智能信息處理课内实验_实验指导书.docVIP

实 验 指 导 书  目 录 实验一 遗传算法解决函数优化问题 1 实验二 模拟退火算法解决函数优化问题 3 实验三 智能优化算法解决TSP问题 5 实验四 简单感知器模型 7 实验五 BP网络 9 实验六 神经网络工具箱的应用 11 实验七 模糊控制洗衣机 13 实验八 基于遗传算法的图像几何畸变校正 17 实验九 模糊C均值聚类算法 20 实验一 遗传算法解决函数优化问题 一、实验目的 掌握遗传算法的基本原理和步骤。 复习VB、VC的基本概念、基本语法和编程方法，并熟练使用VB或VC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。 标准遗传算法流程图如图1.1所示，主要步骤可描述如下： 随机产生一组初始个体构成初始种群。 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。 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。 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）。 按交叉概率pc执行交叉操作。 按变异概率pm执行变异操作。 返回步骤②。 四、预习要求 认真阅读教材中遗传算法的基本原理与步骤。 复习VB、VC的基本概念、基本语法和编程方法。 五、实验内容及步骤 上机编写程序，解决以下函数优化问题： 调试程序。 根据实验结果，撰写实验报告。 图1.1 标准遗传算法流程图 六、实验报告撰写要求 给出完整的源程序，并对源程序中的关键内容或语句给出必要的文字注释。 利用实验数据，分析并解答以下问题， 遗传算法中变异概率的设置对求解结果的影响。 遗传算法中交叉概率的设置对求解结果的影响。 遗传算法中种群规模的设置对求解结果的影响。 对遗传算法的终止准则进行分析。 分析遗传算法的优缺点，并提出改进意见。 本实验的心得体会。 实验二 模拟退火算法解决函数优化问题 一、实验目的 掌握模拟退火算法的基本原理和步骤。 复习VB、VC的基本概念、基本语法和编程方法，并熟练使用VB或VC编写遗传算法程序。 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 认真阅读教材中模拟退火算法的基本原理与步骤。 复习VB、VC的基本概念、基本语法和编程方法。 五、实验内容及步骤 上机编写程序，解决以下函数优化问题： 调试程序。 根据实验结果，写实验报告。 图2.1 标准模拟退火算法流程图 六、实验报告撰写要求 给出完整的源程序，并对源程序中的关键内容或语句给出必要的文字注释。 利用实验数据，分析并解答以下问题， 模拟退火算法中初温对求解结果的影响。 模拟退火算法中初始状态对求解结果的影响。 Metropolis抽样准则在模拟退火算法中的作用。 波尔茨曼常数对求解结果的影响。 分析模拟退火算法的优缺点，并提出改进意见。 本实验的心得体会。 实验三 智能优化算法解决TSP问题 一、实验目的 了解TSP问题的基本概念，解决TSP问题的难点是什么？ 掌握模拟退火算法、遗传算法的基本原理和步骤。 复习VB、VC的基本概念、基本语法和编程方法，并熟练使用VB、VC编写程序。 二、实验设备 微机 三、实验原理 TSP问题即旅行商问题（Traveling Salesperson Problem）。该问题给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。其图论描述为：给定图G=(V, A)，其中V为顶