果四、實驗總結(jié)分析隸屬度、模糊關(guān)系和模糊規(guī)則的相互關(guān)系總結(jié)實驗心得體會實驗三A*算法實驗I一、實驗?zāi)康氖煜ず驼莆諉l(fā)式搜索的定義、估價函數(shù)和算法過程，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、實驗原理A*算法是一種啟發(fā)式圖搜索算法，其特點在于對估價函數(shù)的定義上。對于般的啟發(fā)式圖搜索，總是選擇估價函數(shù)f值最小的節(jié)點作為擴(kuò)

16、展節(jié)點。因此，f是根據(jù)需要找到一條最小代價路徑的觀點來估算節(jié)點的，所以，可考慮每個節(jié)點n的估價函數(shù)值為兩個分量：從起始節(jié)點到節(jié)點n的實際代價g(n)以及從節(jié)點n到達(dá)目標(biāo)節(jié)點的估價代價h(n),且h(n)h*(n),h*(n)為n節(jié)點到目的結(jié)點的最優(yōu)路徑的代價。八數(shù)碼問題是在3x3的九宮格棋盤上，擺有8個刻有18數(shù)碼的將牌。棋盤中有一個空格，允許緊鄰空格的某一將牌可以移到空格中，這樣通過平移將牌可以將某一將牌布局變換為另一布局。針對給定的一種初始布局或結(jié)構(gòu)(目標(biāo)狀態(tài))，問如何移動將牌，實現(xiàn)從初始狀態(tài)到目標(biāo)狀態(tài)的轉(zhuǎn)變。如下圖1表示了一個具體的八數(shù)碼問題求解。13X1524S24765T6513e4

17、755圖1八數(shù)碼問題的求解三、實驗內(nèi)容參考A*算法核心代碼，以8數(shù)碼問題為例實現(xiàn)A*算法的求解程序(編程語言不限)，要求設(shè)計兩種不同的估價函數(shù)。設(shè)置相同的初始狀態(tài)和目標(biāo)狀態(tài)，針對不同的估價函數(shù)，求得問題的解，并比較它們對搜索算法性能的影響，包括擴(kuò)展節(jié)點數(shù)、生成節(jié)點數(shù)等。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(即令估計代價h(n)=0的A*算法)求得問題的解，以及搜索過程中的擴(kuò)展節(jié)點數(shù)、生成節(jié)點數(shù)。*4.參考A*算法核心代碼，實現(xiàn)A*算法求解15數(shù)碼問題的程序，設(shè)計兩種不同的估價函數(shù)，然后重復(fù)上述2和3的實驗內(nèi)容。5.提交實驗報告和源程序。四、實驗報告要求分析不同的估價函數(shù)對A

18、*算法性能的影響。根據(jù)寬度優(yōu)先搜索算法和A*算法求解8、15數(shù)碼問題的結(jié)果，分析啟發(fā)式搜索的特點。下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：學(xué)號：姓名：一、實驗?zāi)康亩?、實驗原理三、實驗結(jié)果按照實驗內(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)123804765123804765123804765最優(yōu)解擴(kuò)展節(jié)點數(shù)生成節(jié)點數(shù)運行時間*表2不同啟發(fā)函數(shù)h(n)求解15數(shù)碼問題的結(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)點數(shù)生成節(jié)點數(shù)運行時間四、實驗總結(jié)畫出A*算法求解N數(shù)碼問題的流程圖完成實驗報告要求1和2

19、?？偨Y(jié)實驗心得體會實驗四A*算法實驗II一、實驗?zāi)康氖煜ず驼莆誂*算法實現(xiàn)迷宮尋路功能，要求掌握啟發(fā)式函數(shù)的編寫以及各類啟發(fā)式函數(shù)效果的比較。二、實驗原理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n從初始點到目標(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。保證找到最短路徑(最優(yōu)解的)條件，關(guān)鍵在于估價函數(shù)h(n)的選?。汗纼r值h(n)小于等于n到目標(biāo)節(jié)點的距離實際值h*(n)，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。如果估價值

20、大于實際值，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。尋路問題常見于各類游戲中角色尋路、三維虛擬場景中運動目標(biāo)的路徑規(guī)劃、機(jī)器人尋路等多個應(yīng)用領(lǐng)域。迷宮尋路問題是在以方格表示的地圖場景中，對于給定的起點、終點和障礙物(墻)，如何找到一條從起點開始避開障礙物到達(dá)終點的最短路徑。假設(shè)在一個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)，每一個坐標(biāo)點有兩種可能：0或1，其中0表示該位置允許通過，1表示該位置不允許通過。如地圖：0000010101001110100000010最短路徑應(yīng)該是AB0001C101ED111F1JKLGHI1M即：(1,1)-(1,2)-(2

21、,2)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)三、實驗內(nèi)容參考迷宮求解的核心代碼，觀察求解過程與思路，畫出用A*算法求解迷宮最短路徑的流程圖。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)點數(shù)、生成節(jié)點數(shù)和算法運行時間。3對于相同的初始狀態(tài)和目標(biāo)狀態(tài)，設(shè)計不同的啟發(fā)式函數(shù)，比較不同啟發(fā)式函數(shù)對迷宮尋路速度的提升效果，包括擴(kuò)展節(jié)點數(shù)、生成節(jié)點數(shù)和算法運行時間。4提交實驗報告和源程序。四、實驗報告要求：1畫出A*算法求解迷宮最短路徑問題的流程圖。2試分析不同啟發(fā)式函數(shù)h(n)

22、對迷宮尋路求解的速度提升效果。分析A*算法求解不同規(guī)模迷宮最短路徑問題的性能。下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：學(xué)號：姓名：一、實驗?zāi)康亩?、實驗原理三、實驗結(jié)果按照實驗內(nèi)容，給出相應(yīng)結(jié)果。四、實驗總結(jié)完成實驗報告要求2和3總結(jié)實驗心得體會實驗五遺傳算法實驗I一、實驗?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)化問題，理解求解流程并測試主要參數(shù)對結(jié)果的影響。二、實驗原理遺傳算法(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年代由美國的密執(zhí)根大學(xué)的Holland教授首先提出。該

23、算法將優(yōu)化問題看作是自然界中生物的進(jìn)化過程，通過模擬大自然中生物進(jìn)化過程中的遺傳規(guī)律，來達(dá)到尋優(yōu)的目的。近年來，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、車輛路徑選擇與調(diào)度、成組技術(shù)、設(shè)備布置與分配、交通問題等等。用遺傳算法求解優(yōu)化問題，首先對優(yōu)化問題的解進(jìn)行編碼，編碼后的一個解稱為一個染色體，組成染色體的元素稱為基因。一個群體由若干個染色體組成，染色體的個數(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)，是一個解適應(yīng)環(huán)境程度的評價。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)值的大小來決定一個染色體是否繼續(xù)生存下去的概率。生存下來的染色體成為種群，它們中的部分

24、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、實驗條件Matlab7.X的遺傳算法工具箱四、實驗內(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)。f(x,y)=+3.226y6.452(x+0.125y)(cos(x)-cos(2y)2x；0.8+(x-4.2)2+2(y-7)2xe0,10,ye0,10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)計及選擇上述問題的編碼、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)和最佳個體(Bestindividual)圖。表1

25、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)初始種群的個體取值范圍(Initialrange)選擇操作個體選擇概率分配策略(對應(yīng)Fitnessscaling)個體選擇方法(Selectionfunction)最佳個體保存優(yōu)良個體保存數(shù)量(Elitecount)交叉操作交叉概率(Crossoverfraction)父叉方式(Crossoverfunction)變異操作變異方式(Mutationfunction)停止參數(shù)最大迭代步數(shù)(Generations)最大運行時間限制(Timelimit)最小適應(yīng)度限制(Fitnesslimi

26、t)停滯代數(shù)(Stallgenerations)停滯時間限制(Stalltimelimit)3)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，初始種群的個體取值范圍(Initialrange)為0;1，其他參數(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)和最佳個體(Bestindividual)，填入下表2,分析種群規(guī)模對算法性能的影響。表2不同的種群規(guī)模的GA運行結(jié)果種群規(guī)模最佳適應(yīng)度平均適應(yīng)度最佳個體xy520100*4)設(shè)置種群

27、規(guī)模(populationsize)為20,初始種群的個體取值范圍(Initialrange)為0;10,選擇不同的選擇操作、交叉操作和變異操作，其他參數(shù)同表1,然后獨立運行算法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行結(jié)果遺傳算法參數(shù)設(shè)置(gaoptimset)1234選擇操作個體選擇概率分配FitnessScalingFcnRank（排序）fitscalingrankProportional（比率）fitscalingprop個體選擇SelectionFcnRoulette（輪盤賭選擇）selecti

28、onrouletteTournament（競標(biāo)賽選擇）selectiontournament交叉操作CrossoverFcn單點交叉crossoversinglepoint兩點交叉crossovertwopoint變異操作MutationFcnUniform（均勻變異）mutationuniformGaussian（咼斯變異）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

29、,selectionroulette,CrossoverFcn,crossoversinglepoint,MutationFcn,mutationuniform）用遺傳算法求解下面一個Rastrigin函數(shù)的最小值，設(shè)定求解精度到15位小數(shù)。f(x,x)=20+x2+x2-10(cos2血+cos2血)121212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)計上述問題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等，填入表4,并畫出最佳適應(yīng)度(Bestfitness)和最佳個體(Bestindividual)圖。表4遺傳算法參數(shù)的選擇編碼編碼方式(populationty

30、pe)種群參數(shù)種群規(guī)模(populationsize)初始種群的個體取值范圍(Initialrange)選擇操作個體選擇概率分配策略(對應(yīng)Fitnessscaling)個體選擇方法(Selectionfunction)最佳個體保存優(yōu)良個體保存數(shù)量(Elitecount)交叉操作交叉概率(Crossoverfraction)父叉方式(Crossoverfunction)變異操作變異方式(Mutationfunction)停止參數(shù)最大迭代步數(shù)(Generations)最大運行時間限制(Timelimit)最小適應(yīng)度限制(Fitnesslimit)停滯代數(shù)(Stallgenerations)停滯時間

31、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),畫出無變異的交叉(Crossoverfraction=1)、無交叉的變異(Crossoverfraction=0)以及交叉概率為0.8時最佳適應(yīng)度值(Bestfitness)和和平均距離(Distance)圖，分析交叉和變異操作對算法性能的影響。五、實驗報告要求：畫出遺傳算法的算法流程圖。根據(jù)實驗

32、內(nèi)容,給出相應(yīng)結(jié)果?？偨Y(jié)遺傳算法的特點,并說明適應(yīng)度函數(shù)在遺傳算法中的作用下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：學(xué)號：姓名：一、實驗?zāi)康亩?、實驗原理三、實驗結(jié)果按照實驗內(nèi)容，給出實驗結(jié)果以及結(jié)果分析四、實驗總結(jié)完成實驗報告要求3?？偨Y(jié)實驗心得體會實驗六遺傳算法實驗II一、實驗?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問題的流程并測試主要參數(shù)對結(jié)果的影響，掌握遺傳算法的基本實現(xiàn)方法。二、實驗原理旅行商問題，即TSP問題(TravelingSalesmanProblem)是數(shù)學(xué)領(lǐng)域中著名問題之一。假設(shè)有一個旅行商人要拜訪n個城市，n個城市之間的相互距離已知，他必須選擇

33、所要走的路徑，路經(jīng)的限制是每個城市只能拜訪一次，而且最后要回到原來出發(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=(d)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ij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)型增長的，所以一般很難精確地求出其最優(yōu)解，本實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

34、問題的解用染色體代表(在計算機(jī)里用二進(jìn)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(jī)會生存和產(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，最后收斂到一個最適應(yīng)環(huán)境的類似個體，即得到問題最優(yōu)的解。三、實驗內(nèi)容1、參考實驗系統(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)度平均運行時間10201002、對于同一

35、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（例如相鄰兩點互換變異、逆轉(zhuǎn)變異或插入變異等）和1種個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)度平均運行時間100.850.15200.850.151000.850.15100

36、00.151000.50.1510010.151000.8501000.850.51000.851表3不同的變異策略和個體丄選擇概率分配2策略的求解結(jié)果變異策略個體選擇概率分配最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度平均運行時間兩點互換按適應(yīng)度比例分配兩點互換按適應(yīng)度比例分配4、提交實驗報告和源程序。四、實驗報告要求：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、交叉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種個體選擇概率分配策略，比較求解同一TSP問題時不同變異策略及不同個體選擇分配策略對算法結(jié)果的影響

37、。姓名：下面是實驗報告的基本內(nèi)容和書寫格式。實驗名稱班級：學(xué)號：一、實驗?zāi)康亩?、實驗原理三、實驗結(jié)果按照實驗內(nèi)容，給出相應(yīng)結(jié)果。四、實驗總結(jié)完成實驗報告要求2,3和4?？偨Y(jié)實驗心得體會學(xué)習(xí)好資料學(xué)習(xí)好瓷料精品資料精品資料實驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別實驗一、實驗?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、實驗原理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

38、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)想記憶過程分為學(xué)習(xí)和聯(lián)想兩個階段。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)輸出某個穩(wěn)定狀態(tài)。三、實驗條件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，即可打開神經(jīng)網(wǎng)絡(luò)工具箱。四

39、、實驗內(nèi)容針對教材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)（inpu

40、tdata）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)）2Layerl（第1層）的Numberofneurons（神經(jīng)元個數(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)（maxfail）5最小性能梯度（mingrad）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,o