实验内容(计算智能方法)
智能系统设计实验报告
智能系统设计实验报告一、实验目的本次实验旨在通过设计和实现一个智能系统，来展示学生对于智能系统设计的理解和应用能力。
通过此实验，学生将了解智能系统的基本原理和设计流程，掌握智能系统的设计方法和实现技巧。
二、实验内容1. 确定智能系统的功能和性能要求2. 设计系统结构和模块3. 实现系统功能并进行测试验证4. 分析系统性能并优化改进三、实验步骤1. 确定智能系统的功能和性能要求在实验开始前，首先需要明确智能系统的功能和性能要求。
这包括系统需要实现的具体功能，以及对系统性能的各种指标要求。
2. 设计系统结构和模块根据系统要求，设计系统的整体结构和各个模块之间的关系。
确定各个模块的功能和接口，以及数据传输和处理的方式。
3. 实现系统功能并进行测试验证根据系统设计，编写代码实现系统的各项功能。
在实现过程中，需要进行适时的测试验证，确保系统的各项功能符合要求。
4. 分析系统性能并优化改进完成系统功能实现后，需要对系统性能进行分析评估。
根据评估结果，对系统进行优化改进，提高系统的性能和稳定性。
四、实验结果经过实验设计和实现，我们成功开发了一个智能系统，实现了系统的各项功能和性能要求。
系统能够准确、高效地完成指定任务，并具备良好的稳定性和扩展性。
五、实验总结通过本次实验，我们深入了解了智能系统的设计原理和实现方法，掌握了智能系统设计和开发的基本技能。
同时，我们也发现了在系统设计与实现过程中可能存在的问题和挑战，为今后的智能系统设计与开发提供了宝贵的经验和启示。
总之，本次实验不仅加深了我们对智能系统的理解，也提升了我们的动手能力和解决问题的能力。
希望通过持续的实践和学习，我们能够在智能系统设计领域取得更大的进步和成就。
计算智能主要算法概述
计算智能主要算法概述摘要：本文主要介绍计算智能中的几种算法：模糊计算、遗传算法、蚂蚁算法、微粒群优化算法（pso），详细描述了这几种算法的发展历史、研究内容及在本研究方向最近几年的应用。
关键字：计算智能模糊计算遗传算法蚂蚁算法 pso计算智能是在神经网络、模糊系统、进化计算三大智能算法分支发展相对成熟的基础上，通过各算法之间的有机融合而形成的新的科学算法，是智能理论和技术发展的一个新阶段，广泛应用于工程优化、模式识别、智能控制、网络智能自动化等领域[1]。
本文主要介绍模糊逻辑、遗传算法、蚂蚁算法、微粒群优化算法（pso）。
1 、模糊计算美国系统工程教授扎德于1965年发表的论文《fuzzy sets》首次提出模糊逻辑概念，并引入隶属度和隶属函数来刻画元素与模糊集合之间的关系，标志着模糊数学的诞生。
模糊计算将自然语言通过模糊计算转变为计算机能理解的数学语言，然后用计算机分析、解决问题。
在古典集合中，对于任意一个集合a，论域中的任何一个x，或者属于a，或者不属于a；而在模糊集合中，论域上的元素可以”部分地属于”集合a，并用隶属函数来表示元素属于集合的程度，它的值越大，表明元素属于集合的程度越高，反之，则表明元素属于集合的程度越低。
与经典逻辑中变元”非真即假”不同，模糊逻辑中变元的值可以是[0，1]区间上的任意实数。
要实现模糊计算还必须引入模糊语言及其算子，把含有模糊概念的语言称为模糊语言，模糊语言算子有语气算子、模糊化算子和判定化算子三类，语言算子用于对模糊集合进行修饰。
模糊逻辑是用if-then规则进行模糊逻辑推理，将输入的模糊集通过一定运算对应到特定输出模糊集，模糊推理的结论是通过将实施与规则进行合成运算后得到的。
模糊逻辑能够很好地处理生活中的模糊概念，具有很强的推理能力，在很多领域得以广泛应用研究，如工业控制、模式识别、故障诊断等领域。
但是大多数模糊系统都是利用已有的专家知识，缺乏学习能力，无法自动提取模糊规则和生成隶属度函数，需要与神经网络算法、遗传算法等学习能力强的算法融合来解决。
人工智能课内实验报告1
人工智能课内实验报告（一）----主观贝叶斯一、实验目的1.学习了解编程语言, 掌握基本的算法实现；2.深入理解贝叶斯理论和不确定性推理理论；二、 3.学习运用主观贝叶斯公式进行不确定推理的原理和过程。
三、实验内容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。
具体要求如下:(1) 充分考虑各种证据情况: 证据肯定存在、证据肯定不存在、观察与证据 无关、其他情况；(2) 考虑EH 公式和CP 公式两种计算后验概率的方法；(3) 给出EH 公式的分段线性插值图。
三、实验原理1.知识不确定性的表示:在主观贝叶斯方法中, 知识是产生式规则表示的, 具体形式为：IF E THEN (LS,LN) H(P(H))LS 是充分性度量, 用于指出E 对H 的支持程度。
其定义为:LS=P(E|H)/P(E|¬H)。
LN 是必要性度量, 用于指出¬E 对H 的支持程度。
其定义为:LN=P(¬E|H)/P(¬E|¬H)=(1-P(E|H))/(1-P(E|¬H))2.证据不确定性的表示在证据不确定的情况下, 用户观察到的证据具有不确定性, 即0<P(E/S)<1。
此时就不能再用上面的公式计算后验概率了。
而要用杜达等人在1976年证明过的如下公式来计算后验概率P(H/S)：P(H/S)=P(H/E)*P(E/S)+P(H/~E)*P(~E/S) （2-1）下面分四种情况对这个公式进行讨论。
（1） P (E/S)=1当P(E/S)=1时, P(~E/S)=0。
此时, 式（2-1）变成 P(H/S)=P(H/E)=1)()1()(+⨯-⨯H P LS H P LS （2-2） 这就是证据肯定存在的情况。
（2） P (E/S)=0当P(E/S)=0时, P(~E/S)=1。
计算智能与模式识别实验报告感知器与ADALINE 网络
计算智能与模式识别实验报告感知器与ADALINE 网络一・感知器与ADALINE 网络的工作原理 1. 感知器工作原理感知器是美国心理学家Rrank Rosenblatt 基于MP 模型，利用学习算法的用于分类的对噪声敏感的线性分类器，利用训练样本完成特征空间的决策边界的划感知器的结构：多神经元感知器1i i i = ⎪⎝⎭ ⎪⎪⎭⎝⎛-=∑=n i i i ki k x w f y 1θ, or ()f W =-y x θ 其中，()1, 00, if x f x otherwise≥⎧=⎨⎩ ，()12,,,T n w w w =w ，1112112 ww n m m mn w w W w w ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦两类分类，把n R 空间划分成两个区域 多类分类，把n R 空间划分成多个区域以两类为例：n R Class Class ⊂B A, . (1) 线性可分 Linear Separable称 A Class 和 B Class 是线性可分的，如果存在一个超平面将它们分开。
称超平面1:0ni i i S w x θ=-=∑为决策面（边界）；称函数∑=-=n1i )g(θi i x w x 为决策函数(或判别函数)；称区域{}g()0n R ∈>x x 和{}g()<0n R ∈x x 为决策区域；决策规则：对于新的模式n R ∈*x ，如果()0g *>x ，则 A Class *∈x ；如果()0g *<x ，则 B Class *∈x . （这里假设了决策面1:0ni i i S w x θ=-=∑的法向量指向 A Class ）需要指出的是：对于同一个决策面，决策函数的取法并不是唯一的。
例如，我们可以取决策函数为()1n i i i g f w x θ=⎛⎫=- ⎪⎝⎭∑x ，其中，f 为硬限幅函数，则这时对应的决策规则为：对于新的模式n R ∈*x ，如果()1g *=x ，则 A Class *∈x ；如果()0g *=x ，则 B Class *∈x .(2) 非线性可分 Nonlinear Separable称 A Class 和 B Class 是非线性可分的，如果存在一个非线性曲面将它们分开，g>0 g=0 g<0同线性可分情况一样，称曲面()0g =x 为决策面（边界），称函数()g x 为决策函数，对应的决策规则为：对于新的模式n R ∈*x ，如果()0g *>x ，则*x 属于一类；如果()0g *<x ，则*x 属于另一类。
计算智能实验报告 BP网络
计算智能作业二BP网络设计自己构造一个非线性分类问题，设计并构造一个BP网络，把非线性问题解决。
目标：设有两个模式集合Ω1={(0,0), (1,1)}，Ω2={(0,1),(1,0)}，用BP网络将其分类实现方法：BP网络的有以下特点：1，网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。
这使得它特别适合于求解内部机制复杂的问题。
理论上，一个三层的神经网络，能够以任意精度逼近给定的函数；2，网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；3，网络具有一定的推广、概括能力。
使用matlab中集成的神经网络工具箱中的newff函数进行分类计算与仿真。
训练前馈网络的第一步是建立网络对象。
函数newff建立一个可训练的前馈网络。
这需要4个输入参数。
第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。
第二个参数是一个设定每层神经元个数的数组。
第三个参数是包含每层用到的传递函数名称的细胞数组。
最后一个参数是用到的训练函数的名称。
实验结果：经过7步可以达到分类要求。
现在测试一下其分类的准确性。
测试点P1（0.95,0.95）和P2（0,0.95）两点，其应该分属两类。
A=[0.95 0;0.95 0.95]；out=sim(net,A)；输出得到out= -0.0006 1.0087，也就是将P1分在了第一类，P2分在第二类，与预测结果一致，说明该训练结果是有效的。
实验代码：axis([-0.5,1.5,-0.5,1.5]);hold on;plot(0,0,'o');hold on;plot(1,1,'o');hold on;plot(0.1,0.1,'o');hold on;plot(0.9,0.9,'o');hold on;plot(1,0,'x');hold on;plot(0.9,0,'x');hold on;plot(0,1,'x');hold on;plot(0,0.9,'x');hold on;p=[0 1 0.1 0.9 1 0.9 0.1 0;0 1 0.1 0.9 0 0 1 0.9];t=[0 0 0 0 1 1 1 1];net=newff(minmax(p),[3,1],{'tansig','purelin'},'trainlm');net.trainParam.epochs=500;net.trainParam.goal=0.001;LP.lr=0.5;net.trainParam.show=20;net=train(net,p,t);out=sim(net,p);注意的问题：1、BP算法的学习速度较慢，其原因主要是由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效2、网络训练失败的可能性较大，其原因是从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败3、网络结构的选择没有一种统一而完整的理论指导，参数一般只能由经验选定。
人工智能化遗传算法实验报告
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（Genetic Algorithm）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：【实验内容】题目：已知f(x)=x*sin(x)+1，x∈[0,2π],求f(x)的最大值和最小值。
数据结构：struct poptype{double gene[length];//染色体double realnumber;//对应的实数xdouble fitness;//适应度double rfitness;//相对适应度double cfitness;//累计适应度};struct poptype population[popsize+1];//最后一位存放max/min struct poptype newpopulation[popsize+1];//染色体编码：[0,2]x π∈，变量长度为2 π，取小数点后6位，由于2262322*102;π<<因此，染色体由23位字节的二进制矢量表示，则X 与二进制串（<b 22 b 21…… b 0>）2之间的映射如下：()2222212010bb ......b 2'i i i b x =⎛⎫=∙= ⎪⎝⎭∑;232'21x x π=- 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)。
《人工智能》实验指导书
山西财经大学信息管理学院王保忠编《人工智能实验指导书》适用专业：计算机科学与技术信息管理与系统信息科学与计算一、学时与学分总学时：48；总学分：4；实验学时：16；实验学分：1二、实验课的任务、性质与目的本实验课程是计算机专业、信息管理与系统学生的一门专业课程，通过实验软件环境提供的大量演示性、验证性和开发设计性实验，帮助学生更好地熟悉和掌握人工智能的基本原理和方法；通过实验提高学生编写实验报告、总结实验结果的能力；使学生对人工智能的相关理论有更深刻的认识。
三、基本原理本实验涉及人工智能的经典理论和方法，以及计算智能的部分分支和实现方法，主要包括以下内容：1. 产生式系统实验2. 搜索策略实验3. 神经网络实验4. 自动规划实验四、实验方式与基本要求本实验目的是使学生进一步加深对人工智能的基本原理和方法的认识，通过实践了解人工智能的实现手段。
实验方式：1. 实验共16学时；2. 由指导教师讲解实验的基本要求，提示算法的基本思想；3. 实验一人一组，独立完成实验的演示、验证和开发设计；4. 学生在完成预习报告后才能进入实验室进行实验。
五、实验项目的设置与内容提要《人工智能实验指导书》实验名称实验目的内容简介1 产生式系统实验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主要包括产生式系统的正、反向推理、基于逻辑的搜索等10余个相关演示性、验证性和开发性设计实验。
2 搜索策略实验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。
主要包括盲目式、启发式搜索类的10余个相关演示性、验证性和开发性设计实验。
3 神经网络实验理解反向传播网络的结构和原理，掌握反向传播算法对神经元的训练过程，了解反向传播公式。
通过构建BP网络实例，熟悉前馈网络的原理及结构。
主要包括以BP网为代表的ANN的验证性实验及设计性实验。
并包括用BP网解决一些非线性问题的典型设计实验（如异或问题、布尔代数及非线性函数模拟等）4 自动规划实验理解自动规划的基本原理，掌握为活动实体（人、组织、机器）设计合理的行为、按时间顺序的活动序列等基本技术。
计算机基础实验报告(共3篇)
篇一：计算机基础实验报告(1)xx 实验报告课程名称计算机导论项目名称操作系统与工具软件学院专业无指导教师报告人学号实验时间提交时间一、实验目的与要求1．掌握windows或linux的基本操作；2．掌握文件管理、磁盘管理以及控制面板设置；3．熟悉汉字输入法以及金山打字软件的使用；4．了解windows注册表管理和常用工具软件的使用；5．学会自己提出问题，并得出解决问题的方法。
实验内容与方法1．了解windows的启动和关闭，桌面的组成，窗口的组成和操作，鼠标及其操作，菜单与对话框，应用程序的切换，任务栏和?开始?菜单。
2.了解?资源管理器?和?我的电脑?，懂得文件和文件夹的操作，会磁盘清理，格式化磁盘，会备份和系统还原以及虚拟内存的设置和控制面板的鼠标设置、系统日期和时间、桌面背景及屏幕保护的设置、会安装与卸载应用程序、多用户环境的设置、文件夹共享的设置、汉字输入法的设置。
3.了解安装汉字输入法，添加或删除汉字输入法，输入法的选择，输入法的快捷键设置以及智能abc输入法的使用和了解金山打字软件的启动及其窗口，打字教程，英文打字，拼音打字，速度测试，个人管理。
4.了解注册表基本结构，使用注册表，备份与还原注册表信息和会使用压缩软件、adobe acrobat、虚拟光驱。
电子图书浏览与制作工具。
三、实验步骤与过程一．1.windows的启动与关闭⑴windows的启动连接计算机的电源，打开电源，安装了windows的计算机就会自动启动，计算机将显示欢迎的界面，之后将看到windows的桌面。
⑵windows的关闭单击?开始?按钮打开?开始?菜单，在其中选择?关闭计算机?，在出现的对话框中单击选择?关闭?，系统将关闭。
2.桌面的组成：桌面上摆放了一些经常用到的或特别重要的文件夹和工具图标，使用鼠标双击想使用的应用程序即可打开相应的应用程序。
3.窗口的组成窗口的基本操作有打开与关闭窗口、调整窗口大小、移动窗口等操作步骤。