实验一：搜索算法问题求解
智能1402 201408070221 李帅玲
目录
实验一：搜索算法问题求解 (1)
一、实验目的 (2)
二、实验的硬件、软件平台 (2)
三、实验内容及步骤 (2)
四、思考题 (2)
五．实验报告 (3)
（一）算法的基本原理 (3)
（二）算法的实验结果 (5)
（三）实验分析和思考题 (6)
（四）实验源代码 (7)
一、实验目的
1.了解一致代价搜索算法的基本原理；
2.能够运用计算机语言实现一致代价搜索算法；
3.应用搜索算法解决罗马尼亚问题；
4.能够通过实验分析了解算法性能的优劣；
二、实验的硬件、软件平台
硬件：计算机
软件：操作系统；WINDOWS 2000
应用软件：C,Java或者MATLAB
三、实验内容及步骤
图一：罗马尼亚地图
1、根据图一创建搜索树，以Arad为初始状态，Bucharest为目标状态；
2、实现一致代价搜索的图搜索算法并记录搜索路径。
四、思考题
1、根据实验结果分析一致代价搜索的完备性，最优性，时间和空间复杂度。
2、指出无信息搜索策略和有信息搜索策略的不同。
3、分析一致代价搜索如何保证算法的最优性
五．实验报告
（一）算法的基本原理
1.基本原理
一致代价搜索总是扩展路径消耗最小的结点n。n点的路径消耗等于前一结点n-1的路径消耗加上n-1到n的路径消耗。
2.算法实现流程
a.相关函数：
地图初始化函数：
其中map.txt为图搜索树信息：
路径数目23条，路径起始点s，结束点t，路径消耗cost:
下标获取函数：
ｂ．主函数实现流程：
首先初始化地图，创建优先队列ｑ，输入起始城市和目标城市并获取城市的下标，将起始结点入队列。
一致搜索过程：将优先队列中当前路径消耗最小的头结点弹出，（因为结点在优先队列中，其头结点必然为队列中路径消耗最小的才会弹出。）对其进行扩展标记，判断当前结点是否为目标结点，如果不是，将该结
点的后继结点入队列，并记录其前继结点，后继结点的路径消耗值等于
当前结点的路径消耗加上当前结点到它的路径消耗；如果当前结点为目
标结点，则将路线及路径总耗散输出，即把记录的前继结点结点输出。
一致搜索结束后，若还没有找到路径，则说明目标结点可能不在地图中。
（二）算法的实验结果
1．实验结果
2.结果说明
起点Arad，终点Bucharest:
结点扩展遍历过程:
Arad->Zerind->Timisoara->Sibiu->Oradea->Rimnicu_Vilcea->Lugoj->Fa garas->Oradea->Mehadia->Pitesti->Craiova->Drobeta->Bucharest 最终路线：Arad->Sibiu->Rimnicu_Vilcea->Pitesti->Bucharest
路径总耗散值：418
（三）实验分析和思考题
1、根据实验结果分析一致代价搜索的完备性，最优性，时间和空间复杂度。
完备性：一致代价搜索对解路径的步数并不关心，只关心路径总代价。所以，如果存在零代价行动就可能陷入死循环。如果每一步的代价都大于等于某个小的正常数，那么一致代价搜索是完备的。从算法中也可以看到，一致搜索将地图中相关联的路径都入了队列，不存在遗漏的点线，所以如果目标结点在图中，最终总会找到一条路径到达目标结点。
最优性：一致代价搜索是最优的。一致代价搜索目标检测应用于结点被选择扩展时，而不是在结点生成的时候，因为第一个生成的目标结点可能在次优路径上。而且如果边缘中的结点有更好的路径到达该结点那么会引入一个测试。简单来说，优先队列保证了每一个出队扩展的结点都是最优的，如此得到了一个最优的路径。
时间和空间复杂度：一致代价搜索由路径代价而不是深度来导引。引入Ｃ表示最优解的代价，假设每个行动的代价至少为ｅ，那么最坏情况下，算法的时间和空间复杂度为Ｏ（ｂ（１＋［Ｃ／ｅ］））。
2、指出无信息搜索策略和有信息搜索策略的不同。
无信息搜索指的是除了问题定义中提供的状态信息外没有任何附加信息。搜索算法要做的是生成后继并区分目标状态与非目标状态。这些搜索是以结点扩展的次序来分类的。而有信息搜索策略知道一个非目标状态是否比其他状态更有希望接近目标。而它这种判断希望的想法可能会让它错失最优解。
3、分析一致代价搜索如何保证算法的最优性
首先一致代价搜索选择结点ｎ去扩展时就已经找到到达结点ｎ的最优路径；接着由于每一步的代价是非负的，随着结点的增加路径绝不会变短。这两点说明了一致代价搜索按结点的最优路径顺序扩展结点。所以第一个被选择扩展的目标结点一定是最优解。
（四）实验源代码
#include
#include
#include
#include
using namespace std;
#define INF 0x7FFFFF
string
CityName[]={"Oradea","Zerind","Arad","Sibiu","Fagaras","Timisoara","Lugoj","Rimnicu_Vilcea","P itesti","Mehadia",
"Drobeta","Craiova","Bucharest","Giurgiu","Urziceni","Hirsova","Vaslui","Iasi","Neamt","Efor ie"};
int map[21][21];//存储地图信息
bool visit[21];//标记是否已遍历
int num; //地图路径数
int cost; //路径的耗散值
int pre[21]; //存储前继结点
struct node
{
int city; //城市编号
int cost; //当前耗散值
node(){}
node(int mcity,int mcost)
{
city=mcity;cost=mcost;
}
//优先队列排序定义
bool operator > (const node &s) const{
return cost } bool operator < (const node &s) const{ return cost>s.cost; } bool operator == (const node &s) const{ return cost==s.cost; } }; int getIndex(string city); //对地图进行初始化 void initMap() { string s,t; int a,b; ifstream fin("map.txt"); for(int i=0;i<20;i++) for(int j=0;j<20;j++) map[i][j]=INF; for(int i=0;i<20;i++){ pre[i]=-1; } fin>>num; while(num--){ fin>>s>>t>>cost; a=getIndex(s); b=getIndex(t); map[a][b]=map[b][a]=cost; } fin.close(); } //与CityName比对，获取城市下标 int getIndex(string city) { for(int i=0;i<20;i++){ if(CityName[i]==city) return i; } return -1; } //主函数 int main() { initMap(); //初始化地图 priority_queue string source,target; //起始城市和目标城市 cout<<"请输入起始城市和目标城市："< cin>>source>>target; //获取城市对应编号 int s=getIndex(source); int goal=getIndex(target); q.push(node(s,0)); cout<<"结点生成: "< node CurNode; //一致搜索 while(!q.empty()){ int temp; CurNode=q.top(); q.pop();//通过优先队列，出来的结点必然是路径耗散最小的 cout<<"结点扩展："< visit[CurNode.city]=true;//访问标记 if(CurNode.city==goal){ //找到目标结点 int k=goal; cout<<"路线："< while(pre[k]!=s){ cout< k=pre[k]; } cout< cout<<"路径总耗散："< return 0; } //没有到达目标结点，生成后继结点 for(int i=0;i<20;i++){ if(map[CurNode.city][i]!=INF && visit[i]==false){ pre[i]=CurNode.city;//保存i点的前继结点 temp = CurNode.cost+map[CurNode.city][i]; q.push(node(i,temp));//入优先队列 cout<<"结点生成: "< } } } printf("没找到目标结点！"); return 0; } 机械优化设计课程论文 院系机械工程系 专业机械设计 班级一班 姓名 学号 一、优化题目 应用所学计算机语言编写一维搜索的优化计算程序，完成计算结果和输出。 二、建立优化数学模型 1、目标函数方程式： y=pow(x,4)-1*pow(x,3)-3*pow(x,2)-16*x+10 2、变量：x 3、初始值： 初始值x1=5初始步长tt=0.01 三、所选用的优化方法 1、采用外推法确定搜索区间 2、采用黄金分割法求函数最优 3、计算框图： (1)、外推法程序框图 (2)、黄金分割法程序框图 四、计算输出内容： 五、优化的源程序文件： #include n=n+1; printf("n=%d,c1=%6.4lf,x2=%6.4lf,x3=%6.4lf,f1=%6.4lf,f2=^6.4lf,f3=%6.4lf\n",n, x1,x2,x3,f1,f2,f3); while(f3 yj1.m ：简单一元函数优化实例，利用遗传算法计算下面函数的最大值 0.2)*10sin()(+=x x x f π，∈x [-1, 2] 选择二进制编码，种群中个体数目为40，每个种群的长度为20，使用代沟为0.9， 最大遗传代数为25 译码矩阵结构：?????????? ??????? ???? ?=ubin lbin scale code ub lb len FieldD 译码矩阵说明： len – 包含在Chrom 中的每个子串的长度，注意sum(len)=length(Chrom)； lb 、ub – 行向量，分别指明每个变量使用的上界和下界； code – 二进制行向量，指明子串是怎样编码的，code(i)=1为标准二进制编码， code(i)=0则为格雷编码； scale – 二进制行向量，指明每个子串是否使用对数或算术刻度，scale(i)=0为算术 刻度，scale(i)=1则为对数刻度； lbin 、ubin – 二进制行向量，指明表示范围中是否包含每个边界，选择lbin=0或 ubin=0，表示从范围中去掉边界；lbin=1或ubin=1则表示范围中包含边界； 注：增加第22行：variable=bs2rv(Chrom, FieldD);否则提示第26行plot(variable(I), Y, 'bo'); 中variable(I)越界 yj2.m ：目标函数是De Jong 函数，是一个连续、凸起的单峰函数，它的M 文件objfun1包含在GA 工具箱软件中，De Jong 函数的表达式为： ∑ == n i i x x f 1 2 )(， 512512≤≤-i x 这里n 是定义问题维数的一个值，本例中选取n=20，求解 )(min x f ，程序主要变量： NIND （个体的数量）：＝40； MAXGEN （最大遗传代数）：=500； NV AR （变量维数）：=20； PRECI （每个变量使用多少位来表示）：=20； GGAP （代沟）：=0.9 注：函数objfun1.m 中switch 改为switch1，否则提示出错，因为switch 为matlab 保留字，下同！ yj3.m ：多元多峰函数的优化实例，Shubert 函数表达式如下，求)(min x f 【shubert.m 】 人工智能算法综述 人工智能算法大概包括五大搜索技术，包括一些早期的搜索技术或用于解决比较简单问题的搜索原理和一些比较新的能够求解比较复杂问题的搜索原理，如遗传算法和模拟退火算法等。 1、盲目搜索 盲目搜索又叫做无信息搜索，一般只适用于求解比较简单的问题。包括图搜索策略，宽度优先搜索和深度优先搜素。 1、图搜索（GRAPH SERCH）策略是一种在图中寻找路径的方法。在有关图的表示方法中，节点对应于状态，而连线对应于操作符。 2、如果搜素是以接近其实节点的程度依次扩展节点的，那么这种搜素就叫做宽度优先搜素（breadth-first search 。 3、深度优先搜索属于图算法的一种,英文缩写为DFS即Depth First Search.其过程简要来说是对每一个可能的分支路径深入到不能再深入为止,而且每个节点只能访问一次。 二、启发式搜索 盲目搜索的不足之处是效率低，耗费过多的时间和空间。启发信息是进行搜索技术所需要的一些有关具体问题的特性的信息。利用启发信息的搜索方法叫做启发式搜索方法。 启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。 3、博弈树搜索 诸如下棋、打牌、竞技、战争等一类竞争性智能活动称为博弈。博弈有很多种，我们讨论最简单的"二人零和、全信息、非偶然"博弈，其特征如下： (1 对垒的MAX、MIN双方轮流采取行动，博弈的结果只有三种情况：MAX方胜，MIN方败；MIN方胜，MAX方败；和局。 (2 在对垒过程中，任何一方都了解当前的格局及过去的历史。 一维搜索方法的MATLAB 实现 姓名： 班级：信息与计算科学 学号： 实验时间: 2014/6/21 一、实验目的： 通过上机利用Matlab 数学软件进行一维搜索，并学会对具体问题进行分析。并且熟悉Matlab 软件的实用方法，并且做到学习与使用并存，增加学习的实际动手性，不再让学习局限于书本和纸上，而是利用计算机学习来增加我们的学习兴趣。 二、实验背景： 黄金分割法 它是一种基于区间收缩的极小点搜索算法，当用进退法确定搜索区间后，我们只知道极小点包含于搜索区间内，但是具体哪个点，无法得知。 1、算法原理 黄金分割法的思想很直接，既然极小点包含于搜索区间内，那么可以不断 的缩小搜索区间，就可以使搜索区间的端点逼近到极小点。 2、算法步骤 用黄金分割法求无约束问题min (),f x x R ∈的基本步骤如下： （1）选定初始区间11[,]a b 及精度0ε>，计算试探点： 11110.382*()a b a λ=+- 11110.618*()a b a μ=+-。 （2）若k k b a ε-<，则停止计算。否则当()()k k f f λμ>时转步骤（3）。 当 ()()k k f f λμ≤转步骤（4）。 （3） 11111110.382*()k k k k k k k k k k a b b a b a λλμμ+++++++=??=?? =??=+-?转步骤（5） （4） 转步骤（5） （5）令1k k =+，转步骤（2）。 算法的MATLAB 实现 function xmin=golden(f,a,b,e) k=0; x1=a+0.382*(b-a); x2=a+0.618*(b-a); while b-a>e f1=subs(f,x1); f2=subs(f,x2); if f1>f2 a=x1; x1=x2; f1=f2; x2=a+0.618*(b-a); else b=x2; x2=x1; f2=f1; x1=a+0.382*(b-a); end k=k+1; end xmin=(a+b)/2; fmin=subs(f,xmin) 一、粒子群算法 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover) 和变异(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。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。 优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化(ParticalSwarmOptimization-PSO)算法.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. 粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价 matlab遗传算法工具箱函数及实例讲解 核心函数： (1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数 【输出参数】 pop--生成的初始种群 【输入参数】 num--种群中的个体数目 bounds--代表变量的上下界的矩阵 eevalFN--适应度函数 eevalOps--传递给适应度函数的参数 options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B], 如 precision--变量进行二进制编码时指定的精度 F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度) (2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,... termFN,termOps,selectFN,selectOps,xOverFNs,xOverO ps,mutFNs,mutOps)--遗传算法函数 【输出参数】 x--求得的最优解 endPop--最终得到的种群 bPop--最优种群的一个搜索轨迹 【输入参数】 bounds--代表变量上下界的矩阵 evalFN--适应度函数 evalOps--传递给适应度函数的参数 startPop-初始种群 opts[epsilon prob_ops display]--opts(1:2)等同于initializega 的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0] termFN--终止函数的名称,如['maxGenTerm'] termOps--传递个终止函数的参数,如[100] selectFN--选择函数的名称,如['normGeomSelect'] selectOps--传递个选择函数的参数,如[0.08] xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover'] xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0] mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation'] mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0] 1黄金分割法的优化问题 （1）黄金分割法基本思路： 黄金分割法适用于[a，b]区间上的任何单股函数求极小值问题，对函数除要求“单谷”外不做其他要求，甚至可以不连续。因此，这种方法的适应面非常广。黄金分割法也是建立在区间消去法原理基础上的试探方法，即在搜索区间[a，b]内适当插入两点a1，a2，并计算其函数值。a1，a2将区间分成三段，应用函数的单谷性质，通过函数值大小的比较，删去其中一段，是搜索区间得以缩小。然后再在保留下来的区间上作同样的处理，如此迭代下去，是搜索区间无限缩小，从而得到极小点的数值近似解。 （2）黄金分割法的基本原理 一维搜索是解函数极小值的方法之一，其解法思想为沿某一已知方向求目标函数的极小值点。一维搜索的解法很多，这里主要采用黄金分割法（0.618法）。该方法用不变的区间缩短率0.618代替斐波那契法每次不同的缩短率，从而可以看成是斐波那契法的近似，实现起来比较容易，也易于人们所接受。 黄金分割法是用于一元函数f(x)在给定初始区间[a,b]内搜索极小点α*的一种方法。它是优化计算中的经典算法，以算法简单、收敛速度均匀、效果较好而著称，是许多优化算法的基础，但它只适用于一维区间上的凸函数[6]，即只在单峰区间内才能进行一维寻优，其收敛效率较低。其基本原理是：依照“去劣存优”原则、对称原则、以及等比收缩原则来逐步缩小搜索区间[7]。具体步骤是：在区间[a,b]内取点：a1 ，a2 把[a,b]分为三段。如果f(a1)>f(a2)，令 a=a1,a1=a2,a2=a+r*(b-a)；如果f(a1) 第9章怎样研究算法:遗传算法示例 1、P类问题、NP类问题、NPC类问题是计算机科学领域关于可求解性可计算性很重要的概念。关于P、NP和NPC类问题，回答下列问题。 (1)下列说法不正确的是_____。 (A) P类问题是计算机可以在有限时间内能够求解的问题； (B) NP类问题是计算机可以在有限时间内能够验证“解”的正确性的问题； (C) NPC类问题是对问题的每一个可能解，计算机都可以在有限时间内验证“解”的正确性的问题，被称为NP完全问题； (D)上述说法有不正确的； 答案：D 解释： 本题考核P类问题、NP类问题、NPC类问题的概念。 P类问题指计算机可以在有限时间内求解的问题，(A)正确；NP类问题指虽然在多项式时间内难于求解但不难判断给定一个解的正确性问题，(B)正确；NPC问题指NP问题的所有可能答案都可以在多项式时间内进行正确与否的验算，称为NP-Complete问题，(C)正确；(A)(B)(C)都正确，所以(D)错误。 具体内容请参考第九章视频之“可求解与难求解问题”以及第九章课件。 (2)可解性问题是指能够找到多项式时间复杂性算法进行求解的问题，难解性问题是指找不到多项式时间复杂性算法进行求解的问题。下列说法不正确的是_____。 (A) P类问题是可解性问题，NP类问题是难解性问题。 (B) NP类问题不一定是难解性问题，因为P类问题也一定是NP类问题； (C) NP类问题不确定是否是P类问题，但NPC类问题一定是难解性问题； (D)上述说法有不正确的； 答案：A 解释： 本题考核对可解性问题和难解性问题概念的理解。 P类问题指计算机可以在有限时间内求解的问题，所以是可解性问题；NP类问题指虽然在多项式时间内难于求解但不难判断给定一个解的正确性问题，但P类问题是NP类问题的一个子集，所以NP类问题不一定是难解性问题；NPC问题指NP问题的所有可能答案都可以在多项式时间 遗传算法程序（一）: 说明: fga.m 为遗传算法的主程序; 采用二进制Gray编码,采用基于轮盘赌法的非线性排名选择, 均匀交叉,变异操作,而且还引入了倒位操作! function [BestPop,Trace]=fga(FUN,LB,UB,eranum,popsize,pCross,pMutation,pInversion,options) % [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation) % Finds a maximum of a function of several variables. % fmaxga solves problems of the form: % max F(X) subject to: LB <= X <= UB % BestPop - 最优的群体即为最优的染色体群 % Trace - 最佳染色体所对应的目标函数值 % FUN - 目标函数 % LB - 自变量下限 % UB - 自变量上限 % eranum - 种群的代数,取100--1000(默认200) % popsize - 每一代种群的规模；此可取50--200(默认100) % pcross - 交叉概率,一般取0.5--0.85之间较好(默认0.8) % pmutation - 初始变异概率,一般取0.05-0.2之间较好(默认0.1) % pInversion - 倒位概率,一般取0.05－0.3之间较好(默认0.2) % options - 1*2矩阵,options(1)=0二进制编码(默认0),option(1)~=0十进制编 %码,option(2)设定求解精度(默认1e-4) % % ------------------------------------------------------------------------ T1=clock; if nargin<3, error('FMAXGA requires at least three input arguments'); end if nargin==3, eranum=200;popsize=100;pCross=0.8;pMutation=0.1;pInversion=0.15;options=[0 1e-4];end if nargin==4, popsize=100;pCross=0.8;pMutation=0.1;pInversion=0.15;options=[0 1e-4];end if nargin==5, pCross=0.8;pMutation=0.1;pInversion=0.15;options=[0 1e-4];end if nargin==6, pMutation=0.1;pInversion=0.15;options=[0 1e-4];end if nargin==7, pInversion=0.15;options=[0 1e-4];end if find((LB-UB)>0) error('数据输入错误,请重新输入(LB 第五章状态空间搜索策略 搜索是人工智能的一个基本问题，是推理不可分割的一部分。搜索是求解问 题的一种方法，是根据问题的实际情况，按照一定的策略或规则，从知识库中寻找可利用的知识，从而构造出一条使问题获得解决的推理路线的过程。搜索包含两层含义：一层含义是要找到从初始事实到问题最终答案的一条推理路线；另一层含义是找到的这条路线是时间和空间复杂度最小的求解路线。搜索可分为盲目搜索和启发式搜索两种。 1．1 盲目搜索策略 1．状态空间图的搜索策略 为了利用搜索的方法求解问题，首先必须将被求解的问题用某种形式表示出来。一般情况下，不同的知识表示对应着不同的求解方法。状态空间表示法是一 种用“状态”和“算符”表示问题的方法。状态空间可由一个三元组表示(S ，F， S g )。 利用搜索方法求解问题的基本思想是：首先将问题的初始状态(即状态空间图中的初始节点)当作当前状态，选择一适当的算符作用于当前状态，生成一组后继状态(或称后继节点)，然后检查这组后继状态中有没有目标状态。如果有，则说明搜索成功，从初始状态到目标状态的一系列算符即是问题的解；若没有，则按照某种控制策略从已生成的状态中再选一个状态作为当前状态，重复上述过程，直到目标状态出现或不再有可供操作的状态及算符时为止。 算法5．1 状态空间图的一般搜索算法 ①建立一个只含有初始节点S 0的搜索图G，把S 放入OPEN表中。 ②建立CLOSED表，且置为空表。 ③判断OPEN表是否为空表，若为空，则问题无解，退出。 ④选择OPEN表中的第一个节点，把它从OPEN表移出，并放入CLOSED表中， 将此节点记为节点n。 ⑤考察节点n是否为目标节点，若是，则问题有解，并成功退出。问题的解 的这条路径得到。 即可从图G中沿着指针从n到S ⑥扩展节点n生成一组不是n的祖先的后继节点，并将它们记作集合M，将M中的这些节点作为n的后继节点加入图G中。 ⑦对那些未曾在G中出现过的(即未曾在OPEN表上或CLOSED表上出现过的)M中的节点，设置一个指向父节点(即节点n)的指针，并把这些节点加入OPEN 表中；对于已在G中出现过的M中的那些节点，确定是否需要修改指向父节点(n 节点)的指针；对于那些先前已在G中出现并且已在COLSED表中的M中的节点，确定是否需要修改通向它们后继节点的指针。 ⑧按某一任意方式或按某种策略重排OPEN表中节点的顺序。 ⑨转第③步。 2．宽度优先搜索策略 宽度优先搜索是一种盲目搜索策略。其基本思想是，从初始节点开始，逐层对节点进行依次扩展，并考察它是否为目标节点，在对下层节点进行扩展(或搜索)之前，必须完成对当前层的所有节点的扩展(或搜索)。在搜索过程中，未扩展节点表OPEN中的节点排序准则是：先进入的节点排在前面，后进入的节点排在后面(即将扩展得到的后继节点放于OPEN表的末端)。 宽度优先搜索的盲目性较大，搜索效率低，这是它的缺点。但宽度优先搜索策略是完备的，即只要问题有解，用宽度优先搜索总可以找到它的解。 3．深度优先搜索 深度优先搜索也是一种盲目搜索策略，其基本思想是：首先扩展最新产生的 开始，在其后继节点中选择一个节点，对其进(即最深的)节点，即从初始节点S 行考察，若它不是目标节点，则对该节点进行扩展，并再从它的后继节点中选择 1黄金分割法的优化问题（1）黄金分割法基本思路： 黄金分割法适用于[a，b]区间上的任何单股函数求极小值问题，对函数除要求“单谷”外不做其他要求，甚至可以不连续。因此，这种方法的适应面非常广。黄金分割法也是建立在区间消去法原理基础上的试探方法，即在搜索区间[a，b]内适当插入两点a1，a2，并计算其函数值。a1，a2将区间分成三段，应用函数的单谷性质，通过函数值大小的比较，删去其中一段，是搜索区间得以缩小。然后再在保留下来的区间上作同样的处理，如此迭代下去，是搜索区间无限缩小，从而得到极小点的数值近似解。 （2）黄金分割法的基本原理 一维搜索是解函数极小值的方法之一，其解法思想为沿某一已知方向求目标函数的极小值点。一维搜索的解法很多，这里主要采用黄金分割法（法）。该方法用不变的区间缩短率代替斐波那契法每次不同的缩短率，从而可以看成是斐波那契法的近似，实现起来比较容易，也易于人们所接受。 黄金分割法是用于一元函数f(x)在给定初始区间[a,b]内搜索极小点α*的一种方法。它是优化计算中的经典算法，以算法简单、收敛速度均匀、效果较好而着称，是许多优化算法的基础，但它只适用于一维区间上的凸函数[6]，即只在单峰区间内才能进行一维寻优，其收敛效率较低。其基本原理是：依照“去劣存优”原则、对称原则、以及等比收缩原则来逐步缩小搜索区间[7]。具体步骤是：在区间[a,b]内取点：a1 ，a2 把[a,b]分为三段。如果 f(a1)>f(a2)，令a=a1,a1=a2,a2=a+r*(b-a)；如果f(a1) 《人工智能》课程学习体会兼论遗传算法在最优化问题的应用与发展 一、《人工智能》课程学习体会 1．课程学习历程 这学期，在《人工智能》课程学习中，我们以中国大学MOOC网上浙江工业大学王万良教授主讲的《人工智能导论》课程为主。课上老师给我们讲解了一些课程中的难点，课下老师发放了很多的人工智能课外阅读资料，供我们参考学习。 在学习的过程中，我们先对智能有了初步了解，之后再谈人工智能的概念。要想实现人工智能，就需要把我们人的思维形式化，于是学习了谓词逻辑知识表示，之后是产生式，然后是概率论和数理统计的一些内容。掌握了这些之后，我们就可以根据知识去解决问题了。可是怎么去解决，如何去推出结果，又是一个问题，于是我们学习了一些推理方法，如模糊推理等。按照智能的定义，那么现在已经基本实现智能了。即实现了智能=知识+智力，虽然不是真正意义上的智能。虽然现在可以去处理一些问题了，但是很明显的，它的效率非常的低，甚至于有些问题找到答案花费的时间特别长，是我们无法接受的。于是我们学习了如A*算法、遗传算法、粒子群优化算法、蚁群算法等一些加快处理问题的算法。最后，我们学习了神经网络、专家系统、机器学习和智能体系等内容。对于这些学习的知识，基本上还处于一个了解的水平，要想实际应用还需要更深入的学习。 课下，我们也看了一些和人工智能的书籍，诸如《浪潮之巅》，向我们讲述了科技公司像IBM，微软，英特尔等公司的兴衰；《智能革命》向我们讲述了AI 与我们的生活密切相关，并且越来越离不开智能。通过阅读这些课外读物，也使得我们对人工智能有了更深的理解与思考。 2．课程学习体会与感悟 学习完主要课程之后，给我的第一感觉就是：“哎！怎么还没有学呢！课程就结束了”。有这样的感觉主要还是受到疫情的影响，在家不能像在学校一样学的那么精细。很多的知识几乎是走一个概念便草草离场了，同时，人工智能这门课程本身涉及的知识面也比较广，如讲到神经网络的时候提到了生物学中的神经元、突触等这些结构，想一下子掌握这些内容是不可能的。 另一个方面则是，人工智能的应用领域非常之多，诸如机器学习，专家系统等，每一部分都是可以单独拿出来作为深入学习的方向的。因此，现在的学习，只是对人工智能有了一个初步的了解，想要入门还需要学习更多的内容，还需要投入更多的时间。 二、遗传算法在最优化问题的应用与发展 1.遗传算法简述 目录 _ 一、遗产算法的由来 (2) 二、遗传算法的国内外研究现状 (3) 三、遗传算法的特点 (5) 四、遗传算法的流程 (7) 五、遗传算法实例 (12) 六、遗传算法编程 (17) 七、总结 ......... 错误!未定义书签。附录一：运行程序.. (19) 遗传算法基本理论与实例 一、遗产算法的由来 遗传算法（Genetic Algorithm，简称GA）起源于对生物系统所进行的计算机模拟研究。20世纪40年代以来，科学家不断努力从生物学中寻求用于计算科学和人工系统的新思想、新方法。很多学者对关于从生物进化和遗传的激励中开发出适合于现实世界复杂适应系统研究的计算技术——生物进化系统的计算模型，以及模拟进化过程的算法进行了长期的开拓性的探索和研究。John H.Holland教授及其学生首先提出的遗传算法就是一个重要的发展方向。 遗传算法借鉴了达尔文的进化论和孟德尔、摩根的遗传学说。按照达尔文的进化论，地球上的每一物种从诞生开始就进入了漫长的进化历程。生物种群从低级、简单的类型逐渐发展成为高级复杂的类型。各种生物要生存下去及必须进行生存斗争，包括同一种群内部的斗争、不同种群之间的斗争，以及生物与自然界无机环境之间的斗争。具有较强生存能力的生物个体容易存活下来，并有较多的机会产生后代；具有较低生存能力的个体则被淘汰，或者产生后代的机会越来越少。，直至消亡。达尔文把这一过程和现象叫做“自然选择，适者生存”。按照孟德尔和摩根的遗传学理论，遗传物质是作为一种指令密码封装在每个细胞中，并以基因的形式排列在染色体上，每个基因有特殊的位置并控制生物的某些特性。不同的基因组合产生的个体对环境的适应性不一样，通过基因杂交和突变可以产生对环境适应性强的后代。经过优胜劣汰的自然选择，适应度值高的基因结构就得以保存下来，从而逐渐形成了经典的遗传学染色体理论，揭示了遗传和变异的 黄金分割法-进退法-原理及流程图 1黄金分割法的优化问题 （1）黄金分割法基本思路： 黄金分割法适用于[a，b]区间上的任何单股函数求极小值问题，对函数除要求“单谷”外不做其他要求，甚至可以不连续。因此，这种方法的适应面非常广。黄金分割法也是建立在区间消去法原理基础上的试探方法，即在搜索区间[a，b]内适当插入两点a1，a2，并计算其函数值。a1，a2将区间分成三段，应用函数的单谷性质，通过函数值大小的比较，删去其中一段，是搜索区间得以缩小。然后再在保留下来的区间上作同样的处理，如此迭代下去，是搜索区间无限缩小，从而得到极小点的数值近似解。 （2）黄金分割法的基本原理 一维搜索是解函数极小值的方法之一，其解法思想为沿某一已知方向求目标函数的极小值点。一维搜索的解法很多，这里主要采用黄金分割法（0.618法）。该方法用不变的区间缩短率0.618代替斐波那契法每次不同的缩短率，从而可以看成是斐波那契法的近似，实现起来比较容易，也易于人们所接受。 黄金分割法是用于一元函数f(x)在给定初始区间[a,b]内搜索极小点α*的一种方法。它是优化计算中的经典算法，以算法简单、收敛速度均匀、效果较好而著称，是许多优化算法的基础，但它只适用于一维区间上的凸函数[6]，即只在单峰区间内才能进行一维寻优，其收敛效率较低。其基本原理是：依照“去劣存优”原则、对称原则、以及等比收缩原则来逐步缩小搜索区间[7]。具体步骤是：在区间[a,b]内取点：a1 ，a2 把[a,b]分为三段。如果f(a1)>f(a2)，令 a=a1,a1=a2,a2=a+r*(b-a)；如果f(a1) WORD格式 人工智能实验报告 学号： 姓名： 实验名称：遗传算法 实验日期：2016.1.5 【实验名称】遗传算法 【实验目的】 掌握遗传算法的基本原理，熟悉遗传算法的运行机制，学会用遗传算法来求解问题。【实验原理】 遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。 遗传算法程度流程图为： 【 实】 ：已知f(x)=x*sin(x)+1，x[0,2],求f(x)的最大值和最小值。 数据结构： structpoptype { doublegene[length];//染色体 doublerealnumber;//对应的实数x doublefitness;//适应度 doublerfitness;//相对适应度 doublecfitness;//累计适应度 }; structpoptypepopulation[popsize+1];//最后一位存放max/min structpoptypenewpopulation[popsize+1];// 染色体编码： x [ 因此 ，染色体由2 3位字节的二进制矢X 与二进）2之 间的映射如下： 22 i bb......bb2x '; 222102i i010 xx' 2 23 21 适应度函数： 由于要求f (x )的最值,所以适应 度函数即可为f (x )。但为了确保每个个体都有被选中的可能性，因此需要将所有适应为大于0的值。因此，设计 求最大值的适应度函数如下： eval max f(x)5xsinx6; 将最小化为求-f(x)的最大值，同理，设计最小值的适应度函数如下： evalfxxx min()5sin4; 种群大小： 本50，再进行种群初始化。 实验参数： 主要有迭代数，交叉概率，变异概率这三个参数。一般交叉概率在0.6-0.9范围内， 变异概率在0.01-0.1范主要代码如下： voidinitialize()//种群初始化 { srand(time(NULL)); 启发式图搜索算法 摘要：启发式搜索策略概述和有序搜索。启发式搜索弥补盲目搜索的不足，提高搜索效率。一种方法用于排列待扩展节点的顺序，即选择最有希望的节点加以扩展，那么，搜索效率将会大为提高。进行搜索技术一般需要某些有关具体问题领域的特性的信息。 关键词：启发式搜索；估价函数；有序搜索；A*算法； 正文： 启发式图搜索的意义因为无信息图搜索算法的效率低，耗费过多的计算空间与时间，这是组合爆炸的一种表现形式。所以引入了启发式图搜索算法。 启发式图搜索算法就是进行搜索技术一般需要某些有关具体问题领域的特性的信息，把此种信息叫做启发信息。利用启发信息的搜索方法叫做启发式搜索方法。关于图搜索的启发式搜索算法就叫做启发式图搜索算法。 启发式图搜索策略：假设初始状态、算符和目标状态的定义都是完全确定的，然后决定一个搜索空间。因此，问题就在于如何有效地搜索这个给定空间。 启发信息按其用途可分为下列3种： (1) 用于决定要扩展的下一个节点，以免像在宽度优先或深度优先搜索中那样盲目地扩展。 (2) 在扩展一个节点的过程中，用于决定要生成哪一个或哪几个后继节点，以免盲目地同时生成所有可能的节点。 (3) 用于决定某些应该从搜索树中抛弃或修剪的节点。 启发信息的状态空间搜索算法，即决定哪个是下一步要扩展的节点。这种搜索总是选择“最有希望”的节点作为下一个被扩展的节点。这种搜索叫做有序搜索(ordered search)。有关具体问题领域的信息常常可以用来简化搜索。一个比较灵活(但代价也较大)的利用启发信息的方法是应用某些准则来重新排列每一步OPEN表中所有节点的顺序。然后，搜索就可能沿着某个被认为是最有希望的边缘区段向外扩展。应用这种排序过程，需要某些估算节点“希望”的量度，这种量度叫做估价函数(evalution function)。所谓的估价函数就是为获得某些节点“希望”的启发信息，提供一个评定侯选扩展节点的方法，以便确定哪个节点最有可能在通向目标的最佳路径上。f(n)——表示节点n的估价函数值建立估价函数的一般方法：试图确定一个处在最佳路径上的节点的概率；提出任意节点与目标集之间的距离量度或差别量度；或者在棋盘式的博弈和难题中根据棋局的某些特点来决定棋局的得分数。这些特点被认为与向目标节点前进一步的希望程度有关。 有序搜索应用某个算法(例如等代价算法)选择OPEN表上具有最小f值的节点作为下一个要扩展的节点。这种搜索方法叫做有序搜索(ordered search)或最佳优先搜索 (best-first search)，而其算法就叫做有序搜索算法或最佳优先算法。尼尔逊曾提出一个有序搜索的基本算法。估价函数f是这样确定的：一个节点的希望程序越大，其f值就越小。被选为扩展的节点，是估价函数最小的节点。选择OPEN表上具有最小f值的节点作为下一个要扩展的节点，即总是选择最有希望的节点作为下一个要扩展的节点。 有序状态空间搜索算法 (1) 把起始节点S放到OPEN表中，计算f(S)并把其值与节点S联系起来。 (2) 如果OPEN是个空表，则失败退出，无解。 (3) 从OPEN表中选择一个f值最小的节点i。结果有几个节点合格，当其中有一个为目标节点时，则选择此目标节点，否则就选择其中任一个节点作为节点i。 黄金分割搜索算法 一.介绍 黄金分割律是公元前六世纪古希腊数学家毕达哥拉斯所发现，后来古希腊美学家柏拉图将此称为黄金分割。这其实是一个数字的比例关系，即把一条线分为两部分，此时长段与短段之比恰恰等于整条线与长段之比，其数值比为1.618 : 1或1 : 0.618，也就是说长段的平方等于全长与短段的乘积。 0.618，以严格的比例性、艺术性、和谐性，蕴藏着丰富的美学价值。 有趣的是，这个数字在自然界和人们生活中到处可见：人们的肚脐是人体总长的黄金分割点，人的膝盖是肚脐到脚跟的黄金分割点。大多数门窗的宽长之比也是0.618…；有些植茎上，两张相邻叶柄的夹角是137°28'，这恰好是把圆周分成1:0.618……的两条半径的夹角。据研究发现，这种角度对植物通风和采光效果最佳。 建筑师们对数学0.618…特别偏爱，无论是古埃及的金字塔，还是巴黎圣母院，或者是近世纪的法国埃菲尔铁塔，都有与0.618…有关的数据。人们还发现，一些名画、雕塑、摄影作品的主题，大多在画面的0.618…处。艺术家们认为弦乐器的琴马放在琴弦的0.618…处，能使琴声更加柔和甜美。 在学术界的应用 数字0.618…更为数学家所关注，它的出现，不仅解决了许多数学难题(如：十等分、五等分圆周；求18度、36度角的正弦、余弦值等)，而且还使优选法成为可能。优选法是一种求最优化问题的方法。如在炼钢时需要加入某种化学元素来增加钢材的强度，假设已知在每吨钢中需加某化学元素的量在1000—2000克之间，为了求得最恰当的加入量，需要在1000克与2000克这个区间中进行试验。通常是取区间的中点(即1500克)作试验。然后将试验结果分别与1000克和2000克时的实验结果作比较，从中选取强度较高的两点作为新的区间，再取新区间的中点做试验，再比较端点，依次下去，直到取得最理想的结果。这种实验法称为对分法。但这种方法并不是最快的实验方法，如果将实验点取在区间的0.618处，那么实验的次数将大大减少。这种取区间的0.618处作为试验点的方法就是一维的优选法，也称0.618法。实践证明，对于一个因素的问题，用“0.618法”做16次试验就可以完成“对分法”做2500次试验所达到的效果。因此大画家达·芬奇把0.618…称为黄金数。 优选法是一种具有广泛应用价值的数学方法，著名数学家华罗庚曾为普及它作出重要贡献。优选法中有一种0.618法应用了黄金分割法。例如，在一种试验中，温度的变化范围是0℃~10℃，我们要寻找在哪个温度时实验效果最佳。为此，可以先找出温度变化范围的黄金分割点，考察10×0.618=6.18(℃)时的试验效果，再考察10×(1-0.618)=3.82(℃)时的试验效果，比较两者，选优去劣。然后在缩小的变化范围内继续这样寻找，直至选出最佳温度。 黄金分割与植物 有些植茎上，两张相邻叶柄的夹角是137°28'，这恰好是把圆周分成1:0.618的两条半径的夹角。据研究发现，这种角度对植物通风和采光效果最佳。植物叶子，千姿百态，生机盎然，给大自然带来了美丽的绿色世界。尽管叶子形态随种而异，但它在茎上的排列顺序(称为叶序)，却是极有规律的。有些植物的花瓣及主干上枝条的生长，也是符合这个规律的。你从植物茎的顶端向下看，经细心观察，发现上下层中相邻的两片叶子之间约成137.5°角。如果每层叶子只画一片来代表，第一层和第二层的优化设计黄金分割发以及迭代法
遗传算法求解实例
人工智能算法综述
最优化方法(黄金分割与进退法)实验报告
AI人工智能的几种常用算法概念
(实例)matlab遗传算法工具箱函数及实例讲解
黄金分割法,进退法,原理及流程图
第9章怎样研究算法遗传算法示例练习题答案解析
三个遗传算法matlab程序实例
人工智能[第五章状态空间搜索策略]山东大学期末考试知识点复习
黄金分割法,进退法,原理及流程图
人工智能导论学习体会及遗传算法应用
遗传算法基本理论实例
黄金分割法-进退法-原理及流程图
人工智能遗传算法实验报告
人工智能启发式图搜索算法
黄金分割搜索算法
相关主题
文本预览