《人工智能及其应用》实验指导书.docx

1、人工智能及其应用实验指导书人工智能及其应用实验指导书人工智能课程组浙江工业大学计算机科学与技术学院2011 年 9 月本实验是为了配合 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

2、实验。每个实验包括有：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 月实验教学大纲 1实验一 产生式系统实验 4实验二 模糊推理系统实验 7实验三 A* 算法实验 I 1.3. .实验四 A* 算法实验 II 1.7. .实验五 遗传算法实验 I 1.9. .实验六 遗传算法实验 II 2.6. .实验七 基于神经网络的模式识别实验 2.9.实验八 基于神经网络的优化计算实验 3

3、.5.实验教学大纲一、学时： 16 学时，一般安排在第 9 周至第 16 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平台实验内容学时类型教学要求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Matla1）设计洗衣机的模糊控制器；2验证课内用b2）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 IMatla1）求某一函数的最小值；2

4、验证课内b2）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Matla1）基于 BP 神经网络的数字识2验证课内模式识别b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

5、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）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

6、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）

7、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）。、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

8、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.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

9、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：学号： 姓名：、实验目的、实验内容、实验步骤四、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

10、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 x0 （污泥） 60, y（0 油脂） 70，采用面积重 心法反模糊化，

11、 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（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xyzSDNGVSSDMGMSDLGLMDNGSMDMGMMDLGLLDNGMLDMGLLDLGVL2假设两汽车均为理想状态，即 Y（s） 2 4 ，Y 为速度， UU（s） s2 2 0.7 2s 4为油门控制输入。（1）设计模糊推理系统控制

12、 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相对距离e图 1 两车追赶的模糊控制系统

13、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 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：模糊控制规则如下表 2 所示，其中 r e2 e2 , tg e ，r 、 和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 2 r 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面是实

14、验报告的基本内容和书写格式。实验名称班级： 学号： 姓名：、实验目的 、实验内容三、实验结果按照实验要求，给出相应结果。四、实验总结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验三 A* 算法实验 I、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。、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

15、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 * (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、实验内容1. 参考 A*算法核心代码，以 8 数码问题为例实

16、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， 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。四、实验报告要求1. 分析不同的估价函数对 A* 算法性能的

17、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四、实验总结1. 画出 A* 算

18、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验四 A* 算法实验 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

19、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，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

20、许通过。如地图：0 0 0 0 01 0 1 0 10 0 1 1 10 1 0 0 00 0 0 1 0最短路径应该是A B 0 0 01 C 1 0 1 E D 1 1 1 F 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、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

21、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 32. 总结实验心得体会实验五 遗传算法实验 I一、实验目的熟悉和掌握遗传算法的原理、

22、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。、实验原理遗传算法 ( Genetic Algorithms, 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

23、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。 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。、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f(x,y)6.452(x 0.125y)(cos(x) co

24、s(2y) 3.226y0.8 (x 4.2)2 2(y 7)2 3.226yx 0,10, y 0,101)给出适应度函数( Fitness Function )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

25、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 fraction )交叉方式( Crossover function )变异操作变异方式 (Mutation function)停止参数最大迭代步数( Generations )最大运行时间限制( Time limit )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

26、用相同的初始种群( Use random state from previous run )，设置不同的种群规模( population size )，例如 5、20 和 100 ，初始种群的个体取 值范围( Initial range )为0;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(Best individual )， 填入下表 2 ，分析种群规模对算法性能的影响。表 2 不同的种群规模的 GA 运行结果种群规模最佳适应度平均适应度最佳个体xy520100*4) 设置种群规模 (populatio

27、n 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选择操作个体选择概率 分配 FitnessScalin gFcnRank （排序） fitscalingrankProportional （比率）fitscalingprop个体选择SelectionFcnRoulette （

28、轮盘赌选择）selectionrouletteTournament （竞标赛选 择） selectiontournament交叉操作CrossoverFcn单点交叉 crossoversinglepoint两点交叉 crossovertwopoint变异操作MutationFcnUniform （均匀变异） mutationuniformGaussian （ 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,Fitne ssScalingFcn,fitscalingrank,SelectionFcn,selectionroulette,Cro ssoverFcn,crossoversinglepoint,MutationFcn,mutationuniform2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。