1、人工智能实验报告1人工智能导论实验报告学院：计算机科学与技术学院专业：计算机科学与技术2016.12.20人工智能实验报告2目录人工智能导论实验报告 1一、 简介(对该实验背景，方法以及目的的理解) 31. 实验背景 32. 实验方法 33. 实验目的 3二、 方法（对每个问题的分析及解决问题的方法） 4Q1: Depth First Search.4Q2: Breadth First Search4Q3: Uniform Cost Search.5Q4: A* Search6Q5: Corners Problem: Representation .6Q6: Corners Problem:
2、Heuristic.6Q7: Eating All The Dots: Heuristic .7Q8: Suboptimal Search 7三、 实验结果（解决每个问题的结果） 7Q1: Depth First Search.7Q2: Breadth First Search9Q3: Uniform Cost Search.10Q4: A* Search12Q5: Corners Problem: Representation .13Q6: Corners Problem: Heuristic.14Q7: Eating All The Dots: Heuristic .14Q8: Subop
3、timal Search 15自动评分 15四、 总结及讨论（对该实验的总结以及任何该实验的启发） 15人工智能实验报告3、 简介(对该实验背景，方法以及目的的理解)1. 实验背景1) 自人工智能概念被提出，人工智能的 发展就受到了很大的关注，取得了长足的发展，成为一门广泛的交叉和前沿科学。到目前，弱人工智能取得了长足的发展，而强人工智能则暂时处于瓶颈。2) 吃豆人 Pacman 居住在亮蓝色的世界里，在这个世界有弯曲的走廊和美味佳肴。游戏的目的就是控制游戏的主角小精灵吃掉藏在迷宫内所有的豆子，并且不能被幽灵抓到。高效地浏览世界将是吃豆人掌握世界的第一步。3) 通过本学期的学习我们已经初步掌握
4、了人工智能的基本知识，在实验中则应用这些知识使用人工智能操纵吃豆人游戏。2. 实验方法1) 在本实验中, Pacman 智能体将找到通过迷宫世界的路径, 既包括到达一个指定的位置，也包括高效地搜集食物。我们编辑 文件 search.py 和 searchAgents.py，编写一系列吃豆人程序，包括到达指定位置以及有效的吃豆，并将其应用到 Pacman 场景，完成对相关人工智能功能的完善。2) 在本实验中，我们对下面 8 个问题进行研究， 针对每个 问题提出解决方法，逐步完成吃豆人游戏： Q1: Depth First Search Q2: Breadth First Search Q3: U
5、niform Cost Search Q4: A* Search Q5: Corners Problem: Representation Q6: Corners Problem: Heuristic Q7: Eating All The Dots: Heuristic Q8: Suboptimal Search3. 实验目的1) 完成实验报告中的问题，编写一系列吃豆人程序，包括到达指定位置以及有效的吃豆；2) 通过分析吃豆人游戏巩固课堂上所学内容；3) 复习 python 语言的使用。人工智能实验报告4、 方法（对每个问题的分析及解决问题的方法）Q1: Depth First Search应用
6、深度优先算法找到一个特定的位置的豆，我们通过 depthFirstSearch 函数实现深度优先搜索的功能。深度优先遍历的方法是，从图 中某顶点 v 出发：1) 访问顶点 v；2) 依次从 v 的未被访问的邻接点出发，对图进行深度优 先遍历；直至图中和 v 有路径相通的顶点都被访问；3) 若此时图中尚有顶点未被访问，则从一个未被访问的 顶点出发，重新 进行深度优先遍历，直到图中所有顶点均被访问过为止。 深度优先搜索的顺序如下图所示：在 depthFirstSearch 中，由于搜索过程中火重复访问到部分节点，所以需要对于每个节点设置标记，以指示该节点是否被 访问过。 先将每个后继节点压入搜索栈
7、中，然后以深度优先的顺序进行搜索，判定是否符合目 标状态，并将符合 结果的节 点放入结果集。Q2: Breadth First Search应用宽度优先算法找到一个特定的位置的豆，我们通过 breadthFirstSearch 函数实现深度优先搜索的功能。广度优先搜索算法的思想是：从图中某顶点 v 出发，在 访问 了 v 之后依次访问 v 的各个未曾访问过的邻接点，然后分别从 这些邻接点出发依次访问它 们的邻接点，并使得 “先被访问的顶点的邻接点先于后被访问的顶点的邻接点被访问，直至图中所有已被访问的顶点的邻接点都被访问到。如果此时图中尚有 顶点未被访问， 则需要另 选一个未曾被访问过的顶点作
8、为人工智能实验报告5新的起始点，重复上述过程，直至图中所有顶点都被访问到 为止。如下图：在 breadthFirstSearch 中，大体的搜索思路与深度优先算法一致，只是搜索的次序发生了变化。在这里注意，在深度优先搜索和广度 优先搜索方法中，我 们 使用的图搜索算法是一样的，但是涉及到具体的数据结构却是不同的。在深度 优先搜索算法中，我们使用栈进行操作，在深度优先搜索算法中，我们使用 队列进行操作，如下 图所示。这两种数据结构的不同之处就在于其中元素的输出次序，在深度 优先搜索中需要按照压栈顺 序的逆序进行搜索，咋子广度 优先搜索中需要按照入队顺序的顺序进行搜索。Q3: Uniform Co
9、st Search很多情况下，路径中的代价是可以改变的，在 这个问题中，我们完成代价一致搜索方法。代价一致搜索，其实就是一个 贪心搜索，取代 扩展深度最浅的 节点，代价一致搜索扩展的是人工智能实验报告6路径消耗最低的节点 n。如果所有 单步耗散都相等的话， 这 种算法就和广度优先搜索算法是一样的。不过，这样在扩展到一个具有能返回到同一状态的零耗散行 动的节点时就会陷入无限循环。在 uniformCostSearch 函数中，我们计算每条路径的总代价，将总代价作为优先级进行搜索，待搜索序列存储于队列中。对 于每个节点，使用代价函数 getCostOfActions 计算其所产生的代价，并依次作为
10、搜索的优先 级进行搜索。同 样的，对于每个节点添加是否被访问的标记。Q4: A* SearchA*算法是一种静态路网中求解最短路最有效的直接搜索方法，也是许多其他问题的常用启发式算法，对代价一致搜索算法 进行了改进，加入了一个估计代价 h。公式表示为： f(n)=g(n)+h(n),其中 f(n) 是从初始状态经 由状态 n 到目标状态的代价估计，g(n) 是在状态空间中从初始状态到状态 n 的实际代价， h(n) 是从状态 n 到目标状态的最佳路径的估计代价（对于路径搜索问题，状态就是图中的节 点，代价就是距离）。在本实验中，我们使用曼哈顿 距离作为启发函数。在 aStarSearch 函数
11、中，我们首先搜索具有最低组合成本和启发式的节点。 类似于问题三，我 们计算每个 节点的代价，并以此为依据搜索产生结果集，在搜索的过程中，还需要标记节点是否已经 被访问过。Q5: Corners Problem: Representation找到所有的角落，在角落迷宫 的四个角上面有四个豆，通 过这 个函数找到一条访问所有四个角落的最短的路径。在 CornersProblem 类中，我们使用_init_函数存储墙壁的位置，吃豆人的起点和角落位置，定义新的函数 getStartState 用于 获得节点起始状态， isGoalState 函数判断当前节点是否为目标节点，getSuccessors
12、函数返回后继状态，所需的操作以及代价，getCostOfActions 函数计算动作序列所需的代价。查找后继节点时，在四个方向一次遍 历，使用 directionToVector 移动位置，如果没有墙，则把下一个的状态，动作，花费的步数加入下一节点Q6: Corners Problem: Heuristic构建合适的启发函数，完成问题 5 中的角落搜索问题。在问题五使用的 CornersProblem 类中定义 cornersHeuristic 函数，为角落问题构造启发函数。在 cornersHeuristic 函数中使用了 GetNextNodes 函数获取下一个节点，isGoal 函数判断
13、是否为目标。人工智能实验报告7Q7: Eating All The Dots: Heuristic用尽可能少的步数吃掉所有的豆子。这个问题利用之前 A*算法可以很容易找到解，此种方法在这里不再详述。下面在 FoodSearchProblem 类中定义函数 foodHeuristic，构建合适的启发函数完成豆子搜索（启发式）问题。Q8: Suboptimal Search次最优搜索，定义一个优先吃最近的豆子的函数，以此来提高搜索速度。补充 AnyFoodSearchProblem 目标测试函数，并在 ClosestDotSearchAgent 当中添加findPathToClosestDot 函
14、数，用于寻找最近的豆子。、 实验结果（解决每个问题的结果）Q1: Depth First Search python pacman.py -l tinyMaze -p SearchAgentpython pacman.py -l mediumMaze -p SearchAgent人工智能实验报告8python pacman.py -l bigMaze -z .5 -p SearchAgent人工智能实验报告9Q2: Breadth First Search python pacman.py -l mediumMaze -p SearchAgent -a fn=bfs人工智能实验报告10pyth
15、on pacman.py -l bigMaze -p SearchAgent -a fn=bfs -z .5Q3: Uniform Cost Search python pacman.py -l mediumMaze -p SearchAgent -a fn=ucs人工智能实验报告11python pacman.py -l mediumDottedMaze -p StayEastSearchAgentpython pacman.py -l mediumScaryMaze -p StayWestSearchAgent人工智能实验报告12Q4: A* Search python pacman.py
16、 -l bigMaze -z .5 -p SearchAgent -a fn=astar,heuristic=manhattanHeuristic人工智能实验报告13Q5: Corners Problem: Representation python pacman.py -l tinyCorners -p SearchAgent -a fn=bfs,prob=CornersProblempython pacman.py -l mediumCorners -p SearchAgent -a fn=bfs,prob=CornersProblem人工智能实验报告14Q6: Corners Probl
17、em: Heuristic python pacman.py -l mediumCorners -p AStarCornersAgent -z 0.5Q7: Eating All The Dots: Heuristic python pacman.py -l trickySearch -p AStarFoodSearchAgent人工智能实验报告15Q8: Suboptimal Searchpython pacman.py -l bigSearch -p ClosestDotSearchAgent -z .5自动评分、 总结及讨论（对该实验的总结以及任何该实验的启发）1. 在这个实验中，我们对
18、深度 优先搜索、广度 优先搜索、代价一致搜索和 A*算法四种搜索人工智能实验报告16方法进行了 python 代码实现 ，对这四种方法有了进一步的了解。与深度优先搜索和广度优先上搜索方法相比，代价一致搜索方法的效率更高，在代价一致上搜索方法失效时，等同于广度优先搜索。A*算法是最有效的直接搜索算法，使用公式进行预处理， 这样能够省略大量不必要的搜索路径，提高了效率。2. 在启发式搜索中，估价函数非常重要，准确的估价函数能够增大搜索函数的效率并且具有相当高的准确性。由此，在启发式搜索中对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。3. 在本次实验中使用了大量 python 语言中的类， 对之前的 python 知识有了很大的扩展。
