《人工智能及其应用》实验指导书-1

《人工智能及其应用》实验指导书《人工智能及应用》实验指导书

《人工智能及其应用》实验指导书目录纲..................................................................................................................................................................................................................................3现TSP问题......................................................................................5A*验I............................................................................................................7A*验II.........................................................................................................验I.........................................................................................................验II.....................................................................................................16验.............................................................................18验.............................................................................22第II页

《人工智能及其应用》实验指导书实验教学大一、学：16学时。二、主仪器设备及行环境PC机、VisualC++6.0Matlab7.0。三、实项目及教学排序

实名

实

实内

学

类

教平

时

要

产式统用

VC++

设计知识库，实现系统识别或

设计

课内分类等。

粒群法现TSP题A*算法用I

MatlabVC++

子算法求TSP问；设计与实现求解数问题的

验证综合

课内课内A*法。

A*算法用II

VC++

设计与实现求解迷宫问题的A*

综合

课内算法。

遗算应I

Matlab

）求某一函数的最小值；

验证

课内）求某一函数的最大值。

遗算应II

VC++

设计与实现求解不同城市规模

综合

课内的问的遗传算法。

基神网的模识

Matlab

）基于神网络的数字识别设计；

验证

课内）基于离散Hopfiel神经网络的联想记忆设计。

基神网的优计

VC++

设计与实现求解问的连续神网络。

综合

课内四、实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般应占课程总成绩的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据。评定各级成绩时，可参考以下标准：（一）秀1

《人工智能及其应用》实验指导书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）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）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易的问题握实验技能的大部分有掌握得不好。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）格只能机械地了解实验内容，能一般按图、或按实验步骤完成实验操作，能完成所学的实验技能，有些虽完成但不准确。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（如工作无计划处理问题缺乏条理（五）及格只掌握50%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。2

《人工智能及其应用》实验指导书实验一

产生式系统验一、实目的：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所示的产生式系统实验程序，建立知识库，分别运行正、反向推理。3

《人工智能及其应用》实验指导书3.系统完成后，提交实验报告。五、实步骤：1.基于如图1示的产生式系统实验程序计并实现一个小型人工智能系统：1）系统设，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）建立事库（综合数据库），输入多条事实或结论。4）运行推，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———————————————————————实验名称班级：一、实验目的二、实验内容三、实验步骤四、实验结果

学号：

姓名：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———————————————————————4

《人工智能及其应用》实验指导书实验二

粒子群算法现TSP题一、实目的基于粒子群算法的问题实验，在Windows下基于Matlab完成编程。粒子群算法，也称粒子群优化算法（ParticleSwarmOptimization），缩写为，是近年来发展起来的一种新的进化算法(（Evolu2tionaryAlgorithm-EA。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。为学习其算法思想，有必要掌握并实现基于粒子群算法的函数优化等问题。二、实原理粒子群优化算法是种进化计算技术(evolutionarycomputation)，1995年Eberhart博和kennedy博士提出，源于对鸟群捕的行为研究。PSO同遗传算法类似，是一种基于迭代的优算法。系统初始化为一组随机解，通过迭代搜寻最优值但它没有遗传法用的交(以变(而是粒子在解空间追随最优的粒子进行搜索遗算法比较PSO的势在于简单容易实现并且没有许多参数需要调整目前已广泛应于函数优化经网络训练模糊系统控制以及其他遗传算法的应用领域。TSP问（TravellingSalesmanProblem）旅行商问题，又译为旅行推销员问题、货郎担问题是数学领域中著名问题一设有一个旅行商人要拜访n个市他须选择所要走的路径路径的限制是每个市只能拜访一次且最后要回到原来出发的城市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。TSP问是一个组合优化问题。该问题可以被证明具有NPC计复杂性TSP问题可以分为两类类是对称问类非对称问TSP所有的TSP问题都可以用一个图）描：V={c1c2…,ci…,cn}，=1,2，所有城市的集合ci表第个城市，为市的数目；E={(r,s):∈是有城市之间连接的集合；C={crs:∈是有城市间连接的成本度量（一般为城市之间的距离如果crs=csr那么该TSP问为对称，否则为非对称的。一个TSP问可以表达为：求解遍历图G=(VEC)，所有的节点一次并且回到起始节点，使得连接这些节点的路径成本最低。四、实条件5

《人工智能及其应用》实验指导书Matlab。五、实内容及要求6

《人工智能及其应用》实验指导书实验三

A*算法验I一、实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估价函数值为两个分量起始节点到节点的实际代价g(n)以及从节点n达目标节点的估价代价h(n(n)h*(n)*(n为节点到目的结点的最优路径的代价。八数码问题是在的九宫格棋盘上摆有个刻有～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（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，宽度优先搜索算法（即令估计代价(＝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。参考A*法核心代码，实现A*算法求解15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实验内容。5.提交实验报告和源程序。7

《人工智能及其应用》实验指导书四、实报告要求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、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本内容和书写格式。实验名称班级：一、实验目的二、实验原理三、实验结果

学号：

姓名：按照实验内容，把结果填入表1。表1不启函h(n求数问的果较启函n)不位

初状目状

最解扩节数生节数运时*表2不启函h(n求解15码题结比启函n)不位

初状目状最解扩节数生节数运时8

《人工智能及其应用》实验指导书四、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——————————————————————————————————9

《人工智能及其应用》实验指导书实验四

A*算法验II一、实目的熟悉和掌握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类启发式函数效果的比较。二、实原理A*（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：f(g(n)+h(n)，其中()是节点n从初始点到目标点的估价函数，(是在状态空间中从初始节点到n节的实际代价，hn从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(n小于等于到目标节点的距离实际h*()，这种情况下，搜索的点数多，搜索范围大，效率低，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，其中表示该位置允许通过，1表示该位置不允许通过。如地图：0010000100最短路径应该是AB001C10D11F1KLHI1M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)10

《人工智能及其应用》实验指导书三、实内容1．参考迷求解的核心代码，观察求解过程与思路，画出用A*法求解迷宫最短路径的流程图。2．设置不的地图，以及不同的初始状态和目标状态，记录A*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．提交实报告和源程序。四、实报告要求：1．画出A*算法求解迷宫最短路径问题的流程图。2．试分析同启发式函数hn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：一、实验目的二、实验原理三、实验结果

学号：

姓名：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——————————————————————————————————11

《人工智能及其应用》实验指导书实验五遗传算法实验I一、实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、实原理遗传算法(GeneticAlgorithms,GA)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纪60代由美国的密执根大学的Holland教授首先出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、实条件Matlab7.X的遗传算法工具箱。四、实内容：1．用传算法解下列函数最大值设定求解精到位小数。(x)

x)cos(2

3.226y[0,10],y[0,10]1）给出适度函数（FitnessFunction的M文件（中要求适应度函数最小化）。2）设计及择上述问题的编码、选择操作、交叉操作、变异操作以及控制参数等填入表给出最佳适应度(Best最佳个（Bestindividual图。12

《人工智能及其应用》实验指导书表遗传算参数的选择编码编方式（type种群参数选择操作

种群规模（）初始种群的个体取值范围）个体选择概率分配策略（对应）个体选择方法（Selectionfunction）最佳个体保存优个体保存数count交叉操作

交叉概率（Crossoverfraction）交叉方式（Crossover）变异操作变方式Mutation最大迭代步数（）最大运行时间限制（limit）停止参数最适应度限制（Fitnesslimit）停滞代数（Stall）停滞时间限制（time）3）使相同的始种（Usepreviousrun）设置不同的种群规size520和100始种群的个体取值范Initialrange）为[0;1]，他参数同表1，然后求得相应的最佳适应度(Bestfitness)、平均适应度（fitness）和最佳个体（individual），填入下表2，分析种群规模对算法性能的影响。表不的群规模的GA行结果种群规模

最佳适应度平适应度

最佳个体x

y*4)设置种群规populationsize20种群的个体取值范Initial）为[选择不同的选择操作、交叉操作和变异操作，其他参数同1，然后独立运行算法次，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。表同的选择策略、交叉策略和变异策略的算法运行结果选择操作

遗传算法参数设置（gaoptimset）个体选择概率Rank排序）分配@fitscalingrankFitnessScaling（比率）@fitscalingpropRoulette轮盘赌选择）个体选择

√√√√

√

√√SelectionFcn（标赛选择）@selectiontournament

√交叉操作

单点交叉

√

√

√

两点交叉@crossovertwopoint

√（匀变异√√变异操作MutationFcnGaussian高斯变异）13

√

√

《人工智能及其应用》实验指导书最适度最适度平适度备注：1：options=gaoptimset('PopulationSize',20,'PopInitRange',[0;10],'FitnessScalingFc2．用传算法解下面一个Rastrigin函数的小值，定求解精度15位数。f(x,x)

10(cos2cos2)1

2

1

2

1

21）给出适度函数的M文件（Matlab中要求适应度函数最小化）。2）设计上问题的编码、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Bestfitness)和最佳个体（individual）图。表遗传算参数的选择编码编方式（type种群参数选择操作

种群规模（）初始种群的个体取值范围）个体选择概率分配策略（对应）个体选择方法（Selectionfunction）最佳个体保存优个体保存数count交叉操作

交叉概率（Crossoverfraction）交叉方式（Crossover）变异操作变方式Mutation最大迭代步数（）最大运行时间限制（limit）停止参数最适应度限制（Fitnesslimit）停滞代数（Stall）停滞时间限制（time）3）设置种的不同初始范围例如[[1;100]和[1;2]画出相应的最佳适应度值(Best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）设置不的交叉概率（fraction=0、0.8、1），画出无变异的交叉（Crossover）、无交叉的变异Crossoverfraction=0)以及交叉概率为0.8时最佳适应度值(Best和和平均距（Distance图分析交叉和变异操作对算法性能的影响。14

《人工智能及其应用》实验指导书五、实报告要求：1．画出遗算法的算法流程图。2．根据实内容，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用。下面是实验报告的基本内容和书写格式。实验名称班级：一、实验目的二、实验原理三、实验结果

学号：

姓名：按照实内容，给出验结果及结果分析四、实验总结1.完成实验报告要求3。2.总结实验心得体会——————————————————————————————————15

i《人工智能及其应用》实验指导书i实验六

遗传算法实II一、实目的熟悉和掌握遗传算法的原理、流程和编码策略，理解求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、实原理旅行商问题，即问题Problem）是数学领域中著名问题之一设有一个旅行商人要拜访个城市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=(v)，其中v是顶点集，e是边集，设dd)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把问题的参数用基因代表，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（例如10城市，20城市，个城市）的TSP问题，把结果填入表1。表1遗算法求解不同规模的问题的结果城市规模

最好适应度最适应度平均适应度

平均运行时间2对于同一个问（例如10城市设置不同的种群规（例如，20100、交叉概率，0.5，1）和变异概率0，0.51，把结果填入23、设置种规模为，交叉概率为0.85变异概率为，然后增加种变异策（例如相邻两点互换变异逆转变异或插入变异等和种个体选择概16

《人工智能及其应用》实验指导书率分配策（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题（例如个城市），把结果填入表。表不的群规模、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适最适应平均适应度度度0.150.150.150.150.50.1500.51表不的异策略和个体选择概率分配策略的求解结果

平均运行时间变异策略个选择概率分配最好适应度最差适应度平适应度平运行时间两点互换按应度比例分配两点互换按适应度比例分配4、提交实报告和源程序。四、实报告要求：1、画出遗算法求解题的流程图。2、分析遗算法求解不同规模的题的算法性能。3、对于同个题，分析种群规模、交叉概率和变异概率对算法结果的影响。4、增种变异策略和1种个体选择概率分配策略，比较求解同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：一、实验目的二、实验原理三、实验结果

学号：

姓名：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。2.总结实验心得体会——————————————————————————————————17

实验七

《人工智能及其应用》实验指导书基于神经网的模式识别验一、实目的理解神经网络和离散Hopfield神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

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理及结构。二、实原理学习算法是通过反向学习过程使误差最小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。网络不仅含有输入节点和输出节点，而且含有一层或多层()节点。输入信号先向前传递到隐节点过作用后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，最终网络输出某个稳定状态。三、实条件Matlab7.X的神经网络工具箱在Matlab7.X的命令窗口输入然后在键盘上输入键，即可打开神经网络工箱。四、实内容1.针对教材例8.1，设计一个网络结构模型（63-6-9），并以教材图为训练样本数据，图为测试数据。（1）Matlab作空间导入（）训练样本数据inputdataoutputdata）和测试数据（testinputdata），然后新建一个神经网络（Network），选择参数如下表1给出神经网络结构图。表1BP网结构模型的各项参数设置（神经网络名称（神经网络类型）（馈反向传播）Input（输入信息范围）来训练样本的输入数据）Trainingfunction（训练函数）TRAINGD(梯下降算)function（性能函数（均方误差）Numberoflayers（经网络层数）18

《人工智能及其应用》实验指导书Layer1第1层of(神经元个数)Layer1（第1(递函数Layer2第2层of(神经元个数)Layer2（第2(递函数

TANSIG(双正切型数)LOGSIG型函数）（2入训练样本数inputdataoutputdata机初始化接Initialize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所示。表BP网络训练参数训练次数（）训练时间（time）训练目标（）学习率（lr）最大确认失败次数（max_fail最小性能梯度（）两次显示之间的训练步数）

Inf0.3（3）选择不同的训练函数，例如梯度下降动量算法）、TRAINLMMLevenberg-Marquardt训练函数），然后输入训练样本数据（），训练参数设置如表所示，设置相同的初始连接权（，观察不BP训练算法的学习效果，给出各训练算法下的误差变化曲线图。（4）在上述3个训练好的神经网络中，选择训练误差最小的一个网络，并给出训练后的连接权值和偏置，然后输入测试数据（

）进行仿真（Simulate），并把训练和测试的结果都导出到工作空间，给出训练后的输出结果和输出误差，以及测试后的输出结果和输出误差。（5）针Training（训练函数）TRAINGD网络，然后设置不同