《人工智能及其应用》实验指导书VIP

《人工智能及其应用》实验指导书《人工智能及其应用》

试验指导书

(

浙江工业高校计算机科学与技术学院—人工智能课程组

2024年9月

)

前言

本试验是为了协作《人工智能及其应用》课程的理论学习而特地设置的。本试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讨论与系统开发奠定良好的基础。

全书共分为八个试验：1.产生式系统试验；2.模糊推理系统试验；*算法求解8数码问题试验；*算法求解迷宫问题试验；5.遗传算法求解函数最值问题试验；6.遗传算法求解TSP问题试验；7.基于神经网络的模式识别试验；8.基于神经网络的优化计算试验。每个试验包括有：试验目的、试验内容、试验条件、试验要求、试验步骤和试验报告等六个项目。

本试验指导书包括两个部分。第一个部分是介绍试验的教学大纲；其次部分是介绍八个试验的内容。

由于编者水平有限，本试验指导书的错误和不足在所难免，欢迎批判指正。

人工智能课程组

2024年9月

名目

试验教学大纲(1)

试验一产生式系统试验(3)

试验二模糊推理系统试验(5)

试验三A*算法试验I(9)

试验四A*算法试验II(12)

试验五遗传算法试验I(14)

试验六遗传算法试验II(18)

试验七基于神经网络的模式识别试验(20)

试验八基于神经网络的优化计算试验(24)

试验教学大纲

一、学时：16学时，一般支配在第9周至第16周。

二、主要仪器设备及运行环境：PC机、VisualC++、Matlab。

三、试验项目及教学支配

序号试验名称试验

平台试验内容学

时

类型教学

要求

1产生式系统应用VC++设计学问库，实现系统识别或

分类等。

2设计课内

2模糊推理系统应用Matlab1）设计洗衣机的模糊掌握器；

2）设计两车追逐的模糊掌握

器。

2验证课内

3A*算法应用IVC++设计与实现求解N数码问题的

A*算法。

2综合课内4A*算法应用IIVC++设计与实现求解迷宫问题的A*

算法。

2综合课内5遗传算法应用IMatlab1）求某一函数的最小值；

2）求某一函数的最大值。

2验证课内6遗传算法应用IIVC++设计与实现求解不同城市规模

的TSP问题的遗传算法。

2综合课内

7基于神经网络的模式识别Matlab1）基于BP神经网络的数字识

别设计；

2）基于离散Hopfiel神经网络

的联想记忆设计。

2验证课内

8基于神经网络的

优化计算

VC++设计与实现求解TSP问题的连2综合课内

四、试验成果评定

试验课成果单独按五分制评定。凡试验成果不及格者，该门课程就不及格。同学的试验成果应以平常考查为主，一般应占课程总成果的50%，其平常成果又要以试验实际操作的优劣作为主要考核依据。对于试验课成果，无论实行何种方式进行考核，都必需按试验课的目的要求，以实际试验工作力量的强弱作为评定成果的主要依据。

评定各级成果时，可参考以下标准：

（一）优秀

能正确理解试验的目的要求，能独立、顺当而正确地完成各项试验操作，会分析和处理试验中遇到的问题，能把握所学的各项试验技能，能较好地完成试验报告及其它各项试验作业，有肯定制造精神和力量。有良好的试验室工作作风和习惯。

（二）良好

能理解试验的目的和要求，能仔细而正确地完成各项试验操作，能分析和处理试验中遇到的一些问题。能把握所学试验技能的绝大部分，对难点较大的操作完成有困难。能一般完成试验报告和其它试验作业。有较好的试验习惯和工作作风。

（三）中等

能粗浅理解试验目的要求，能仔细努力进行各项试验操作，但技巧较差。能分析和处理试验中一些较简单的问题，把握试验技能的大部分。有30%把握得不好。能一般完成各项试验作业和报告。处理问题缺乏条理。工作作风较好。能仔细遵守各项规章制度。学习努力。

（四）及格

只能机械地了解试验内容，能一般按图、或按试验步骤“照方抓药”完成试验操作，能完成60%所学的试验技能，有些虽作但不精确     。遇到问题经常缺乏解决的方法，在别人启发下能作些简洁处理，但效果不抱负。能一般完成试验报告，能仔细遵守试验室各项规章制度，工作中有小的习惯性毛病（如工作无方案，处理问题缺乏条理）。

（五）不及格

盲目地“照方抓药”，只把握50%的所学试验技能。有些试验虽能作，但一般效果不好，操作不正确。工作忙乱无条理。一般能遵守试验室规章制度，但常有小的错误。试验报告较多的时候有结果，遇到问题时说不明缘由，在老师指导下也较难完成各项试验作业。或有些小聪慧但不努力，不求上进。

试验一产生式系统试验

一、试验目的：

熟识一阶谓词规律和产生式表示法，把握产生式系统的运行机制，以及基于规章推理的基本方法。

二、试验内容

运用所学学问，设计并编程实现一个小型人工智能系统（如分类、诊断、猜测等类型）。

三、试验条件：

产生式系统试验程序，如下图1所示。

图1产生式系统试验程序界面

四、试验要求

1.详细应用领域自选，详细系统名称自定；但所做系统肯定不能雷同。

2.用一阶谓词规律和产生式规章作为学问表示，利用如图1所示的产生式系统试验程序，建立学问库，分别运行正、反向推理。

3.系统完成后，提交试验报告。

五、试验步骤：

1.基于如图1所示的产生式系统试验程序，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）编辑学问库，通过输入规章或修改规章等，完成整个规章库的建立。

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、事实区和规章区。

2.撰写试验报告。

六、试验报告

下面是试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_试验名称

———————————————————————

试验名称

班级：学号：姓名：

一、试验目的

二、试验内容

三、试验步骤

四、试验结果

1.系统名称及谓词定义

2.系统学问库

3.系统正、反向推理过程、事实区和规章区。

五、试验总结

———————————————————————

试验二模糊推理系统试验

一、试验目的

理解模糊规律推理的原理及特点，娴熟应用模糊推理，了解可能性理论。二、试验原理

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。模糊规律推理是基于模糊性学问(模糊规章)的一种近似推理，一般采纳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、试验条件

Matlab的FuzzyLogicTool。

四、试验内容及要求

1.设计洗衣机洗涤时间的模糊掌握。已知人的操作阅历为：

“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、和，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，模糊掌握规章表和推论结果立体图。

（2）假定当前传感器测得的信息为00

(60,70xy==污泥）（油脂），采纳面积重心法反模糊化，给出模糊推理结果，并观看模糊推理的动态仿真环境，给出其动态仿真环境图。

提示：模糊掌握规章如下表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洗衣机的模糊掌握规章表

xyzSDNGVSSDMGM

SDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLD

LGVL

2．假设两汽车均为抱负状态，即2

Y()4

U()20.724

ssss=+??+，Y为速度，U为油门掌握输入。

（1）设计模糊推理系统掌握2号汽车由静止启动，追逐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号汽车速度改为时速110km时，仍与其保持30m距离。（3）在35时刻1号汽车速度改为时速70km时，仍与其保持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

掌握器，其中输入为误差e和误差的变化e

，输出为1号汽车的油门掌握u，采纳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，模糊掌握规章

表，推论结果立体图和模糊推理的动态仿真环境图。

相对距离e

图1两车追逐的模糊掌握系统框图

（2）用SIMULINK仿真两车追逐的模糊掌握系统，给出目标车（1号汽车）的速度曲线图，以及追逐车（2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。

提示：模糊掌握规章如下表

2所示，其中

e

e

tg

e

e

r

.

.

2

2,=

+

=θ，r、θ和

油门掌握u的论域分别为、和2所示。

表2模糊掌握规章表

r\

θNBZEPB

PBZENMNB

PMZEPMPB

ZEZEPMPB

NMZENMNB

NBZENMNB

图2r的隶属函数图

五、试验报告要求：

1.根据试验要求，给出相应结果。

2．分析隶属度、模糊关系和模糊规章的相互关系。

下面是试验报告的基本内容和书写格式。

试验名称

班级：学号：姓名：

一、试验目的

二、试验内容

三、试验结果

根据试验要求，给出相应结果。

四、试验总结

1.分析隶属度、模糊关系和模糊规章的相互关系。

2.总牢固验心得体会——————————————————————————————————

试验三A*算法试验I

一、试验目的

熟识和把握启发式搜寻的定义、估价函数和算法过程，并利用A*算法求解N数码难题，理解求解流程和搜寻挨次。

二、试验原理

A*算法是一种启发式图搜寻算法，其特点在于对估价函数的定义上。对于一般的启发式图搜寻，总是选择估价函数f值最小的节点作为扩展节点。因此，f是依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重量：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为n节点到目的结点的最

n

h

(*

)

(n

优路径的代价。

八数码问题是在3×3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表示了一个详细的八数码问题求解。

图1八数码问题的求解

三、试验内容

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，针对不同的估价函数，求得问题的解，并比较它们对搜寻算法性能的影响，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，用宽度优先搜寻算法（即令估量代价h(n)＝0的A*算法）求得问题的解，以及搜寻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的试验内容。

5.提交试验报告和源程序。

四、试验报告要求

1.分析不同的估价函数对A*算法性能的影响。

2.依据宽度优先搜寻算法和A*算法求解8、15数码问题的结果，分析启发式搜寻的特点。

下面是试验报告的基本内容和书写格式。

试验名称

班级：学号：姓名：

一、试验目的

二、试验原理

三、试验结果

根据试验内容，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

求解15数码问题的结果比较

*表2不同启发函数h(n)

四、试验总结

1.画出A*算法求解N数码问题的流程图

2.完成试验报告要求1和2。

3.总牢固验心得体会——————————————————————————————————

试验四A*算法试验II

一、试验目的

熟识和把握A*算法实现迷宫寻路功能，要求把握启发式函数的编写以及各类启发式函数效果的比较。

二、试验原理

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(n)=g(n)+h(n)，其中f(n)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量代价。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，这种状况下，搜寻

(*n

的点数多，搜寻范围大，效率低，但能得到最优解。假如估价值大于实际值，搜寻的点数少，搜寻范围小，效率高，但不能保证得到最优解。

寻路问题常见于各类嬉戏中角色寻路、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头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：

00000

10101

00111

01000

00010

最短路径应当是

AB000

1C101

ED111

F1JKL

GHI1M

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、试验内容

1．参考迷宫求解的核心代码，观看求解过程与思路，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．提交试验报告和源程序。

四、试验报告要求：

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。

下面是试验报告的基本内容和书写格式。

试验名称

班级：学号：姓名：

一、试验目的

二、试验原理

三、试验结果

根据试验内容，给出相应结果。

四、试验总结

1.完成试验报告要求2和3。

2.总牢固验心得体会

——————————————————————————————————

试验五遗传算法试验I

一、试验目的

熟识和把握遗传算法的原理、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、试验原理

遗传算法(GeneticAlgorithms,GA)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、高效的随机搜寻算法，20世纪60年月由美国的密执根高校的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、牢靠性设计、车辆路径选择与调度、成组技术、设备布置与安排、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打算一个染色体是否连续生存下去的概率。生存下来的染色体成为种群，它们中的部分或全部以肯定的概率进行交叉、变异，从而得到下一代群体。三、试验条件

Matlab的遗传算法工具箱。

四、试验内容：

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。

226.3)7(2)2.4(8.0))2cos())(cos(125.0(452.6),(2

22

+-+-+-+=yyxyxyxyxf

1）给出适应度函数（FitnessFunction）的M文件（Matlab中要求适应度函数最小化）。

2）设计及选择上述问题的编码、选择操作、交叉操作、变异操作以及掌握参数等，填入表1，给出最佳适应度(Bestfitness)和最佳个体（Bestindividual）图。

3）使用相同的初始种群（Userandomstatefrompreviousrun），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（Initialrange）为，其他参数同表1，然后求得相应的最佳适应度(Bestfitness)、平均适应度（Meanfitness）和最佳个体（Best

individual），填入下表2，分析种群规模对算法性能的影响。

*4)设置种群规模（populationsize）为20，初始种群的个体取值范围（Initialrange）为，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，并分析比较采纳不同的选择策略、交叉策略和变异策略的算法运行结果。

1：

options=gaoptimset('PopulationSize',20,'PopInitRange',,'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，设定求解精度到15位小数。

)2cos2(cos1020),(21222121xxxxxxfππ+-++=

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、变异操作以及掌握参数等，填入表4，并画出最佳适应度(Bestfitness)和最佳个体（Bestindividual）图。

3）设置种群的不同初始范围，例如、和，画出相应的最佳适应度值(Bestfitness)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（Crossoverfraction=0、、1），画出无变异的交叉（Crossoverfraction=1）、无交叉的变异(Crossoverfraction=0)以及交叉概率为时最佳适应度值(Bestfitness)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、试验报告要求：

1．画出遗传算法的算法流程图。

2．依据试验内容，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用。

下面是试验报告的基本内容和书写格式。

试验名称

班级：学号：姓名：

一、试验目的

二、试验原理

三、试验结果

根据试验内容，给出试验结果以及结果分析。

四、试验总结

1.完成试验报告要求3。

2.总牢固验心得体会——————————————————————————————————

试验六遗传算法试验II

一、试验目的

熟识和把握遗传算法的原理、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，把握遗传算法的基本实现方法。

二、试验原理

旅行商问题，即TSP问题（TravelingSalesmanProblem）是数学领域中闻名问题之一。假设有一个旅行商人要访问n个城市，n个城市之间的相互距离已知，他必需选择所要走的路径，路经的限制是每个城市只能访问一次，而且最终要回到原来动身的城市。路径的选择目标是要求得的路径路程为全部路径之中的最小值。

用图论的术语来说，假设有一个图g=(v,e)，其中v是顶点集，e是边集，设d=(d

)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ij

一条通过全部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计算简单性，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，本试验采纳遗传算法求解。

遗传算法的基本思想正是基于仿照生物界遗传学的遗传过程。它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。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，并也在生存环境的掌握支配下连续这一过程。群体的染色体都将渐渐适应环境，不断进化，最终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、试验内容

1、参考试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。

2、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，，1）和变异概率（0，，1），把结果填入表2。

3、设置种群规模为100，交叉概率为，变异概率为，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种个体选择概率安排策

略（例如按线性排序或者按非线性排序安排个体选择概率）用于求解同一TSP问题（例如10个城市），把结果填入表3。

4、提交试验报告和源程序。

四、试验报告要求：

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、增加1种变异策略和1种个体选择概率安排策略，比较求解同一TSP问题时不同变异策略及不同个体选择安排策略对算法结果的影响。

下面是试验报告的基本内容和书写格式。

试验名称

班级：学号：姓名：

一、试验目的

二、试验原理

三、试验结果

根据试验内容，给出相应结果。

四、试验总结

1.完成试验报告要求2,3和4。

2.总牢固验心得体会

——————————————————————————————————

试验七基于神经网络的模式识别试验

一、试验目的

理解BP神经网络和离散Hopfield神经网络的结构和原理，把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，熟识前馈网络和反馈网络的原理及结构。

二、试验原理

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头，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，最终给出输出结果。

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，根据Hebb学习规章调整连接权值，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状况下，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、试验条件

Matlab的神经网络工具箱：在Matlab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、试验内容

1.针对教材P243例，设计一个BP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）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。

（

2）输入训练样本数据（inputdata，outputdata），随机初始化连接权（InitializeWeights），给出BP神经网络训练胜利后的误差变化曲线图，训练参数设置如表2所示。

表2BP网络训练参数

（3）选择不同的训练函数，例如TRAINGDM（梯度下降动量BP算法）、TRAINLMM（Levenberg-MarquardtBP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，设置相同的初始连接权（RevertWeights），观看不同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BP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（testinputdata）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）针对Trainingfunction（训练函数）为TRAINGD的BP网络，然后设置不同的学习率（lr），例如、、、1，观看TRAINGD训练算法的学习效果，给出各学习率下的误差变化曲线图。

2.已知字符点阵为

模式，两组训练数据为

22?）小写字母）大写字母laaT

T(1010L