人工智能通识 实践任务报告 Chap 4 深度学习-课程实验

《人工智能通识》实验任务报告实验章节：学生姓名： 专业班级： 学号： 机械工业出版社《第四章深度学习》课程实验姓名学号班级实验地点指导教师时间实验任务一（如有任务二自行复制同样的表格，如没有，请把“一”字删除）1、任务名称使用蚁群优化算法求解旅行商问题。2、任务目标（1）理解蚁群算法原理及其在组合优化问题中的应用。（2）掌握使用Python实现蚁群算法求解旅行商问题。（3）使用可视化算法求解过程和最终路径。（4）分析算法参数对求解效果的影响。3、具体任务内容（1）实现蚁群算法核心功能。城市间距离矩阵计算、蚂蚁路径构建策略、信息素更新机制。（2）可视化算法收敛过程和最优路径。（3）调整算法主要参数（信息素因子、启发因子、挥发率等）观察算法性能变化。4、成果要求（1）实验报告一份，按照实验报告模板撰写，详细描述实验过程、遇到的问题及解决方案、实验结果等，制作表格列举不同主要参数配置下的实验结果，并对结果进行分析。（2）程序代码一份。完整可执行的Python程序代码，要求注释大于50%。实验报告实验任务（1）完成蚁群算法函数以及结果可视化函数定义，蚁群算法主要参数包括：城市坐标列表、蚂蚁数量、迭代次数、信息素重要程度因子、启发函数重要程度因子、信息素挥发率、信息素强度等。（2）生成随机城市坐标、初始化并运行蚁群算法函数，生成可视化结果。（3）制作表格，列出在相同城市坐标下，不同主要参数下的算法收敛结果,并分析结果。2、实验环境（1）硬件环境：处理器：IntelCorei5及以上内存：8GB及以上显卡：集成显卡（支持Python图形库）（2）软件环境：操作系统：Windows1064位编程语言：Python3.8核心库与框架：numpy、matplotlib、pandas3、任务完成及步骤【分解任务1】：导入numpy、matplotlib、pandas库，定义蚁群算法函数、结果可视化函数。实验代码：importnumpyasnpimportmatplotlib.pyplotaspltimportpandasaspdclassAntColonyTSP:def__init__(self,cities,n_ants=50,n_iterations=100,alpha=1.0,beta=3.0,evaporation=0.5,Q=100):"""参数:cities-城市坐标列表[(x1,y1),(x2,y2),...]n_ants-蚂蚁数量n_iterations-迭代次数alpha-信息素重要程度因子beta-启发函数重要程度因子evaporation-信息素挥发率Q-信息素强度"""self.cities=citiesself.n_cities=len(cities)self.n_ants=n_antsself.n_iterations=n_iterationsself.alpha=alphaself.beta=betaself.evaporation=evaporationself.Q=Q#计算距离矩阵self.distances=self.calculate_distances()#初始化信息素矩阵self.pheromone=np.ones((self.n_cities,self.n_cities))/self.n_cities#存储最优路径self.best_path=Noneself.best_distance=float('inf')self.convergence_curve=[]defcalculate_distances(self):"""计算城市间距离矩阵"""distances=np.zeros((self.n_cities,self.n_cities))foriinrange(self.n_cities):forjinrange(i+1,self.n_cities):dist=np.linalg.norm(np.array(self.cities[i])-np.array(self.cities[j]))distances[i][j]=distdistances[j][i]=distreturndistancesdefrun(self):"""执行蚁群算法"""foriterationinrange(self.n_iterations):all_paths=[]path_distances=[]#每只蚂蚁构建路径forantinrange(self.n_ants):path=self.build_path()distance=self.calculate_path_distance(path)all_paths.append(path)path_distances.append(distance)#更新全局最优路径ifdistance<self.best_distance:self.best_distance=distanceself.best_path=path#更新信息素self.update_pheromone(all_paths,path_distances)#记录收敛曲线self.convergence_curve.append(self.best_distance)print(f"Iteration{iteration+1}:BestDistance={self.best_distance:.2f}")returnself.best_path,self.best_distancedefbuild_path(self):"""单只蚂蚁构建路径"""#随机选择起点start_city=np.random.randint(0,self.n_cities)path=[start_city]visited=set([start_city])#逐步访问其他城市for_inrange(self.n_cities-1):next_city=self.select_next_city(path[-1],visited)path.append(next_city)visited.add(next_city)returnpathdefselect_next_city(self,current_city,visited):"""根据概率选择下一个城市"""unvisited=[cityforcityinrange(self.n_cities)ifcitynotinvisited]#计算概率probabilities=[]forcityinunvisited:pheromone=self.pheromone[current_city][city]**self.alphaheuristic=(1.0/self.distances[current_city][city])**self.betaprobabilities.append(pheromone*heuristic)#归一化概率total=sum(probabilities)probabilities=[p/totalforpinprobabilities]#轮盘赌选择returnnp.random.choice(unvisited,p=probabilities)defcalculate_path_distance(self,path):"""计算路径总距离"""distance=0foriinrange(len(path)):from_city=path[i]to_city=path[(i+1)%len(path)]distance+=self.distances[from_city][to_city]returndistancedefupdate_pheromone(self,all_paths,path_distances):"""更新信息素"""#信息素挥发self.pheromone*=(1.0-self.evaporation)#信息素增强forpath,distanceinzip(all_paths,path_distances):foriinrange(len(path)):from_city=path[i]to_city=path[(i+1)%len(path)]self.pheromone[from_city][to_city]+=self.Q/distanceself.pheromone[to_city][from_city]+=self.Q/distancedefplot_convergence(self):"""绘制收敛曲线"""plt.figure(figsize=(10,6))plt.plot(self.convergence_curve)plt.title('ACOConvergenceCurve')plt.xlabel('Iteration')plt.ylabel('BestDistance')plt.grid(True)plt.savefig('convergence.png',dpi=300)plt.show()defplot_path(self,path=None):"""可视化路径"""ifpathisNone:path=self.best_pathplt.figure(figsize=(10,8))cities=np.array(self.cities)#绘制城市点plt.scatter(cities[:,0],cities[:,1],s=100,c='red',marker='o',alpha=0.8)#绘制路径foriinrange(len(path)):from_city=path[i]to_city=path[(i+1)%len(path)]plt.plot([cities[from_city][0],cities[to_city][0]],[cities[from_city][1],cities[to_city][1]],'b-',linewidth=1,alpha=0.6)#标记起点plt.scatter(cities[path[0]][0],cities[path[0]][1],s=200,c='green',marker='*',alpha=1.0)plt.title(f'TSPSolution-Distance:{self.calculate_path_distance(path):.2f}')plt.xlabel('XCoordinate')plt.ylabel('YCoordinate')plt.grid(True)plt.savefig('tsp_path.png',dpi=300)plt.show()【分解任务2】：生成城市坐标，调用蚁群优化算法，并生成可视化结果。实验代码