西电网信院人工智能课程实验报告，利用遗传算法解决 TSP 问题及可视化程序，基于神经网络的 MNIST 手写数字识别.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：3.77M 资料格式：pdf 举报版权申诉

qq_42206669-11870041-16359647653059535913.pdf-第1页.png

第1页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第2页.png

第2页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第3页.png

第3页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第4页.png

第4页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第5页.png

第5页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第6页.png

第6页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第7页.png

第7页 / 共46页

qq_42206669-11870041-16359647653059535913.pdf-第8页.png

第8页 / 共46页

三、实验方法设计

四、实验结果展示

总结：

随着变异概率的增大，最优解会逐渐偏离好的状态，交叉部分越来越多，这可能是因为变异算法变异幅度过大或者

五、实验总结及心得

◆ numpy.random.permutation()随机排列一个序列，生成并返回该序列。

三、实验方法设计

③使用tf.nn.sparse_softmax_cross_entropy_with_logits计

④使用tf.reduce_mean(cross_entropy)+regularization，通过

四、实验结果展示

五、实验总结及心得

①实验时本来想用卷积神经网络来进行建模，但出现了一些不会调的错误改用了单隐藏层的神经网络进行建模。

②这次实验调用了很多tensorflow的库，也了解了很多的函数和方法，tensorflow是很方便

③实验中简单划分的准确率反而比其他划分的准确率高，可能是因为模型的其他缺陷造成的，虽然准确率比较高，

④从上面的分析可以看出，一个模型的好坏是需要从不同的角度去思考和测试的，这期间可能需要加上自己的逻辑

六、附录

实验过程涉及python一些库的使用，相关函数和方法总结如下：

◆numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。numpy是专

◆numpy matrix必须是2维的,但是 numpy arrays (ndarrays) 可以是

在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，

matrix 和 array 都可以通过objects后面加.T 得到其转置。但是 matrix o

相反的是在numpy里面arrays遵从逐个元素的运算，所以array：c 和d的c*d运算相当于m

◆arange([start,] stop[, step,], dtype=None)：根据star

◆numpy.random.permutation()随机排列一个序列，生成并返回该序列。

◆np.argmax(a, axis=0)：竖着比较，返回行号（二维）。

◆np.argmax(a, axis=1)：横着比较，返回列号（二维）。

◆yield:一个带有 yield 的函数就是一个 generator，虽然执行流程仍按函数的流程执

◆tf.truncated_normal(shape, mean, stddev) :shape表示

◆tf.nn.relu(features, name = None)：计算激活函数 relu，即 m

◆tf.matmul(a,b):将矩阵 a 乘以矩阵 b,生成a*b,输入必须在任何转换之后是 ra

◆ tf.placeholder占位符，是TensorFlow中特有的一种数据结构。类似动态变量，函

◆tf.train.ExponentialMovingAverage():这个函数用于更新参数，就是

◆tf.nn.sparse_softmax_cross_entropy_with_logits():

◆tf.contrib.layers.l2_regularizer():规则化防止过度配合，提高模型

◆tf.reduce_mean()：可跨越维度的计算张量各元素的平均值。

◆tf.train.GradientDescentOptimizer():学习率不能过高也不能过低。

◆tf.control_dependencies()：指定某些操作执行的依赖关系。

◆tf.equal(A, B)：对比两个矩阵或者向量的元素，如果相等，那就返回True，否则，返回F

◆random.randint(a, b)，用于生成一个指定范围内的整数。其中参数a是下限，参数b是

◆tf.cast(x, dtype, name=None),将x的数据格式转化成dtype。

《人工智能与大数据管理》课程实验报告（模板）网络与信息安全学院班姓学级： 1618012 名：陈红艳号： 16180120012 提交时间： 2019. 6. 1

第 1 页共 46 页利用遗传算法解决 TSP 问题及可视化程序一、实验目的  掌握遗传算法在实际问题中的应用方法  理解遗传算法中染色体编码和适应度函数的定义方法  熟悉遗传算法中选择、交叉、变异操作在实际问题中的适配问题  熟悉遗传算法中的控制参数设置的性能的影响  将解决方案可视化并建立和用户交互前端程序二、实验内容在本次实验中，我们给定了中国 34 个省会城市的二维坐标，其中部分数据截图如下：数据总共由 34 行组成，每一行代表一个城市名字以及对应坐标。两个城市之间的距离可以通过对应坐标求欧氏距离得到。对于给定数据，要求选择始发城市和剩余 33 个城市中的全部城市或部分城市作为需要遍历的城市，通过编写相应的遗传算法代码，求解 TSP 问题中回到始发城市的路径，并且尽可能的使路径总长度最短。图 1. 地图可视化

第 2 页共 46 页设计实现相应的前端可视化程序。例如，34 个城市的可视化结果如图 1 左图所示。两个城市之间的距离可以通过两个城市的坐标来求出，假设在旅行商问题中，旅行商希望经过的城市为乌鲁木齐、银川、拉萨、重庆这四个城市并且起点为重庆，那么一个可行的解的可视化结果如图 1 右图所示。设计的软件程序中包含类似的地图可视化。对于给定数据，要求选择始发城市和剩余 33 个城市中的全部城市或部分城市作为需要遍历的城市，通过编写相应的遗传算法代码，求解 TSP 问题中回到始发城市的路径，并且找到路径总长度最短的解。可从多个方面进一步提高算法设计。比如设定在经过 A 城市之后，必须经过 B 城市，如何设计满足该要求的遗传算法，或者研究如何采用其他方法提高算法的收敛速度。三、实验方法设计 1）染色体编码和适应度定义 ◆染色体编码设计方法： ①对城市从 0 开始编号，设计三个矩阵分别存储城市编号和名称、横坐标、纵坐标之间的对应关系。后续适应度、交叉变异等函数主要以这三个矩阵为参数，进行相应的数据处理。 ②从文件中读入城市数目，再进行迭代，读出每一行的数据返回为字符串，再把字字符串中的城市名称、城市的两个坐标读入相应的列表。为了方便后续的操作，统一数据结构为矩阵，把列表转换为矩阵。 ◆染色体编码源代码如下图所示：

第 3 页共 46 页 ◆适应度设计方法： ①根据当前城市的访问顺序、相关城市的横纵坐标信息采用勾股定理遍历计算相邻两个城市之间的距离，加和得到整条路径的总距离，计算总距离的倒数。 ②总距离的倒数作为个体适应值的评价函数以评价个体的优劣，倒数越大，个体适应度越大，反之，越小。 ◆适应度源代码如图所示： 2）种群初始化程序设计 ◆种群初始化设计方法： ①根据原先设定的每一代的种群规模 250，利用 np.random.permutation（）函数迭代生成一个行数等于种群规模数量，列数等于城市数目的矩阵。用于存储每一个个体的访问顺序。

第 4 页共 46 页 ②利用 np.zeros（）函数迭代生成一个行数等于种群数目，列数等于 1 的矩阵，用于存储每一个个体的适应值。 ③利用 np.column_stack（）把访问顺序矩阵和适应值矩阵进行列加成合成为一个矩阵。 ④利用适应度函数计算每一个个体的适应值，并对矩阵的原始适应值进行修改。 ◆种群初始化源代码如图所示： 3）选择操作程序设计 ◆选择操作设计方法： ①Min_Max 函数利用 np.argmin()、np.argmax()函数计算种群的最差解的索引和最优解。 ②选择算法 Choice_Function()利用 Min_Max()的返回值，上一代的最优解直接替换本代种群的最差解。不进行交叉和变异运算，从而避免了优良基因被破坏。 ◆选择操作源代码如图所示： 4）交叉操作程序设计 ◆交叉操作设计方法： ①根据设定的交叉概率随机选择交叉的父代，再调用具体的交叉算法。 ②交叉算法：在两个父代访问顺序的排列中随机地选择两个交叉点，父代 1、2 两个交叉点左右两边的数据分别进行替换，再遍历子代 1、2 两个交叉点两边的数据，当和中间部分的编号重复时，利用父代对应位置的序号进行代替，直到没有重复为止，生成子代。 ③对生成的子代进行变异。

第 5 页共 46 页 ④交叉变异完毕之后，把新生成的子代和未进行交叉的上一代进行合并生成新一代的种群。交叉过程举例如图所示：被选中的父代 P1: 被选中的父代 P2: 9 8 8 7 | 4 5 | 1 4 6 0 7 3 1 | 3 2 | 9 2 6 0 5 生成的子代 C1：生成的子代 C2: 8 9 7 8 | 4 | 1 5 4 6 0 7 3 1 | 9 2 | 3 6 2 5 0 查重之后的子代 C1： 8 3 查重之后的子代 C2： 9 8 ◆交叉操作源代码如图所示： | 4 | 1 5 4 6 0 7 3 1 | 9 2 | 7 0 5 2 6

第 6 页共 46 页变异操作程序设计 ◆变异操作设计方法： ①以设定的变异概率对生成的子代中基因的某位或者某些位作变动，从而生成新的个体。 ②在子代访问顺序排列的前半部分中选一个倒置点，再在后半部分中选一个倒置点，利用 reverse()函数对两点之间的数据进行顺序颠倒。 ◆变异操作源代码如图所示：四、实验结果展示 1）可视化程序界面展示及各功能组件介绍 ◆可视化程序界面功能控件分析： ①定义主窗口控件并利用布局管理器调整窗口大小。 ②定义三十四个复选框控件，从而进行多个城市的选择，并定义控件的回调函数，选中时调用回调函数进行相应的处理。 ③定义按钮，并定义按钮的回调函数，点击按钮时调用回调函数进而调用主函数进行路径的分析。 ④定义文本框和相应的文本内容，对用户操作进行提示。

第 7 页共 46 页 ◆可视化程序界面展示：

分享到：

赞收藏

资料库

西电网信院人工智能课程实验报告，利用遗传算法解决 TSP 问题及可视化程序，基于神经网络的 MNIST 手写数字识别.pdf

相关推荐

开发技术

热门标签

最新资料