《智能决策技术》实验报告.docx
《《智能决策技术》实验报告.docx》由会员分享，可在线阅读，更多相关《《智能决策技术》实验报告.docx（28页珍藏版）》请在冰点文库上搜索。
《智能决策技术》实验报告
《智能决策技术》
实验报告册
2018-2019学年第1学期
班级：
信管151
学号：
*********
**************
授课教师：
杨丽华实验教师：
杨丽华
实验学时：
16实验组号：
1
信息管理系
实验一有事前信息的决策树技术的操作应用
实验类型：
验证性实验学时：
2
实验步骤：
某石油公司的决策人，打算投资开发某油田。
根据现有资料，预计这口油井有高产、低产两种不同状态，分别记为S1、S2。
高产可获利润400万元，而低产时将净亏损200万元，已知这两种情况出现的概率分别为：
P（S1）=0.6,P（S2）=0.4,一般来说，常见的地质结构有“好”、“中等”、“差”3种，分别记为C1、C2、C3，为判断该地区属于哪种结构，可作进一步勘测，勘测费用为10万元。
已知在不同的油井状态下，勘测结果为不同地质结构的概率如下，P（C1/S1）=0.7，P（C2/S1）=0.2，P（C3/S1）=0.1，P（C1/S2）=0.3，P（C2/S2）=0.1，P（C3/S2）=0.6，问：
应采取何种行动方案,才能获取最大收益?
重点利用全概率公式：
1
p（ck）=∑p（ck|sj）p（sk）
j=1
和贝叶斯公式：
p（s
j|ck）=
p（ck|sj）p（sj）
2
（k=1,2,3;j=1,2）
∑p（ck|sj）p（sj）
j=1
求后验概率部分，得出各方案在不同状态下的概率Ｐ（Sj/Ck），以求出最大期望值。
要求实验操作过程中，学生自己输入已有数据，并基于已知数据求出后验概率，然后求出不同方案的期望值，进行剪枝决策，得出最优方案。
具体过程如下：
Ø第一步:
将已知数据输入excel中，如下表所示。
油田开发决策
开发结果为高产油田是的利润（万元）
40
开发结果为低产油田是的亏损额（万元）
-200
据资料，油田高产概率为P（s1）
60%
据资料，油田低产概率为P（s2）
40%
勘测费用（万元）
-10
根据资料，不同状态油井的额各勘测结果：
高产油井被勘测为“结构好”的概率P（C1|s1）
0.7
高产油井被勘测为“结构中”的概率P（C2|s1）
0.2
高产油井被勘测为“结构差”的概率P（C3|s1）
0.1
低产油井被勘测为“结构好”的概率P（C1|s2）
0.3
低产油井被勘测为“结构中”的概率P（C2|s2）
0.1
低产油井被勘测为“结构差”的概率P（C3|s2）
0.6
第二步:
用贝叶斯公式计算各自然状态下的后验概率P（Sj│Ck），用概率论中的全概率公式计算勘测结果为Ck的概率P（Ck）。
由公式
p（s
j|ck）=
p（ck|sj）p（sj）
2
（k=1,2,3;j=1,2）
∑p（ck|sj）p（sj）
j=1
计算在不同勘测结果下、油井状态为高产或低产的后验概率。
由公式
1
p（ck）=∑p（ck|sj）p（sk）
j=1
计算勘测结果为Ck的概率P（Ck）
在相关的单元格中输入上述公式，其计算结果下表所示：
不同地质的概率：
“结构好”的概率P（C1）
=C12*C6+C15*C7
“结构中”的概率P（C2）
=C13*C6+C16*C7
“结构差”的概率P（C3）
=C14*C6+C17*C7
计算不同的勘测结果下出现不同状态的概率：
被勘测为“结构好”实为高产油井的概率P（s1|C1）
=C6*C12/C20
被勘测为“结构好”实为低产油井的概率P（s2|C1）
=1-C25
被勘测为“结构中”实为高产油井的概率P（s1|C2）
=C6*C13/C21
被勘测为“结构中”实为低产油井的概率P（s2|C1）
=1-C27
被勘测为“结构差”实为高产油井的概率P（s1|C3）
=C6*C14/C22
被勘测为“结构差”实为低产油井的概率P（s2|C3）
=1-C29
不同地质的概率：
“结构好”的概率P（C1）
0.54
“结构中”的概率P（C2）
0.16
“结构差”的概率P（C3）
0.3
计算不同的勘测结果下出现不同状态的概率：
被勘测为“结构好”实为高产油井的概率P（s1|C1）
0.78
被勘测为“结构好”实为低产油井的概率P（s2|C1）
0.22
被勘测为“结构中”实为高产油井的概率P（s1|C2）
0.75
被勘测为“结构中”实为低产油井的概率P（s2|C1）
0.25
被勘测为“结构差”实为高产油井的概率P（s1|C3）
0.2
被勘测为“结构差”实为低产油井的概率P（s2|C3）
0.8
Ø第三步:
构造决策树。
构造的决策树的结果如下图：
Ø第四步:
计算各方案的期望收益值
决策树中各方案的期望收益计算是从右向左进行的，首先考虑第二级决策，当勘测结果是“结构好”时，如果采取“不开发”方案，则期望收益为0；如果采取“开发”方案，则当自然状态为“高产”（其修正后的后验概率为0.78）时，收益为400，当自然状态为“低产”，（其修正后的后验概率为0.22）时，收益为-200，所以，“开发”方案的期望收益=400*0。
78+（-200）*0.22=268（万元）。
该值可以单元格P19中输入=V17*T17+V21*T21获得.
实验结果：
比较两种方案的期望收益，选择“开发”方案。
所以当勘测结果为“结构好”时，应选择“开发”方案，其期望收益为268万元（这里暂时未扣除勘测费用）。
前去“不开发”这
方案一分支，并在“结构好”的概率分支上标上期望收益为268万元。
同理可得，当勘测结果为“结构中等”时，应采取“开发”方案，其期望收益为250万元；当勘测结果为“结构差”时，应采取“不开发”方案，其期望收益为0（这里暂时均未扣除勘测费用）。
比较三个方案的期望收益，取期望收益最大的方案作为最优方案，在单元格D16中输入=MAX（G10，G14，G30）得到最大期望收益值为175万元，可见方案“先勘测”的期望收益最大，为最优方案。
因此，本实验的最优决策结果是：
先勘测，当勘测结果为“结构好”或“结构中等”时开发，当勘测结果为“结果差”时，不开发，该决策的期望收益为175万元。
实验二应用层次分析法进行多目标决策
实验类型：
验证性实验学时：
2
实验目的：
熟悉并应用层次分析方法对多方案进行优劣排序，从而使学生掌握综合定性和定量两种方法解决问题的思维方式。
实验步骤：
某公司打算增添一台新设备，现有三种不同型号的设备，P1，P2，P3供选择，选择设备主要考虑的要素是功能、价格和维护，你将如何选择？
Ø第一步、建立递阶层次结构模型
实验结果：
决策结果P2最优。
实验三成本预测决策支持系统的开发
实验类型：
设计性实验学时：
4
实验目的：
掌握基于统一结构的决策支持系统的开发，理解模型库的组织和存储。
实验步骤：
某企业经连续观察，发现其生产的某产品与每批投入的产品件数是线性相关的，15组统计数据如表1所示。
现该企业拟投入三批产品，每批投入的产品件数分别为4100（百件），5300（百件）,25000（百件）企业希望通过建立成本预测决策支持系统，利用一元线性回归模型来帮助预测每批产品的成本（百元）。
序号
产品件数
产品成本
1
53
53.42
2
91
84.53
3
87
80.87
4
49
52.45
5
14
25.6
6
98
87.12
7
78
72.93
8
82
76.5
9
58
55.14
10
33
41
11
45
49.51
12
52
53.16
13
16
26.22
14
68
66.04
15
61
59.26
实验要求：
1、需要建立相关的数据库，模型库，要有人机交互界面。
1、可以使用两个模型：
最小二乘法模型及一元线性回归模型。
2、使用熟悉的程序语言进行成本预测决策支持系统的开发，
要求写出系统运行结构图，主要程序代码，运行结果。
Ø第一步：
在mysql数据库中创建数据表t_case
createtableifnotexistst_case（
idintauto_increment,
t_numint,
t_casedouble,
primarykey（id）
）engine=innodbcharset=utf8;
Ø第二步:
将表1的数据插入数据表t_case中
insertintot_case
values
（null,53,53.42）,（null,91,84.53）,（null,87,80.87）,
（null,49,52.45）,（null,14,25.6）,（null,98,87.12）,
（null,78,72.93）,（null,82,76.5）,（null,58,55.14）,
（null,33,41）,（null,45,49.51）,（null,52,53.16）,
（null,16,26.22）,（null,68,66.04）,（null,61,59.26）;
Ø第三步：
在后端利用java实现最小二乘法模型（主要点这里的算法）
参考链接：
截图：
主要代码：
/**
*计算x的系数a
*@paramx,y
*@returna
*/
publicstaticdoublegetA（double[]x,double[]y）{
intn=x.length;
return（n*pSum（x,y）-sum（x）*sum（y））/（n*sqSum（x）-Math.pow（sum（x）,2））;
}
/**
*计算常量系数b
*@paramx,y,a
*@returnb
*/
publicstaticdoublegetB（double[]x,double[]y,doublea）{
intn=x.length;
returnsum（y）/n-a*sum（x）/n;
}
/**
*计算常量系数b
*@paramx,y
*@returnb
*/
publicstaticdoublegetC（double[]x,double[]y）{
intn=x.length;
doublea=getA（x,y）;
returnsum（y）/n-a*sum（x）/n;
}
//计算和值
privatestaticdoublesum（double[]ds）{
doubles=0;
for（doubled:
ds）s=s+d;
returns;
}
//计算开平方和值
privatestaticdoublesqSum（double[]ds）{
doubles=0;
for（doubled:
ds）s=s+Math.pow（d,2）;
returns;
}
//计算x和y积的和值
privatestaticdoublepSum（double[]x,double[]y）{
doubles=0;
for（inti=0;ireturns;
}
Ø第四步：
利用SSM框架实现该系统
上面的最小二乘法模型的java代码时写在util包中的LeastSquares类中，根据前一个步骤可以知道我们需要做的是先获取数据库中的数据，分别存在两个数组中，再以这两个数组为参数调用LeastSquares类中的方法获取x的系数a和常量系数b,这样我们就可以有一个模型为y=a*x+b;这样后台的逻辑就实现了；
主要代码：
（由于涉及到SSM框架的代码太多，所以只展示出调用获取系数的代码和实现预测的代码）
publicListgetList（）{
returncaseMapper.getCaseList（）;//获取数据库中数据
}
publicDoublecount_case（Integernum）{
Listlist=getList（）;
doublea[]=newdouble[list.size（）];
doubleb[]=newdouble[list.size（）];
for（inti=0;ia[i]=list.get（i）.getTnum（）;
b[i]=list.get（i）.getTcase（）;
}
doublea1=LeastSquares.getA（a,b）;//调用方法获取x的系数
doubleb1=LeastSquares.getB（a,b,a1）;//获取常量系数
doublec=a1*num+b1;//根据产品件数预测成本
returnc;
}
SSM框架的基本思路：
entity包中是一些实体包，一个类Case是对应的数据库中的Case表，也就是该实验的实验数据的表,另一个类ResponseResult是由于前端使用的ajax异步提交数据，而特此包装的一个类;
mapper包是一个操作数据库的包，一个接口CaseMapper定义了获取数据库中所有数据的方法，并在配置文件中CaseMapper.xml中定义了获取数据库数据的SQL语句；
service包是业务包，mapper包是获取了数据库中数据，但是具体的业务是需要在这里写的，例如此处具体实现业务的类CaseServiceImpl，定义了一个预测成本的方法，并实现它；
util包是工具包，也就是给其他包中的类使用的，例如这里具体最小二乘法的算法就是写在该包中的LeastSquares类中；
controller包是控制器包，主要是控制前端和业务层的关系，并返回前端数据的类;
还有就是一些SSM框架基本的配置文件，例如配置数据库连接的db.properties、配置数据源的spring_dao.xml、配置业务层的spring_service.xml、配置映射的spring_mvc.xml;
再就是最好前端的文件夹webapps，里面对应的html文件和一些使用到的js和css；
Ø第五步：
前端运行结果（由于重点不在前端，所以前端写的略微简单）
实验结果：
通过本次实验，了解了最小二乘法的算法模型。
最小二乘法即为一种数学优化技术。
它通过最小化误差的平方和寻找数据的最佳函数匹配。
利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。
最小二乘法还可用于曲线拟合。
通过一元线性模型应用来理解最小二乘法。
通过该实验也进一步加深了SSM框架的了解。
SSM框架即为Spring+SpringMVC+Mybatis的开源框架整合的框架，常作为Web项目的框架。
利用这个框架写成的项目能有以下特性：
1、易于维护2、效率高3、可读性高;在该项目中主要点在于算法的独特，其他的点利用框架的概念是很容易就能实现的。
在数学角度上来说，有很多常用的算法或者模型；比如一元线性回归模型、最小二乘法模型、多元线性回归模型。
在实际开发中，这些是我们可能运用的算法，所以也是需要在平常去了解这方面的算法。
实验四专家系统开发工具CLIPS
实验类型：
综合性实验学时：
4
实验目的：
掌握专家系统的一般结构，熟悉专家系统开发工具CLIPS的语法和使用。
实验步骤：
Ø第一步：
下载并安装Clips软件
Ø第二步：
运行并熟悉Clips
CLIPS是一个专家系统，它用C语言编定。
全称是TheCLanguageIntegratedProductionSystem.它可以应用到很多的系统上MicrosoftWindows,Macintosh,
VAX11/780等。
事实上，由于CLIPS由C语言编写，所以理论上，只要有C语言的编绎器，我们可以将CLIPS移值到任何的系统上。
Clips常用指令：
（1）facts用于显示当前的事实。
（2）agenda用于显示当前可以执行的规则（并列出满足条件的事实）
（3）run当规则和事实都有了后，这个命令用来启用程序
（4）reset重新初始化事实，初始化后，会自动的给系统加上Fact-0号事实
（5）clear清除所有的规则和事实以及对象实例
（6）deftemplate定义模板，这个模板类似C语言中的Structure，用reset命令可以实例化模板
（7）deffacts-定义事实模板，实例化与（deftemplate）相同
Ø第三步：
实际运行一个专家系统
（1）导入文件File->Load
（2）打开文件并运行
（3）在事实库中可以看到显示的内容
（4）最后可以查看诊断结果
Ø第四步：
了解Clips其他窗口
实验结果：
在这次实验中，我了解了Clips这个强大的软件。
Clips是一个专家系统工具。
专家系统可以说是人工智能技术的一个重要分支。
Clips是一个基于C语言的集成生产系统。
目前在国内，Clips在商业方面的应用相对较少，大多数用于科研方面。
专家系统格式一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识经验，能利用人类专家的知识解决问题的方式来处理该领域问题。
也就是说，专家系统是一个具有大量的专门知识与经验，进而推理与判断，模拟人类专家的决策过程。
以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
实验五专家系统的开发
实验类型：
设计性实验学时：
4
实验目的：
掌握专家系统的开发过程，掌握根据产生式规则绘制相应推理树的方法。
实验步骤：
Ø第一步：
明确实验目标
建立一个动物识别系统，用以识别虎、豹、斑马、长颈鹿、企鹅、鸵鸟、信天翁等7种动物。
开发环境：
基于Eclipse的java语言的开发;
Ø第二步:
根据动物特征，建立以下个规则
R1：
if动物有毛发 then 动物是哺乳动物
R2：
if动物有奶 then 动物是哺乳动物
R3：
if动物有羽毛 then 动物是鸟
R4：
if动物会飞 and 会生蛋then 动物是鸟
R5：
if动物吃肉then动物是食肉动物
R6：
if动物有犀利牙齿and有爪and眼向前方
then动物是食肉动物
R7：
if动物是哺乳动物and有蹄then动物是有蹄类动物
R8：
if动物是哺乳动物and反刍then动物是有蹄类动物
R9：
if动物是哺乳动物and是食肉动物and有黄褐色and有暗斑点
then动物是豹
R10：
if动物是哺乳动物and是食肉动物and有黄褐色and有黑色条纹
then动物是虎
R11：
if动物是有蹄类动物 and有长脖子and有长腿and有暗斑点
then动物是长颈鹿
R12：
if动物是有蹄类动物and有黑色条纹then动物是斑马
R13：
if动物是鸟and不会飞and有长脖子and有长腿and有黑白二色
then动物是鸵鸟
R14：
if动物是鸟and不会飞and会游泳and有黑白二色
then 动物是企鹅
R15：
if动物是鸟and善飞then动物是信天翁
Ø第三步：
开发实验过程
1.实验架构
2.规则库部分
主要由两个数组构成，一个是条件数组，也就是“因”的数组；还有一个是结果数组，也就是“果”的数组。
这两个数组相同下标的的值是成对的，固定的因导致固定的果。
再根据条件数组的模式，给定一个开关的数组，也就是设置初始的条件都为空，都没有选择。
3.推理机部分
4.显示界面的实现
显示界面可以分为四块，第一块是可供选择的条件部分的显示，第二部分是通过鼠标选择之后的显示部分，第三部分是开始识别按钮的部分，第四部分是最后结果的显示部分。
显示界面代码部分展示：
识别结果的显示逻辑
5.显示界面的实现
实验结果
通过该实验，了解了专家系统不是一定需要通过Clips才能实现，其实通过例如java这样的编程语言也可以实现。
在这个实验中，最重要的有两个点，一个点是推理机的部分，在推理之前是有一个条件库和事实库的，这个条件库和事实库是根据长期以往的社会经验总结下来的，这是这个代码能实现的基本原理。
另一个就是前端利用AWT部分实现的面板以及一些标签。
通过这些代码，用户可以直接看出识别的结果，不用像Clips这个软件通过复杂的操作才能看到结果，在操作上也简单了很多，不用像Clips那样需要在类似控制台的地方去输入条件，可以通过前端的方法去选择条件，可以更直接的显示，不用像Clips那样那么复杂。
实验总结（手写）：
升级会员 