【文章內(nèi)容簡介】 Grid, destX, destY)。AT(tGrid, destX, destY)= AT(tGrid, x, y)。AT(tGrid, x, y)= t。return State(tGrid, this)。destX = x1。break。destX = x。destY = y + 1。break。case DOWN: case LEFT: case RIGHT: void State::evaluate(){for(int ii = 0。ii 3。++ii){for(int jj = 0。jj 3。++jj){ if(AT(grid, i, j)== AT(pEndStategrid, ii, jj)){h += abs(ijj)。int g = moves, h = 0。for(int i = 0。i 3。++i){for(int j = 0。j 3。++j){//if(AT(grid, i, j)!= AT(pEndStategrid, i, j))// ++h。if(AT(grid, i, j)== SPACE)continue。if(!pEndState)return。}}}} } } thisvalue = g + h。//求該狀態(tài)的逆序數(shù) //逆序數(shù)定義為：//不計空格，將棋盤按順序排列，//對于grid[i]，存在jgrid[i]，即為逆序。//所有棋子的逆序總數(shù)為逆序數(shù)。int State::getReversedCount(){}/*=====================Methods for class “NineGrid”=====================*/ //顯示信息void NineGrid::ShowInfo(){}//構造函數(shù)NineGrid::NineGrid(string amp。start, string amp。dest): startState(start), endState(dest)cout} return count。} if(grid[i] grid[j])++count。int count = 0。for(int i = 0。i 9。++i){if(grid[i] == SPACE)continue。if(grid[j] == SPACE)continue。for(int j = 0。j i。++j){{}//當初始狀態(tài)和目標狀態(tài)的逆序數(shù)的奇偶性相同時，問題才有解 bool NineGrid::pareReversed(){ 2。}//解決問題bool NineGrid::solve(){}//實施一步?jīng)Q策，將得到的新狀態(tài)添加到列表，返回是否達到目標狀態(tài)} print(NULL)。return false。} //從當前狀態(tài)開始決策for(int i = 0。i 4。++i){} Move move =(Move)i。if(nowStatecheck(move)){} if(takeMove(nowState, move))return true。(new State(startState))。while(!()){//獲取一個狀態(tài)為當前狀態(tài)State *nowState = ()。()。(nowState)。coutcoutbool NineGrid::takeMove(State *nowState, Move move){}//檢查給定狀態(tài)是否存在于列表中State* NineGrid::findInList(vector amp。listToCheck, State amp。state){}//根據(jù)達到的目標狀態(tài)，回溯打印出求解過程 void NineGrid::print(State *endState){coutaddSymptom(pDisease, strInput)。} else { ()。return true。//添加一個疾病，返回此疾病信息的指針Disease* Expert::addDisease(const string amp。name){}//添加疾病的癥狀void Expert::addSymptom(Disease *disease,const string amp。symptom){ }//診斷函數(shù)void Expert::diagnosis(){cout請輸入癥狀:（或”不確定“以開始模糊搜索）”symptomInput。//用戶輸入的第一個癥狀 string symptomInput。//用戶有的癥狀和沒有的癥狀vector symptomHave, symptomNotHave。//搜索的結果列表vector findList。disease(symptom)。Disease disease。 = name。(disease)。return amp。()。for(vector::iterator ite = ()。ite!=bool remove = false。//是否從findList列表中排除本疾病for(unsigned int j = 0。j ()。++j){Disease *pDisease = *ite。if(find((), ()，//在symptomNotHave列表中找到此癥狀，直接排除 remove = true。break。()。){ if(symptomInput == “不確定”){} //添加所有疾病到findList列表中for(unsigned int i = 0。i ()。++i){ } //添加有此癥狀的疾病到findList列表中for(unsigned int i = 0。i ()。++i){} //添加輸入的癥狀到symptomHave列表中 (symptomInput)。Disease *pDisease = amp。m_DiseaseList[i]。for(unsigned int j = 0。j pDisease()。++j){} if(symptomInput == pDiseasesymptomList[j]){ } (pDisease)。(amp。m_DiseaseList[i])。} else { pDiseasesymptomList[j])!= ()){ } else if(find((), ()，//在symptomHave，symptomNotHave列表中不存在這個癥狀，則詢問 if(optionSelect(“是否有癥狀”“ + pDiseasesymptomList[j] +} //詢問得知有此癥狀，添加癥狀到symptomHave列表中 (pDiseasesymptomList[j])。//詢問得知沒有此癥狀，添加癥狀到symptomNotHave列表中，(pDiseasesymptomList[j])。remove = true。break。pDiseasesymptomList[j])== ()){ ”“?n(y/n): ”)){ } else { 此疾病}} } } if(remove){} //需要排除此疾病ite = (ite)。//迭代器后移 ++ite。} else { cout} cout知識庫中未找到匹配的記錄！”根據(jù)已有的知識庫，可能的疾病為：”for(unsigned int i = 0。i ()。++i){} coutname。if(i!= ()1)coutbool Expert::optionSelect(const string amp。question){coutoption。switch(option){ case 39。Y39。: case 39。y39。: return true。case 39。N39。: case 39。n39。: } return false。} return false。 [疾病1] 癥狀A 癥狀B 癥狀C 癥狀D[疾病2] 癥狀A 癥狀B 癥狀C[疾病3] 癥狀A 癥狀B 癥狀D 癥狀E[疾病4] 癥狀A 癥狀C 癥狀D[疾病5] 癥狀B 癥狀C 癥狀D 癥狀E[疾病6] 癥狀A 癥狀B[疾病7] 癥狀A 癥狀C 癥狀E[疾病8] 癥狀A 癥狀D[疾病9] 癥狀B 癥狀C 癥狀E[疾病10] 癥狀B 癥狀D[疾病11] 癥狀C 癥狀D 癥狀E六、實驗結果第三篇：人工智能TSP旅行商問題實驗報告人工智能實驗三實驗報告班級： 姓名： 學號：一 實驗題目TSP問題的遺傳算法實現(xiàn)旅行商問題（Traveling Salesman Problem, TSP），又譯為旅行推銷員問題、貨擔郎問題，簡稱為TSP問題，是最基本的路線問題。假設有n個可直達的城市，一銷售商從其中的某一城市出發(fā)，不重復地走完其余n1個城市并回到原出發(fā)點，在所有可能的路徑中求出路徑長度最短的一條。應用遺傳算法求解30/10個節(jié)點的TSP（旅行商問題）問題，求問題的最優(yōu)解。二 實驗目的 熟悉和掌握遺傳算法的基本概念和基本思想； 理解和掌握遺傳算法的各個操作算子，能夠用選定的編程語言設計簡單的遺傳優(yōu)化系統(tǒng)； 通過實驗培養(yǎng)學生利用遺傳算法進行問題求解的基本技能。三 實驗要求掌握遺傳算法的基本原理、各個遺傳操作和算法步驟； 2 要求求出問題最優(yōu)解，若得不出最優(yōu)解，請分析原因； 對實驗中的幾個算法控制參數(shù)進行仔細定義，并能通過實驗選擇參數(shù)的最佳值；要求界面顯示每次迭代求出的局部最優(yōu)解和最終求出的全局最優(yōu)解。四 數(shù)據(jù)結構請說明染色體個體和群體的定義方法。struct RanSeTi //染色體的個體的定義方法 { int city[cities]。//基因的排列（即城市的順序，路徑的組織）int adapt。//記錄適應度double p。//記錄其在種群中的幸存概率} RanSeTi [num], RanSeTi temp[num]。//用數(shù)組來存儲染色體群體方法五 實驗算法 說明算法中對染色體的編碼方法，適應度函數(shù)定義方法1)染色體的編碼方法:即為染色體個體定義過程中生成的基因排列（路徑中城市的順序）struct RanSeTi //染色體的個體的定義方法 { int city[cities]。//基因的排列（即城市的順序，路徑的組織）int adapt。//記錄適應度double p。//記錄其在種群中的幸存概率} RanSeTi [num], RanSeTi temp[num]。//用數(shù)組來存儲染色體群體方法2)適應度函數(shù)定義方法：評價函數(shù)即適應度函數(shù)，在遺傳算法中用來計算一個染色體優(yōu)劣的函數(shù)。在進行遺傳操作和種群進化的時候，每個染色體的適應值是決定它是否進入下一輪種群進化的關鍵因素。適應值高的函數(shù)被選作新一代個體的可能性就會大。TSP問題中適應度函數(shù)常取路徑長度的倒數(shù)（或倒數(shù)的相關函數(shù)），如：f(x1,x2,L,xn)=N229。d(x,xii=1n1i+1)+d(xn+x1)其中，N是個調(diào)節(jié)參數(shù)，根據(jù)實驗情況進行確定。采用的選擇、交叉、變異操作算子的具體操作1）選擇操作我們定義f(xi)為第i（i=1,2,3.....popsize）個染色體的適應度，則每個個體被選中的概率popsizefor(i=0。in1= RanSeTi [i].city[j1]。n2= RanSeTi [i].city[j]。sumdistance+=distance[n1][n2]。}RanSeTi [i].adapt=sumdistance。//每條染色體的路徑總和biggestsum+=sumdistance。//種群的總路徑 } 是： P(xi)=f(xi)229。f(xj=1j)本題中具體使用的是期望值方法 for(i=0。i} gradient[0]=group[0].p。for(i=1。iif(xuanze[i]{xuan[i]=j。//第i個位置存放第j個染色體break。} } } //拷貝種群for(i=0。ifor(i=0。i交叉算子就是把兩個父代個體的部分結構加以替換重組而生成新個體的操作。部分匹配交叉、順序交叉、改進的啟發(fā)式順序交叉 //temp1號染色體和temp2染色體交配for(i=0。i{point1=rand()%cities。point2=rand()%cities。for(j=temp1。jif(jiaopeiflag[j]==1){temp1=j。break。}for(j=temp1+1。jif(jiaopeiflag[j]==1){temp2=j。break。}//進行基因交配if(point1point2)//保證point1{temp=point1。point1=point2。point2=temp。}memset(map1,1,sizeof(map1))。memset(map2,1,sizeof(map2))。//斷點之間的基因產(chǎn)生映射for(k=point1。k{map1[group[temp1].city[k]]=group[temp2].city[k]。map2[group[temp2].city[k]]=group[temp1].city[k]。}//斷點兩邊的基因互換for(k=0。k{temp=group[temp1].city[k]。group[temp1].city[k]=group[temp2].city[k]。group[temp2].city[k]=temp。}for(k=point2+1。k{temp=group[temp1].city[k]。group[temp1].city[k]=