人工智能实验资料.docVIP

人工智能课内实验报告 主观贝叶斯方法的研究 实验题目 主观Bayes方法的研究。 实验目的 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。 实验原理 1、 证据不确定性的表示 1. 在主观Bayes方法中，证据的不确定性用概率表示。对于证据E，由用户根据观察S给出P(E|S)，即动态强度。用P(E|S)描述证据的不确定性 （证据E不是可以直接观测的）。 2. 证据肯定存在时，P(E|S)=1； 3. 证据肯定不存在时， P(E|S)=0； 4. 证据具有不确定性时， 0P(E|S)1。 2、LN和LS的意义 1．当证据E愈是支持H为真时，则应是使相应的LS值愈大。 若证据E对H愈是必要，则相应LN的值愈小。 不能出现LS1且LN1的取值 因为： LS1：表明证据E是对H有利的证据。 LN1：表明证据?E是对H有利的证据。 不能出现LS1且LN1的取值 因为：LS1: 表明证据 E是对H不利的证据。 LN1：表明证据?E是对H不利的证据。 4. 一般情况下，取LS1， LN1。 3、证据不确定的情况 在现实中，证据肯定存在和肯定不存在的极端情况是不多的，更多的是介于二者之间的不确定情况。对初始证据来说，由于用户对客观事物或现象的观察不是很精确，因而所提供的证据是不确定的；另外，一条知识的证据往往来源于另一条知识推出的结论，一般也具有某种程度的不确定性。所以我们要在S对E的观察的先验概率0P(E/S)1的情况下确定H的后验概率P(H/S)。 在证据确定的情况下，我们因该用杜达等人1976年证明了的公式来进一步讨论： 分四种情况讨论这个公式： 1. P(E/S)=1 当P(E/S)=1时，P(-E/S)=0。此时公式变成(肯定存在的情况)： 2. P(E/S)=0 当P(E/S)=0时，P(-E/S)=1.此时公式变成(肯定不存在的情况)： 3. P(E/S)=P(E) 当P(E/S)=P(E)时，表示E与S无关。利用全概率公式就将公式变为： 4. 当P(E/S)为其它值时，通过分段线性插值就可得到计算P(H/S)的公式： 该公式称为EH公式或UED公式。 四、实验程序 ls=input(ls=); ln=input(ln=); ph=input(ph=); pe=input(pe=); phe=(ls*ph)/((ls-1)*ph+1); phfe=(ln*ph)/((ln-1)*ph+1); phs=[]; for pes=0:0.01:1 if pes=pe a=phfe+(ph-phfe)/pe*pes; phs=[phs,a]; else a=ph+(phe-ph)/(1-pe)*(pes-pe); phs=[phs,a]; end end pes=0:0.01:1; plot(pes,phs) 五、实验结果 ls=1000 ln=0.3 ph=0.3 pe=0.3 六、试验总结 通过实验，使我更加熟悉了主观Bayes方法的实质，根据先验概率的条件不同来分析后验概率，利用它们之间的关系，更好的了解不确定性推理 利用A*算法实现重排九宫格 一、实验题目 利用A*算法实现重排九宫格 二、实验目的 熟悉启发式搜索的思想，加深对各种图搜索策略概念的理解。 三、实验原理 1搜索的一般过程 （1)把初始节点S0放入OPEN表，并建立只含S0的图，记为G。OPEN：=S0，G：=G0（G0=S0） （2)检查OPEN表是否为空，若为空则问题无解，退出。LOOP：IF（OPEN）=（）THENEXIT（FAIL） （3)把OPEN表的第一个节点取出放入CLOSE表，记该节点为节点n。N：=FIRST（OPEN），REMOVE（n，OPEN），ADD（n，CLOSE）（4)观察节点n是否为目标节点，若是，则求得问题的解，退出。IFGOAL（n）THENEXIT（SUCCESS） （5)扩展节点n，生成一组子节点。把其中不是节点n先辈的那些子节点记作集合M，并把这些节点作为节点n的子节点加入G中。EXPAND（n）--M（mi），G：=ADD（mi，G）针对M中子节点的不同情况，分别进行如下处理： 对于那些未曾在G中出现过的M成员设置一个指向父节点（n）的指针，并把它放入OPEN表； 对于那些先前已在G中出现过的M成员，确定是否要修改指向父节点的指针；对于那些先前已在G中出现，并且已经扩展了的M成员，确定是否需要修改其后继结点指向