人工智能实验报告

人工智能课内实验报告

主观贝叶斯方法的研究

一、 实验题目

主观Bayes方法的研究。

二、 实验目的

在证据不确定的情况下，根据充分性量度LS、必要性量度LN、E的先验概率P(E)和H的先验概率P(H)作为前提条件，分析P(H/S)和P(E/S)的关系。

三、 实验原理

1、 证据不确定性的表示

1. 在主观Bayes方法中，证据的不确定性用概率表示。对于证据E，由

用户根据观察S给出P(E|S)，即动态强度。用P(E|S)描述证据的不确定性 （证据E不是可以直接观测的）。

2. 证据肯定存在时，P(E|S)=1；

3. 证据肯定不存在时， P(E|S)=0； 4. 证据具有不确定性时， 0

1．当证据E愈是支持H为真时，则应是使相应的LS值愈大。 若证据E对H愈是必要，则相应LN的值愈小。

2. 不能出现LS>1且LN>1的取值

因为： LS>1：表明证据E是对H有利的证据。

LN>1：表明证据?E是对H有利的证据。

3. 不能出现LS<1且LN<1的取值

因为：LS<1: 表明证据 E是对H不利的证据。

LN<1：表明证据?E是对H不利的证据。

4. 一般情况下，取LS>1， LN<1。 3、证据不确定的情况

在现实中，证据肯定存在和肯定不存在的极端情况是不多的，更多的是介于二者之间的不确定情况。对初始证据来说，由于用户对客观事物或现象的观察不是很精确，因而所提供的证据是不确定的；另外，一条知识的证据往往来源于另一条知识推出的结论，一般也具有某种程度的不确定性。所以我们要在S对E的观察的先验概率0

进一步讨论：

P(H/S)?P(H/E)*P(E/S)?P(H/?E)*P(?E/S)

分四种情况讨论这个公式： 1. P(E/S)=1

当P(E/S)=1时，P(-E/S)=0。此时公式变成(肯定存在的情况)：

P(H/S)?P(H/E)?LS*P(H)

(LS?1)*P(H)?12. P(E/S)=0

当P(E/S)=0时，P(-E/S)=1.此时公式变成(肯定不存在的情况)：

P(H/S)?P(H/?E)?LN*P(H)

(LN?1)*P(H)?13. P(E/S)=P(E) 当P(E/S)=P(E)时，表示E与S无关。利用全概率公式就将公式变为：

P(H/S)?P(H/E)*P(E)?P(H/?E)*P(?E)?P(H)

4. 当P(E/S)为其它值时，通过分段线性插值就可得到计算P(H/S)的公式：

P(H)?P(H/?E)?P(H/?E)?*P(E/S),若0?P(E/S)?P(E)?P(E)?P(H/S)???P(H)?P(H/E)?P(H)*[P(E/S)?P(E)],若P(E)?P(E/S)?1?1?P(E)?该公式称为EH公式或UED公式。

四、实验程序 ls=input('ls='); ln=input('ln='); ph=input('ph='); pe=input('pe=');

phe=(ls*ph)/((ls-1)*ph+1); phfe=(ln*ph)/((ln-1)*ph+1); phs=[]; for pes=0:0.01:1

if pes<=pe

a=phfe+(ph-phfe)/pe*pes; phs=[phs,a]; else

a=ph+(phe-ph)/(1-pe)*(pes-pe); phs=[phs,a]; end end

pes=0:0.01:1; plot(pes,phs) 五、实验结果

ls=1000 ln=0.3 ph=0.3 pe=0.3

六、试验总结

通过实验，使我更加熟悉了主观Bayes方法的实质，根据先验概率的条件不同来分析后验概率，利用它们之间的关系，更好的了解不确定性推理

利用A*算法实现重排九宫格

一、实验题目

利用A*算法实现重排九宫格

二、实验目的

熟悉启发式搜索的思想，加深对各种图搜索策略概念的理解。

三、实验原理

1搜索的一般过程

（1)把初始节点S0放入OPEN表，并建立只含S0的图，记为G。OPEN：=S0，G：=G0（G0=S0） （2)检查OPEN表是否为空，若为空则问题无解，退出。LOOP：IF（OPEN）=（）THENEXIT（FAIL）

（3)把OPEN表的第一个节点取出放入CLOSE表，记该节点为节点n。N：=FIRST（OPEN），REMOVE（n，OPEN），ADD（n，CLOSE）（4)观察节点n是否为目标节点，若是，则求得问题的解，退出。IFGOAL（n）THENEXIT（SUCCESS）

（5)扩展节点n，生成一组子节点。把其中不是节点n先辈的那些子节点记作集合M，并把这些节点作为节点n的子节点加入G中。EXPAND（n）-->M（mi），G：=ADD（mi，G）针对M中子节点的不同情况，分别进行如下处理：

对于那些未曾在G中出现过的M成员设置一个指向父节点（n）的指针，并把它放入OPEN表；

对于那些先前已在G中出现过的M成员，确定是否要修改指向父节点的指针；对于那些先前已在G中出现，并且已经扩展了的M成员，确定是否需要修改其后继结点指向父节点的指针。

（6)按某种搜索策略对OPEN表中的节点进行排序（7)转第2步。2.2.2A*算法

我在实验中采用A*算法实现重排九宫格。A*算法是一种全局择优的启发式算法，可以证明它具有最优性。

A*算法可以描述为f(n）=h（n）+g（n）的形式。其中，h（n）被称作启发函数，是当前结点到目标结点的代价描述；而g（n）是代价函数，描述了起始结点到当前结点的代价；f（n）是估价函数。A*算法是不回溯的，每次都选择f值最小的路径推进。

在程序中，我按如下思路实现了A*算法。其中，启发函数h（n）我选取的是当前结点和目标结点状态不同的个数。

（1）建立一个链表，计算初始结点的估价函数f，并将初始结点入表，设置链表头和尾指针。

（2）取出头（头指针所指）结点，如果该结点是目标结点，则输出路径，程序结束。否则对结点进行扩展。

（3）检查扩展出的新结点是否与链表中的结点重复，若与不能再扩展的结点重复（位于头指针之前），则将它抛弃；若新结点与待扩展的结点重复（位于头指针之后），则比较两个结点的估价函数中g的大小，保留较小g值的结点。跳至第五步。

（4）如果扩展出的新结点与链表中的结点不重复，则按照它的估价函数f大小将它插入头结点后待扩展结点的适当位置，使它们按从小到大的顺序排列，最后更新尾指针。

（5）如果头结点还可以扩展，直接返回第二步。否则将头指针指向下一结点，再返回第二步。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库人工智能实验报告在线全文阅读。