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.產生式系統(tǒng)實驗；2.模糊推理系統(tǒng)實驗；*算法求解 8數碼問題實驗；*算法求解迷宮問題實驗；5.遺傳算法求解函數最值問題實驗； 6.遺傳算法求解TSP問題實驗；7.基于神經網絡的模式識別實驗；8.基于神經網 絡的優(yōu)化計算實驗。每個實驗包括有：實驗目的、實驗內容、實驗條件、實驗要 求、實驗步驟和實

2、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錯誤!未定義書簽實驗一 產生式系統(tǒng)實驗 錯誤!未定義書簽實驗二模糊推理系統(tǒng)實驗錯誤!未定義書簽實驗三A*算法實驗I錯誤!未定義書簽實驗四A*算法實驗II錯誤!未定義書簽實驗五遺傳算法實驗I錯誤!未定義書簽實驗六遺傳算法實驗II錯誤!未定義書簽實驗七基于神經網絡的模式識別實驗錯誤!未定義書簽實驗八基于神經網絡的優(yōu)化計算實驗錯誤!未定義書簽實驗教學大綱、學時：16學時，一般安排在第9

3、周至第16周。、主要儀器設備及運行環(huán)境：PC機、Visual C+、Matlab、實驗項目及教學安排序號實驗名稱實驗平臺實驗內容學時教學要求1產生式系統(tǒng)應用VC+設計知識庫，實現系統(tǒng)識別或 分類等。2設計課內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3A*算法應用IVC+設計與實現求解 N數碼問題的A*算法。2綜合課內4A*算法應用IIVC+設計與實現求解迷宮問題的A*算法。2綜合課內5遺傳算法應用IMatlab1）求某一囪數的最小值；2）求某一函數的最大值。2驗證課內6遺傳算法應用IIVC+設計與實現求解不同城市規(guī)模 的TSP問題

4、的遺傳算法。2綜合課內7基于神經網絡的模式識別Matlab1）基于BP神經網絡的數字識別設計；2）基于離散Hopfiel神經網絡的 聯想記憶設計。2驗證課內8基于神經網絡的優(yōu)化計算VC+設計與實現求解 TSP問題的連續(xù)Hopfield神經網絡。2綜合課內四、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。 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。評定各級成績時，可參考以下標

5、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，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3

6、0%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。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

7、告較多的時候有結果，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)。或有些小聰明但不努力，不求上進。府統(tǒng)壟置值 卻F庫®隹理卬 訐秤口 商就依性動物謨現呈統(tǒng)痂標知識昨rral Bl u > 店 tw )- o 1 i 產 p后工 毛默e(黃袍前片 11ostive衣生ri IX 世9 y tl北。svt肚廣&(。子 rari小,Lv紋薩 Lalvetiito>鬻黛FL 食幼"性mll,WLI?性隼L.1PI/)81 y £ % w J-1-1 r-物物 r-t-J6.( 1i I一一 V瘠t i 口1 T p坡湖4”i' .

8、J“.-/',11一四 -堤總乳烏番r.r'就了 有c仃噫鳥食虱e(K" 州 UI 號 V £ 百 GsyLrVV4.* ix- f L L c i c -L i s -莒 -£ 一一 £wt t ( - - - - : 二 二一 ：-e 戶二;Tl=3 - s s- s V 1 - - 1 - 1 - t i o 0 1 1 ：4=: - p p t t -J I . Jr - 1 - - 5 i 一 N " ?- 川 g s =!-= 鹿豹fiB彳M M 馬眼橫殳駕篇物我二T-10-1二-一 _ ralMral血 ,rnJD

9、.llM uuLLud 以匕小al兇tg哺哺.由墨實驗一產生式系統(tǒng)實驗一、實驗目的：熟悉一階謂詞邏輯和產生式表示法，掌握產生式系統(tǒng)的運行機制，以及基于 規(guī)則推理的基本方法。二、實驗內容運用所學知識，設計并編程實現一個小型人工智能系統(tǒng)（如分類、診斷、預 測等類型）。三、實驗條件：產生式系統(tǒng)實驗程序，如下圖1所示。目回岡椅入押如圖1產生式系統(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生式規(guī)則作為知識表示，利用如圖 1所示的產生式 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

10、1所示的產生式系統(tǒng)實驗程序，設計并實現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（綜合數據庫），輸入多條事實或結論。4）運行推理，包括正向推理和反向推理，給出相應的推理過程、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、實驗內容三、實驗步驟四、實驗結果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、實驗總結實驗二

11、模糊推理系統(tǒng)實驗一、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。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、模糊集和模糊關系合成的方法進行推理。三、實驗條件Matlab 的 Fuzzy Logic Tool四、實驗內容及要求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”

12、； 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圖，模糊控制規(guī)則 表和推論結果立體圖。（2）假定當前傳感器測得的信息為 x （污泥）60, y。（油脂）70,采用面積重 心法反模糊化，給出模糊推理結果，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）

13、、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xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2 .假設兩汽車均為理想狀態(tài)，即瑞 s2 2 047 2s 4, 丫為速度，U為油門控制輸入(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

14、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圖，模糊控制規(guī)則 表，推論結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 eq e , tg £ , r、和 ' e油門控制u的論域分別為0,1、卜3,3和-1,1, r的隸屬函數如圖2所示。表2模糊控制規(guī)則表rNBZEPBPBZENM

15、NBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB圖2r的隸屬函數圖五、實驗報告要求:1.按照實驗要求，給出相應結果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容和書寫格式。實驗名稱班級：學號：姓名:一、實驗目的二、實驗內容三、實驗結果按照實驗要求，給出相應結果。四、實驗總結1 .分析隸屬度、模糊關系和模糊規(guī)則的相互關系。2 .總結實驗心得體會實驗三 A*算法實驗I、實驗目的熟悉和掌握啟發(fā)式搜索的定義、估價函數和算法過程，并利用A*算法求解N 數碼難題，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的定義上。對于

16、一 般的啟發(fā)式圖搜索，總是選擇估價函數f值最小的節(jié)點作為擴展節(jié)點。因此，f是根據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到達目標節(jié)點的估價代價 h(n),且h(n) h * (n) , h* (n)為n節(jié)點到目的結點的最 優(yōu)路徑的代價。八數碼問題是在3X3的九宮格棋盤上，擺有8個刻有18數碼的將牌。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構(目標狀 態(tài))，問如何移動將牌，實現從初始狀態(tài)到目標狀態(tài)的轉

17、變。如下圖 1表示了一 個具體的八數碼問題求解。三、實驗內容1 .參考A*算法核心代碼，以8數碼問題為例實現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。2 .設置相同的初始狀態(tài)和目標狀態(tài)，針對不同的估價函數，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、生成節(jié)點數等。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、生成 節(jié)點數。*4.參考A*算法核心代碼，實現A*算法求解15數碼問題的程序，設計兩種 不同的估價函數，然后重復上述 2和3的實驗內容。5.提交

18、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對A*算法性能的影響。2,根據寬度優(yōu)先搜索算法和 A*算法求解8、15數碼問題的結果，分析啟發(fā) 式搜索的特點。下面是實驗報告的基本內容和書寫格式。實驗名稱班級：學號：姓名：一、實驗目的二、實驗原理三、實驗結果按照實驗內容，把結果填入表1。表1不同啟發(fā)函數h(n)求解8數碼問題的結果比較啟發(fā)函數h(n)小在位數0初始狀態(tài)目標狀態(tài)555最優(yōu)解擴展節(jié)點數生成節(jié)點數運行時間*表2不同啟發(fā)函數h(n)求解15數碼問題的結果比較啟發(fā)函數h(n)小在位數0初始狀態(tài)目標狀態(tài)最優(yōu)解擴展節(jié)點數生成節(jié)點數運行時間四、實驗總結1 .畫出A*算法求解N數碼問題的

19、流程圖2 .完成實驗報告要求1和2。3 .總結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*算法實現迷宮尋路功能，要求掌握啟發(fā)式函數的編寫以及各 類啟發(fā)式函數效果的比較。二、實驗原理A* (A-Star痹法是一種靜態(tài)路網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，g(n)是在狀態(tài)空 問中從初始節(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h(n)的選?。汗纼r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，搜索的點數多

20、， 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

21、 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)-(3,2)-(3,1)-(4,1)-(5,1)-(5,2)-(5,3)-(4,3)-(4,4)-(4,5)-(5,5)三、實驗內容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 結果，包括最短路徑、擴展節(jié)點數、生成節(jié)點數和算法運行時間。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，比較不同啟發(fā) 式函數對迷宮尋路速

22、度的提升效果，包括擴展節(jié)點數、生成節(jié)點數和算法運行時 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 .試分析不同啟發(fā)式函數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、實驗結果按照實驗內容，給出相應結果。四、實驗總結1 .完成實驗報告要求2和3。2 .總結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優(yōu)化問 題，理解求解流程并測試主要參數對結果的影

23、響。二、實驗原理遺傳算法(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)調度與排序、可靠性設計、車輛路徑選擇與調度、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， 染色體的個數稱為

24、群體的規(guī)模。在遺傳算法中用適應度函數表示環(huán)境，它是已編 碼的解的函數，是一個解適應環(huán)境程度的評價。當適應度函數確定后，自然選擇 規(guī)律以適應度函數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行交叉、變異，從而得到下一代群體。實驗條件Matlab 的遺傳算法工具箱 四、實驗內容：1.用遺傳算法求解下列函數的最大值，設定求解精度到15位小數 一、 2f(x,y)3.226y6.452(x 0.125y)(cos(x) cos(2y)222.。8 (x 4.2)2( y 7)x 0,10, y 0,101)給出適應度函數(Fitness F

25、unction)的M文件(Matlab中要求適應度函數最 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 等，填入表1,給出最佳適應度(Best fitness劑最佳個體(Best individual)圖表1遺傳算法參數的選擇編碼編碼方式(population type )種群參數種群規(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)良個體保存數量(Hite count)交叉操作交叉

26、概率(Crossover fraction )交叉方 式 ( Crossover function)變異操作變異方式(Mutation function)停止參數最大迭代步數(Generations)最大運仃時間限制(Time limit)最小適應度限制(Fitness limit)停滯代數(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(Initial r

27、ange)為0;1,其他參數同表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果。表3不同的

28、選擇策略、交叉策略和變異策略的算法運行結果遺傳算法參數設置(gaoptimset)1234選擇操作個體選擇概率 分配FitnessScalingF cnRank (排序) fitscalingrankVProportional (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Muta

29、tionFcnUniform (均勻變異)mutationuniformV7V7V7Gaussian (高斯變異)mutationgaussianV7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,'FitnessScalingFcn', fitscalingrank,'SelectionFcn',selectionroulette,'CrossoverFcn',crossoversingle point,

30、'MutationFcn',mutationuniform)2.用遺傳算法求解下面一個 Rastrigin函數的最小值，設定求解精度到15位小數。22f(x1,x2) 20 x1x2 10(cos2 x1cos2 x2)1)給出適應度函數的M文件(Matlab中要求適應度函數最小化)。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等，填 入表4,并畫出最佳適應度(Best fitness劑最佳個體(Best individual)圖。表4遺傳算法參數的選擇編碼編碼方式(population type)種群參數種群規(guī)模(population size )初始種群

31、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)良個體保存數量(Hite 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)停止參數最大迭代步數(Generations)最大運仃時間限制(Time limit)最小適應度限制(Fitness limit)停滯代數(Stall generations )停滯時間限制(Stall time

32、limit )3）設置種群的不同初始范圍，例如1;、1;100和1;2,畫出相應的最佳適應度 值（Best巾tness劑平均距離（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）設置不同的交叉概率（Crossover fraction=R、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 時最佳適應度值（Best fitness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 .根據實驗內容，給出相

33、應結果。3 .總結遺傳算法的特點，并說明適應度函數在遺傳算法中的作用, 下面是實驗報告的基本內容和書寫格式。實驗名稱班級：學號：姓名:一、實驗目的二、實驗原理三、實驗結果按照實驗內容，給出實驗結果以及結果分析。四、實驗總結1 .完成實驗報告要求3。2 .總結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對結果的影響，掌握遺傳算法的基本實現方法。二、實驗原理旅行商問題，即TSP問題（Traveling SalesmanProblem）是數學領域中著名 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

34、已知， 他必須選擇所要走的路徑，路經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，其可能的路徑數目與城市數目n是成指數型增長的，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

35、傳過程。它把問題的參數用基因代表，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，適者有最好的機會生存和產生后代。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。、實驗內容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，把結果填入表1。表1遺傳算法求解不同規(guī)模的 TSP問題的結果城市規(guī)模最好適應度最差適應度平

36、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)模（例如10, 20, 100）、交叉概率（0, , 1）和變異概率（0, , 1）,把結果填入表2。3、設置種群規(guī)模為100,交叉概率為，變異概率為，然后增加 1種變異策略 （例如相鄰兩點互換變異、逆轉變異或插入變異等）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1020100100010

37、0100110001001001表3不同的變異策略和個體選擇概率分配策略的求解結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果的影響。下面是實驗報告的基本內容和書寫格式。實驗名稱班級：學號：姓名：一

38、、實驗目的二、實驗原理三、實驗結果按照實驗內容，給出相應結果。四、實驗總結1 .完成實驗報告要求2, 3和4。2 .總結實驗心得體會實驗七基于神經網絡的模式識別實驗、實驗目的理解BP神經網絡和離散Hopfield神經網絡的結構和原理，掌握反向傳播學 習算法對神經元的訓練過程，了解反向傳播公式。通過構建 BP網絡和離散 Hopfield網絡模式識別實例，熟悉前饋網絡和反饋網絡的原理及結構。二、實驗原理BP學習算法是通過反向學習過程使誤差最小， 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網絡不僅含有輸入節(jié)點和輸出節(jié)點， 而且含有一層或

39、多層隱（層）節(jié)點。輸入信 號先向前傳遞到隱節(jié)點，經過作用后，再把隱節(jié)點的輸出信息傳遞到輸出節(jié)點， 最后給出輸出結果。離散Hopfield神經網絡的聯想記憶過程分為學習和聯想兩個階段。在給定樣 本的條件下，按照Hebb學習規(guī)則調整連接權值，使得存儲的樣本成為網絡的穩(wěn) 定狀態(tài)，這就是學習階段。聯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，最終網絡輸出某個穩(wěn)定狀態(tài)。三、實驗條件Matlab 的神經網絡工具箱：在 Matlab 的命令窗口輸入nntool,然后在鍵 盤上輸入Enter鍵，即可打開神經網絡工具箱。四、實驗內容1,針對教材P243例，設計一個BP網絡結構模型（63-6

40、-9）,并以教材圖為 訓練樣本數據，圖為測試數據。（1）從Matlab工作空間導入（Import）訓練樣本數據（inputdata, outputdata ） 和測試數據（testinputdata）,然后新建一個神經網絡（New Network）,選擇 參數如下表1,給出BP神經網絡結構圖。表1 BP網絡結構模型的各項參數設置Network Name （神經網絡名稱）Network Type （神經網絡類型）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據（inputdata ）Training function （

41、訓練函數）TRAINGD梯度下降 BP算法）Performance function （性能函數）MSE （均方誤差）Number of layers （神經網絡層數）2Layer1（第 1 層）的 Number of neurons （神 經元個數）6Layer1 （第 1 層）的 Transfer Function （傳 遞函數）TANSIG雙曲正切S型函數）Layer2（第 2 層）的 Number of neurons （神 經元個數）9Layer2 （第 2 層）的 Transfer Function （傳 遞函數）LOGSIG （S型函數）（2）輸入訓練樣本數據（inputdata , outputdata ）,隨機初始化連接權（InitializeWeights）,給出B網經網絡訓練成功后的誤差變化曲線圖，訓練參數設置如表2所示。表2 B刖絡訓練參數訓練次數（epochs）1000訓練時間（time）Inf訓練目標（goal）0學習率（lr）最大確認失敗次數（max_fail）5最小性能梯度（min_grad ）1e-025兩次顯示之間的訓練步數（show）25（3）選擇不同的訓練函數，例如 TRAINGDM （梯度下降動量 BP算法）、 TRAINLMM （ Levenberg-Marquardt BP訓練函數），然后輸入訓練樣