游戏人工智能实验报告记录四
人工智能实验4三-专家系统方案
《人工智能导论》实验报告一、实验题目：识别型专家系统设计————识别动物专家系统二、实验目的1、掌握专家系统的基本构成2、掌握用人工智能程序设计语言编制智能程序的方法三、实验容1、所选编程语言：C语言；2.拟订的规则：（1）若某动物有奶，则它是哺乳动物。
（2）若某动物有毛发，则它是哺乳动物。
（3）若某动物有羽毛，则它是鸟。
（4）若某动物会飞且生蛋，则它是鸟。
（5）若某动物是哺乳动物且有爪且有犬齿且目盯前方，则它是食肉动物。
（6）若某动物是哺乳动物且吃肉，则它是食肉动物。
（7）若某动物是哺乳动物且有蹄，则它是有蹄动物。
（8）若某动物是哺乳动物且反刍食物，则它是有蹄动物。
（9）若某动物是食肉动物且黄褐色且有黑色条纹，则它是老虎。
（10）若某动物是食肉动物且黄褐色且有黑色斑点，则它是金钱豹。
（11）若某动物是有蹄动物且长腿且长脖子且黄褐色且有暗斑点，则它是长颈鹿。
（12）若某动物是有蹄动物且白色且有黑色条纹，则它是斑马。
（13）若某动物是鸟且不会飞且长腿且长脖子且黑白色，则它是驼鸟。
（14）若某动物是鸟且不会飞且会游泳且黑白色，则它是企鹅。
（15）若某动物是鸟且善飞，则它是海燕。
2、设计思路：用户界面：采用问答形式；知识库（规则库）：存放产生式规则，推理时用到的一般知识和领域知识，比如动物的特征，动物的分类标准，从哺乳动物、食肉动物来分，再具体地添加一些附加特征得到具体动物；建立知识库的同时也建立了事实库。
事实库是一个动态链表，一个事实是链表的一个结点。
知识库通过事实号与事实库发生联系。
数据库：用来存放用户回答的问题，存放初始状态，中间推理结果，最终结果；推理机：采用正向推理，推理机是动物识别的逻辑控制器，它控制、协调系统的推理，并利用知识库中的规则对综合数据库中的数据进行逻辑操作。
推理机担负两项基本任务：一是检查已有的事实和规则，并在可能的情况下增加新的事实；二是决定推理的方式和推理顺序。
将推理机制同规则对象封装在一起，事实对象记录了当前的状态，规则对象首先拿出前提条件的断言（只有这些前提都有符合时才会做这条规则的结论），询问事实对象集，如事实对象集不知道，则询问用户，如所有前提条件都被证实为真则结论为真，否则系统不知道结论真假。
人工智能五子棋实验报告
题目:智能五子棋游戏一、实验目的理解和掌握博弈树的启发式搜索过程和α-β减枝技术，能够用某种程序语言开发一个五子棋博弈游戏。
二、实验要求（1）设计一个15行15列棋盘，要求自行给出估价函数，按极大极小搜索方法，并采用α-β减枝技术。
（2）采用人机对弈方式，对弈双方设置不用颜色的棋子，一方走完后，等待对方走步，对弈过程的每个棋局都在屏幕上显示出来。
当某一方在横、竖或斜方向上先有5个棋子连成一线时，该方为赢。
（3）提交一篇实验论文，以及完整的软件（包括源程序和可可执行程序）和相关文档。
三、实验原理①估价函数的设计：下子后，求在该点的所有8个方向上4格之内的所有的没有阻隔的白子的和加上没有阻隔的黑子的数目之和，和为估价函数的值。
直观来说就是，如果在该点下子后连成同颜色的棋子越多，该点的估价值越大，同时阻挡另一种颜色的棋子越多，估价值也越大。
②判断是否有一方胜出：设计is_win函数，在每一次下子后检查是否是终局（一方胜出或者棋盘下满和局）。
对于棋盘上每一个已经下了棋子的点，检查其4个方向上是否有连续5颗同颜色的棋子，若有，则有一方胜出。
③寻找候选点，用于建立博弈树：对于棋盘上每一个还没有下子的点，测试其附近8个点是否已经下了棋子，若有，把该点加入候选点。
④搜寻最佳着点：根据候选点建立3层的博弈树，再利用估价函数对节点进行比较，得出最佳着点。
四、代码人主要代码public void refreshMax(int n){switch(n){case 1:{ //更新预测棋盘1最大值及其坐标maxValue1=0;number1=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard1[i][j]>maxValue1){maxX1.clear();maxY1.clear();maxX1.add(i);maxY1.add(j);number1=1;}else if(preBoard1[i][j]==maxValue1){maxX1.add(i);maxY1.add(j);number1++;}}}break;}case 2:{ //更新预测棋盘2最大值及其坐标maxValue2=0;number2=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard2[i][j]>maxValue2){maxX2.clear();maxY2.clear();maxX2.add(i);maxY2.add(j);number2=1;}else if(preBoard2[i][j]==maxValue2){maxX2.add(i);maxY2.add(j);number2++;}}}break;}case 3:{ //更新预测棋盘3最大值及其坐标maxValue3=0;number3=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard3[i][j]>maxValue3){maxX3.clear();maxY3.clear();maxX3.add(i);maxY3.add(j);number3=1;}else if(preBoard3[i][j]==maxValue3){maxX3.add(i);maxY3.add(j);number3++;}}}break;}case 4:{ //更新预测棋盘4最大值及其坐标maxValue4=0;number4=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard4[i][j]>maxValue4){maxX4.clear();maxY4.clear();maxX4.add(i);maxY4.add(j);number4=1;}else if(preBoard4[i][j]==maxValue4){maxX4.add(i);maxY4.add(j);number4++;}}}break;}case 5:{ //更新预测棋盘5最大值及其坐标maxValue5=0;number5=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard5[i][j]>maxValue5){maxX5.clear();maxY5.clear();maxX5.add(i);maxY5.add(j);number5=1;}else if(preBoard5[i][j]==maxValue5){maxX5.add(i);maxY5.add(j);number5++;}}}break;}case 6:{ //更新预测棋盘6最大值及其坐标maxValue6=0;number6=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard6[i][j]>maxValue6){maxX6.clear();maxY6.clear();maxX6.add(i);maxY6.add(j);number6=1;}else if(preBoard6[i][j]==maxValue6){maxX6.add(i);maxY6.add(j);number6++;}}}break;}case 7:{ //更新预测棋盘7最大值及其坐标maxValue7=0;number7=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard7[i][j]>maxValue7){maxX7.clear();maxY7.clear();maxX7.add(i);maxY7.add(j);number7=1;}else if(preBoard7[i][j]==maxValue7){maxX7.add(i);maxY7.add(j);number7++;}}}break;}}}AI主要代码public void refreshMax(int n){switch(n){maxValue1=0;number1=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard1[i][j]>maxValue1){maxValue1=preBoard1[i][j];maxX1.clear();maxY1.clear();maxX1.add(i);maxY1.add(j);number1=1;}else if(preBoard1[i][j]==maxValue1){maxX1.add(i);maxY1.add(j);number1++;}}}break;}maxValue2=0;number2=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard2[i][j]>maxValue2){maxValue2=preBoard2[i][j];maxX2.clear();maxY2.clear();maxX2.add(i);maxY2.add(j);number2=1;}else if(preBoard2[i][j]==maxValue2){maxX2.add(i);maxY2.add(j);number2++;}}}break;}maxValue3=0;number3=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard3[i][j]>maxValue3){maxValue3=preBoard3[i][j];maxX3.clear();maxY3.clear();maxX3.add(i);maxY3.add(j);number3=1;}else if(preBoard3[i][j]==maxValue3){maxX3.add(i);maxY3.add(j);number3++;}}}break;}maxValue4=0;number4=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard4[i][j]>maxValue4){maxValue4=preBoard4[i][j];maxX4.clear();maxY4.clear();maxX4.add(i);maxY4.add(j);number4=1;}else if(preBoard4[i][j]==maxValue4){maxX4.add(i);maxY4.add(j);number4++;}}}break;}maxValue5=0;number5=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard5[i][j]>maxValue5){maxValue5=preBoard5[i][j];maxX5.clear();maxY5.clear();maxX5.add(i);maxY5.add(j);number5=1;}else if(preBoard5[i][j]==maxValue5){maxX5.add(i);maxY5.add(j);number5++;}}}break;}maxValue6=0;number6=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard6[i][j]>maxValue6){maxValue6=preBoard6[i][j];maxX6.clear();maxY6.clear();maxX6.add(i);maxY6.add(j);number6=1;}else if(preBoard6[i][j]==maxValue6){maxX6.add(i);maxY6.add(j);number6++;}}}break;}maxValue7=0;number7=0;for(int i=0;i<size;i++){for(int j=0;j<size;j++){if(preBoard7[i][j]>maxValue7){maxValue7=preBoard7[i][j];maxX7.clear();maxY7.clear();maxX7.add(i);maxY7.add(j);number7=1;}else if(preBoard7[i][j]==maxValue7){maxX7.add(i);maxY7.add(j);number7++;}}}break;}}}五、感想通过这个试验，我对估价函数，极大极小搜索方法，α-β减枝技术有了更全面的认识，对它们的运用也更加熟练。
人工智能实验报告内容
人工智能实验报告内容人工智能实验报告内容人工智能（Artificial Intelligence, AI）作为一种重要的技术，正在逐渐影响到我们的日常生活和工作。
本次实验旨在学习和探索人工智能的基本技术，并通过实践加深对其原理和应用的理解。
首先，本次实验分为两个部分：人工智能基础技术的学习和人工智能应用的实践。
在人工智能基础技术学习的部分，我们研究了人工智能的核心技术包括机器学习、神经网络、深度学习等。
我们首先学习了机器学习的基本概念和算法，包括监督学习、无监督学习和强化学习等。
我们使用Python编程语言，利用机器学习库进行了实践，例如使用Scikit-learn库实现了线性回归和K-means 聚类算法。
其次，我们学习了神经网络的基本原理和算法，在激活函数、损失函数、优化算法等方面进行了深入研究。
我们利用TensorFlow库搭建了神经网络模型，并使用MNIST数据集进行了手写数字识别的实验。
通过不断调整网络结构和参数，我们逐渐提高了模型的准确率。
最后，我们学习了深度学习的原理和常用的深度学习模型，包括卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network, RNN）等。
我们使用Keras库搭建了CNN模型，并使用CIFAR-10数据集进行了图像分类实验。
通过优化网络结构和参数，我们的模型在测试集上取得了较高的准确率。
在人工智能应用的实践部分，我们选择了自然语言处理（Natural Language Processing, NLP）为主题，具体研究了文本分类和情感分析两个任务。
我们使用了Python编程语言和NLTK（Natural Language Toolkit）库进行了实践。
首先，我们使用朴素贝叶斯算法实现了文本分类的任务，通过比较不同的特征提取方法，我们找到了最适合该任务的特征提取方法。
其次，我们使用情感词典和机器学习算法实现了情感分析的任务，通过对情感分析模型进行评估和调优，我们提高了模型的准确率和鲁棒性。
人工智能实验报告四
人工智能实验报告四课程实验报告课程名称：人工智能实验项目名称：实验四：分类算法实验专业班级：姓名：学号：实验时间：2021年6月18日实验四：分类算法实验一、实验目的1.了解有关支持向量机的基本原理2.能够使用支持向量机的代码解决分类与回归问题3. 了解图像分类的基本原理二、实验的硬件、软件平台硬件：计算机软件：操作系统：***** 10应用软件：C+ + ,Java或者Matlab三、实验内容支持向量机算法训练分类器：1.训练数据集：见文档“分类数据集.doc”，前150个数据作为训练数据，其他数据作为测试数据，数据中“ + 1”“-1”分别表示正负样本。
2.使用代码中的C-SVC算法和默认参数来训练“分类数据集doc”中所有的数据（包括训练数据和测试数据），统计分类查准率。
3.在2的基础上使用k-折交叉验证思想来训练分类器并统计分类查准率。
4.使用2中的设置在训练数据的基础上学习分类器，将得到的分类器在测试数据上进行分类预测，统计查准率。
5.在4上尝试不同的C值（"-c”参数）来调节分类器的性能并绘制查准率曲线。
6.尝试不同的kernel函数（"-t”参数）来调节分类器的性能并绘制查准率曲线，对每种kernel函数尝试调节其参数值并评估查准率。
四. 实验操作采用提供的windows版本的libsvm完成实验。
1.文档“分类数据集.doc”改名为trainall.doc，前150组数据保存为train.doc 后120 组保存为test.doc2.使用代码中的C-SVC算法和默认参数来训练“分类数据集.doc” 中所有的数据（包括训练数据和测试数据），统计分类查准率。
用法：svm-scale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值：lower =- 1, upper = 1，没有对y进行缩放）按实验要求这个函数直接使用缺省值就行了。
人工智能实验报告
人工智能实验报告实验一 在搜索策略实验群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。
搜索图算法比较广度优先深度优先 A*Open 表 节点G ，节点10节点G ，节点6节点3，节点9，节点G ，节点10，节点8Close 表节点s ，节点1，节点2，节点3，节点4，节点5，节点6，节点7，节点8，节点9 节点s,节点1，节点3，节点7，节点4，节点8，节点2，节点5，节点9节点s ，节点2，节点1，节点5，节点6，节点4估价函数无无)()()(n h n g n f +=搜索节点次序记录 节点s ，节点1，节点2，节点3，节点4，节点5，节点6，节点7，节点8，节点9,节点G 节点s,节点1，节点3，节点7，节点4，节点8，节点2，节点5，节点9，节点G 节点s ，节点2，节点1，节点5，节点6，节点4，节点G观测结果 经过11步搜索得到目标节点经过10步搜索得到目标节点经过7步搜索得到目标节点学生结论宽度优先搜索能保证在搜索树 深度优先搜索要沿路径一条一 A*算法是启发式算法的一中找到一条通向目标节点的最短路径，但由于盲目性大所以当搜索数据比较多的时候该方法较为费时。
条的走到底，如果目标在前几条路径中那么该搜索会较为快捷，在本搜索树中虽然比宽度优先少一步，但是若第一条路径或者某几条路径很深，则该搜索会相当耗时且不能保证成功。
种能通过路径的权值找出代价最为小的一条，所以很具优越性，但是算法本身计算较为复杂，要考虑以前的和将来两方面的代价，进行估算，所以没有前两种方法简单。
实验二：产生式系统实验实验目的熟悉和掌握产生式系统的运行机制，掌握基于规则推理的基本方法。
推理方法□ 正向推理 □ 反向推理建立规则库 建立事实库该动物是哺乳动物 <- 该动物有毛发. 该动物是哺乳动物 <- 该动物有奶.该动物是鸟 <- 该动物有羽毛.该动物是鸟 <- 该动物会飞&会下蛋. 该动物是食肉动物 <- 该动物吃肉.该动物是食肉动物 <- 该动物有犬齿&有爪&眼盯前方. 该动物是有蹄类动物 <- 该动物是哺乳动物&有蹄. 该动物是有蹄类动物 <- 该动物是哺乳动物& 是嚼反刍动物.该动物是金钱豹 <- 该动物是哺乳动物&是食肉动物&是黄褐色&身上有暗斑点.该动物是虎 <- 该动物是哺乳动物&是食肉动物&是黄褐色&身上有黑色条纹.该动物是长颈鹿 <- 该动物是有蹄类动物&有长脖子&有长腿&身上有暗斑点.该动物是斑马 <- 该动物是有蹄类动物&身上有黑色条纹.该动物是鸵鸟 <- 该动物是鸟&有长脖子&有长腿&不会飞&有黑白二色.该动物是企鹅 <- 该动物是鸟&会游泳&不会飞&有黑白二色.该动物是信天翁 <- 该动物是鸟&善飞.%------动物识别系统事实集： %--该动物是企鹅 会游泳. 不会飞.有黑白二色. %该动物是鸟.%-------- %--该动物是鸟 该动物会飞.会下蛋.%----该动物是金钱豹 <- 该动物是哺乳动物&是食肉动物&是黄褐色&身上有暗斑点. 该动物有毛发. %是食肉动物. 是黄褐色. 身上有暗斑点. 该动物吃肉.%----该动物是虎 <- 该动物是哺乳动物&是食肉动物&是黄褐色&身上有黑色条纹.该动物是哺乳动物.%是食肉动物. 是黄褐色.身上有黑色条纹.%----该动物是长颈鹿 <- 该动物是有蹄类动物&有长脖子&有长腿&身上有暗斑点. %该动物是有蹄类动物. 有长脖子. 有长腿. 身上有暗斑点.%----该动物是有蹄类动物 <- 该动物是哺乳动物&有蹄. %有蹄.预测结果在相关询问：该动物是哺乳动物？ 该动物是鸟？ 该动物是食肉动物？ 该动物是金钱豹？该动物是鸵鸟？该动物是企鹅？时为真，其余为假。
游戏人工智能实验报告四
实验四有限状态机实验实验报告一、实验目的通过蚂蚁世界实验掌握游戏中追有限状态机算法二、实验仪器Windows7系统Microsoft Visual Studio2015三、实验原理及过程1）制作菜单设置参数：点击会弹出对话框，设置一些参数，红、黑蚂蚁的家会在地图上标记出来运行：设置好参数后点击运行，毒药、食物、水会在地图上随机显示下一步：2只红蚂蚁和2只黑蚂蚁会随机出现在地图上，窗口右方还会出现红、黑蚂蚁当前数量的统计不断按下一步，有限状态机就会不断运行，使蚁群产生变化2）添加加速键资源视图中下方选择ID和键值3）新建头文件def.h在AntView.cpp中加入#include "def.h"与本实验有关的数据大都是在这里定义的int flag=0;#define kForage 1#define kGoHome 2#define kThirsty 3#define kDead 4#define kMaxEntities 200class ai_Entity{public:int type;int state;int row;int col;ai_Entity();~ai_Entity() {}void New (int theType,int theState,int theRow,int theCol);void Forage();void GoHome();void Thirsty();void Dead();};ai_Entity entityList[kMaxEntities];#define kRedAnt 1#define kBlackAnt 2int RedHomeRow;int RedHomeCol;int BlackHomeRow;int BlackHomeCol;int RedNum=2;int BlackNum=2;//地图大小，可改变#define kMaxRows 30#define kMaxCols 40#define LENGTH 20int terrain[kMaxRows][kMaxCols];#define kGround 1#define kWater 2#define kBlackHome 3#define kRedHome 4#define kPoison 5#define kFood 6//ai_Entity类中函数的定义ai_Entity::ai_Entity(){type=0;state=0;row=0;col=0;}int Rnd(int min, int max)//不能产生负数{int result;do{result=rand()%max;}while(result<=min);return result;}void ai_Entity::New (int theType,int theState,int theRow,int theCol) {type=theType;row=theRow;col=theCol;state=theState;}void ai_Entity::Forage(){int rowMove;int colMove;int newRow;int newCol;int foodRow;int foodCol;int poisonRow;int poisonCol;rowMove=Rnd(-1,3)-1;colMove=Rnd(-1,3)-1;newRow=row+rowMove;newCol=col+colMove;if(newRow<0)return;if(newCol<0)return;if(newRow>=kMaxRows)return;if(newCol>=kMaxCols)return;if((terrain[newRow][newCol]==kGround)||(terrain[newRow][newCol]==kWater)) {row=newRow;col=newCol;}if(terrain[newRow][newCol]==kFood){row=newRow;col=newCol;terrain[row][col]=kGround;state=kGoHome;do{foodRow=Rnd(-1,kMaxRows);foodCol=Rnd(-1,kMaxCols);}while(terrain[foodRow][foodCol]!=kGround);terrain[foodRow][foodCol]=kFood;}if(terrain[newRow][newCol]==kPoison){row=newRow;col=newCol;terrain[row][col]=kGround;state=kDead;do{poisonRow=Rnd(-1,kMaxRows);poisonCol=Rnd(-1,kMaxCols);}while(terrain[poisonRow][poisonCol]!=kGround);terrain[poisonRow][poisonCol]=kPoison;}}void ai_Entity::GoHome(){int rowMove;int colMove;int newRow;int newCol;int homeRow;int homeCol;int poisonRow;int poisonCol;int i;if(type==kRedAnt){homeRow=RedHomeRow;homeCol=RedHomeCol;}else{homeRow=BlackHomeRow;homeCol=BlackHomeCol;}if(row<homeRow)rowMove=1;else if(row>homeRow)rowMove=-1;elserowMove=0;if(col<homeCol)colMove=1;else if(col>homeCol)colMove=-1;elsecolMove=0;newRow=row+rowMove;newCol=col+colMove;if(newRow<0)return;if(newCol<0)return;if(newRow>=kMaxRows)return;if(newCol>=kMaxCols)return;if(terrain[newRow][newCol]!=kPoison){row=newRow;col=newCol;}else{row=newRow;col=newCol;terrain[row][col]=kGround;state=kDead;do{poisonRow=Rnd(-1,kMaxRows);poisonCol=Rnd(-1,kMaxCols);}while(terrain[poisonRow][poisonCol]!=kGround);terrain[poisonRow][poisonCol]=kPoison;}if((newRow==homeRow)&&(newCol==homeCol)){row=newRow;col=newCol;state=kThirsty;for(i=0;i<kMaxEntities;i++)if(entityList[i].type==0){entityList[i].New(type,kForage,homeRow,homeCol);if(type==kRedAnt)RedNum++;if(type==kBlackAnt)BlackNum++;break;}}}void ai_Entity::Thirsty(){int rowMove;int colMove;int newRow;int newCol;int foodRow;int foodCol;int poisonRow;int poisonCol;rowMove=Rnd(-1,3)-1;colMove=Rnd(-1,3)-1;newRow=row+rowMove;newCol=col+colMove;if(newRow<0)return;if(newCol<0)return;if(newRow>=kMaxRows)return;if(newCol>=kMaxCols)return;if((terrain[newRow][newCol]==kGround)||(terrain[newRow][newCol]==kFood)) {row=newRow;col=newCol;}if(terrain[newRow][newCol]==kWater){row=newRow;col=newCol;terrain[row][col]=kGround;state=kForage;do{foodRow=Rnd(-1,kMaxRows);foodCol=Rnd(-1,kMaxCols);}while(terrain[foodRow][foodCol]!=kGround);terrain[foodRow][foodCol]=kWater;}if(terrain[newRow][newCol]==kPoison){row=newRow;col=newCol;terrain[row][col]=kGround;state=kDead;do{poisonRow=Rnd(-1,kMaxRows);poisonCol=Rnd(-1,kMaxCols);}while(terrain[poisonRow][poisonCol]!=kGround);terrain[poisonRow][poisonCol]=kPoison;}}void ai_Entity::Dead(){if(type==kRedAnt)RedNum--;if(type==kBlackAnt)BlackNum--;type=0;}4）制作对话框添加资源，拖动控件9个静态文本框，7个编辑框右键对话框添加类InputDlg，添加成员变量int m_RedHomeRow;int m_RedHomeCol;int m_BlackHomeRow;int m_BlackHomeCol;int m_food;int m_water;int m_poison;在AntView.cpp中加入#include "InputDlg.h"5）对菜单项添加事件给CAntView类添加一些成员变量没做说明都是添加到CAntView类，没做说明都是COMMAND事件。
人工智能实验报告材料
标准文档《人工智能》课外实践报告项目名称：剪枝法五子棋所在班级： 2013级软件工程一班小组成员：李晓宁、白明辉、刘小晶、袁成飞、程小兰、李喜林指导教师：薛笑荣起止时间： 2016-5-10——2016-6-18项目基本信息项目名称五子棋项目简介智力小游戏作为人们日常休闲娱乐的工具已经深入人们的生活，五子棋更成为了智力游戏的经典，它是基于AI的αβ剪枝法和极小极大值算法实现的人工智能游戏，让人们能和计算机进行对弈。
这个项目我们实现了当人点击“开始”按钮时，开始下棋，当人的棋子落时，计算机会根据算法进行最佳路径计算，然后落子下棋。
任何一方赢了都会弹出哪方赢了。
然后单击重新开始。
任务分工李晓宁 130904021 白明辉 130904001：负责界面实现和估值函数设计文档整理刘小晶 130904032 袁成飞 130904051：负责极小极大值算法的设计与实现李喜林 130904019 程小兰 130904004：负责αβ剪枝法的设计与实现一、系统分析1.1背景1.1.1 设计背景智力小游戏作为人们日常休闲娱乐的工具已经深入人们的生活，五子棋更成为了智力游戏的经典，它是基于AI的αβ剪枝法和极小极大值算法实现的人工智能游戏，让人们能和计算机进行对弈。
能使人们在与电脑进行对弈的过程中学习五子棋，陶冶情操。
并且推进人们对AI的关注和兴趣。
1.1.2可行性分析通过研究，本游戏的可行性有以下三方面作保障（1）技术可行性本游戏采用Windows xp等等系统作为操作平台，使用人工智能进行算法设计，利用剪枝法进行编写，大大减少了内存容量，而且不用使用数据库，便可操作，方便可行，因此在技术上是可行的。
（2）经济可行性开发软件：SublimText（3）操作可行性该游戏运行所需配置低、用户操作界面友好，具有较强的操作可行性。
1.2数据需求五子棋需要设计如下的数据字段和数据表：1.2.1 估值函数：估值函数通常是为了评价棋型的状态，根据实现定义的一个棋局估值表，对双方的棋局形态进行计算，根据得到的估值来判断应该采用的走法。
人工智能实验报告
人工智能实验报告摘要：人工智能（AI）是一种模拟和模仿人类智能的技术，它可以模拟人类的思维和决策过程。
本实验报告旨在介绍人工智能的基本概念、发展历程、应用领域以及实验结果。
实验结果显示，人工智能在各个领域都取得了显著的成果，并且在未来的发展中有着广泛的应用前景。
引言：人工智能是一个非常有趣和有挑战性的领域，吸引了许多研究人员和企业的关注。
人工智能技术可以应用于各种领域，包括医疗、金融、交通、教育等。
本实验报告将通过介绍人工智能的基本概念和应用案例，以及展示实验结果，来展示人工智能的潜力和发展前景。
一、人工智能的基本概念人工智能是一种模拟和模仿人类智能的技术，主要包括以下几个方面：1. 机器学习：机器学习是人工智能的一个重要分支，它通过让机器学习自己的模式和规则来实现智能化。
机器学习的方法包括监督学习和无监督学习。
2. 深度学习：深度学习是机器学习的一个子集，它模拟了人类大脑的神经网络结构，可以处理更复杂的问题并取得更好的结果。
3. 自然语言处理：自然语言处理是指让计算机理解和处理人类语言的能力。
这个领域涉及到语音识别、语义分析、机器翻译等技术。
二、人工智能的发展历程人工智能的发展可以追溯到上世纪50年代，当时研究人员开始探索如何使计算机具备智能。
但是由于当时计算机的处理能力和算法的限制，人工智能的发展进展缓慢。
直到近年来，随着计算机技术和机器学习算法的快速发展，人工智能迎来了一个新的发展阶段。
如今, 人工智能技术在各个领域中得到了广泛的应用。
三、人工智能的应用领域1. 医疗领域：人工智能可以应用于医疗影像分析、疾病诊断和预测等方面。
例如，利用人工智能技术，可以提高病理切片的诊断准确率，帮助医生更好地判断病情。
2. 金融领域：人工智能可以应用于风险管理、投资决策和交易监测等方面。
例如，利用机器学习和数据分析，可以预测股票市场的走势并制定相应的投资策略。
3. 交通领域：人工智能可以应用于交通管理、无人驾驶和交通预测等方面。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
游戏人工智能实验报告记录四————————————————————————————————作者：————————————————————————————————日期：实验四有限状态机实验实验报告一、实验目的通过蚂蚁世界实验掌握游戏中追有限状态机算法二、实验仪器Windows7系统Microsoft Visual Studio2015三、实验原理及过程1）制作菜单设置参数：点击会弹出对话框，设置一些参数，红、黑蚂蚁的家会在地图上标记出来运行：设置好参数后点击运行，毒药、食物、水会在地图上随机显示下一步：2只红蚂蚁和2只黑蚂蚁会随机出现在地图上，窗口右方还会出现红、黑蚂蚁当前数量的统计不断按下一步，有限状态机就会不断运行，使蚁群产生变化2）添加加速键资源视图中下方选择ID和键值3）新建头文件def.h在AntView.cpp中加入#include"def.h"与本实验有关的数据大都是在这里定义的int flag=0;#define kForage 1#define kGoHome 2#define kThirsty 3#define kDead 4#define kMaxEntities 200class ai_Entity{public:int type;int state;int row;int col;ai_Entity();~ai_Entity() {}void New (int theType,int theState,int theRow,int theCol);void Forage();void GoHome();void Thirsty();void Dead();ai_Entity entityList[kMaxEntities];#define kRedAnt 1#define kBlackAnt 2int RedHomeRow;int RedHomeCol;int BlackHomeRow;int BlackHomeCol;int RedNum=2;int BlackNum=2;//地图大小，可改变#define kMaxRows 30#define kMaxCols 40#define LENGTH 20int terrain[kMaxRows][kMaxCols];#define kGround 1#define kWater 2#define kBlackHome 3#define kRedHome 4#define kPoison 5#define kFood 6//ai_Entity类中函数的定义ai_Entity::ai_Entity(){type=0;state=0;row=0;col=0;}int Rnd(int min, int max)//不能产生负数{int result;do{result=rand()%max;}while(result<=min);return result;}void ai_Entity::New (int theType,int theState,int theRow,int theCol){type=theType;row=theRow;col=theCol;state=theState;}void ai_Entity::Forage(){int rowMove;int colMove;int newRow;int newCol;int foodRow;int foodCol;int poisonRow;int poisonCol;rowMove=Rnd(-1,3)-1;colMove=Rnd(-1,3)-1;newRow=row+rowMove;newCol=col+colMove;if(newRow<0)return;if(newCol<0)return;if(newRow>=kMaxRows)return;if(newCol>=kMaxCols)return;if((terrain[newRow][newCol]==kGround)||(terrain[newRow][newCol]==kWater)) {row=newRow;col=newCol;}if(terrain[newRow][newCol]==kFood){row=newRow;col=newCol;terrain[row][col]=kGround;state=kGoHome;do{foodRow=Rnd(-1,kMaxRows);foodCol=Rnd(-1,kMaxCols);}while(terrain[foodRow][foodCol]!=kGround);terrain[foodRow][foodCol]=kFood;}if(terrain[newRow][newCol]==kPoison){row=newRow;col=newCol;terrain[row][col]=kGround;state=kDead;do{poisonRow=Rnd(-1,kMaxRows);poisonCol=Rnd(-1,kMaxCols);}while(terrain[poisonRow][poisonCol]!=kGround);terrain[poisonRow][poisonCol]=kPoison;}}void ai_Entity::GoHome(){int rowMove;int colMove;int newRow;int newCol;int homeRow;int homeCol;int poisonRow;int poisonCol;int i;if(type==kRedAnt){homeRow=RedHomeRow;homeCol=RedHomeCol;}else{homeRow=BlackHomeRow;homeCol=BlackHomeCol;}else if(row>homeRow)rowMove=-1;elserowMove=0;if(col<homeCol)colMove=1;else if(col>homeCol)colMove=-1;elsecolMove=0;newRow=row+rowMove;newCol=col+colMove;if(newRow<0)return;if(newCol<0)return;if(newRow>=kMaxRows)return;if(newCol>=kMaxCols)return;if(terrain[newRow][newCol]!=kPoison){row=newRow;col=newCol;}else{row=newRow;col=newCol;terrain[row][col]=kGround;state=kDead;do{poisonRow=Rnd(-1,kMaxRows);poisonCol=Rnd(-1,kMaxCols);}while(terrain[poisonRow][poisonCol]!=kGround);terrain[poisonRow][poisonCol]=kPoison;}if((newRow==homeRow)&&(newCol==homeCol)) {state=kThirsty;for(i=0;i<kMaxEntities;i++)if(entityList[i].type==0){entityList[i].New(type,kForage,homeRow,homeCol);if(type==kRedAnt)RedNum++;if(type==kBlackAnt)BlackNum++;break;}}}void ai_Entity::Thirsty(){int rowMove;int colMove;int newRow;int newCol;int foodRow;int foodCol;int poisonRow;int poisonCol;rowMove=Rnd(-1,3)-1;colMove=Rnd(-1,3)-1;newRow=row+rowMove;newCol=col+colMove;if(newRow<0)return;if(newCol<0)return;if(newRow>=kMaxRows)return;if(newCol>=kMaxCols)return;if((terrain[newRow][newCol]==kGround)||(terrain[newRow][newCol]==kFood)) {row=newRow;col=newCol;}if(terrain[newRow][newCol]==kWater){row=newRow;col=newCol;terrain[row][col]=kGround;state=kForage;do{foodRow=Rnd(-1,kMaxRows);foodCol=Rnd(-1,kMaxCols);}while(terrain[foodRow][foodCol]!=kGround);terrain[foodRow][foodCol]=kWater;}if(terrain[newRow][newCol]==kPoison){row=newRow;col=newCol;terrain[row][col]=kGround;state=kDead;do{poisonRow=Rnd(-1,kMaxRows);poisonCol=Rnd(-1,kMaxCols);}while(terrain[poisonRow][poisonCol]!=kGround);terrain[poisonRow][poisonCol]=kPoison;}}void ai_Entity::Dead(){if(type==kRedAnt)RedNum--;if(type==kBlackAnt)BlackNum--;type=0;}4）制作对话框添加资源，拖动控件9个静态文本框，7个编辑框右键对话框添加类InputDlg，添加成员变量int m_RedHomeRow;int m_RedHomeCol;int m_BlackHomeRow;int m_BlackHomeCol;int m_food;int m_water;int m_poison;在AntView.cpp中加入#include"InputDlg.h"5）对菜单项添加事件给CAntView类添加一些成员变量没做说明都是添加到CAntView类，没做说明都是COMMAND事件。