《2017中南大学人工智能实验报告》由会员分享，可在线阅读，更多相关《2017中南大学人工智能实验报告（15页珍藏版）》请在金锄头文库上搜索。
1、“人工智能”实验报告专 业： 班 级： 学 号： 姓 名： 2017年4月 日实验一 搜索策略（一）实验内容1.熟悉和掌握启发式搜索的定义、估价函数和算法过程；比较不同算法的性能。2.修改八数码问题或路径规划问题的源程序，改变其启发函数定义，观察结果的变化，分析原因。（二）实验思路1.利用已有程序“search.jar”，利用已有的“简单搜索树”图或自行构建一个图，选择DFS/BFS/Lowest Cost First/Best-First/Heuristic Depth First/A*等不同的搜索策略，观察程序运行中，OPEN表和CLOSED表的变化，观察搜索过程的变化，理解各个算法的原理
2、。2.任选八数码问题或路径规划问题的源程序，思考程序如何解决该问题，并对其启发函数进行修改，观察结果的变化，并分析原因（三）程序清单此处我选择了路径规划问题：由于篇幅原因，只附上启发函数的定义部分。原启发函数：float MapSearchNode:GoalDistanceEstimate( MapSearchNode &nodeGoal )float xd = fabs(float(float)x - (float)nodeGoal.x);float yd = fabs(float(float)y - (float)nodeGoal.y);return (xd + yd);第一次修改后的启发
3、函数：float MapSearchNode:GoalDistanceEstimate( MapSearchNode &nodeGoal )float xd = fabs(float(float)x - (float)nodeGoal.x);float yd = fabs(float(float)y - (float)nodeGoal.y);float d=sqrt(xd*xd+yd*yd);return d;第二次修改后的启发函数：float MapSearchNode:GoalDistanceEstimate( MapSearchNode &nodeGoal )float xd = fab
4、s(float(float)x - (float)nodeGoal.x);float yd = fabs(float(float)y - (float)nodeGoal.y);float d=3*sqrt(xd*xd+yd*yd);return d;第三次修改后的启发函数：float MapSearchNode:GoalDistanceEstimate( MapSearchNode &nodeGoal )float xd = fabs(float(float)x - (float)nodeGoal.x);float yd = fabs(float(float)y - (float)nodeGo
5、al.y);float d=xd*xd+yd*yd;return d;（四）运行结果说明1.首先对实验内容1进行说明图一图一展示A*算法的搜索过程（此处的g(n),h(n)由系统自动给定），绿色表示可拓展节点（在OPEN表内），灰色表示已扩展结点（CLOSED表），没有颜色表示未入表，红色代表当前路径由课上学习我们易知f(n)= g(n)+h(n)下面我们通过改变g(n)，h(n)来验证上式是否成立。图二图二为图一的放大图，我们可以看出f(Node1)= g(Node1) +h(Node1)=26.9+56.8=83.7f(Node2)= g(Node2) +h(Node2)=34.2+31.
6、5=65.7显然f(Node1) f(Node2),因此由A*算法，我们选择Node2图三在图三中，我修改了Node2的启发值，其他不变f(Node1)= g(Node1) +h(Node1)=26.9+56.8=83.7f(Node2)= g(Node2) +h(Node2)=34.2+100.0=134.2显然f(Node1)f(Node2),因此由A*算法，我们选择Node1 图四在图四中，我修改了Node2的当前路径值，其他不变f(Node1)= g(Node1) +h(Node1)=26.9+56.8=83.7f(Node2)= g(Node2) +h(Node2)=100.0+31
7、.5=131.5显然f(Node1)3后搜索次数表现良好，为什么我们不把sqrt函数去掉，采用平方后的欧几里得距离呢？这样不是省去了平方根的耗时计算吗？我认为这样有一个很严重的问题，它会导致启发式函数的估价值过高，也就是h(n)过高，有退化成Gready Best-First-Search的危险实验二 推理技术（一）实验内容对已有的产生式系统(默认的例子)进行演示，同时可以更改其规则库或（和）事实库，进行正反向推理，了解其推理过程和机制。自己建造产生式系统（包括规则库和事实库），然后进行推理，即可以自己输入任何的规则和事实，并基于这种规则和事实进行推理。这为学生亲手建造产生式系统并进行推理提供
8、了一种有效的实验环境。（二）实验思路 利用已有程序”Tree.jar”，读取现有知识数据库，对默认的例子进行演示，同时改变其规则库，了解其推理过程（三）程序清单 本实验不需要编程（四）运行结果说明图八图八展示了推理成功的结果，程序进行的是逆向链接推理。首先假设这一只动物是虎。为了检验这个假设，根据规则，要求虎是哺乳动物，食肉动物，黄褐色且身上有黑色条纹。那么我们首先检验这个动物是否是哺乳动物，由规则库，是哺乳动物的动物必须有毛发，或者有奶。我们可以发现将哺乳动物替换成有毛发和有奶都无法继续执行下去。由规则库，我们观察可知虎是哺乳动物，因此消去这一条件。接下来只剩下了是肉食动物，是黄褐色，身上有
9、黑色条纹。我们都可以在规则库中发现这些子句，故可以顺利消解，生成NIL，即推理成功图九-1图九-1展示了推理失败的结果从假设该动物是长颈鹿开始，最终无法得到结果，因为规则库没有相应子句可供消解。 图九-2图九-2展示了此时规则库中相应子句的情况，可以发现子句前有%存在使得子句无法被使用。那么现在我们可以对规则库进行修改，使得该推理成功。图十-1图十-1展示了经过修改规则库后，成功的结果图十-2图十-2表示修改规则库后的情况，我们可以与图九-2对比，显然仅仅修改了“%”即可。实验三 神经网络（一）实验内容1.通过BP网络各项参数的不同设置，观察BP算法的学习效果。观察比较BP网络 拓朴结构及其它
10、各项参数变化对于训练结果的影响。观察并分析不同训练数据对相同拓朴结构的BP网络建模的影响。2.编写简单的感知器训练算法，实现简单的逻辑运算（与、或）（二）实验思路1. 利用已有程序“neural.jar”，通过载入已有BP网络，观察BP算法的学习效果，比较各项参数变化对于训练结果的影响。2.根据课上学习内容，编写简单的感知器训练算法。（三）程序清单 #include #include using namespace std;const unsigned int nTests =4; /训练数据的数量const unsigned int nInputs =2; /输入端的数量const doub
11、le alpha =0.3; /学习参数double weight1nInputs=0.0;double weight2nInputs=0.0;double b=-0.8; /阈值设为-0.8struct slp double inputsnInputs; double output;/计算输出值double compute(double *inputs,double * weights,double b) double sum =0.0; for (int i = 0 ; i nInputs; +i) sum += weightsi*inputsi; /bias sum +=b; return sum;int main() /* *正确的“与”操作，“或”操作的训练数据，也就是所谓的“target” */slp yunTests = 0.0,0.0,0.0, 0.0,1.0,0.0, 1.0,0.0,0.0, 1.0,1.0,1.0;slp huonTests = 0.0,0.0,0.0, 0.0,1.0,1.0, 1.0,0.0,1.0, 1.0,1.0,1.0; bool bLearningOK = false; int count1=0; /感知器“与”操作学习算法 while(!bLearningOK)
