《人工智能及其应用》实验指导书25016

1、实用文档人工智能及其应用实验指导书浙江工业大学计算机科学与技术学院人工智能课程组2011年 9月实用文档前言本实验是为了配合 人工智能及其应用 课程的理论学习而专门设置的。 本实验的目的是巩固和加强人工智能的基本原理和方法， 并为今后进一步学习更高级课程和信息智能化技术的研究与系统开发奠定良好的基础。全书共分为八个实验： 1. 产生式系统实验； 2. 模糊推理系统实验； 3.A* 算法求解 8 数码问题实验； 4.A* 算法求解迷宫问题实验； 5. 遗传算法求解函数最值问题实验； 6. 遗传算法求解 TSP 问题实验； 7. 基于神经网络的模式识别实验； 8. 基于神经网络的优化计算实验。每个

2、实验包括有：实验目的、实验内容、实验条件、实验要求、实验步骤和实验报告等六个项目。本实验指导书包括两个部分。 第一个部分是介绍实验的教学大纲；第二部分是介绍八个实验的内容。由于编者水平有限，本实验指导书的错误和不足在所难免，欢迎批评指正。人工智能课程组2011年 9 月实用文档目录实验教学大纲1实验一产生式系统实验3实验二模糊推理系统实验5实验三A* 算法实验 I9实验四A* 算法实验 II12实验五遗传算法实验 I14实验六遗传算法实验 II19实验七基于神经网络的模式识别实验22实验八基于神经网络的优化计算实验26实用文档实验教学大纲一、学时： 16 学时，一般安排在第 9 周至第 16

3、周。二、主要仪器设备及运行环境：PC机、 Visual C+ 6.0、Matlab 7.0 。三、实验项目及教学安排序号实验名称实验实验内容学类型教学平台时要求1产生式系统应用VC+设计知识库，实现系统识别或2设计课内分类等。2模糊推理系统应Matlab1）设计洗衣机的模糊控制器；2验证课内用2）设计两车追赶的模糊控制器。3A*算法应用 IVC+设计与实现求解 N 数码问题的2综合课内A*算法。4A*算法应用 IIVC+设计与实现求解迷宫问题的A*2综合课内算法。5遗传算法应用 IMatlab1）求某一函数的最小值；2验证课内2）求某一函数的最大值。6遗传算法应用 IIVC+设计与实现求解不同

4、城市规模2综合课内的 TSP问题的遗传算法。7基于神经网络的Matlab1）基于 BP 神经网络的数字识2验证课内模式识别别设计；2）基于离散 Hopfiel 神经网络的联想记忆设计。8基于神经网络的VC+设计与实现求解 TSP 问题的连2综合课内优化计算续 Hopfield神经网络。四、实验成绩评定实验课成绩单独按五分制评定。凡实验成绩不及格者，该门课程就不及格。学生的实验成绩应以平时考查为主，一般应占课程总成绩的 50%，其平时成绩又要以实验实际操作的优劣作为主要考核依据。 对于实验课成绩， 无论采取何种方式进行考核，都必须按实验课的目的要求， 以实际实验工作能力的强弱作为评定成绩的主要依

5、据。评定各级成绩时，可参考以下标准：实用文档（一）优秀能正确理解实验的目的要求，能独立、顺利而正确地完成各项实验操作，会分析和处理实验中遇到的问题， 能掌握所学的各项实验技能， 能较好地完成实验报告及其它各项实验作业， 有一定创造精神和能力。 有良好的实验室工作作风和习惯。（二）良好能理解实验的目的和要求，能认真而正确地完成各项实验操作，能分析和处理实验中遇到的一些问题。 能掌握所学实验技能的绝大部分， 对难点较大的操作完成有困难。能一般完成实验报告和其它实验作业。 有较好的实验习惯和工作作风。（三）中等能粗浅理解实验目的要求，能认真努力进行各项实验操作，但技巧较差。能分析和处理实验中一些较容

6、易的问题，掌握实验技能的大部分。有 30%掌握得不好。能一般完成各项实验作业和报告。处理问题缺乏条理。工作作风较好。能认真遵守各项规章制度。学习努力。（四）及格只能机械地了解实验内容，能一般按图、或按实验步骤“照方抓药”完成实验操作，能完成 60%所学的实验技能，有些虽作但不准确。遇到问题常常缺乏解决的办法，在别人启发下能作些简单处理， 但效果不理想。能一般完成实验报告，能认真遵守实验室各项规章制度，工作中有小的习惯性毛病 （如工作无计划， 处理问题缺乏条理）。（五）不及格盲目地“照方抓药”，只掌握 50%的所学实验技能。有些实验虽能作，但一般效果不好，操作不正确。工作忙乱无条理。一般能遵守实

7、验室规章制度，但常有小的错误。实验报告较多的时候有结果，遇到问题时说不明原因， 在教师指导下也较难完成各项实验作业。或有些小聪明但不努力，不求上进。实用文档实验一产生式系统实验一、实验目的：熟悉一阶谓词逻辑和产生式表示法，掌握产生式系统的运行机制，以及基于规则推理的基本方法。二、实验内容运用所学知识，设计并编程实现一个小型人工智能系统（如分类、诊断、预测等类型）。三、实验条件：产生式系统实验程序，如下图1 所示。图 1产生式系统实验程序界面四、实验要求1. 具体应用领域自选，具体系统名称自定；但所做系统绝对不能雷同。2. 用一阶谓词逻辑和产生式规则作为知识表示， 利用如图 1 所示的产生式系统

8、实验程序，建立知识库，分别运行正、反向推理。实用文档3. 系统完成后，提交实验报告。五、实验步骤：1. 基于如图 1 所示的产生式系统实验程序，设计并实现一个小型人工智能系统：1）系统设置，包括设置系统名称和系统谓词，给出谓词名及其含义。2）编辑知识库，通过输入规则或修改规则等，完成整个规则库的建立。3）建立事实库（综合数据库），输入多条事实或结论。4）运行推理，包括正向推理和反向推理，给出相应的推理过程、事实区和规则区。2. 撰写实验报告。六、实验报告下面是实验报告的基本内容和书写格式。递交的报告文件名：班级_学号 _姓名 _实验名称班级：实验名称学号：姓名：一、实验目的二、实验内容三、实验

9、步骤四、实验结果1. 系统名称及谓词定义2. 系统知识库3. 系统正、反向推理过程、事实区和规则区。五、实验总结实用文档实验二模糊推理系统实验一、实验目的理解模糊逻辑推理的原理及特点，熟练应用模糊推理，了解可能性理论。二、实验原理模糊推理所处理的事物自身是模糊的，概念本身没有明确的外延，一个对象是否符合这个概念难以明确地确定，模糊推理是对这种不确定性， 即模糊性的表示与处理。模糊逻辑推理是基于模糊性知识( 模糊规则 ) 的一种近似推理， 一般采用 Zadeh 提出的语言变量、语言值、模糊集和模糊关系合成的方法进行推理。三、实验条件Matlab 7.0的 Fuzzy Logic Tool。四、实

10、验内容及要求1. 设计洗衣机洗涤时间的模糊控制。已知人的操作经验为：“污泥越多，油脂越多，洗涤时间越长” ；“污泥适中，油脂适中，洗涤时间适中” ；“污泥越少，油脂越少，洗涤时间越短” 。要求：（ 1）假设污泥、油脂、洗涤时间的论域分别为 0,100 、0,100 和0,120 ，设计相应的模糊推理系统， 给出输入、输出语言变量的隶属函数图， 模糊控制规则表和推论结果立体图。（ 2）假定当前传感器测得的信息为x (污泥）60, y（油脂）70 ，采用面积重00心法反模糊化， 给出模糊推理结果， 并观察模糊推理的动态仿真环境， 给出其动态仿真环境图。提示：模糊控制规则如下表 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（洗涤时间很短）、S（洗涤时间短）、M（洗涤时间中等）、L（洗涤时间长）、VL（洗涤时间很长） 。图 1 洗衣机的模糊控制规则表xyzSDNGVSSDMGM实用文档SDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2假设两汽车均为理想状态，即Y( s)4，Y 为速度， U 为U( s)s22 0.7 2s 4油门控制输入。（1）设计模糊推理系统控制 2 号汽车由静止启动，追赶 200m外时速 90km的 1 号汽车并与其保持 30m的距离。（2）在 25 时刻 1 号汽车速度改

12、为时速（3）在 35 时刻 1 号汽车速度改为时速110km时，仍与其保持70km时，仍与其保持30m距离。30m距离。要求：（1）如下图1 所示，设计两输入一输出的模糊推理系统作为2 号汽车的模糊控制器，其中输入为误差e 和误差的变化 e，输出为 1 号汽车的油门控制u，采用面积等分法反模糊化， 给出输入、输出语言变量的隶属函数图， 模糊控制规则表，推论结果立体图和模糊推理的动态仿真环境图。1 号 车2 号 车相对距离 e30mu模糊推理系统dedt图 1 两车追赶的模糊控制系统框图（2）用 SIMULINK仿真两车追赶的模糊控制系统，给出目标车（ 1 号汽车）的速度曲线图，以及追赶车（ 2

13、 号汽车）的速度曲线图和与目标车（ 1 号汽车）相对距离变化图。实用文档.er提示：模糊控制规则如下表2所示，其中r22,、 和eetg，e油门控制 u 的论域分别为 0,1、-3,3和 -1,1，r 的隶属函数如图2 所示。表 2 模糊控制规则表rNBZEPBPBZENMNBPMZEPMPBZEZEPMPBNMZENMNBNBZENMNB图 2r 的隶属函数图五、实验报告要求：1. 按照实验要求，给出相应结果。2分析隶属度、模糊关系和模糊规则的相互关系。实用文档下面是实验报告的基本内容和书写格式。班级：实验名称学号：姓名：一、实验目的二、实验内容三、实验结果按照实验要求，给出相应结果。四、实

14、验总结1. 分析隶属度、模糊关系和模糊规则的相互关系。2. 总结实验心得体会实用文档实验三A* 算法实验 I一、实验目的熟悉和掌握启发式搜索的定义、 估价函数和算法过程， 并利用 A*算法求解 N 数码难题，理解求解流程和搜索顺序。二、实验原理A*算法是一种启发式图搜索算法， 其特点在于对估价函数的定义上。 对于一般的启发式图搜索，总是选择估价函数 f 值最小的节点作为扩展节点。因此， f 是根据需要找到一条最小代价路径的观点来估算节点的， 所以，可考虑每个节点n 的估价函数值为两个分量： 从起始节点到节点n的实际代价 g n以及从节点 n到达目标节点的估价代价h n且 h(n) h * (

15、n)( ),，h * (n) 为 n 节点到目的结点的最(优路径的代价。八数码问题是在 33 的九宫格棋盘上，摆有 8 个刻有 1 8 数码的将牌。棋盘中有一个空格， 允许紧邻空格的某一将牌可以移到空格中， 这样通过平移将牌可以将某一将牌布局变换为另一布局。 针对给定的一种初始布局或结构 （目标状态），问如何移动将牌，实现从初始状态到目标状态的转变。如下图 1 表示了一个具体的八数码问题求解。图 1 八数码问题的求解三、实验内容1. 参考 A*算法核心代码，以 8 数码问题为例实现 A*算法的求解程序（编程语言不限），要求设计两种不同的估价函数。2. 设置相同的初始状态和目标状态，针对不同的估

16、价函数，求得问题的解，并比较它们对搜索算法性能的影响，包括扩展节点数、生成节点数等。3. 设置与上述 2 相同的初始状态和目标状态， 用宽度优先搜索算法 （即令估计代价 h( n) 0 的 A*算法）求得问题的解，以及搜索过程中的扩展节点数、生成节点数。*4. 参考 A*算法核心代码，实现 A*算法求解 15 数码问题的程序，设计两种不同的估价函数，然后重复上述 2 和 3 的实验内容。5. 提交实验报告和源程序。实用文档四、实验报告要求1. 分析不同的估价函数对 A*算法性能的影响。2. 根据宽度优先搜索算法和 A*算法求解 8、15 数码问题的结果，分析启发式搜索的特点。下面是实验报告的基

17、本内容和书写格式。实验名称班级：学号：姓名：一、实验目的二、实验原理三、实验结果按照实验内容，把结果填入表1。表 1 不同启发函数 h( n) 求解 8 数码问题的结果比较启发函数 h( n)不在位数0初始状态目标状态123804765123804765123804765最优解扩展节点数生成节点数运行时间* 表 2 不同启发函数 h( n) 求解 15 数码问题的结果比较启发函数 h( n)不在位数0初始状态目标状态最优解扩展节点数生成节点数运行时间实用文档四、实验总结1. 画出 A*算法求解 N数码问题的流程图2. 完成实验报告要求 1 和 2。3. 总结实验心得体会实用文档实验四A* 算法

18、实验 II一、实验目的熟悉和掌握 A*算法实现迷宫寻路功能，要求掌握启发式函数的编写以及各类启发式函数效果的比较。二、实验原理fA*（A-Star)算法是一种静态路网中求解最短路最有效的方法。公式表示为：ng nh n，其中 fn 是节点 n 从初始点到目标点的估价函数， g n 是在()=()+()( )( )状态空间中从初始节点到n 节点的实际代价， h n 是从 n 到目标节点最佳路径的( )估计代价。保证找到最短路径（最优解的）条件，关键在于估价函数h( n) 的选取：估价值 h n小于等于 n 到目标节点的距离实际值h* ( )( )n ，这种情况下，搜索的点数多，搜索范围大，效率低

19、，但能得到最优解。如果估价值大于实际值，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。寻路问题常见于各类游戏中角色寻路、 三维虚拟场景中运动目标的路径规划、机器人寻路等多个应用领域。 迷宫寻路问题是在以方格表示的地图场景中， 对于给定的起点、终点和障碍物（墙），如何找到一条从起点开始避开障碍物到达终点的最短路径。假设在一个 n*m 的迷宫里，入口坐标和出口坐标分别为 (1,1) 和(5,5) ，每一个坐标点有两种可能： 0 或 1，其中 0 表示该位置允许通过， 1 表示该位置不允许通过。如地图：0000010101001110100000010最短路径应该是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)实用文档三、实验内容1 参考迷宫求解的核心代码，观察求解过程与思路，画出用 A*算法求解迷宫最短路径的流程图。2 设置不同的地图，以及不同的初始状态和目标状态，记录 A*算法的求解结果，包括最短路径、扩展节点数、生成节点数和算法运行时间。3对于相同的初始状态和目标状态， 设计不同的启发式函数， 比较不同启发式函数对迷宫寻路速度的提升效果， 包括扩展节点数、 生成节点数和算法运行时间。4提交实验报告和源程序。四、实

21、验报告要求：1 画出 A*算法求解迷宫最短路径问题的流程图。2 试分析不同启发式函数h( n) 对迷宫寻路求解的速度提升效果。3 分析 A*算法求解不同规模迷宫最短路径问题的性能。下面是实验报告的基本内容和书写格式。实验名称班级：学号：姓名：一、实验目的二、实验原理三、实验结果按照实验内容，给出相应结果。四、实验总结1. 完成实验报告要求 2 和 3。2. 总结实验心得体会实用文档实验五遗传算法实验I一、实验目的熟悉和掌握遗传算法的原理、 流程和编码策略， 并利用遗传求解函数优化问题，理解求解流程并测试主要参数对结果的影响。二、实验原理遗传算法 ( Genetic Algorithms, GA

22、 )是基于生物界自然选择和基因遗传学原理的一种广为应用的、高效的随机搜索算法， 20 世纪 60 年代由美国的密执根大学的 Holland 教授首先提出。该算法将优化问题看作是自然界中生物的进化过程，通过模拟大自然中生物进化过程中的遗传规律， 来达到寻优的目的。 近年来，遗传算法已广泛地应用于作业调度与排序、 可靠性设计、 车辆路径选择与调度、成组技术、设备布置与分配、交通问题等等。用遗传算法求解优化问题，首先对优化问题的解进行编码，编码后的一个解称为一个染色体，组成染色体的元素称为基因。一个群体由若干个染色体组成，染色体的个数称为群体的规模。在遗传算法中用适应度函数表示环境，它是已编码的解的

23、函数， 是一个解适应环境程度的评价。当适应度函数确定后， 自然选择规律以适应度函数值的大小来决定一个染色体是否继续生存下去的概率。生存下来的染色体成为种群， 它们中的部分或全部以一定的概率进行交叉、变异，从而得到下一代群体。三、实验条件Matlab 7.X的遗传算法工具箱。四、实验内容：1用遗传算法求解下列函数的最大值，设定求解精度到15 位小数。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）给出适应度函数（ Fitness Function ）的 M文件（ Matlab 中要求

24、适应度函数最小化）。实用文档2）设计及选择上述问题的编码、选择操作、交叉操作、变异操作以及控制参数等，填入表 1，给出最佳适应度 (Best fitness)和最佳个体（Best individual）图。表 1 遗传算法参数的选择编码编码方式（ population type）种群参数种群规模（ population size）初始种群的个体取值范围（Initial range）选择操作个体选择概率分配策略（对应Fitness scaling）个体选择方法（ Selection function）最佳个体保存优良个体保存数量（ Elite count）交叉操作交叉概率（ Crossover

25、fraction）交叉方式（ Crossover function）变异操作变异方式 (Mutation function)最大迭代步数（ Generations）最大运行时间限制（ Time limit）停止参数最小适应度限制（ Fitness limit）停滞代数（ Stall generations）停滞时间限制（ Stall time limit）3）使用相同的初始种群（ Use random state from previous run），设置不同的种群规模（ populationsize ），例如 5、20 和 100，初始种群的个体取值范围（ Initial range）为 0

26、;1，其他参数同表 1，然后求得相应的最佳适应度 (Best fitness)、平均适应度（ Mean fitness）和最佳个体（ Bestindividual），填入下表 2，分析种群规模对算法性能的影响。种群规模表 2最佳适应度不同的种群规模的平均适应度GA运行结果最佳个体xy520100*4) 设置种群规模（ population size ）为 20，初始种群的个体取值范围 （Initial range ）为0;10 ，选择不同的选择操作、交叉操作和变异操作，其他参数同表 1，然后独立运行算法 10 次，完成下表 3，并分析比较采用不同的选择策略、交叉策略和变异策略的算法运行结果。表

27、 3 不同的选择策略、交叉策略和变异策略的算法运行结果遗传算法参数设置（gaoptimset ）1234个体选择概率Rank（排序）选择操作分配fitscalingrankFitnessScaliProportional（比率）实用文档ngFcnfitscalingpropRoulette （轮盘赌选择）selectionroulette个体选择Tournament （ 竞 标 赛 选SelectionFcn择）selectiontournament交叉操作单点交叉 crossoversinglepointCrossoverFcn两点交叉 crossovertwopoint变异操作Unifor

28、m （均匀变异） mutationuniformMutationFcnGaussian （高斯变异） mutationgaussian最好适应度最差适应度平均适应度备注：1：options=gaoptimset(PopulationSize,20,PopInitRange,0;10,FitnessScalingFcn,fitscalingrank,SelectionFcn,selectionroulette,CrossoverFcn,crossoversinglepoint,MutationFcn,mutationuniform)2用遗传算法求解下面一个Rastrigin函数的最小值，设定求解

29、精度到15 位小数。f (x1 , x2 ) 20x12x2210(cos2 x1 cos2 x2 )1）给出适应度函数的 M文件（ Matlab中要求适应度函数最小化）。2）设计上述问题的编码、选择操作、交叉操作、变异操作以及控制参数等，填入表 4，并画出最佳适应度 (Best fitness)和最佳个体（ Best individual）图。表 4 遗传算法参数的选择编码编码方式（ population type）种群参数种群规模（ population size）初始种群的个体取值范围（Initial range）选择操作个体选择概率分配策略（对应Fitness scaling）个体选择

30、方法（ Selection function）最佳个体保存优良个体保存数量（ Elite count）交叉操作交叉概率（ Crossover fraction）交叉方式（ Crossover function）变异操作变异方式 (Mutation function)最大迭代步数（ Generations）最大运行时间限制（ Time limit）停止参数最小适应度限制（ Fitness limit）停滞代数（ Stall generations）停滞时间限制（ Stall time limit）实用文档3）设置种群的不同初始范围，例如 1;1.1、1;100 和1;2 ，画出相应的最佳适应度值

31、 (Best fitness)和平均距离（ Distance ）图，比较分析初始范围及种群多样性对遗传算法性能的影响。4）设置不同的交叉概率（Crossover fraction=0、0.8 、1），画出无变异的交叉（ Crossover fraction=1）、无交叉的变异 (Crossover fraction=0)以及交叉概率为 0.8 时最佳适应度值 (Best fitness)和和平均距离（ Distance ）图，分析交叉和变异操作对算法性能的影响。五、实验报告要求：1画出遗传算法的算法流程图。2根据实验内容，给出相应结果。3. 总结遗传算法的特点，并说明适应度函数在遗传算法中的作

32、用。下面是实验报告的基本内容和书写格式。班级：实验名称学号：姓名：一、实验目的二、实验原理三、实验结果按照实验内容，给出实验结果以及结果分析。四、实验总结1. 完成实验报告要求 3。2. 总结实验心得体会实用文档实用文档实验六遗传算法实验II一、实验目的熟悉和掌握遗传算法的原理、流程和编码策略，理解求解 TSP问题的流程并测试主要参数对结果的影响，掌握遗传算法的基本实现方法。二、实验原理旅行商问题，即 TSP问题（ Traveling Salesman Problem）是数学领域中著名问题之一。假设有一个旅行商人要拜访 n 个城市， n 个城市之间的相互距离已知，他必须选择所要走的路径， 路经

33、的限制是每个城市只能拜访一次， 而且最后要回到原来出发的城市。 路径的选择目标是要求得的路径路程为所有路径之中的最小值。用图论的术语来说，假设有一个图gv e，其中 v 是顶点集， e 是边集，设d=(,)dij)是由顶点 i 和顶点 j 之间的距离所组成的距离矩阵， 旅行商问题就是求出=(一条通过所有顶点且每个顶点只通过一次的具有最短距离的回路。TSP问题是一个典型的组合优化问题， 该问题可以被证明具有NPC计算复杂性，其可能的路径数目与城市数目 n 是成指数型增长的， 所以一般很难精确地求出其最优解， 本实验采用遗传算法求解。遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。 它把问题

34、的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。 这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代。 后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程。 群体的染色体都将逐渐适应环境，不断进化，最后收敛到一个最适应环境的类似个体，即得到问题最优的解。三、实验内容1、参考实验系统给出的遗传算法核心代码，用遗传算法求解不同规模 （例如10 个城市， 20 个城市， 100 个城市）的 TSP问题，把结果填入表1。城市规模表 1 遗传算法求解不同规模的最好适应度 最差适应度TSP 问题的结果

35、平均适应度平均运行时间10201002、对于同一个 TSP问题（例如 10 个城市），设置不同的种群规模（例如10，20，100）、交叉概率（ 0，0.5 ，1）和变异概率（ 0，0.5 ，1），把结果填入表2。3、设置种群规模为 100，交叉概率为 0.85 ，变异概率为 0.15 ，然后增加 1 种变异策略（例如相邻两点互换变异、 逆转变异或插入变异等） 和 1 种个体选择实用文档概率分配策略（例如按线性排序或者按非线性排序分配个体选择概率） 用于求解同一 TSP问题（例如 10 个城市），把结果填入表 3。表 2不同的种群规模、交叉概率和变异概率的求解结果种群规模交叉概率变异概率最好适应

36、最差适应平均适应平均运行度度度时间100.850.15200.850.151000.850.1510000.151000.50.1510010.151000.8501000.850.51000.851表 3 不同的变异策略和个体选择概率分配策略的求解结果变异策略 个体选择概率分配 最好适应度 最差适应度 平均适应度 平均运行时间两点互换 按适应度比例分配两点互换按适应度比例分配4 、提交实验报告和源程序。四、实验报告要求：1、画出遗传算法求解TSP问题的流程图。2、分析遗传算法求解不同规模的TSP问题的算法性能。3、对于同一个 TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。4、

37、增加1 种变异策略和1 种个体选择概率分配策略，比较求解同一TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。下面是实验报告的基本内容和书写格式。实验名称班级：学号：姓名：一、实验目的二、实验原理三、实验结果按照实验内容，给出相应结果。四、实验总结1. 完成实验报告要求 2, 3 和 4。2. 总结实验心得体会实用文档实用文档实验七基于神经网络的模式识别实验一、实验目的理解 BP神经网络和离散 Hopfield神经网络的结构和原理， 掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。通过构建 BP 网络和离散 Hopfield 网络模式识别实例，熟悉前馈网络和反馈网络的原

38、理及结构。二、实验原理BP学习算法是通过反向学习过程使误差最小， 其算法过程从输出节点开始，反向地向第一隐含层 ( 即最接近输入层的隐含层 ) 传播由总误差引起的权值修正。 BP 网络不仅含有输入节点和输出节点，而且含有一层或多层隐 ( 层) 节点。输入信号先向前传递到隐节点， 经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。离散 Hopfield 神经网络的联想记忆过程分为学习和联想两个阶段。在给定样本的条件下，按照 Hebb学习规则调整连接权值，使得存储的样本成为网络的稳定状态，这就是学习阶段。 联想是指在连接权值不变的情况下， 输入部分不全或者受了干扰的信息，最终网络输

39、出某个稳定状态。三、实验条件Matlab 7.X 的神经网络工具箱：在 Matlab 7.X 的命令窗口输入 nntool ，然后在键盘上输入 Enter 键，即可打开神经网络工具箱。四、实验内容1. 针对教材 P243 例 8.1 ，设计一个 BP网络结构模型（ 63-6-9 ），并以教材图 8.5 为训练样本数据，图 8.6 为测试数据。（1）从 Matlab 工作空间导入（ Import ）训练样本数据（inputdata ，outputdata ）和测试数据（ testinputdata ），然后新建一个神经网络（ NewNetwork ），选择参数如下表 1，给出 BP神经网络结构图

40、。表 1 BP 网络结构模型的各项参数设置Network Name （神经网络名称）Network Type （神经网络类型）Feed-forward backprop （前馈反向传播）Input ranges （输入信息范围）来自训练样本的输入数据（ inputdata）Training function（训练函数）TRAINGD(梯度下降 BP算法 )Performance function （性能函数）MSE（均方误差）Number of layers（神经网络层数）2实用文档Layer1 （第 1 层）的 Number of neurons6( 神经元个数 )Layer1 （第 1 层

41、）的 TransferFunctionTANSIG(双曲正切 S 型函数 )( 传递函数 )Layer2 （第 2 层）的 Number of neurons9( 神经元个数 )Layer2 （第 2 层）的 TransferFunctionLOGSIG（S 型函数）( 传递函数 )（ 2）输入训练样本数据（ inputdata ，outputdata ），随机初始化连接权（ Initialize Weights ），给出 BP神经网络训练成功后的误差变化曲线图，训练参数设置如表 2所示。表 2 BP网络训练参数训练次数（ epochs ）1000训练时间（ time ）Inf训练目标（ goal ）0学习率（ lr ）0.3最大确认失败次数（max_fail ）5最小性能梯度（ min_grad ）1e-025两次显示之间的训练步数（show）25（ 3）选择不同的训练函数， 例如 TRAINGDM（梯度下降动量 BP算法）、TRAINLMM（ Levenberg-Marquardt BP 训练函数），然后输入训练样本数据（ inputdata ， outputdata ），训练参数设置如表 2 所示，设置相同的初