人工智能及其應用試驗指導書

1、人工智能及其應用實驗指導書浙江工業(yè)大學計算機科學與技術學院 一人工智能課程組2011年9月本實驗是為了配合人工智能及其應用課程的理論學習而專門設置的。 本 實驗的目的是鞏固和加強人工智能的基本原理和方法，并為今后進一步學習更高級課程和信息智能化技術的研究與系統(tǒng)開發(fā)奠定良好的基礎。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)絡的模式識別實驗；8.基 于神經(jīng)網(wǎng)絡的優(yōu)化計算實驗。每個實驗包括有：實驗目的、實驗內(nèi)容、實驗條件、 實驗要求、實

2、驗步驟和實驗報告等六個項目。本實驗指導書包括兩個部分。第一個部分是介紹實驗的教學大綱；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月目錄實驗教學大綱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II1.2實驗五遺傳算法實驗I1.4實驗六遺傳算法實驗II18實驗七基于神經(jīng)網(wǎng)絡的模式識別實驗20實驗八基于神經(jīng)網(wǎng)絡的優(yōu)化計算實驗24實驗教學大綱、學時：16學時，一般安排在第9周至第16周。、主要儀器設備及運行環(huán)境：PC機、Visual C+ 6.0、Matlab 7.0

3、、實驗項目及教學安排序號實驗名稱實驗平臺實驗內(nèi)容學時教學要求1產(chǎn)生式系統(tǒng)應用VC+設計知識庫，實現(xiàn)系統(tǒng)識別或 分類等。2設計課內(nèi)2模糊推理系統(tǒng)應 用Matlab1）設計洗衣機的模糊控制器； 2）設計兩車追趕的模糊控制 器。2驗證課內(nèi)3A*算法應用IVC+設計與實現(xiàn)求解 N數(shù)碼問題的A*算法。2綜合課內(nèi)4A*算法應用IIVC+設計與實現(xiàn)求解迷宮問題的A*算法。2綜合課內(nèi)5遺傳算法應用IMatlab1）求某一囪數(shù)的最小值；2）求某一函數(shù)的最大值。2驗證課內(nèi)6遺傳算法應用IIVC+設計與實現(xiàn)求解不同城市規(guī)模 的TSP問題的遺傳算法。2綜合課內(nèi)7基于神經(jīng)網(wǎng)絡的模式識別Matlab1）基于BP神經(jīng)網(wǎng)絡的

4、數(shù)字識 別設計；2）基于離散 Hopfiel神經(jīng)網(wǎng)絡 的聯(lián)想記憶設計。2驗證課內(nèi)8基于神經(jīng)網(wǎng)絡的優(yōu)化計算VC+設計與實現(xiàn)求解TSP問題的連續(xù)Hopfield神經(jīng)網(wǎng)絡。2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。學生的實驗成績應以平時考查為主，一般應占課程總成績的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，可參考以下標準：（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，

5、會 分析和處理實驗中遇到的問題，能掌握所學的各項實驗技能，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和 習慣。（二）良好能理解實驗的目的和要求，能認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)。 有較好的實驗習慣和工作作 風。（三）中等能粗淺理解實驗目的要求，能認真努力進行各項實驗操作，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。工作作風較好

6、。能認 真遵守各項規(guī)章制度。學習努力。（四）及格只能機械地了解實驗內(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%所學的實驗技能，有些雖作但不準確。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， 能認真遵守實驗室各項規(guī)章制度，工作中有小的習慣性毛?。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，在教師指導下 也較難完成各項實驗作業(yè)

7、。或有些小聰明但不努力，不求上進。實驗一產(chǎn)生式系統(tǒng)實驗一、實驗目的：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)的運行機制，以及基于 規(guī)則推理的基本方法。二、實驗內(nèi)容運用所學知識，設計并編程實現(xiàn)一個小型人工智能系統(tǒng)（如分類、診斷、預 測等類型）。、實驗條件:產(chǎn)生式系統(tǒng)實驗程序，如下圖1所示問岡系疣設置電】知"制 3 推理。解釋 幫助電】事朝知織庫保存關閉增加冊唆修改animal_is （笑馬”）：一釬_遷（”有蹄動物3 p口sitiue （"有黑條紋"）8£1皿1_強（“哀頸鹿"）：-五_1式藝暗好病”）, positive （"看

8、親脖學）口口對日¥6（"有長盟"）,p 血：10&1_強（"茶我豹"）：-/_1/嚼乳珈獷3, it二式猿肉動礪positiyE（爭褐色"3 posi animal_im（"/壽）:-（"痛乳動物it："百肉動物T）, positive（雀雨色？, positianimttji/"笳大愜"）二-it#鳥）it_is 食, positive 卜夜造動p口式arnml JsCfS*）positiveanimal_is（"可鴨子"）：-it_i家甯'）,i

9、t_is（"堞性R positiveT套速源"）,positivt（寫 anEaU鼠”企越-it.仁喜Wp式七舊杳瞄'通口式加"辨會氣印式士加（耳 ani巾9式嘴>-E_i式嗪食動物7 P式可勺吃了就睡"）“”哺乳動物0 ;十口小回07%T）iO“"哺乳動物"）："p口式tiv£"有毛發(fā)"）其_運碓性”） :口,6蹬會下蛋”）it_is隹禽B i-pasitiveCAj已口式田已（"有羽毛，powitixE（"不會飛"）vr ju Jt- 4rir r

10、j 曲 !>1a m *! ! rar就緒圖1產(chǎn)生式系統(tǒng)實驗程序界面四、實驗要求1.具體應用領域自選，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)實驗程序，建立知識庫，分別運行正、反向推理。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，設計并實現(xiàn)一個小型人工智能系 統(tǒng)：1）系統(tǒng)設置，包括設置系統(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

11、出相應的推理過程、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 學號 姓名 實驗名稱實驗名稱班級：學號：姓名:一、實驗目的二、實驗內(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、實驗目的理解模糊邏輯推理的原理及特點，熟練應用模糊推理，了解可能性理論。、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

12、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、模糊集和模糊關系合成的方法進行推理。三、實驗條件Matlab 7.0 的 Fuzzy Logic Tool。四、實驗內(nèi)容及要求1.設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）假設污泥、油脂、洗滌時間的論域分別為0,100、0,100和0,120,設 計相應的模糊推理系統(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）假定當前傳感器測得的信息為 （污泥）=60, y。

13、（油脂）=70,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 （洗滌時間中等）、L （洗滌時間長）、VL （洗滌時間 很長）0圖1洗衣機的模糊控制規(guī)則表xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2 .假設兩汽車均為理想狀態(tài)，即Y( s) U(s)4, Y為速度，Us 2 0.7 2s 4為油

14、門控制輸入。(1)設計模糊推理系統(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號汽車速度改為時速110km時，仍與其保持30m距離。(3)在35時亥ij 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。圖1兩車追趕的模糊控制系統(tǒng)框圖(2)用SIMULINK仿真兩車追

15、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。提?。耗：刂埔?guī)則如下表2所小，其中r = ' e2 + e2 ,日=tg 2, r、8和 ' e油門控制u的論域分別為0,1、卜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-r rNBZEPBPBZENMNBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB圖2 r的隸屬函數(shù)圖五、實驗報告要求:1.按照實驗要求，給出相應結(jié)果2,分析隸屬度、模糊關系和模糊規(guī)則的相互關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：

16、學號：姓名:一、實驗目的二、實驗內(nèi)容三、實驗結(jié)果按照實驗要求，給出相應結(jié)果。四、實驗總結(jié)1 .分析隸屬度、模糊關系和模糊規(guī)則的相互關系。2 .總結(jié)實驗心得體會實驗三 A*算法實驗I一、實驗目的熟悉和掌握啟發(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。、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

17、目標節(jié)點的估價代價h(n),且h(n) E 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3M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(目標狀 態(tài))，問如何移動將牌，實現(xiàn)從初始狀態(tài)到目標狀態(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)，要求設計兩種不同的估價函數(shù)。2 .設置相同的初始狀態(tài)和目標

18、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，包括擴展節(jié)點數(shù)、生成節(jié)點數(shù)等。3 .設置與上述2相同的初始狀態(tài)和目標狀態(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，設計兩種 不同的估價函數(shù)，然后重復上述 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本內(nèi)容和書寫格式

19、。實驗名稱班級：學號：姓名：一、實驗目的二、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)小在位數(shù)0初始狀態(tài)目標狀態(tài)123804765123804765123804765最優(yōu)解擴展節(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)小在位數(shù)0初始狀態(tài)目標狀態(tài)最優(yōu)解擴展節(jié)點數(shù)生成節(jié)點數(shù)運行時間四、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)實驗心得體會實驗四 A*算法實驗II一、實驗目的熟悉和掌握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

20、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

21、路、 三維虛擬場景中運動目標的路徑規(guī)劃、機器人尋路等多個應用領域。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終 點的最短路徑。假設在一個n*m的迷宮里，入口坐標和出口坐標分別為(1,1)和(5,5),每一個 坐標點有兩種可能：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：0 0 0 0 01 0 1 0 10 0 1 1 10 1 0 0 00 0 0 1 0最短路徑應該是A B 0 0 01 C 1 0 1E D 1 1 1F 1 J K LG H I 1 M即：(1,1)-(1,2)-(2,2)-

22、(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 .設置不同的地圖，以及不同的初始狀態(tài)和目標狀態(tài)，記錄A*算法的求解結(jié)果，包括最短路徑、擴展節(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)和目標狀態(tài)， 設計不同的啟發(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，包括擴展節(jié)點數(shù)、生成節(jié)點數(shù)和算法運行時 問。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

23、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：學號：姓名：一、實驗目的二、實驗原理三、實驗結(jié)果按照實驗內(nèi)容，給出相應結(jié)果。四、實驗總結(jié)1 .完成實驗報告要求2和32 .總結(jié)實驗心得體會實驗五遺傳算法實驗I一、實驗目的熟悉和掌握遺傳算法的原理、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。遺傳算法（Genetic Algorithms, GA ）是基于生物界自然選擇和基因遺傳學原 理的一種廣為應用的、高效的隨機搜索算法，20世紀60年代由美國的

24、密執(zhí)根大 學的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化過程， 通過模擬大自然中生物進化過程中的遺傳規(guī)律，來達到尋優(yōu)的目的。近年來，遺傳算法已廣泛地應用于作業(yè)調(diào)度與排序、可靠性設計、車輛路徑選擇與調(diào)度、成 組技術、設備布置與分配、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)，是一個解適應環(huán)境程度的評價。當適應度函數(shù)確定后，自然選擇 規(guī)律以適應度函數(shù)值的大小來決定一個染色體是否繼

25、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，設定求解精度到15位小數(shù)。_ _ 一一 一 _ _.2f(x,y)=3.226y, 0.8 (x-4.2)2 2(y -7)6.452(x 0.125y)(cos(x) - cos(2y)x 0,10, y 0,101）給出適應度函數(shù)（Fitness Functio。的M文件（Matlab中要求適應度函數(shù)最 小化）。2）設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)

26、等，填入表1,給出最佳適應度（Best fitness刖最佳個體（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 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(日ite 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 fu

27、nction)停止參數(shù)最大迭代步數(shù)(Generations )最大運仃時間限制(Time limit )最小適應度限制(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 ,設置不同的種 群規(guī)模(population size)，例如5、20和100,初始種群的個體取值范圍(INtial range為0;1,其他參數(shù)同表1,然后求得相應的最佳適應度(Best fitness)> 平均適應度(Mean fitness)和最

28、佳個體(Best individual),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)模最佳適應度平均適應度最佳個體xy520100*4)設置種群規(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)設置(gaoptimset)1234選擇操作個體選擇概率 分配 FitnessS

29、caling FcnRank (排序) fitscalingrankVVVProportional (比率) fitscalingpropV個體選擇SelectionFcnRoulette (輪盤賭選擇) selectionrouletteVVVTournament (競標賽選擇) selectiontournamentV交叉操作CrossoverFcn單點交叉 crossoversinglepointVVV兩點交叉 crossovertwopointV變異操作MutationFcnUniform (均勻變異)mutationuniformV7V7V7Gaussian (高斯變異)mutati

30、ongaussianV7最好適應度最差適應度平均適應度備注:1:options=gaoptimset('PopulationSize',20,'PopInitRange',0;10,'FitnessScalingFc n',fitscalingrank,'SelectionFcn',selectionroulette,'CrossoverFcn',crossover singlepoint,'MutationFcn',mutationuniform)2.用遺傳算法求解下面一個 Rastrigin函數(shù)

31、的最小值，設定求解精度到15位小數(shù)。22f (Xi,X2) = 20 XiX2 -10(cos2-Xicos2二")1)給出適應度函數(shù)的M文件(Matlab中要求適應度函數(shù)最小化)。2)設計上述問題的編碼、選擇操作、交叉操作、變異操作以及控制參數(shù)等，填 入表4,并畫出最佳適應度(Best巾tness劑最佳個體(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 Fitness scaling)

32、個體選擇方法(Selection function )最佳個體保存優(yōu)良個體保存數(shù)量(曰ite 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)停止參數(shù)最大迭代步數(shù)(Generations )最大運仃時間限制(Time limit )最小適應度限制(Fitness limit )停滯代數(shù)(Stall generations)停滯時間限制(Stall time limit )3)設置種群的不同初始范圍,例如1;1.1、1;100和1;2,畫出相應的最佳適應 度值(Bes

33、t fitness劑平均距離(Distance)圖，比較分布初始范圍及種群多樣 性對遺傳算法性能的影響。4)設置不同的交叉概率(Crossover fraction=R 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時最佳適應度值(Best巾tness刑和平均距離(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，給出相應結(jié)果。3 .總結(jié)遺傳算法的特點，并說明適應度函數(shù)在遺傳算法中的作用下面是實驗報告的基本內(nèi)容

34、和書寫格式。實驗名稱班級：學號：姓名:一、實驗目的二、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)實驗心得體會實驗六遺傳算法實驗II、實驗目的熟悉和掌握遺傳算法的原理、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，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)學領域中著名 問題之一。假設有一個旅彳T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)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

35、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。用圖論的術語來說，假設有一個圖 g=(v,e),其中v是頂點集，e是邊集，設 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

36、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，適者有最好的機會生存和產(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環(huán) 境，不斷進化，最后收斂到一個最適應環(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)模最好適應度最差適應度平均適應度平均運行時間10201002、對于同一個TSP問題(例如10個城市)，設置不同的種群規(guī)

37、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、設置種群規(guī)模為100,交叉概率為0.85,變異卞S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 度最差適應 度平均適應 度平均運行 時間100.850.15200.850.151000.850.1510000.151000.50

38、.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度最差適應度平均適應度平均運行時間兩點互換按適應度比例分配兩點互換按適應度比例分配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。下面是實驗報告的基本

39、內(nèi)容和書寫格式。實驗名稱班級：學號：姓名：一、實驗目的二、實驗原理三、實驗結(jié)果按照實驗內(nèi)容，給出相應結(jié)果。四、實驗總結(jié)1 .完成實驗報告要求2, 3和42 .總結(jié)實驗心得體會實驗七基于神經(jīng)網(wǎng)絡的模式識別實驗、實驗目的理解BP神經(jīng)網(wǎng)絡和離散Hop巾eld神經(jīng)網(wǎng)絡的結(jié)構和原理，掌握反向傳播學 習算法對神經(jīng)元的訓練過程，了解反向傳播公式。通過構建BP網(wǎng)絡和離散Hopfield網(wǎng)絡模式識別實例，熟悉前饋網(wǎng)絡和反饋網(wǎng)絡的原理及結(jié)構。二、實驗原理BP學習算法是通過反向?qū)W習過程使誤差最小， 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值修正。 BP網(wǎng)絡不僅含有

40、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)絡的聯(lián)想記憶過程分為學習和聯(lián)想兩個階段。 在給定樣 本的條件下，按照Hebb學習規(guī)則調(diào)整連接權值，使得存儲的樣本成為網(wǎng)絡的穩(wěn) 定狀態(tài)，這就是學習階段。聯(lián)想是指在連接權值不變的情況下， 輸入部分不全或 者受了干擾的信息，最終網(wǎng)絡輸出某個穩(wěn)定狀態(tài)。、實驗條件Matlab 7.X的神經(jīng)網(wǎng)絡工具箱：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)絡工具箱。四、實驗內(nèi)容1.針對教材P2

41、43例8.1,設計一個BP網(wǎng)絡結(jié)構模型（63-6-9）,并以教材 圖8.5為訓練樣本數(shù)據(jù)，圖8.6為測試數(shù)據(jù)。（1）從Matlab工作空間導入（Import）訓練樣本數(shù)據(jù)（inputdata, outputdata） 和測試數(shù)據(jù)（testinputdataj）,然后新建一個神經(jīng)網(wǎng)絡（New Network）,選擇參 數(shù)如下表1,給出BP神經(jīng)網(wǎng)絡結(jié)構圖。表1 BP網(wǎng)絡結(jié)構模型的各項參數(shù)設置Network Name （神經(jīng)網(wǎng)絡名稱）Network Type （神經(jīng)網(wǎng)絡類型）Feed-forward backprop （前饋反向傳播）Input ranges （輸入信息范圍）來自訓練樣本的輸入數(shù)據(jù)（

42、inputdata）Training function （訓練函數(shù)）TRAINGD（梯賞下降BP算法）Performance function （性能函數(shù)）MSE （均方誤差）Number of layers （神經(jīng)網(wǎng)絡層數(shù)）2Layer1（第 1 層）的 Number of neurons （神 經(jīng)元個數(shù)）6Layer1 （第 1 層）的 Transfer Function （傳 遞函數(shù)）TANSIG（雙曲正切S型函數(shù)）Layer2（第 2 層）的 Number of neurons （神 經(jīng)元個數(shù)）2Layer2 （第 2 層）的 Transfer Function （傳 遞函數(shù)）LOGSIG （S型函數(shù)）（2）輸入訓練樣本數(shù)據(jù)（inputdata, outputdata）,隨機初始化連接權（IMtializeWeights）,給出BP神經(jīng)網(wǎng)絡訓練成功后的誤差變化曲線圖，訓練參數(shù)設置如表2所示。表2 BP網(wǎng)絡訓練參數(shù)訓練次數(shù)（epochs）1000訓練時間（time）Inf訓練目標（goal）0學習率（lr）0.3最大確認失敗次數(shù)（max_fail）5最小性能梯度（min_grad）1e-025兩次顯示之間的訓練步數(shù)（show）25（3）選擇不同的訓練函數(shù)，例如 TRAINGDM （梯度下降動量BP算法）、 TRAINLMM （Levenberg-Marquardt BP