第一篇：江蘇大學 人工智能作業(yè)
課學生姓學專業(yè)班指導教
計算機科學與通信工程學院
程
人工智能
名
號
級 師
人工智能技術發(fā)展歷程及應用前景
摘要： “人工智能”(Artificial Intelligence)一詞最初是在1956年的達特茅斯學會上提出的。人工智能又名機器智能，智能模擬，在日本叫做FGCS。它是一門通過計算過程力圖理解和模仿只能行為的學科（Schalkoff，1990）。可實現(xiàn)判斷、推理、證明、識別、感知、理解、通信、設計、思考、規(guī)劃、學習和問題求解等思維活動的自動化。（Bellman，1978）?，F(xiàn)如今時代發(fā)展，人類社會中的許多問題越來越難以使用常規(guī)的計算機系統(tǒng)解決問題。人工智能企圖了解智能的實質，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器。目前能夠用來研究人工智能的主要物質手段以及能夠實現(xiàn)人工智能技術的機器就是計算機，人工智能的發(fā)展歷史是和計算機科學與技術的發(fā)展史聯(lián)系在一起的。
關鍵詞：人工智能 發(fā)展
一、人工智能的定義
“人工智能”(Artificial Intelligence)一詞最初是在1956年的達特茅斯學會上提出的。人工智能又名機器智能，智能模擬，在日本叫做FGCS。它是一門通過計算過程力圖理解和模仿只能行為的學科（Schalkoff，1990）?？蓪崿F(xiàn)判斷、推理、證明、識別、感知、理解、通信、設計、思考、規(guī)劃、學習和問題求解等思維活動的自動化。（Bellman，1978）?，F(xiàn)如今時代發(fā)展，人類社會中的許多問題越來越難以使用常規(guī)的計算機系統(tǒng)解決問題。人工智能企圖了解智能的實質，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器。目前能夠用來研究人工智能的主要物質手段以及能夠實現(xiàn)人工智能技術的機器就是計算機，人工智能的發(fā)展歷史是和計算機科學與技術的發(fā)展史聯(lián)系在一起的。人工智能理論進入21世紀，正醞釀著新的突破。人工智能的研究成果將能夠創(chuàng)造出更多高級的智能產(chǎn)品，極大的方便我們的生活。并為發(fā)展國民經(jīng)濟和改善人類生活做出更大貢獻。即將到來的信息時代絕非一般性地推廣使用常規(guī)計算機，而是發(fā)展人工智能。
二、人工智能的發(fā)展階段
第一階段：孕育期
早在計算機出現(xiàn)之前，科學家們就已經(jīng)希望能夠制造出可以模擬人類思維的機器了。而在更加久遠的神話中，也有自動機的記載。對這些東西我們已經(jīng)無從考證，但他們還是反應了人們的期望。今天我們的計算機所使用的邏輯基礎正是由數(shù)學家布爾與其他杰出的科學家們在計算機出現(xiàn)之前的那個年代通過研究一起奠定的。
毫無疑問，圖靈的機器智能思想是人工智能的直接起源之一。在1937年他年僅24歲時就在一篇關于“理想計算機”的論文中提出了極好的設想，這就是為眾人所熟知的圖靈機。他于1950年發(fā)表了《計算機器與智能》。他在這篇論文中提出的“圖靈測試”則指出，如果測試者在與被測試者）隔開的情況下，通過一些裝置向被測試者隨意提問，進行多次測試后，如果有超過30%的測試者不能確定出被測試者是人還是機器，那么這臺機器就通過了測試，并被認為具有人工智能。
第二階段：人工智能基礎技術的研究與形成
1956年，在美國漢諾威的達特茅斯大學舉辦了一次暑期討論會。在交流探討中，與會者萌發(fā)了一個樸素的思想：設法使得電子計算機具有人的只能。他們大膽的預言，在25年之后這一設想將會初見成效。這次會議籌備者之一的達特茅斯大學數(shù)學系助教麥卡錫提出了人工智能（artificial intelligence）這一名稱。從那時起，人工智能的名字才正式確立。這次會議在人工智能歷史上不是巨大的成功，但是這次會議給人工智能奠基人相互交流的機會，并為未來人工智能的發(fā)展起了鋪墊的作用。在此以后，人工智能的重點開始變?yōu)榻嵱玫哪軌蜃孕薪鉀Q問題的系統(tǒng)，并要求系統(tǒng)有自學習能力。
1957年，香農(nóng)和另一些人又開發(fā)了一個程序稱為General Problem Solver(GPS)，它對Wiener的反饋理論有一個擴展，并能夠解決一些比較普遍的問題。
紐厄爾、西蒙、嘯鳥心理學小組的工作是這一時期的一個開創(chuàng)性工作。他們于1953年創(chuàng)立了證明數(shù)學定理的LT邏輯推理程序。機器以此證明了羅素、懷德海所著《數(shù)學原理》一書中的38個定理?；谙嗤乃枷耄麄冊?960年又編制了可以解出十種不同性質課題的“通用問題求解機”程序。西蒙還發(fā)表了兩篇著名的論文：理想選擇的行為理論和問題求解的決策過程中環(huán)境的影響。他為此還獲得了1978年的諾貝爾獎金。他們所做的開創(chuàng)性工作是人工智能向前發(fā)展的決定性步驟。
在這種環(huán)境下LISP應運而生。它是第一種聲明式系內函數(shù)式程序設計語言。用具有智能的程序闡述了數(shù)學和數(shù)理邏輯相互作用的許多問題，為譯碼機打下了基礎。
第三階段：發(fā)展和實用化 DENDRAL化學質譜分析系統(tǒng)、MYCIN疾病診斷和治療系統(tǒng)、PROSPECTIOR探礦系統(tǒng)、Hearsay-II語音理解系統(tǒng)等專家系統(tǒng)的研究和開發(fā)，將人工智能引向了實用化。并且，1969年成立了國際人工智能聯(lián)合會議（International Joint Conferences on Artificial Intelligence即IJCAI）。
70年代之后，人們一方面繼續(xù)進行機器翻譯、模式識別等的開發(fā)工作，一邊又著手進行定理證明、自然語言理解、專家系統(tǒng)等新領域的研究。科學家們還創(chuàng)辦了《人工智能》雜志，這為開展協(xié)作研究重大核心問題、制定研究方向，推動其他國家的學者一起展開研究起到了積極作用。
1976年在美國的一次州國際象棋錦標賽中，由西北大學設計的弈棋程序在B級水平的較量中戰(zhàn)勝了所有對手。在經(jīng)過改進之后它于次年參加了第84屆明尼蘇達州國際象棋公開賽，挫敗名手拔得頭籌。從此機器弈棋名聲大振，西北大學應西歐各國之邀巡回比賽，歷時一個多月載譽而歸。
雖然模式識別技術已經(jīng)初步用于醫(yī)療診斷、遙感圖像分析、信件分揀等方面，但正如人工智能專家尼爾·格雷厄姆（Neill Graham）所言，即使計算機稱得上是一個基本稱職的翻譯，并且能在弈棋比賽中與人分庭抗禮，但在模式識別方面與人的差距仍舊十分遙遠。在這一時間段，由于國家的需求，機器人的研究和開發(fā)獲得了媚果國家宇航局等的大力支持。很快的第二代機器人得到批量生產(chǎn)，第三代機器人——可以一邊工作一邊擬定自己工作計劃的智能機器人也進入了應用研究階段。日本從70年代末起在這一領域突飛猛進，其擁有機器人的總數(shù)已經(jīng)超越了美國。
70年代以來，Comad等人研究人工仿生系統(tǒng)中的自適應、進化和群體動力學，提出了不斷完善的“人工世界”模型。80年代人工神經(jīng)網(wǎng)絡再度興起，促進了人工生命的發(fā)展。其主要研究方法有信息模型法和工作原理法。其研究途徑分為工程技術途徑和生物科學途徑。
1987年，美國召開第一次神經(jīng)網(wǎng)絡國際會議，宣告了這一新學科的誕生。此后，各國在神經(jīng)網(wǎng)絡方面的投資逐漸增加，神經(jīng)網(wǎng)絡迅速發(fā)展起來。
專家系統(tǒng)于九十年代興起，其重點在于模擬對于人類專家的模擬和知識庫的改進與歸納。在其諸多模型中，人工神經(jīng)網(wǎng)絡模型的應用最為廣泛。由于Hopfield多層神經(jīng)網(wǎng)絡模型的提出，使人工神經(jīng)網(wǎng)絡研究與應用出現(xiàn)了欣欣向榮的景象。人工智能已深入到社會生活的各個領域。
隨著計算機硬件和人工智能理論的發(fā)展，上世紀九十年代以來人工智能的研究出現(xiàn)了新的高潮。人工智能研究的三個熱點是：智能接口、數(shù)據(jù)挖掘和主體及多主體系統(tǒng)。
智能接口技術研究如何使人們能夠方便自然地與計算機交流。數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。主體是具有信念、愿望、意圖、能力、選擇、承諾等心智狀態(tài)的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。多主體系統(tǒng)主要研究在邏輯上或物理上分離的多個主體之間進行協(xié)調智能行為，最終實現(xiàn)問題求解。多主體系統(tǒng)試圖用主體來模擬人的理性行為，主要應用在對現(xiàn)實世界和社會的模擬、機器人以及智能機械等領域。
三、人工智能的發(fā)展前景
AI與各門學科不斷的融合。其中信息技術的地位最為重要。其他方面，如心理學、語言學、認知科學，還有社會學、人類學、哲學以及系統(tǒng)科學也與AI進行著越來越頻繁的交流。
AI應用問題需要開發(fā)復雜的軟件系統(tǒng)，這將促進軟件工程學科的發(fā)展。軟件工程為一定類型的問題求解提供標準化程序；知識軟件為AI問題求解提供有效的編程手段。AI系統(tǒng)的開發(fā)也將發(fā)展為一個完整的應用系統(tǒng)。
在當前的AI應用方法研究中，有幾大前沿課題格外引人注目：即多種方法混合技術、多專家系統(tǒng)、機器學習(尤以神經(jīng)網(wǎng)絡學習和知識發(fā)現(xiàn))方法、硬軟件一體化以及并行分布處理技術等。其中對人腦機理和分布式AI（或MAS）的研究，將會確立新一代計算機的基礎。
四、心得體會
在進入大學校園乃至于學習這門課程之前，人工智能對我來講都更像是科幻電影中才會存在的事物。在那里人工智能往往都站在人類陣營的對立面，這令我對人工智能這一領域充滿了敬畏和恐懼。但通過學習，我發(fā)現(xiàn)它其實并不會離我們的生活那么遙遠。人工智能本身也不如想象中的那么可怕。人工智能的存在使現(xiàn)代生活變得更加便捷舒適，而且它也成為了人們茶余飯后的談資。比如IBM的沃森在問答節(jié)目《危機邊緣》中取得冠軍，再比如谷歌的無人駕駛汽車和kiva的智能倉儲系統(tǒng)。盡管與此同時它也為我們帶來了一些麻煩。但畢竟過度的悲觀和樂觀都將會影響我們對于人工智能的正確判斷，所以我覺得我們還是應該辯證的去看待這一問題。相信隨著科技的發(fā)展，人工智能一定會克服那些問題從而更好的為人類服務。
通過對這門課程的學習，我了解到了一些新的前沿的領域，對自己所學習的專業(yè)有了進一步的認識，并且對已經(jīng)學習的某些課程有了更加進一步的認識。同時這也讓我在進一步深造的專業(yè)選擇中有了更多的想法。
參考文獻：
[1]趙賽坡.人工智能的過去和未來[J].互聯(lián)網(wǎng)經(jīng)濟，2016.[2]是兆雄.人工智能：歷史、現(xiàn)狀及展望[J].自然雜志，1987.[3]渠川璐.人工智能的歷史、現(xiàn)狀和發(fā)展前景[J]河北大學學報（自然科學版），1984 [4]曾雪峰.論人工智能的研究與發(fā)展[J].現(xiàn)代商貿工業(yè)，2009，(13).[5]林堯瑞，魏宏森.人工智能研究的發(fā)展歷史及若干問題的初步探討[J].國外自動化，1981 [6]余妹蘭，張永輝.人工智能的歷史和未來[J]信息與電腦（理論版），2010
第二篇：人工智能心得體會大作業(yè)
我眼中的人工智能
人，沒有熊一樣的力量，卻能把熊關進籠子，這籠子的鑰匙，叫智慧。人類一直在思考如何讓自然界的其它事物為自己所用，而不是只想著如何獲取食物來填飽肚子，人類之所以會凌駕于食物鏈頂端，就在于對于資源的使用。為了減輕胃的消化負擔，人類開始學會使用火，讓蛋白質在進入胃之前就變質而變得更好消化易于吸收。經(jīng)歷了漫長的手工制造業(yè)歷程，為了提高生產(chǎn)效率，也為了減輕工人手工勞作的負擔，人們開始了工業(yè)革命，無數(shù)的機器流水線取代了效率低下的廉價勞動力，也正是從此刻起，人類使用資源的能力有了質的發(fā)展，由使用已有資源，到創(chuàng)造新的資源。第一臺計算機應運而生，人類開啟了無限創(chuàng)造的時代。時至今日，計算機技術幾乎延伸到了生活的每個領域，甚至成了人們的生活必需品。計算機能幫助人們完成人類不可能完成的計算，但一直致力于創(chuàng)造的人們當然不會停止對計算機的要求。人們不光需要計算機做人類做不了的計算，還漸漸開始要求計算機做人類能做的事，這便催生了人工智能。人類就是這樣一步步用自己的智慧讓自己過上傻瓜一樣的生活。
人工智能目前還沒有在人們生活中普及，但是已經(jīng)出現(xiàn)萌芽。最典型是的一些語音識別系統(tǒng)，如蘋果公司的Siri可能是目前人們接觸最多的基于人工智能和云計算技術的產(chǎn)品，相信這種人機交互系統(tǒng)的雛形經(jīng)過時間的磨練會在未來形成一套完善的從界面到內核的智能體系。在社會生活方面，與數(shù)字圖像處理技術緊密結合的人工智能已經(jīng)開始應用于攝像頭的圖像捕捉和識別，而模式識別技術的發(fā)展則使得人工智能在更廣闊的領域得以實現(xiàn)成為了可能。一些大公司在人工智能領域的投入和研究對于推動人工智能的發(fā)展起到了很大的作用，最值得一提的就是谷歌。谷歌的免費搜索表面上是為了方便人們的查詢，但這款搜索引擎推出的初衷，就是為了幫助人工智能的深度學習，通過上億的用戶一次又一次地查詢，來鍛煉人工智能的學習能力，由于我的水平還很低，對于深度學習還不敢妄自拽測。但是，近年來谷歌公司在人工智能方面的突破一項接著一項，為人們熟知的便是智能汽車。不得不說，人工智能想要進一步發(fā)展，必須依靠這些大公司的研究和不斷推廣，由經(jīng)濟促創(chuàng)新。
縱覽時間長河，很多新生的技術在一開始都是舉步維艱的，人工智能也不例外，但幸運的是，人們接受和學會使用新技術所需要的時間越來越短，對于人工智能產(chǎn)品的投入市場是有益的。因此，在我看來，將已開發(fā)出來但還需完善的人工智能產(chǎn)品投放市場，使其進入人們的生活只是時間的問題，但要想真正掌握人工智能，開發(fā)出完全符合研發(fā)人想法的智能產(chǎn)品還需各方面的努力。至于現(xiàn)在討論熱烈的“人工智能統(tǒng)治人類”的問題，我的看法是，人工智能的開發(fā)和應用是需要監(jiān)管的，但并不能阻止人工智能即將影響世界的趨勢。
由于我對于人工智能的理解還只是皮毛，對于文中出現(xiàn)的紕漏和錯誤還希望老師指正！
第三篇：人工智能作業(yè)1
通過學習《高中信息技術“人工智能初步”模塊教學研究》課程，分析您教學中學生的專家系統(tǒng)作品（或課程學習的參考資料的學生作品），就學生作品中存在的問題，談談自己在教學中如何更好地開展人工智能的教學。
通過學習《高中信息技術“人工智能初步”模塊教學研究》課程，談談您在實施該模塊教學過程中遇到的問題及解決方法，未實施過該模塊教學的教師可談談開展人工智能模塊教學的設想。
按教材的順序，應該先講人工智能的基本概念，然后講解知識及其表示的理論知識，再講解推理與專家系統(tǒng)和人工智能語言。但是這種傳統(tǒng)教學方法對于中學生來說太晦澀難懂了，教師還沒把理論知識講完，學生已對人工智能徹底失去興趣了。所以我們在講理論知識的過程中，要加入有趣的實例。所以我們要打破常規(guī)的教學順序，對教材進行重組。盡量減少概念和純理論知識的講解時間，通過讓學生制作一個有實用價值的個性化的簡易專家系統(tǒng)來帶動人工智能的理論知識學習。在“做”的過程中，掌握知識的表達及推理機制等理論知識。讓學生在完成一個簡單專家系統(tǒng)作品的過程中，不知不覺中學習了相應的理論知識。我們要做到通過人工智能教學，能夠吸引更多的學生能投身于人工智能的研究中。
通過對學生作品—疾病診斷治療專家系統(tǒng)的分析，我覺得在以后的人工智能教學中，要做到以下幾個方面：
（1）教師要以平等友好的心態(tài)，微笑溫和的話語與學生交流，尊重、理解每個學生的權利、價值觀和感覺，保全學生的面子，杜絕直接的批評、奚落、嘲弄、諷刺，保證學生在課堂上的情緒安全感。
（2）盡量減少概念和純理論知識的講解時間，通過讓學生制作一個有實用價值的個性化的簡易專家系統(tǒng)來帶動人工智能的理論知識學習。在“做”的過程中，掌握知識的表達及推理機制等理論知識。讓學生在完成一個簡單專家系統(tǒng)作品的過程中，不知不覺中學習了相應的理論知識。
（3）展人工智能的教學，重點要放在讓學生能夠體驗，老師最好能以現(xiàn)實中的例子來給學生做講演,有直觀的印象,學起來更容易現(xiàn)解。
（4）在教學中要利用好因特網(wǎng)這個大資源庫，并以小組合作學習的形式，相互交流，相互幫助，老師再及時指導與評價。
第四篇：人工智能大作業(yè)解讀
實現(xiàn)遺傳算法的0-1背包問題求解
目錄
摘要.........................................................................................................2 一．問題描述..........................................................................................2 二．遺傳算法特點介紹...........................................................................2 三．使用基本遺傳算法解決0-1背包問題..............................................3 四．基本遺傳算法解決0-1背包問題存在的不足...................................4 五．改進的遺傳算法解決0-1背包問題..................................................6 六．心得體會..........................................................................................9 七．參考文獻.........................................................................................10 八．程序代碼.........................................................................................10
摘要：研究了遺傳算法解決0-1背包問題中的幾個問題：
1）
對于過程中不滿足重量限制條件的個體的處理,通過代換上代最優(yōu)解保持種群的進化性 2）對于交換率和變異率的理解和處理方法,采用逐個體和逐位判斷的處理方法
3）對于早熟性問題,引入相似度衡量值并通過重新生成個體替換最差個體方式保持種群多樣性。4）一種最優(yōu)解只向更好進化方法的嘗試。
通過實際計算比較表明,本文改進遺傳算法在背包問題求解中具有很好的收斂性、穩(wěn)定性和計算效率。通過實例計算，表明本文改進遺傳算法優(yōu)于簡單遺傳算法和普通改進的遺傳算法。關鍵詞：遺傳算法；背包問題 ；優(yōu)化
一、問題描述
0-1背包問題屬于組合優(yōu)化問題的一個例子，求解0-1背包問題的過程可以被視作在很多可行解當中求解一個最優(yōu)解。01背包問題的一般描述如下：
給定n個物品和一個背包，物品i的重量為Wi，其價值為Vi，背包的容量為C。選擇合適的物品裝入背包，使得背包中裝入的物品的總價值最大。注意的一點是，背包內的物品的重量之和不能大于背包的容量C。在選擇裝入背包的物品時，對每種物品i只有兩種選擇：裝入背包或者不裝入背包，即只能將物品i裝入背包一次。稱此類問題為0/1背包問題。其數(shù)學模型為：
0-1背包問題傳統(tǒng)的解決方法有動態(tài)規(guī)劃法、分支界限法、回溯法等等。傳統(tǒng)的方法不能有效地解決0-1背包問題。遺傳算法（Genetic Algorithms）則是一種適合于在大量的可行解中搜索最優(yōu)（或次優(yōu)）解的有效算法。
二、遺傳算法特點介紹:
遺傳算法(Genetic Algorithm, GA)是1962年Holland教授首次提出了GA算法的思想是近年來隨著信息數(shù)據(jù)量激增，發(fā)展起來的一種嶄新的全局優(yōu)化算法，它借用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現(xiàn)各個個體的適應性的提高?；具z傳算法求解步驟：
Step 1 參數(shù)設置：在論域空間U上定義一個適應度函數(shù)f(x)，給定種群規(guī)模N，交叉率Pc和變異率Pm，代數(shù)T；
Step 2 初始種群：隨機產(chǎn)生U中的N個染色體s1, s2, …, sN，組成初始種群S={s1, s2, …, sN}，置代數(shù)計數(shù)器t=1；
Step 3 計算適應度：S中每個染色體的適應度f()；
Step 4 判斷：若終止條件滿足，則取S中適應度最大的染色體作為所求結果，算法結束。Step 5 選擇-復制：按選擇概率P(xi)所決定的選中機會，每次從S中隨機選定1個染色體并將其復制，共做N次，然后將復制所得的N個染色體組成群體S1；
Step 6 交叉：按交叉率Pc所決定的參加交叉的染色體數(shù)c，從S1中隨機確定c個染色體，配對進行交叉操作，并用產(chǎn)生的新染色體代替原染色體，得群體S2；
Step 7 變異：按變異率Pm所決定的變異次數(shù)m，從S2中隨機確定m個染色體，分別進行變異操作，并用產(chǎn)生的新染色體代替原染色體，得群體S3；
Step 8 更新：將群體S3作為新一代種群，即用S3代替S，t=t+1，轉步3；
遺傳算法是一種仿生算法, 即模擬生命演化的算法，它從一個代表問題初始解的初始種群出發(fā), 不斷重復執(zhí)行選擇, 雜交和變異的過程, 使種群進化越來越接近某一目標既最優(yōu)解，如果視種群為超空間的一組點, 選擇、雜交和變異的過程即是在超空間中進行點集之間的某種變換, 通過信息交換使種群不斷變化，遺傳算法通過模擬達爾文“優(yōu)勝劣汰, 適者生存”的原理激勵好的結構, 同時尋找更好的結構, 作為一種隨機的優(yōu)化與搜索方法, 遺傳算法有著其鮮明的特點。
—遺傳算法一般是直接在解空間搜索, 而不像圖搜索那樣一般是在問題空間搜索, 最后才找到解(如果搜索成功的話)。
—遺傳算法的搜索隨機地始于搜索空間的一個點集, 而不像圖搜索那樣固定地始于搜索空間的初始節(jié)點或終止節(jié)點, 所以遺傳算法是一種隨機搜索算法。
—遺傳算法總是在尋找優(yōu)解(最優(yōu)解或次優(yōu)解), 而不像圖搜索那樣并非總是要求優(yōu)解, 而一般是設法盡快找到解(當然包括優(yōu)解), 所以遺傳算法又是一種優(yōu)化搜索算法。
—遺傳算法的搜索過程是從空間的一個點集(種群)到另一個點集(種群)的搜索,而不像圖搜索那樣一般是從空間的一個點到另一個點地搜索。因而它實際是一種并行搜索, 適合大規(guī)模并行計算, 而且這種種群到種群的搜索有能力跳出局部最優(yōu)解。
—遺傳算法的適應性強, 除需知適應度函數(shù)外, 幾乎不需要其他的先驗知識。
—遺傳算法長于全局搜索, 它不受搜索空間的限制性假設的約束,不要求連續(xù)性, 能以很大的概率從離散的、多極值的、含有噪聲的高維問題中找到全局最優(yōu)解。
三、使用基本遺傳算法解決0-1背包問題：
1: 打開數(shù)據(jù)文件
2: 設置程序運行主界面 3: 調用初始化種群模塊
3-1: 按照一定的種群規(guī)模和染色體長度以基因為單位用隨機產(chǎn)生的0-1對個體賦值 3-2: 調用計算適應度函數(shù)
4: 以最大進化代數(shù)為循環(huán)終止條件開始進行循環(huán) 4-1: 調用產(chǎn)生新一代個體的函數(shù) 4-1-1: 調用選擇函數(shù) 4-1-2: 調用交叉函數(shù) 4-1-3: 調用變異函數(shù)
4-1-4: 調用計算適應度函數(shù)
5: 調用計算新一代種群統(tǒng)計數(shù)據(jù)函數(shù) 6: 調用輸出新一代統(tǒng)計數(shù)據(jù)函數(shù) 7: 返回到第四步, 直至循環(huán)結束
四、基本遺傳算法解決0-1背包問題存在的不足：
1.對于過程中不滿足重量限制條件的個體的處理
在用基本遺傳算法解決0-1背包問題的時候，在初始化或者交叉變異后可能會產(chǎn)生不滿足重量約束條件的偽解，而對于這些偽解，基本遺傳算法沒有給出一個很好的處理方法，而只是又隨機生成了一個滿足約束條件的解作為新的個體從而替換掉原來的個體。根據(jù)遺傳算
法的根本思想“優(yōu)勝劣汰，適者生存”的原則，可以將不滿足條件的個體用已有的最優(yōu)個體來進行替換，這樣，既使得種群中所有的個體均滿足重量的約束條件，又保留了較優(yōu)解，符合遺傳算法的思想。具體做法為：
在程序中加入一個變量保存每代的最優(yōu)解，當前代在進行選擇、復制、交叉、變異后如果有不滿足約束條件的個體，則在種群更新時采用這個最優(yōu)值作為替代。
具體做法為：在每代遺傳后通過函數(shù)FindBestandWorstIndividual()找到當前最優(yōu)值并保存bestindividual中，在計算適應度函數(shù)CalculateFitnessValue()中加入：
if(w>KW)X[i]=bestindividual;
//如果不是解，找最好的一個解代之
其中w為當前個體的總重量，KW為背包最大承重量，X[i]表示種群中第i個個體，bestindividual為保存的個體最優(yōu)解。
2.對于交換率和變異率的理解和處理方法
根據(jù)遺傳算法的基本步驟的交叉和變異操作
Step 6 交叉：按交叉率Pc所決定的參加交叉的染色體數(shù)c，從S1中隨機確定c個染色體，配對進行交叉操作，并用產(chǎn)生的新染色體代替原染色體，得群體S2；
Step 7 變異：按變異率Pm所決定的變異次數(shù)m，從S2中隨機確定m個染色體，分別進行變異操作，并用產(chǎn)生的 新染色體代替原染色體，得群體S3； 可以有兩種處理方法：
其一，采用先確定數(shù)目在隨機選取的方法，步驟如下：
對于交叉操作： 對于變異操作：
1,根據(jù)交叉率確定應該交叉的個體數(shù)目1,根據(jù)變異率確定應該變異的染色體數(shù)n 目n 2,在種群中進行n次循環(huán) 2,在種群中進行n次循環(huán) 2-1隨機選中種群中的一個個體a 2-1隨機選中種群中的一個個體的染2-2隨機選中種群中異于a的一個個色體a 體b
2-2隨機選中染色體a的某位基因
2-3隨機確定交叉位數(shù) 2-4進行交叉
2-3對進行0-1互換變異
其二，采用對每個操作單元分別進行特定概率下處理的方法，步驟如下：
對于交叉操作：
1,在種群中進行S次循環(huán),其中S代表種群中個體的數(shù)量
2,對于每一個個體X[i]（X為種群數(shù)組）做如下操作
2-1生成隨機數(shù)p[0,1],判斷p與的大小關系 2-2如果p說明X[i]需要交換
對于變異操作：
1,在種群中進行S次循環(huán),其中S代表種群中個體的數(shù)量
2,對每一個個體X[i]做N次循環(huán)，其中N為染色體位數(shù)
2-1對染色體的每一位
3-1生成隨機數(shù)q[0,1],判斷q與 的大小關系
說明需要進行0-1互換說明不需要變
2-2-1 隨機在種群中找到異于X[i]的另一個體進行交換 2-3如果p 說明X[i]不需要交換
3-2如果q
變異2-3如果q分析這兩種處理方法可知：方法一沒有很好地體現(xiàn)隨機機會均等的思想，因為在步驟1中確
定的需要操作的數(shù)目n后，總體上是保證了交叉或者變異的數(shù)目，但不是對于每一個個體而言的，因而會出現(xiàn)有的個體被選擇交叉或者變異多次而有的沒有機會交叉或者變異的情況，而如果采用方法二，就體現(xiàn)了機會的均等性，即要求對每一個單元操作目標進行概率的驗證，以確定是否變異或者交叉。在程序中具體的實現(xiàn)方法體現(xiàn)在交叉和變異函數(shù)中：
void CrossoverOperator(void)//交叉操作 for(i=0;i q=rand()%S;}while(p==q); int w=1+rand()%N;//[1,N]交換的位數(shù) double p=(rand()%1001)/1000.0;if(p<=Pc) for(j=0;j void MutationOperator(void)//變異操作 for(i=0;i for(j=0;j q=(rand()%1001)/1000.0;//產(chǎn)生q[0,1] if(q if(X[i].chromsome[j]==1)X[i].chromsome[j]=0;else X[i].chromsome[j]=1;1.對于算法早熟性的分析及解決方法 遺傳算法中種群中的個體由初始化時的具有多樣性，可能會由于在進化過程中一些超常個體限制其它個體的進化——這個個體的適應度大大優(yōu)于種群內的其它值，由于適者生存原則這個個體被不斷復制從而充滿了整個種群，使得種群的多樣應大大降低，進化停滯，從而出現(xiàn)算法收斂于局部最優(yōu)解的現(xiàn)象，稱為早熟現(xiàn)象。早熟現(xiàn)象的可能解法： 1）通過提高變異率來增加種群的多樣性，以期更優(yōu)解的出現(xiàn)，這也是最簡單基本遺傳算法中不添加相關操作的情況下唯一的一種方法，然而這種方法有明顯的弊端：在提高變異率獲得多樣性種群的同時，個體變異的機會增加，使得較優(yōu)解發(fā)生變異，從而遺傳算法喪失了其優(yōu)于其它算法的優(yōu)越性，所以這種方法不是很好地解決方法。2）引入多樣性衡量和處理 基本思路：在出現(xiàn)進化停滯現(xiàn)象時要引入新的個體來增強種群的多樣性。做法：1,判斷是否達到早熟現(xiàn)象 對于種群中S個個體，判斷等位基因的相等程度，即引入一個參數(shù)值same,如果same達到一定的 理論值大小就可以認為達到了早熟現(xiàn)象。 2,早熟現(xiàn)象的處理，即引入新的個體。 處理過程中應該不違反適者生存的原則，所以應該保留較好的個體，所以首先選中適應度最小的 個體執(zhí)行刪除操作，然后隨機生成一個新的符合重量限制且打破早熟現(xiàn)象的新個體。 具體實現(xiàn)見函數(shù)：void checkalike(void) //相似度校驗 for(i=0;i for(j=0;j if(temp!=X[k].chromsome[j]) break;if(j==N)same++;if(same>N*0.5)//大于50%作為判定為早熟 //確定最小 int minindex=0;for(intn=0;n if(X[n].fitness bool m=(rand()%10<5)?0:1;X[minindex].chromsome[j]=m;X[minindex].weight+=m*weight[j];//個體的總重量 X[minindex].fitness+=m*value[j]; //個體的總價值 2.一種最優(yōu)解只向更好進化方法的嘗試 基本思路為：每一組的最優(yōu)解是一個獨特的個體，我們求解的問題最終的最優(yōu)解或者近似解都產(chǎn)生于這個特殊的個體，最優(yōu)解只向更好進化方法中規(guī)定：每代中選出一個最優(yōu)解并做好相應的記錄或者標記，最優(yōu)解參與交叉和變異，只是在交叉或者變異時對最優(yōu)解進行前后適應度的比較，如果發(fā)現(xiàn)交叉或者變異后適應度大于操作前適應度，則保存操作后的結果，如果發(fā)現(xiàn)交叉或者變異后適應度小于操作前適應度，則禁止最優(yōu)解的操作，而不禁止與最優(yōu)解進行交叉的個體的變化。這樣，每一代中的最優(yōu)解的特性可以通過交叉?zhèn)鬟f給同代中的其它個體，而保證種群一定會向更好的方向進化。做法在交叉后和變異后調用以下函數(shù)判斷： int comp(individual bestindividual,individual temp)//比較函數(shù) { } int fit=0,w=0;//第一種不變:操作后不滿足重量函數(shù)，第二種:操作后適應度小于操作前 for(int i=0;i 五、改進的遺傳算法解決0-1背包問題： 1、參數(shù)設置： #define S 500 #define Pc 0.8 #define Pm 0.01 #define KW 878 #define N #define T 1000 //種群的規(guī)模 //交叉概率 //突變概率 //背包最大載重 //物體總數(shù) //最大換代數(shù) 2個體的表示和染色體編碼 用變量i代表物件, i = 1, 2, ,n 定義變量xi，其含義為： xi= 1表示：第i個物件被選入背包, xi = 0表示第i個物件沒有被選入背包。考慮n 個物件的選擇與否, 就可以得到一個長度為n的0, 1序列。由此可見遺傳算法應用于上述背包問題時,采用簡單二進制編碼較為適宜1 每一組編碼即為某一個個體的基因表示, 稱其為染色體, 染色體長度取決于待分配的物件的個數(shù)n.在編碼形式的表示方法中,形如二進制編碼 10010101 表示為一個待分配的物件的個數(shù)為8（編碼長度）的一個背包問題的一個解, 則該個體對應于選擇了物件1, 4, 6, 8，即第1, 4, 6, 8個物品被放入了背包。用數(shù)據(jù)格式表示為： struct individual { bool chromsome[N];double fitness; double weight;}; //個體結構體 //染色體編碼 //適應度//即本問題中的個體所得價值 //總重量 2產(chǎn)生初始種群 n個待分配的物件隨機產(chǎn)生S個長度為n的二進制串, 即種群中個體的染色體編碼的每一位按等概率在0與1中選擇S 指的是種群規(guī)模, 即種群中的個體數(shù)目.void GenerateInitialPopulation(void);//初始種群 3適應度函數(shù) 背包內物件的總重量為a1x1 + a2x2 + ,anxn, 物件的總價值為c1x1 + c2x2 + , + cn xn 0-1背包問題中采用每個個體的總價值作為適應度，在滿足背包容量的條件下，價值越大，適應度越高。所以適應度求解方法為： f i = c1x1 + c2x2 + , + cnxn(當t a1x1 + a2x 2 + , + anxn < = c，xj = 0, 1)考慮到會有不不滿足容量條件的個體則： f i = 0(當a1x1 + a2x2 + , + anxn > c，xj = 0, 1) 上述適應度函數(shù)基于一個考慮違背約束條件的懲罰處理，根據(jù)上述具體問題適應度函數(shù)值不可能為零, 所以當隨機產(chǎn)生的某個個體違背約束條件時, 通過把其適應度函數(shù)值罰為0而達到淘汰該個體的目的。4選擇-復制操作 參照適應度函數(shù)值和約束條件用賭輪選擇法進行模擬，具體為: (1)根據(jù)適應度函數(shù)值和約束條件, 罰掉部分個體（前述不滿足容量條件的個體） (2)對于滿足約束條件的個體, 根據(jù)適應度函數(shù)值計算個體被選中的概率,稱為選擇概率： 公式為: P = p()稱為染色體xi(i=1, 2, …, n)的選擇概率 (3)根據(jù)輪盤賭累計公式為： iq?P(xj) i ? j?1 稱為染色體xi(i=1, 2, …, n)的積累概率 (4)對已得到的累計概率作如下處理，完成選擇操作： 1）在［0, 1］區(qū)間內產(chǎn)生一個均勻分布的偽隨機數(shù)r。2）若r≤q1,則染色體x1被選中。 3）若qk-1 (1)隨機產(chǎn)生一個交叉點的位置 (2)隨機選取當前代中的兩個個體作為父個體 (3)根據(jù)交叉點的位置, 做單點交叉 6變異操作: 根據(jù)變異率Pm (1)隨機產(chǎn)生變異點的位置 (2)在變異點位置作0-1翻轉 8、算法終止 程序中定義了一個最優(yōu)值，stop= 一般情況下這個最優(yōu)值達不到，一旦程序在執(zhí)行過程中達到此最優(yōu)值，也就沒有必要在執(zhí)行下去，因為這必定是最好的解，所以保存最優(yōu)值和最優(yōu)解，結束。 如果程序的最優(yōu)值達不到理想情況下的stop，那么根據(jù)最大換代次數(shù)來結束程序，在結束后的種群中找到一個最好的解作為本問題的最優(yōu)解，程序結束。 4算例 1.小規(guī)模問題的算例： 算例1-1：設定物品價值value={50,30,60,80,20}重量weight{35,40,40,20,15}背包的最大承重量為100 遺傳算法中參數(shù)：群體大小S=5，交叉率Pc=0.8,變異率Pm=0.05,最大換代次數(shù)T=20, 通過多次試驗比較本文改進后遺傳算法和其他得到結果如下表所示： 本文改進的遺傳算法： 實驗總次數(shù)：30 達到全局最優(yōu)解次數(shù)：27 未達到全局最優(yōu)解：3 由實驗結果可知在小規(guī)模算例中，本文改進的遺傳算法優(yōu)于前兩者。2．較大規(guī)模問題求解算例： 遺傳算法中參數(shù)： 群體大小S=5，交叉率Pc=0.8,變異率Pm=0.05,最大換代次數(shù)T=800，相似度取5% 實例1： 價值value：{ 92,4,43,83,84,68,92,82,6,44,32,18,56,83,25,96,70,48,14,58} 重量weight：{ {44,46,90,72,91,40,75,35,8,54,78,40,77,15,61,17,75,29,75,63}} 背包的最大承重量：878 實例2： 價值value： {220,208,198,192,180,180,165,162,160,158,155,130,125,122,120,118,115,110,105,101,100,100,98,96,95,90,88, 82,80,77,75,73,72,70,69,66,65,63,60,58,56,50,30,20,15,10,8,5,3,1}; 重量weight: {80,82,85,70,72,70,66,50,55,25,50,55,40,48,50,32,22,60,30,32,40,38,35,32,25,28,30,22,25,30,45,30,60,50,20,65, 20,25,30,10,20,25,15,10,10,10,4,4,2,1}; 背包最大承重量：1000 本文改進遺傳算法實驗結果： 實例1： 實例2： 由此得出結論：遺傳算法優(yōu)于前兩種。 六.心得體會： 遺傳算法是一種模擬生物進化在解中求解最優(yōu)值的方法，實現(xiàn)起來方便，適于處理大宗數(shù)據(jù)，然而基于簡單基本遺傳算法在求解不同問題時應該具體問題具體分析，找的結合所解問題的優(yōu)化方法，例如本文分析的遺傳算法解決0-1背包問題，雖然簡單基本遺傳算法可以求出一個比較好的解出來，但是分析可知，結果并不令人滿意，在對問題進行細致的分析、查閱相關資料和深入思考后，我提出了自己認為比較好的改進方法并通過實踐結合具體的算例把改進后的遺傳算法和與原來的簡單遺傳算法和參考文獻中的一種改進方法進行了比較，結果顯示本文改進的遺傳算法無論在小規(guī)模數(shù)據(jù)處理還是較大規(guī)模數(shù)據(jù)處理方面均優(yōu)于前兩者，這一點很令人高興。通過本次實踐，我也深刻體會到對于算法分析和改進的重要性，往往一個算法經(jīng)過認真地分析和合理的改進后會獲得性能上的提高時間復雜度或者空間復雜度的降低，而且能夠獲得更好的解。 七.參考文獻： 《用基本遺傳算法解決0-1背包問題》 八.程序實現(xiàn)： 已通過vc6.0編譯后運行 #include //種群的規(guī)模 #define N //物體總數(shù) #define Pc 0.8 //交叉概率 #define Pm 0.05 //突變概率 #define KW //背包最大載重 #define T //最大換代數(shù) #define ALIKE 0.05 //判定相似度 int stop=0; //初始化函數(shù)中初始化為所有價值之和 int t=0; //目前的代數(shù) int weight[]={35,40,40,20,15}; //物體重量 int value[]={50,30,60,80,20}; //物體價值 /*實例1*********************************************************************** #define S //種群的規(guī)模 #define N //物體總數(shù) #define Pc 0.8 //交叉概率 #define Pm 0.05 //突變概率 #define KW 878 //背包最大載重 #define T 800 //最大換代數(shù) #define ALIKE 0.05 //判定相似度 int stop=0; //初始化函數(shù)中初始化為所有價值之和 int t=0; //目前的代數(shù) int weight[]={44,46,90,72,91,40,75,35,8,54,78,40,77,15,61,17,75,29,75,63};//物體重量 int value[]={92,4,43,83,84,68,92,82,6,44,32,18,56,83,25,96,70,48,14,58};//物體價值 /*實例2*********************************************************************** #define S //種群的規(guī)模 #define Pc 0.8 //交叉概率 #define Pm 0.05 //突變概率 #define KW 1000 //背包最大載重1000 #define N //物體總數(shù) #define T 800 //最大換代數(shù) #define ALIKE 0.05 //判定相似度 int stop=0; //初始化函數(shù)中初始化為所有價值之和 int t=0; //目前的代數(shù) int vaue[]={ 220,208,198,192,180,180,165,162,160,158,155,130,125,122,120,118,115,110,105,101,100,100,98,96,95,90,88,82,80,77,75,73,72,70,69,66,65,63,60,58,56,50,30,20,15,10,8,5,3,1};int weight[]={ 80,82,85,70,72,70,66,50,55,25,50,55,40,48,50,32,22,60,30,32,40,38,35,32,25,28,30,22,25,30,45,30,60,50,20,65,20,25,30,10,20,25,15,10,10,10,4,4,2,1};/*實例3***********************************************************************/ #define S //種群的規(guī)模 #define Pc 0.8 //交叉概率 #define Pm 0.05 //突變概率 #define KW 6718 //背包最大載重1000 #define N //物體總數(shù) #define T 800 //最大換代數(shù) #define ALIKE 0.05 //判定相似度 int stop=0; //初始化函數(shù)中初始化為所有價值之和 int t=0; //目前的代數(shù) int vaue[]={ 597,596,593,586,581,568,567,560,549,548,547,529,529,527,520,491,482,478,475,475,466,462,459,458,454,451,449,443,442,421,410,409,395,394,390,377,375,366,361,347,334,322,315,313,311,309,296,295,294,289,285,279,277,276,272,248,246,245,238,237,232,231,230,225,192,184,183,176,171,169,165,165,154,153,150,149,147,143,140,138,134,132,127,124,123,114,111,104,89,74,63,62,58,55,48,27,22,12,6,250};Int weight[]={ 54,183,106,82,30,58,71,166,117,190,90,191,205,128,110,89,63,6,140,86,30,91,156,31,70,199,142,98,178,16,140,31,24,197,101,73,16,73,2,159,71,102,144,151,27,131,209,164,177,177,129,146,17,53,64,146,43,170,180,171,130,183,5,113,207,57,13,163,20,63,12,24,9,42,6,109,170,108,46,69,43,175,81,5,34,146,148,114,160,174,156,82,47,126,102,83,58,34,21,14};/************************************************************************/ struct individual { //個體結構體 bool chromsome[N];//染色體編碼 double fitness; //適應度//即本問題中的個體所得價值 double weight; //總重量 };int best=0;int same=0;individual X[S],Y[S],bestindividual;// /************************************************************************/ int comp(individual bestindividual,individual temp);//比較函數(shù) void checkalike(void); //檢查相似度函數(shù) void GenerateInitialPopulation(void); //初始種群 void CalculateFitnessValue(void); //適應度 void SelectionOperator(void); //選擇 void CrossoverOperator(void); //交叉 void MutationOperator(void); //變異 void FindBestandWorstIndividual(void); //尋找最優(yōu)解 void srand(unsigned int seed); //隨機生成 /************************************************************************/ int comp(individual bestindividual,individual temp)//比較函數(shù) { int fit=0,w=0;//第一種不變:操作后不滿足重量函數(shù)，第二種:操作后適應度小于操作前 for(int i=0;i void Checkalike(void){ int i=0,j=0; for(i=0;i if(temp!=X[k].chromsome[j]) break;} } if(j==N)same++;} if(same>N*ALIKE)//大于ALIKE作為判定為早熟 { int minindex=0;for(int n=0;n if(X[n].fitness X[minindex].weight+=m*weight[j];//個體的總重量 X[minindex].fitness+=m*value[j];//個體的總價值 } } } /************************************************************************/ void GenerateInitialPopulation(void)//初始種群,保證每個值都在符合條件的解 { int i=0,j=0;bool k; for(i=0;i k=(rand()%10<5)?0:1; X[i].chromsome[j]=k; w+=k*weight[j];//個體的總重量 v+=k*value[j];//個體的總價值 } if(w>KW)i--; //如果不是解，重新生成else { X[i].fitness=v;X[i].weight=w; if(v==stop){bestindividual=X[i];return;}//這種情況一般不會發(fā)生 } } } /************************************************************************/ void CalculateFitnessValue(){ int i=0,j=0; for(i=0;i int w=0,v=0; for(j=0;j { w+=X[i].chromsome[j]*weight[j];//個體的總重量 v+=X[i].chromsome[j]*value[j];//個體的總價值 } X[i].fitness=v; X[i].weight=w; if(v==stop){bestindividual=X[i];return;}//符合條件情況下最優(yōu)解這種情況一般不會發(fā)生 if(w>KW)X[i]=bestindividual; //如果不是解，找最好的一個解代之 } } /************************************************************************/ void SelectionOperator(void){ int i, index;double p, sum=0.0;double cfitness[S];//選擇、累積概率 individual newX[S];for(i=0;i for(i=0;i for(i=1;i for(i=0;i p=(rand()%1001)/1000.0;//產(chǎn)生一個[0,1]之間的隨機數(shù) index=0; while(p>cfitness[index])//輪盤賭進行選擇 { index++; } newX[i]=X[index];} for(i=0;i void CrossoverOperator(void)//交叉操作 { int i=0, j=0,k=0;individual temp; for(i=0;i int p=0,q=0; do { p=rand()%S;//產(chǎn)生兩個[0，S]的隨機數(shù) q=rand()%S; }while(p==q); int w=1+rand()%N;//[1,N]表示交換的位數(shù) double r=(rand()%1001)/1000.0;//[0,1] if(r<=Pc) { for(j=0;j { temp.chromsome[j]=X[p].chromsome[j];//將要交換的位先放入臨時空間 X[p].chromsome[j]=X[q].chromsome[j]; X[q].chromsome[j]=temp.chromsome[j]; } } if(p==best) if(-1==comp(bestindividual,X[p]))//如果變異后適應度變小 X[p]=bestindividual; if(q==best) if(-1==comp(bestindividual,X[q]))//如果變異后適應度變小 X[q]=bestindividual;} } /************************************************************************/ void MutationOperator(void){ int i=0, j=0,k=0,q=0;double p=0;for(i=0;i { for(j=0;j { p=(rand()%1001)/1000.0; if(p { if(X[i].chromsome[j]==1)X[i].chromsome[j]=0; else X[i].chromsome[j]=1; } } if(i==best) if(-1==comp(bestindividual,X[i]))//如果變異后適應度變小 X[i]=bestindividual;} } /************************************************************************/ void FindBestandWorstIndividual(void){ int i;bestindividual=X[0];for(i=1;i if(X[i].fitness>bestindividual.fitness) { bestindividual=X[i]; best=i; } } } /*主函數(shù)*****************************************************************/ void main(void){ srand((unsigned)time(0)); t=0; GenerateInitialPopulation();//初始群體包括產(chǎn)生個體和計算個體的初始值 while(t<=T) { FindBestandWorstIndividual();//保存當前最優(yōu)解 SelectionOperator(); //選擇 CrossoverOperator(); //交叉 MutationOperator(); //變異 Checkalike(); //檢查相似度 CalculateFitnessValue();//計算新種群適應度 t++; } FindBestandWorstIndividual(); //找到最優(yōu)解 cout< < for(int k=0;k cout< 讀書的好處 1、行萬里路，讀萬卷書。 2、書山有路勤為徑，學海無涯苦作舟。 3、讀書破萬卷，下筆如有神。 4、我所學到的任何有價值的知識都是由自學中得來的?！_爾文 5、少壯不努力，老大徒悲傷。 6、黑發(fā)不知勤學早，白首方悔讀書遲?！佌媲?/p> 7、寶劍鋒從磨礪出，梅花香自苦寒來。 8、讀書要三到：心到、眼到、口到 9、玉不琢、不成器，人不學、不知義。 10、一日無書，百事荒廢?！悏?/p> 11、書是人類進步的階梯。 12、一日不讀口生，一日不寫手生。 13、我撲在書上，就像饑餓的人撲在面包上?！郀柣?/p> 14、書到用時方恨少、事非經(jīng)過不知難。——陸游 15、讀一本好書，就如同和一個高尚的人在交談——歌德 16、讀一切好書，就是和許多高尚的人談話?！芽▋?/p> 17、學習永遠不晚。——高爾基 18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光?！獎⑾?/p> 19、學而不思則惘，思而不學則殆?！鬃?/p> 20、讀書給人以快樂、給人以光彩、給人以才干?！喔?/p> 人工智能原理與應用大作業(yè) （1）簡單函數(shù)優(yōu)化的遺傳算法C代碼，把代碼調通，計算出結果。 （2）編程實現(xiàn)第6章習題第13題（2個學生做） （3）編程實現(xiàn)第6章習題第14題（2個學生做） （4）寫出調研報告“人工智能的發(fā)展歷史” （5）寫出麥卡錫(J.McCarthy)的傳記 （6）寫出明斯基(M.Minsky)的傳記 （7）寫出調研符號主義學派的報告 （8）寫出調研行為主義學派的報告 （9）寫出調研聯(lián)結主義學派的報告 （10）寫出使用經(jīng)典邏輯推理成功的人工智能案例 （11）寫出使用搜索方法推理成功的人工智能案例 （12）寫出使用遺傳算法推理成功的人工智能案例 （13）寫出使用神經(jīng)網(wǎng)絡推理成功的人工智能案例 （14）寫出使用專家系統(tǒng)推理成功的人工智能案例 （15）寫出除上面幾種方法以外的人工智能方法的調研報告。 （16）編程實現(xiàn)P132例5.1梵塔問題，畫圖實現(xiàn)。（由王小高帶2個學生做） （17）編程實現(xiàn)P135例5.3九宮重排問題，采用廣度搜索法。（由張延令帶2個學生做） （18）編程實現(xiàn)P133例5.2傳教士和野人問題，采用廣度搜索法。（由賈路寬帶2個學生 做） （19）寫出退火算法的調研報告。 （20）寫出蟻群算法的調研報告。 （21）寫出人工智能在中國的發(fā)展的調研報告。 （22）寫出中國人工智能協(xié)會的調研報告。 （23）寫出機器學習的調研報告 （24）寫出搜索引擎的調研報告 （25）寫出模式識別的調研報告 （26）人工智能在農(nóng)業(yè)方面的應用 （27）人工智能在工業(yè)方面的應用 （28）人工智能在軍事方面的應用 （29）人工智能在機器人方面的應用 （30）人工智能在航空航天方面的應用 （31）人工智能在醫(yī)療方面的應用 （32）人工智能在商業(yè)方面的應用 （33）人工智能在電力業(yè)方面的應用第五篇：人工智能原理與應用大作業(yè)
點擊咨詢 