《人工智能及其應(yīng)用》實驗指導(dǎo)書25016

1、實用文檔人工智能及其應(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月實用文檔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(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

2、實驗包括有：實驗?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 月實用文檔目錄實驗教學(xué)大綱1實驗一產(chǎn)生式系統(tǒng)實驗3實驗二模糊推理系統(tǒng)實驗5實驗三A* 算法實驗 I9實驗四A* 算法實驗 II12實驗五遺傳算法實驗 I14實驗六遺傳算法實驗 II19實驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別實驗22實驗八基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化計算實驗26實用文檔實驗教學(xué)大綱一、學(xué)時： 16 學(xué)時，一般安排在第 9 周至第 16

3、周。二、主要儀器設(shè)備及運(yùn)行環(huán)境：PC機(jī)、 Visual C+ 6.0、Matlab 7.0 。三、實驗項目及教學(xué)安排序號實驗名稱實驗實驗內(nèi)容學(xué)類型教學(xué)平臺時要求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2設(shè)計課內(nèi)分類等。2模糊推理系統(tǒng)應(yīng)Matlab1）設(shè)計洗衣機(jī)的模糊控制器；2驗證課內(nèi)用2）設(shè)計兩車追趕的模糊控制器。3A*算法應(yīng)用 IVC+設(shè)計與實現(xiàn)求解 N 數(shù)碼問題的2綜合課內(nèi)A*算法。4A*算法應(yīng)用 IIVC+設(shè)計與實現(xiàn)求解迷宮問題的A*2綜合課內(nèi)算法。5遺傳算法應(yīng)用 IMatlab1）求某一函數(shù)的最小值；2驗證課內(nèi)2）求某一函數(shù)的最大值。6遺傳算法應(yīng)用 IIVC+設(shè)計與實現(xiàn)求解不同

4、城市規(guī)模2綜合課內(nèi)的 TSP問題的遺傳算法。7基于神經(jīng)網(wǎng)絡(luò)的Matlab1）基于 BP 神經(jīng)網(wǎng)絡(luò)的數(shù)字識2驗證課內(nèi)模式識別別設(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VC+設(shè)計與實現(xiàn)求解 TSP 問題的連2綜合課內(nèi)優(yōu)化計算續(xù) Hopfield神經(jīng)網(wǎng)絡(luò)。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(qiáng)弱作為評定成績的主要依

5、據(jù)。評定各級成績時，可參考以下標(biāo)準(zhǔn)：實用文檔（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螅苷J(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

6、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，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)慣性毛病 （如工作無計劃， 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

7、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)?；蛴行┬÷斆鞯慌?，不求上進(jìn)。實用文檔實驗一產(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(yùn)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(yùn)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)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。圖 1產(chǎn)生式系統(tǒng)實驗程序界面四、實驗要求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)

8、實驗程序，建立知識庫，分別運(yùn)行正、反向推理。實用文檔3. 系統(tǒng)完成后，提交實驗報告。五、實驗步驟：1. 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(yùn)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 _實驗名稱班級：實驗名稱學(xué)號：姓名：一、實驗?zāi)康亩嶒瀮?nèi)容三、實驗

9、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)實用文檔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Matlab 7.0的 Fuzzy Logic Tool。四、實

10、驗內(nèi)容及要求1. 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。（ 2）假定當(dāng)前傳感器測得的信息為x (污泥）60, y（油脂）70 ，采用面積重00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

11、（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(jī)的模糊控制規(guī)則表xyzSDNGVSSDMGM實用文檔SDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2假設(shè)兩汽車均為理想狀態(tài)，即Y( s)4，Y 為速度， U 為U( s)s22 0.7 2s 4油門控制輸入。（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 30m的距離。（2）在 25 時刻 1 號汽車速度改

12、為時速（3）在 35 時刻 1 號汽車速度改為時速110km時，仍與其保持70km時，仍與其保持30m距離。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，其中輸入為誤差e 和誤差的變化 e，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。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(biāo)車（ 1 號汽車）的速度曲線圖，以及追趕車（ 2

13、 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。實用文檔.er提示：模糊控制規(guī)則如下表2所示，其中r22,、 和eetg，e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rNBZEPBPBZENMNBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB圖 2r 的隸屬函數(shù)圖五、實驗報告要求：1. 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。實用文檔下面是實驗報告的基本內(nèi)容和書寫格式。班級：實驗名稱學(xué)號：姓名：一、實驗?zāi)康亩嶒瀮?nèi)容三、實驗結(jié)果按照實驗要求，給出相應(yīng)結(jié)果。四、實

14、驗總結(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)實驗心得體會實用文檔實驗三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。 對于一般的啟發(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)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 * (

15、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 33 的九宮格棋盤上，擺有 8 個刻有 1 8 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。圖 1 八數(shù)碼問題的求解三、實驗內(nèi)容1. 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)。2. 設(shè)置相同的初始狀態(tài)和目標(biāo)狀態(tài)，針對不同的估

16、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。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。實用文檔四、實驗報告要求1. 分析不同的估價函數(shù)對 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

17、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(yùn)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(yùn)行時間實用文檔四、實驗總結(jié)1. 畫出 A*算法求解 N數(shù)碼問題的流程圖2. 完成實驗報告要求 1 和 2。3. 總結(jié)實驗心得體會實用文檔實驗四A* 算法

18、實驗 II一、實驗?zāi)康氖煜ず驼莆?A*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fA*（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：ng nh n，其中 fn 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) 的選取：估價值 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

19、，但能得到最優(yōu)解。如果估價值大于實際值，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(yùn)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AB0001C101ED

20、111F1JKLGHI1M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)實用文檔三、實驗內(nèi)容1 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。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)點數(shù)、生成節(jié)點數(shù)和算法運(yùn)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(yùn)行時間。4提交實驗報告和源程序。四、實

21、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) 對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)1. 完成實驗報告要求 2 和 3。2. 總結(jié)實驗心得體會實用文檔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 ( Genetic Algorithms, GA

22、 )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

23、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Matlab 7.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)。6.452(x0.125y)(cos(x)cos(2y)2f ( x, y)( x 4.2) 22( y7)23.226 y0.8x 0,10, y 0,101）給出適應(yīng)度函數(shù)（ Fitness Function ）的 M文件（ Matlab 中要求

24、適應(yīng)度函數(shù)最小化）。實用文檔2）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 (Best fitness)和最佳個體（Best individual）圖。表 1 遺傳算法參數(shù)的選擇編碼編碼方式（ population type）種群參數(shù)種群規(guī)模（ population size）初始種群的個體取值范圍（Initial range）選擇操作個體選擇概率分配策略（對應(yīng)Fitness scaling）個體選擇方法（ Selection function）最佳個體保存優(yōu)良個體保存數(shù)量（ Elite count）交叉操作交叉概率（ Crossover

25、fraction）交叉方式（ Crossover function）變異操作變異方式 (Mutation function)最大迭代步數(shù)（ Generations）最大運(yùn)行時間限制（ Time limit）停止參數(shù)最小適應(yīng)度限制（ Fitness limit）停滯代數(shù)（ Stall generations）停滯時間限制（ Stall time limit）3）使用相同的初始種群（ Use random state from previous run），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（ Initial range）為 0

26、;1，其他參數(shù)同表 1，然后求得相應(yīng)的最佳適應(yīng)度 (Best fitness)、平均適應(yīng)度（ Mean fitness）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。種群規(guī)模表 2最佳適應(yīng)度不同的種群規(guī)模的平均適應(yīng)度GA運(yùn)行結(jié)果最佳個體xy520100*4) 設(shè)置種群規(guī)模（ population size ）為 20，初始種群的個體取值范圍 （Initial range ）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(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

27、 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個體選擇概率Rank（排序）選擇操作分配fitscalingrankFitnessScaliProportional（比率）實用文檔ngFcnfitscalingpropRoulette （輪盤賭選擇）selectionroulette個體選擇Tournament （ 競 標(biāo) 賽 選SelectionFcn擇）selectiontournament交叉操作單點交叉 crossoversinglepointCrossoverFcn兩點交叉 crossovertwopoint變異操作Unifor

28、m （均勻變異） mutationuniformMutationFcnGaussian （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Rastrigin函數(shù)的最小值，設(shè)定求解

29、精度到15 位小數(shù)。f (x1 , x2 ) 20x12x2210(cos2 x1 cos2 x2 )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）。2）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 (Best fitness)和最佳個體（ Best individual）圖。表 4 遺傳算法參數(shù)的選擇編碼編碼方式（ population type）種群參數(shù)種群規(guī)模（ population size）初始種群的個體取值范圍（Initial range）選擇操作個體選擇概率分配策略（對應(yīng)Fitness scaling）個體選擇

30、方法（ Selection function）最佳個體保存優(yōu)良個體保存數(shù)量（ Elite count）交叉操作交叉概率（ Crossover fraction）交叉方式（ Crossover function）變異操作變異方式 (Mutation function)最大迭代步數(shù)（ Generations）最大運(yùn)行時間限制（ Time limit）停止參數(shù)最小適應(yīng)度限制（ Fitness limit）停滯代數(shù)（ Stall generations）停滯時間限制（ Stall time limit）實用文檔3）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

31、 (Best fitness)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。4）設(shè)置不同的交叉概率（Crossover fraction=0、0.8 、1），畫出無變異的交叉（ Crossover fraction=1）、無交叉的變異 (Crossover fraction=0)以及交叉概率為 0.8 時最佳適應(yīng)度值 (Best fitness)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：1畫出遺傳算法的算法流程圖。2根據(jù)實驗內(nèi)容，給出相應(yīng)結(jié)果。3. 總結(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

32、用。下面是實驗報告的基本內(nèi)容和書寫格式。班級：實驗名稱學(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)1. 完成實驗報告要求 3。2. 總結(jié)實驗心得體會實用文檔實用文檔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（ Traveling Salesman Problem）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，他必須選擇所要走的路徑， 路經(jīng)

33、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gv 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

34、的參數(shù)用基因代表，把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。城市規(guī)模表 1 遺傳算法求解不同規(guī)模的最好適應(yīng)度 最差適應(yīng)度TSP 問題的結(jié)果

35、平均適應(yīng)度平均運(yùn)行時間10201002、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 種個體選擇實用文檔概率分配策略（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)

36、最差適應(yīng)平均適應(yīng)平均運(yùn)行度度度時間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體選擇概率分配策略的求解結(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(yùn)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、

37、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。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)1. 完成實驗報告要求 2, 3 和 4。2. 總結(jié)實驗心得體會實用文檔實用文檔實驗七基于神經(jīng)網(wǎng)絡(luò)的模式識別實驗一、實驗?zāi)康睦斫?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， 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

38、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

39、出某個穩(wěn)定狀態(tài)。三、實驗條件Matlab 7.X 的神經(jīng)網(wǎng)絡(luò)工具箱：在 Matlab 7.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、實驗內(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

40、。表 1 BP 網(wǎng)絡(luò)結(jié)構(gòu)模型的各項參數(shù)設(shè)置Network Name （神經(jīng)網(wǎng)絡(luò)名稱）Network Type （神經(jīng)網(wǎng)絡(luò)類型）Feed-forward backprop （前饋反向傳播）Input ranges （輸入信息范圍）來自訓(xùn)練樣本的輸入數(shù)據(jù)（ inputdata）Training function（訓(xùn)練函數(shù)）TRAINGD(梯度下降 BP算法 )Performance function （性能函數(shù)）MSE（均方誤差）Number of layers（神經(jīng)網(wǎng)絡(luò)層數(shù)）2實用文檔Layer1 （第 1 層）的 Number of neurons6( 神經(jīng)元個數(shù) )Layer1 （第 1 層

41、）的 TransferFunctionTANSIG(雙曲正切 S 型函數(shù) )( 傳遞函數(shù) )Layer2 （第 2 層）的 Number of neurons9( 神經(jīng)元個數(shù) )Layer2 （第 2 層）的 TransferFunctionLOGSIG（S 型函數(shù)）( 傳遞函數(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)（ Initialize Weights ），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 2 BP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)（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（梯度下降動量 BP算法）、TRAINLMM（ Levenberg-Marquardt BP 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