智能信息处理课程设计指导书.docVIP

《 智能信息处理 》课程设计 指 导 书 指导教师：冯杰、周维达 2010年11月 目 录 一、遗传算法解决函数优化问题 1 二、模拟退火算法解决函数优化问题 3 三、神经网络解决优化问题 5 一、遗传算法解决函数优化问题 一、实验目的 1． 掌握遗传算法的基本原理和步骤。 2． 复习VB、VC或MATLAB的基本概念、基本语法和编程方法，并熟练使用VB、VC或MATLAB编写遗传算法程序。 二、实验设备 微机 三、实验原理 遗传算法是一类随机优化算法，但它不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。 主要步骤可描述如下： ① 随机产生一组初始个体构成初始种群。 ② 计算每一个体的适配值（fitness value，也称为适应度）。适应度值是对染色体(个体)进行评价的一种指标，是GA进行优化所用的主要信息，它与个体的目标值存在一种对应关系。 ③ 判断算法收敛准则是否满足，若满足，则输出搜索结果；否则执行以下步骤。 ④ 根据适应度值大小以一定方式执行复制操作（也称为选择操作）。 ⑤ 按交叉概率pc执行交叉操作。 ⑥ 按变异概率pm执行变异操作。 ⑦ 返回步骤②。 四、预习要求 1． 认真阅读教材中遗传算法的基本原理与步骤。 2． 复习VB、VC或MATLAB的基本概念、基本语法和编程方法。 五、实验内容及步骤 1． 上机编写程序，解决函数优化问题。需优化的函数可自定义，如考虑一元函数求最大值的优化问题 2． 调试程序。 3． 根据实验结果，撰写实验报告。 六、实验报告 1． 对遗传算法中变异概率、交叉概率、种群规模等参数的选择进行分析。 2． 对遗传算法的终止准则进行分析。 3． 分析遗传算法的优缺点，并提出改进意见。 4． 本实验的心得体会。 二、模拟退火算法解决函数优化问题 一、实验目的 1. 掌握模拟退火算法的基本原理和步骤。 2. 复习VB、VC或MATLAB的基本概念、基本语法和编程方法，并熟练使用VB、VC或MATLAB编写模拟退火算法程序。 二、实验设备 微机 三、实验原理 模拟退火算法是基于Monte Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理退火过程与组合优化之间的相似性，模拟退火算法由某一较高初温开始，利用具有概率突跳特性的Metropolis抽样策略在解空间中进行随机搜索，伴随温度的不断下降重复抽样过程，最终得到问题的全局最优解。 标准模拟退火算法的一般步骤可描述如下： (1)令m=0，给定初温tm，随机产生初始状态sm； (2)Repeat； sold=sm； (2.1)Repeat； (2.1.1)产生新状态：snew=Generate(sold)； (2.1.2)若min{1, exp[(C(sold)-C(snew))/tm]}≥random[0, 1]，则sold=snew； (2.1.3)Until抽样稳定准则满足； (2.2)退温：tm+1=update(tm)，sm+1=sold，m=m+1； (3)Until算法终止准则满足； (4)输出算法搜索结果：sm。 四、预习要求 1. 认真阅读教材中模拟退火算法的基本原理与步骤。 2. 复习VB、VC或MATLAB的基本概念、基本语法和编程方法。 五、实验内容及步骤 1. 上机编写程序，解决函数优化问题。需优化的函数可自定义，如考虑一元函数求最大值的优化问题 2. 调试程序。 3. 根据实验结果，写实验报告。 六、实验报告 1. 利用实验结果，分析模拟退火算法中初温、初始状态对求解结果的影响。 2. 利用实验结果，分析Metropolis抽样准则在模拟退火算法中的作用。 3. 分析模拟退火算法的优缺点，并提出改进意见。 4. 本实验的心得体会 三、神经网络解决优化问题 一、实验目的 1. 掌握BP网络的基本原理。 2. 复习VB、VC或MATLAB的基本概念、基本语法和编程方法，并熟练使用VB、VC或MATLAB编写BP网络程序。 二、实验设备 微机 三、实验原理 考虑Hermit多项式的逼近问题，该问题由Mackay提出： 式中，x(R。 训练样本产生方式如下：样本数N=100，其中样本输入xi服从区间[-4, 4]内的均匀分布，样本输出为F(xi)+ei， ei为添加的噪声，服从均值为0，标准差为0.1的正态分布。 对于该函数逼近问题，可以用一个单输入单输出的3层BP网络对样本进行拟合，网络的隐节点数选为10。 其它学习参数设定如下：神经网络采用标准Sigmoidal激活函数，输出层采用线性激活函