福州大学人工智能作业Word格式.docx

1、 pH_1_FE2=（LN2*oH_1）/（1+LN2*oH_1）; if C1=1 %初始证据 CP公式 S1=input（请输入E1的可信度: if S1 pH_1_S1=（pH_1+（pH_1_E1-pH_1）/5*S1）; else pH_1_S1=（pH_1_FE1+（pH_1-pH_1_FE1）*（S1/5+1）; end else %中间结论 EH公式 pE1=input（请输入E1的先验概率: pE1_S1=input（请输入E1的后验概率: if pE1_S1=pE1 pH_1_S1=（pH_1+（pH_1_E1-pH_1）/（1-pE1）*（pE1_S1-pE1）; pH_

2、1_S1=（pH_1_FE1+（pH_1-pH_1_FE1）/（pE1）*（pE1_S1）; end if C2=1 S2=input（请输入E2的可信度: if S2 pH_1_S2=（pH_1+（pH_1_E2-pH_1）/5*S2）; pH_1_S2=（pH_1_FE2+（pH_1-pH_1_FE2）*（S2/5+1）; else pE2=input（请输入E2的先验概率: pE2_S2=input（请输入E2的后验概率: if pE2_S2=pE2 pH_1_S2=（pH_1+（pH_1_E2-pH_1）/（1-pE2）*（pE2_S2-pE2）; pH_1_S2=（pH_1_FE2+

3、（pH_1-pH_1_FE2）/（pE2）*（pE2_S2）; oH_1_S1=（pH_1_S1）/（1-pH_1_S1）; oH_1_S2=（pH_1_S2）/（1-pH_1_S2）; oH_2=（oH_1_S1/oH_1）*（oH_1_S2/oH_1）*oH_1）; pH_2=（oH_2/（1+oH_2）; fprintf（H的先验几率=%fn,oH_1）H的先验概率=%fn,pH_1）H的后验几率=%fn,oH_2）H的后验概率=%fn,pH_2）elseif U=0 %更新算法 if C1=1 pH_1_S1_E2=（LS2*oH_1_S1）/（1+LS2*oH_1_S1）; pH_1

4、_S1_FE2=（LN2*oH_1_S1）/（1+LN2*oH_1_S1）; pH_1_S1S2=（pH_1_S1+（pH_1_S1_E2-pH_1_S1）/5*S2）; pH_1_S1S2=（pH_1_S1_FE2+（pH_1_S1-pH_1_S1_FE2）*（S2/5+1）; pH_1_S1S2=（pH_1_S1+（pH_1_S1_E2-pH_1_S1）/（1-pE2）*（pE2_S2-pE2）; pH_1_S1S2=（pH_1_S1_FE2+（pH_1_S1-pH_1_S1_FE2）/（pE2）*（pE2_S2）; oH_1_S1S2=（pH_1_S1S2）/（1-pH_1_S1S2）;

5、,oH_1_S1S2）,pH_1_S1S2）end二、分别编写遗传算法和粒子群算法程序完成Camel函数寻优 Camel函数描述为：该函数有六个局部极小点，其中（-0.0898，0.7126）和（0.0898，0.7126）为全局最小点，最小值为-1.031628。本题题目有误：第一项为的偶次幂故取正负无影响，第三项同理。但是对于第二项当取-0.0898和0.0898时算出的不可能一样。故这题结论是错误的，全局最小点为（-0.0898，0.7126）。A.遗传算法A.2.1编程思路对种群进行初始化，解码并且计算目标值和适应度。比例运算，交叉运算，变异运算生成新的种群并且输出目标值。A.2.2计

6、算结果上图为一次计算结果，可以看出基本接近于题目中的结论。算法测试结果：由于时间有限，一共做了100次测试得出结果是：最大与最小的差值仅仅只有0.003的差值，可见算法的精度还是比较高的。A.2.3问题与思考 由于自己编写的GA算法一直在目标函数与适应度函数的转化上出现错误导致无法得出正常结果，故在参照同学的程序上进行了进一步的修改得到下面的算法程序。但是同时也有一些问题无法得到理解与解决。 1、程序中并没有对适应度进行非负的转化 2、由于负数的适应度存在导致在比例选择中总的适应度降低，从而进一步导致正数的适应度间接增大，而负数的适应度丢失。 3、即使存在上述两点的问题，算法的结果依然是接近于

7、正确，导致本人对此感到匪夷所思，然而时间和能力的有限使得本人并没有进一步研究与探讨。A.2.4算法程序function = GAclear allclose all%参数Size=150;G=300;L=10;xmax=3;xmin=-3;ymax=2;ymin=-2;pc=0.60;pm=0.01;%初始化E=round（rand（Size,2*L）;%主程序 for k=1:1:G time（k）=k; for s=1:Size m=E（s,: t1=0; t2=0; %解码 m1=m（1:L）; for i=1:L t1=t1+m1（i）*2（i-1）; x（s）=（xmax-xmin）

8、*t1/（2L-1）+xmin; m2=m（L+1:2*L）; t2=t2+m2（i）*2（i-1）; y（s）=（ymax-ymin）*t2/（2L-1）+ymin; F（s）=（4-2.1*x（s）2+x（s）4/3）*x（s）2+x（s）*y（s）+（-4+4*y（s）2）*y（s）2; %从大到小排序 fi=F; Oderfi,Indexfi=sort（fi,descend Bestfi=Oderfi（Size）; BestS=E（Indexfi（Size）,: BestX=x（Indexfi（Size）; BestY=y（Indexfi（Size）; bfi（k）=Bestfi; %

9、比例选择法 fi_sum=sum（fi）; fi_Size=（Oderfi/fi_sum）*Size; fi_S=floor（fi_Size）; kk=1; for j=1:fi_S（i） TempE（kk,:）=E（Indexfi（i）,: kk=kk+1; %交叉运算 n=ceil（20*rand）;2:（Size-1） temp=rand; if pc=temp for j=n:20 TempE（i,j）=E（i+1,j）; TempE（i+1,j）=E（i,j）; TempE（Size,:）=BestS;%保留优秀个体 E=TempE; %变异运算2*L if pm if TempE（

10、i,j）=0 TempE（i,j）=1; TempE（i,j）=0; %新种群 Min_Value=Bestfi;最小值=%fn,Min_Value）X=%fn,BestX）Y=%fn,BestY） figure（1）; plot（time,bfi）; xlabel（timesylabel（Best FB.粒子群算法B.2.1编程思路参数、种群初始化计算各个粒子的适应度，初始化全局最优跟个体最优。学习因子更新、速度更新、种群更新、适应度更新、最优更新输出结果B.2.2计算结果函数最小值=-1.030325x=-0.085016 ；y=0.700078B.2.3 算法测试上图为200次粒子群算法

11、测试，可以看出最大最小之间误差大约为0.03，并且出现最大误差的次数大约为3%，可见算法可靠性还算可以。B.2.4 算法程序function = Pso%输入变量N=2; %（解空间的维度=M=20;c1max=2.5;c1min=0.5;c2max=2.5;c2min=0.5;%初始化种群for i=1:M pop（i,1）=3*rands（1,1）;%1行一列-3 3的随机数 pop（i,2）=2*rands（1,1）; V（i,:）=rand（1,2）;%计算各个粒子的适应度，并初始化pbest跟gbestfitness（i）=（4-2.1*（pop（i,1）2）+（pop（i,1）4）

12、/3）*（pop（i,1）2）+（pop（i,1）*pop（i,2）+（-4+4*（pop（i,2）2）*（pop（i,2）2）;bestfitness bestindex=min（fitness）;%min返回两个值 第一个为最小值，第二个为最小值位置zbest=pop（bestindex,: %全局最佳gbest=pop; %个体最佳fitnessgbest=fitness; %个体最佳适应度值fitnesszbest=bestfitness; %全局最佳适应度值%迭代寻优 %学习因子更新 c1=c1max-（c1max-c1min）*i/G; c2=c2min+（c2max-c2min）

13、*i/G; V（j,:） = V（j,:） + c1*rand*（gbest（j,:） - pop（j,:） + c2*rand*（zbest - pop（j,:）; %速度更新 pop（j,:）=pop（j,:）+V（j,: %种群更新fitness（j）=（4-2.1*（pop（j,1）2）+（pop（j,1）4）/3）*（pop（j,1）2）+（pop（j,1）*pop（j,2）+（-4+4*（pop（j,2）2）*（pop（j,2）2）; %适应度更新 if fitness（j） fitnessgbest（j） %个体最优更新 gbest（j,:） = pop（j,: fitnessg

14、best（j） = fitness（j）; fitnesszbest %群体最优更新 zbest = pop（j,: fitnesszbest = fitness（j）; G_best（i）=fitnesszbest;fprintf（函数最小值=%fn,fitnesszbest）x=%fn,zbest（1）y=%fn,zbest（2）三、编写蚁群算法程序完成31个城市的TSP问题寻优31个城市坐标为：1304 2312；3639 1315；4177 2244；3712 1399；3488 1535；3326 1556；3238 1229；4196 1004；4312 790；4386 570；

15、3007 1970；2562 1756；2788 1491；2381 1676；1332 695；3715 1678；3918 2179；4061 2370；3780 2212；3676 2578；4029 2838；4263 2931；3429 1908；3507 2367；3394 2643；3439 3201；2935 3240；3140 3550；2545 2357；2778 2826；2370 29753.1编程思路初始化：计算距离矩阵，蚂蚁位置初始化选择城市：计算选择概率，转盘选择，更新禁忌表计算路径长度，记录本次迭代最佳路线更新信息素，禁忌表清空输出结果，绘制路线图3.2计算结果

16、最短距离=16038.794579最佳路径为：15-14-12-13-11-23-16-5-6-7-2-4-8-9-10-17-3-18-21-22-19-24-20-25-26-28-27-30-31-29-1-153.3算法程序function = AcoC=1304,2312;3639,1315;4177,2244;3712,1399;3488,1535;3326,1556;3238,1229;4196,1004;4312,790;4386,570;3007,1970;2562,1756;2788,1491;2381,1676;1332,695;3715,1678;3918,2179;4

17、061,2370;3780,2212;3676,2578;4029,2838;4263,2931;3429,1908;3507,2367;3394,2643;3439,3201;2935,3240;3140,3550;2545,2357;2778,2826;2370,2975;%C为坐标，n乘2矩阵 m=20;%蚂蚁个数约等于（城市个数/1.5） NC_max=200;%最大迭代次数 A=1;%信息素重要程度 B=5;%启发因子重要程度 Q=10;%信息素增强强度系数 R=0.7;%信息素蒸发系数%初始化变量 n=size（C,1）;%n为城市的数量 1表示行数 D=zeros（n,n）;%D

18、为邻接矩阵n if i=j D（i,j）=（C（i,1）-C（j,1）2+（C（i,2）-C（j,2）2）0.5）;%两两城市间的距离 D（i,j）=eps;%防止启发因子分母为0 D（j,i）=D（i,j）; E=1./D;%E为启发因子，距离的倒数 T=ones（n,n）;%T为信息素矩阵 Tabu=zeros（m,n）;%Tabu为禁忌表 NC=1;%迭代计数器 road_best=zeros（NC_max,n）; length_best=inf.*ones（NC_max,1）; length_avg=zeros（NC_max,1）; while NC=rand）; to_visit=J

19、（select（1）; Tabu（i,j）=to_visit; if NC=2 Tabu（1,:）=road_best（NC-1,:%记录本次迭代最佳路线 L=zeros（m,1）;m road=Tabu（i,:（n-1） L（i）=L（i）+D（road（j）,road（j+1）; L（i）=L（i）+D（road（1）,road（n）; length_best（NC）=min（L）; pos=find（L=length_best（NC）; road_best（NC,:）=Tabu（pos（1）,: length_avg（NC）=mean（L）;%mean为求数组平均值 NC=NC+1;%更

20、新信息素 Delta_T=zeros（n,n）;%信息素变化量 Delta_T（Tabu（i,j）,Tabu（i,j+1）=Delta_T（Tabu（i,j）,Tabu（i,j+1）+Q/L（i）; Delta_T（Tabu（i,n）,Tabu（i,1）=Delta_T（Tabu（i,n）,Tabu（i,1）+Q/L（i）; T=（1-R）.*T+R.*Delta_T;%禁忌表清空%输出结果 Pos=find（length_best=min（length_best）; R_best=road_best（Pos（1）,: L_best=length_best（Pos（1）;最短距离=%fn,L_best）最佳路径为）%d-,R_best（i）%dn,R_best（1） subplot（1,2,1） %路线图绘制 N=length（R_best）; scatter（C（:,1）,C（:,2）; hold on plot（C（R_best（1）,1）,C（R_best（N）,1）,C（R_best（1）,2）