AI算法实现项目

A*算法实现项目

本项目包含两个主要部分：A*寻路算法实现（prac1）和图像识别模型实现（prac2）。

项目结构

.
├── prac1/
│   ├── A_star.py        # A*算法实现
│   └── A_star_epsilon.py # A*算法的ε变体实现
└── prac2/
    ├── Base.py          # 图像识别模型基础类
    └── dataset/         # 自定义测试数据集

prac1: A*寻路算法实现

这部分实现了A*搜索算法及其变体，用于寻找从起点（兔子）到终点（胡萝卜）的最佳路径。

主要功能

• A*算法 ：经典的A*搜索算法实现
• A Epsilon变体 ：基于A算法的变体，使用ε参数控制启发式函数的影响

算法特性

• 支持不同地形类型（岩石、水、草地）及相应的移动代价
• 支持多种启发式函数：
  • 曼哈顿距离
  • 欧几里得距离
  • 切比雪夫距离
  • Octile距离
  • Dijkstra（无启发式）
• 支持对角线移动
• 考虑地形对移动代价的影响

使用方法

from A_star import A_star

# 创建A*算法实例（参数：兔子坐标，胡萝卜坐标，地图文件）
a_star = A_star(conejo_x, conejo_y, zanahoria_x, zanahoria_y, mapa_file)

# 寻找并可视化路径
camino = []
a_star.main(camino)

# 获取路径消耗的卡路里
calorias = a_star.get_calorias()

# 获取移动代价
movimiento = a_star.get_movimiento()

# 获取访问的节点数
num_nodes = a_star.getNumNodes()

A* Epsilon变体

from A_star_epsilon import A_star_epsilon

# 创建A* Epsilon算法实例（参数：兔子坐标，胡萝卜坐标，地图文件，epsilon值）
a_star_e = A_star_epsilon(conejo_x, conejo_y, zanahoria_x, zanahoria_y, mapa_file, epsilon=0.5)

# 使用方法与标准A*相同
camino = []
a_star_e.main(camino)

prac2: 图像识别模型实现

这部分实现了多种神经网络模型用于图像识别任务，基于CIFAR-10数据集和自定义数据集。

主要功能

• 模型架构 ：
• 多层感知机（MLP）
• 卷积神经网络（CNN）
• 基于论文”THE ALL CONVOLUTIONAL NET”的模型变体
• 实验功能 ：
• 批量大小实验
• 激活函数比较
• 模型架构比较
• 自定义数据集测试

模型架构

MLP模型

多层感知机模型，可配置隐藏层数量和每层神经元数。

CNN模型

基础CNN模型，包含卷积层、池化层和全连接层。

ALL-CNN系列模型

实现了论文中的多种模型架构：

• model_a
• model_b
• model_c
• strided_cnn_c
• convPool_cnn_c
• all_cnn_c

使用方法

基本使用

from prac2 import ModelExperiment

# 创建实验实例
experiment = ModelExperiment()

# 设置实验参数
input_activation = "relu"
model_type = "mlp"  # 可选: mlp, cnn, model_a, model_b, model_c, strided_cnn_c, convPool_cnn_c, all_cnn_c
output_activation = "softmax"
batch_size_list = [32, 64, 128]
num_epochs = 50
num_repetitions = 3
hidden_layers = [128, 64, 32]  # 仅用于MLP

# 运行批量大小实验
results = experiment.run_batch_size_experiment(
    batch_sizes=batch_size_list,
    epochs=num_epochs,
    input_activation=input_activation,
    num_repetitions=num_repetitions,
    model_type=model_type,
    output_activation=output_activation,
    n_capas_ocultas=hidden_layers
)

# 分析结果
best_config = experiment.analyze_batch_size_results(results)

# 可视化结果
experiment.plot_average_training_history(
    avg_history, 
    best_batch_size, 
    activation=input_activation
)
experiment.plot_confusion_matrix(input_activation, output_activation)
experiment.plot_batch_size_comparison(results)

使用自定义数据集

from prac2 import myOwnDataset

# 创建使用自定义测试集的实验
custom_experiment = myOwnDataset()

# 使用方法与ModelExperiment相同
results = custom_experiment.run_batch_size_experiment(...)

配置选项

• 激活函数 ：
• 输入层：sigmoid, relu, tanh, softplus等
• 输出层：通常为 softmax
• 批量大小 ：可测试不同大小（如32, 64, 128, 256, 512）的影响
• 训练周期 ：控制训练的轮数
• 重复次数 ：对实验进行多次重复以获得更可靠的结果
• MLP隐藏层 ：可配置隐藏层神经元数量

数据集

CIFAR-10

主要使用CIFAR-10数据集进行训练和验证。

自定义数据集

在 prac2/dataset/目录中包含自定义图像数据，用于测试模型的泛化能力。

运行建议

• 对于复杂模型（如 model_a, model_b, model_c, strided_cnn_c, convPool_cnn_c, all_cnn_c），推荐使用GPU进行训练
• 可以通过调整参数来平衡训练时间和模型性能
• 使用Early Stopping和Learning Rate Reduction等技术来提高训练效率

依赖库

• TensorFlow/Keras
• NumPy
• Matplotlib
• scikit-learn
• seaborn

参考资料

本项目中的CNN模型实现部分参考了论文”THE ALL CONVOLUTIONAL NET”。

作者

Github 链接