《人工智能》之课程实验

教材：《人工智能及其应用》，蔡自兴等，2016m清华大学出版社（第5版）

参考书：

1 知识表示方法—渡河问题

程序执行流程：

1. 首先，包含状态（首次为初始状态）的结构体结点（已存入结构体数组）传入处理函数，然后判断该传入结点状态是否为目标状态。
   是则遍历打印结构体数组，打印完成之后，返回递归调用处，顺序执行之后代码（此步骤关系到是否能找到所有过河路径）；
   否则继续判断是否该传入结点已存在于结构体数组当中，如存在，不再往下执行，返回递归调用处，顺序执行之后代码；
   若不存在，则继续判断该传入状态的人数是否合理（是否出现人物数量小于0的情况等），若不合理，返回递归调用处，顺序执行之后代码；
   若合理，则继续判断传教士和野人人数限制条件，即在传教士人数不为0的情况下，野人人数是否大于传教士人数，若大于则出现吃人的情况，也就是说该传入状态也不合理，则返回递归调用处，顺序执行之后代码；
   若不满足大于条件，则说明该状态是路径转态，也就是合理的，那么进行五种渡河方案的依次变换，首先为第一种渡河方案，两个传教士过河（注意：此处的5中渡河方案没有固定顺序，也可以是其他渡河方案），那么对该传入状态的左岸和右岸的传教士人数和野人人数进行增减。
2. 增减完成并改变船的状态（使用正负一表示，正一为左岸，负一为右岸）以后就产生了一个新的状态，将该状态存入结构体数组，之后此处又递归调用处理函数，将新产生的转态结点传入，再次进行上述条件限制判断。
   若在该判断途中被返回至递归调用处，说明该状态不合理，则此时将已经存入结构体数组的状态结点移出结构体数组，然后程序顺序执行，进行下一个渡河方案的处理，也就是说，此时的处理是对上一个传入结点的操作（因为刚传入的已经移出了）；
   若在判断途中未被返回至递归调用处，也就是说，传入的结点合理了，那么又开始从第一种渡河方案开始对该传入状态进行操作。
3. 按照上述过程循环执行，直到出现目标状态，回到本段开头，遍历结构体数组，打印渡河路径结点信息。
4. 完成以后，返回递归调用处，顺序执行之后代码，此后的操作是在寻找其他渡河路径。

程序说明：

1. 结构体MyLeftBank定义传教士、野蛮人和船的状态
   

2. InitSailWay函数负责初始化传教士、野蛮人的数量和路线编号
   

3. BoatGoOppositeBank函数负责船完成一次航行后，传教士、野蛮人和船的状态转换，出错返回-1
   

4. JudgeBothBankState函数负责检查两岸的状况是否合法
   

5. ReturnAvailableState函数负责当到达目标状态时，返回可用的路线
   

6. PrintingSailWay函数负责输出安全渡河的方案编号和过程
   

7. CrossRiver函数负责统计安全渡河的方案数，如无安全渡河的方案，也给出“很遗憾，我们找不到方案”的提示
   

程序截图：


当m,c,n增大时，程序花费的时间大幅度增加：

2 A*算法解决8数码问题

1. 估价函数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。
   设g(n)为已经移动的步数。在move函数中，每次移动加1即可。
   设h(n)为此状态与目标状态中相异数字的个数。由a_start_h函数求得：
   

2. open表与close表的维护
   open表：可以简单认为是一个未搜索节点的表
   close表：可以简单认为是一个已完成搜索的节点的表（即已经将下一个状态放入open表内）
   规则一：对于新添加的节点S（open表和close表中均没有这个状态），S直接添加到open表中。
   规则二：对于已经添加的节点S（open表或者close表中已经有这个状态），若在open表中，与原来的状态S_0的f(n)比较，取最小的一个。若在close表中，那就分成两种情况：第一种，close表中的该状态S_0的f(n)大于S的，不做修改；第二种S_0的f(n)小于S的,那就要需要将close表中S_0的f(n)更新，同时将该状态移入到open表中。
   规则三：下一个搜索节点的选择问题，选取open表中f(n)的值最小的状态作为下一个待搜索节点
   规则四：每次需要将带搜索的节点下一个所有的状态按照规则一、二更新open表，close表，搜索完该节点后，移到close表中。

3. 无解情况
   将九宫格变成线性后，计算初始状态和目标状态的奇偶性是否一致，一致有解，否则无解。
   

程序截图：
输入起始图和目标图，若有解，则输出移动过程和步数；若无解，则输出无解。

3 BP神经网络——鸢尾花识别问题

1. 下载Iris数据集并导入
   进入Iris Data Set下载鸢尾花数据集iris.data：
   

2. 数据归一化

%数据归一化处理
x_max=max(data);
x_min=min(data);
data=(data-ones(m,1)*x_min)./(ones(m,1)*(x_max-x_min));

3. 划分训练样本和测试样本
   将Iris（鸢尾花）数据集分为训练集（Iris-train.txt）和测试集（Iris-test.txt），分别含75个样本。

%划分训练样本和测试样本 大约1/2用作训练，1/2用作测试
num=round(m/2/3);
for i=1:3
    temp=data(1+50*(i-1):50*i,:);
    sel=randperm(50,num);
    test(1+num*(i-1):num*i,:)=temp(sel,1:4);
    test_label(1+num*(i-1):num*i,:)=temp(sel,5:7);
    temp(sel,:)=[];
    train(1+(50-num)*(i-1):(50-num)*i,:)=temp(:,1:4);
    train_label(1+(50-num)*(i-1):(50-num)*i,:)=temp(:,5:7);
end

4. BP神经网络设置

alpha=4;%输入神经元数目
beta=10;%隐层神经元数目
lamda=3;%输出神经元数目

5. 测试

%测试
[result,accuracy]=BP_test(test,test_label,W1,W2,B1,B2);
disp('结果为：')
result'
disp(strcat('准确率为',num2str(accuracy*100),'%'))
function [result,accuracy]=BP_test(test,test_label,W1,W2,B1,B2)
%返回分类的结果
%accuracy准确率
Hidden_in=test*W1;%隐层输入
Hidden_out=sigmod(Hidden_in-B1);%隐层输出
Output_in=Hidden_out*W2;%输入层输入
Output_out=sigmod(Output_in-B2);
[~,result]=max(Output_out,[],2);
[~,index2]=max(test_label,[],2);
right=sum(result==index2);%统计分类正确的个数
total=size(test,1);%总个数
accuracy=right/total;
end
%sigmod函数在matlab里是logsig函数
function [Y]=sigmod(X)
Y=1./(1+exp(-1).^X);
end     

程序截图：

独立运行十次，平均准确率为95%，标准差为0.025438487。

4 决策树——ID3算法

1. 计算信息熵
   

2. 划分数据集
   

3. 计算最大增益
   
   程序截图：
   
   

完整代码及实验报告

Github地址：Artificial-Intelligence-Experiment-And-Homework
优快云地址：《人工智能》平时作业与实验.zip