《人工智能及其應(yīng)用》實(shí)驗(yàn)指導(dǎo)書

1、人工智能及其應(yīng)用實(shí)驗(yàn)指導(dǎo)書浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院一人工智能課程組2011年9月、八刖 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)開發(fā)奠定良好的基礎(chǔ)。全書共分為八個(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冋題實(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)

2、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2011年9月實(shí)驗(yàn)三A*算法實(shí)驗(yàn)I.13目錄實(shí)驗(yàn)教學(xué)大綱實(shí)驗(yàn)一產(chǎn)生式系統(tǒng)實(shí)驗(yàn)實(shí)驗(yàn)二模糊推理系統(tǒng)實(shí)驗(yàn)實(shí)驗(yàn)四A*算法實(shí)驗(yàn)II.1.7.實(shí)驗(yàn)五遺傳算法實(shí)驗(yàn)I.1.9.實(shí)驗(yàn)六遺傳算法實(shí)驗(yàn)II26.實(shí)驗(yàn)七基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別實(shí)驗(yàn)29.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)35.實(shí)驗(yàn)教學(xué)大綱、學(xué)時(shí)：16學(xué)時(shí)，一般安排在第9周至第16周。、主要儀器設(shè)備及運(yùn)行環(huán)境：PC機(jī)、Visual C+ 6.0、Matl

3、ab 7.0 。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)實(shí)驗(yàn)內(nèi)容學(xué) 類型 教學(xué)平臺(tái)要求產(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)別或設(shè)計(jì)課內(nèi)分類等。模糊推理系統(tǒng)應(yīng)Matla1）設(shè)計(jì)洗衣機(jī)的模糊控制器;驗(yàn)證課內(nèi)2）設(shè)計(jì)兩車追趕的模糊控制器。A*算法應(yīng)用VC+設(shè)計(jì)與實(shí)現(xiàn)求解 N數(shù)碼問(wèn)題的綜合課內(nèi)A*算法。A*算法應(yīng)用IIVC+設(shè)計(jì)與實(shí)現(xiàn)求解迷宮問(wèn)題的A*綜合課內(nèi)算法。遺傳算法應(yīng)用IMatla1 ）求某一函數(shù)的最小值;驗(yàn)證課內(nèi)2 ）求某一函數(shù)的最大值。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)模綜合課內(nèi)的TSP問(wèn)題的遺傳算法。基于神經(jīng)網(wǎng)絡(luò)的Matla1）基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)驗(yàn)證課內(nèi)模式識(shí)別b別

4、設(shè)計(jì);8 基于神經(jīng)網(wǎng)絡(luò)的VC+優(yōu)化計(jì)算2）基于離散Hopfiel神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶設(shè)計(jì)。設(shè)計(jì)與實(shí)現(xiàn)求解TSP問(wèn)題的連2 綜合 課內(nèi)續(xù)Hopfield 神經(jīng)網(wǎng)絡(luò)。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)

5、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螅苷J(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

6、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?。ㄈ绻ぷ鳠o(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)?；蛴行┬÷斆鞯慌?/p>

7、力，不求上進(jìn)。實(shí)驗(yàn)一產(chǎn)生式系統(tǒng)實(shí)驗(yàn)、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。、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、診斷、預(yù)測(cè)等類型）。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?？谑瑢蜭J- E PH:理八的就1 !1 5- 飛 H咋L星晏 侖 詈換主燿 不 械工咖m嵯 a 沖沖題ell 5 S PI1 卉卅 s( 1 e« _J ± ft ( -1 -T i V - PJ Ji y * - ¥ 堆 -1 Jv V J -1 it "-L _J h t 物物r-

8、t一 t-.F;:沖-4又出 n. Jo J M 畔 r= 弓丹 I刊 sp HF V V上芒- c IL 1 c .Lc .l * * I r= - - £ - s T t ( 1 JL T v 4l -1 X "1 ft -1 hl s s _ 一 IJH-H - 工 -1 -srnsvv- 1 - - 1 - 1 - T J * 1 -2 fl- p t -i-J, lx - 1- 1 f 上一丄-I - V “ d7-lCJQLQ 血豹鷹子r*加加 國(guó)悵金卮企曹為 crrrcrrcc乳乳性苗n 直一阻 4 紐 tt:a!353 金 ssss mAAAAmmm w i

9、 i i i 止止止山'u d1 i 口 - - 旦曰也也也電妙切嚴(yán)譏譏譏"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):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。編輯知識(shí)庫(kù)，通過(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。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。運(yùn)行

10、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. 撰寫實(shí)驗(yàn)報(bào)告。六、實(shí)驗(yàn)報(bào)告F面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。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:、實(shí)驗(yàn)?zāi)康?、?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)、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

11、。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Matlab 7.0 的 Fuzzy Logic Tool。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:模糊控制規(guī)（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， 則表和推論結(jié)果立體圖。米用面積重給出其動(dòng)（2） 假

12、定當(dāng)前傳感器測(cè)得的信息為X0 （污泥）60, y（油脂）70， 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， 態(tài)仿真環(huán)境圖。（污泥中）、提示：模糊控制規(guī)則如下表1所示，其中SD （污泥少）、MDLD （污泥多）、NG （油脂少）、MG （油脂中）、LG （油脂多）、VS （洗滌時(shí)間很2 假設(shè)兩汽車均為理想狀態(tài)，即器s2 2 047 2s 4，丫為速度，U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)）。xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL圖1洗衣機(jī)的模糊控制規(guī)則表4為油

13、門控制輸入。（1 ）設(shè)計(jì)模糊推理系統(tǒng)控制2號(hào)汽車由靜止啟動(dòng)，追趕200m夕卜時(shí)速90km的1號(hào)汽車并與其保持30m的距離。在25時(shí)刻1號(hào)汽車速度改為時(shí)速110km時(shí)，仍與其保持30m距離。在35時(shí)刻1號(hào)汽車速度改為時(shí)速70km時(shí)，仍與其保持30m距離。要求: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(hào)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(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。相對(duì)距離e圖1兩車追趕的模糊控制系統(tǒng)框圖1號(hào)汽車）1號(hào)汽車）（2）用SIMULINK仿真兩車

14、追趕的模糊控制系統(tǒng)，給出目標(biāo)車（ 的速度曲線圖，以及追趕車（2號(hào)汽車）的速度曲線圖和與目標(biāo)車（ 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 Ve2 e2 ,tg e，r、和 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2 r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。F面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:、實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)內(nèi)容三、實(shí)驗(yàn)結(jié)果按照實(shí)驗(yàn)要求

15、，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、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。、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，所以，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h(n) h * (n)， h* (n)

16、為n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 X3的九宮格棋盤上，擺有8個(gè)刻有18數(shù)碼的將牌。 棋盤中有一個(gè)空格，允許緊鄰空格的某一將牌可以移到空格中， 這樣通過(guò)平移將 牌可以將某一將牌布局變換為另一布局。 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。L39£476513824TS5123647&5八數(shù)碼問(wèn)題的求解三、實(shí)驗(yàn)內(nèi)容8數(shù)碼問(wèn)題為例實(shí)現(xiàn)A*算法的求解程序(編程1.參考A*算法核心代碼，以語(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

17、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)。2和3的實(shí)驗(yàn)內(nèi)容。*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 式搜索的特點(diǎn)。A*算法求解8、15數(shù)碼問(wèn)題的結(jié)果，分析啟發(fā)F面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):

18、姓名:、實(shí)驗(yàn)?zāi)康?、實(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 0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)123804765123804765123804765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 03. 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、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)的編寫以及各 類啟發(fā)式函數(shù)效果

19、的比較。、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h*(n)，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)于各類游戲中角色尋路、 三維虛擬場(chǎng)景中運(yùn)動(dòng)目

20、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)開始避開障礙物到達(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表示該位置允許通過(guò)，1表示該位置不允 許通過(guò)。如地圖:最短路徑應(yīng)該是1 C 1 0 1(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，畫出用 宮最

21、短路徑的流程圖。A*算法求解迷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 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。A*算法的求解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), 式函數(shù)對(duì)迷宮尋路速度的提升效果， 間。比較不同啟發(fā) 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)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。F面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:、實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)原理三、

22、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、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(Genetic Algorithms, 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Holla nd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，通過(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、

23、可靠性設(shè)計(jì)、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(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Matlab 7.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

24、大值，設(shè)定求解精度到15位小數(shù)。2f(x,y) 6.452(二 0.12切浮)淫紉)3.226yJO.8 (x 4.2)22( y 7)2x 0,10, y 0,101) 給出適應(yīng)度函數(shù)(Fitness Function )的M文件(Matlab中要求適應(yīng)度函 數(shù)最小化)。2) 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(Best fitn ess)和最佳個(gè)體(Best in dividual ) 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(gè)體取值范圍(

25、In itial ran ge)選擇操作個(gè)體選擇概率分配策略(對(duì)應(yīng)Fitness scaling )個(gè)體選擇方法(Selectio n fun ction )最佳個(gè)體保存優(yōu)良個(gè)體保存數(shù)量(Elite cou nt )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)(Ge neratio ns )最大運(yùn)行時(shí)間限制(Time limit )最小適應(yīng)度限制(Fit ness limit )停滯代數(shù)(Stall gen eratio ns)停滯時(shí)間限制(Stall tim

26、e 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(population size )，例如5、20和100，初始種群的個(gè)體取 值范圍(Initial range )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(Best fitn ess)、平均適應(yīng)度(Mea n fitn ess )和最佳個(gè)體(Best in dividual )， 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(population s

27、ize )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，其他參數(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(gao ptimset )1234選擇操作個(gè)體選擇概率 分配Fit nessScali ngFcnRank （排序）fitscali ngra nkVVVProp ortio nal（比率）fitscali ngpropV個(gè)體選擇Select ionFcnRoulette （輪盤賭選擇

28、） selectio nrouletteVVVTourn ame nt（競(jìng)標(biāo)賽選擇）select iontourn ame ntV交叉操作CrossoverFcn單點(diǎn)交叉 crossovers in gle pointVVV兩點(diǎn)交叉 crossovertw opointV變異操作Mutatio nFcnUniform （均勻變異）mutationuniformVVVGaussian（高 斯 變 異）mutati on gaussia nV最好適應(yīng)度最差適應(yīng)度平均適應(yīng)度備注:op tio ns=gao ptimset（' Pop ulatio nSize',20,' Po

29、pini tRa nge',0;10,'Fit ne ssScali ngFc n',fitscali ngran k,'Selectio nFcn ',selectio nroulette,'Cro ssoverFc n',crossoversi ngle poin t,'Mutatio nFcn ',mutatio nuni form函數(shù)的最小值，設(shè)定求解精度到15位2.用遺傳算法求解下面一個(gè) Rastrigin小數(shù)。f (Xi,X2)20Xi22X210(cos2 x1 cos2 %)1)給出適應(yīng)度函數(shù)的M文件(Ma

30、tlab中要求適應(yīng)度函數(shù)最小化)。選擇操作、交叉操作、變異操作以及控制參數(shù)等,填)圖。2)設(shè)計(jì)上述問(wèn)題的編碼、圖，比較分析初始范圍及種群入表4，并畫出最佳適應(yīng)度(Best fitn ess)和最佳個(gè)體(Best in dividual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(gè)體取值范圍(In itial ran ge)選擇操作個(gè)體選擇概率分配策略(對(duì)應(yīng)Fitness scaling )個(gè)體選擇方法(Selectio n fun ction )最佳個(gè)體保存優(yōu)良個(gè)體保存數(shù)量(Elite cou nt )交叉操作交叉概率(Crosso

31、ver 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)(Ge neratio ns )最大運(yùn)行時(shí)間限制(Time limit )最小適應(yīng)度限制(Fit ness limit )停滯代數(shù)(Stall gen eratio ns)停滯時(shí)間限制(Stall time limit )表4遺傳算法參數(shù)的選擇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(Best fitness)和平均距離(Distanee )多樣性對(duì)遺傳算法性能的影響。、0.8、1)，畫出無(wú)變異的

32、交(Crossover fracti on=0) 以及和和平均距離(Distanee )圖,4) 設(shè)置不同的交叉概率(Crossover fraction=0 叉( Crossover fraction=1 )、無(wú)交叉的變異 交叉概率為0.8時(shí)最佳適應(yīng)度值(Best fitness) 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。F面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:、實(shí)驗(yàn)?zāi)康?、?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。

33、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、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(Traveling Salesman Problem)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，他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

34、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)題就是求出一條通過(guò)所有頂點(diǎn)且每個(gè)頂點(diǎn)只通過(guò)一次的具有最短距離的回路。TSP問(wèn)題是個(gè)典型的組合優(yōu)化問(wèn)題，該問(wèn)題可以被證明具有 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，所以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

35、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 0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 0然后增加1

36、種個(gè)體選擇用于求解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， 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 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） 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

37、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。F面是實(shí)驗(yàn)報(bào)告的基本內(nèi)容和書寫格式。實(shí)驗(yàn)名稱班級(jí):學(xué)號(hào):姓名:、實(shí)驗(yàn)?zāi)康?、?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

38、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)、實(shí)驗(yàn)?zāi)康睦斫釨P神經(jīng)網(wǎng)絡(luò)和離散Hop field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。通過(guò)構(gòu)建BP網(wǎng)絡(luò)和離散Hop field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)。、實(shí)驗(yàn)原理BP學(xué)習(xí)算法是通過(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(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

39、出輸出結(jié)果。離散Hop field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(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 Matla

40、b 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)（ New Network ），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1 BP網(wǎng)絡(luò)結(jié)構(gòu)模型的各項(xiàng)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 back prop（前饋反向傳播）Inp ut ran ges（輸入信息范圍）來(lái)自訓(xùn)練樣本的輸入數(shù)據(jù)（inpu tdata ）Trai ning fun ctio n（訓(xùn)練函數(shù)）TRAINGD（梯度下降BP算法）P erfo

41、rma nee function（性能函數(shù)）MSE （均方誤差）Number of layers（神經(jīng)網(wǎng)絡(luò)層數(shù)）2Layerl （第 1 層）的 Number of neuro ns6（神經(jīng)元個(gè)數(shù)）Layer1 （第 1 層）的 Transfer FunetionTANSIG（雙曲正切S型函數(shù)）（傳遞函數(shù)）Layer2 （第 2 層）的 Number of neuro ns9（神經(jīng)元個(gè)數(shù)）Layer2 （第 2 層）的 Transfer FunetionLOGSIG （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(shí)間（time ）Inf訓(xùn)練目標(biāo)（goal ）0學(xué)習(xí)率（Ir）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-Marquardt BP訓(xùn)練函數(shù))，然后輸入訓(xùn)練樣本數(shù)據(jù)(inputdata ，outputdata