CS188-Project4

文章目录

CS188-Project4
- 一、问题描述：
- 二、解题思路：
- - （1）贝叶斯网络结构
  - （2）贝叶斯网络概率
  - （3）加入因素
- 三、运行结果：
- 四、总结思考：

一、问题描述：

整个地图是不可见的。在探索过程中，他了解了有关相邻细胞的信息。地图包含两个房子：一个鬼屋，可能大部分是红色的，还有一个食品屋，可能大部分是蓝色的。吃豆人的目标是进入美食屋，同时避开鬼屋。吃豆人将根据他的观察推断哪个房子是哪个，并推断在冒险或收集更多证据之间的权衡。

问题目录如下：

核心文件如下：

问题解析：

1.贝叶斯网络结构：

实现BayesAgents.py的constructBayesNet，它构建了一个空贝叶斯网络，其结构如下所述：

X 位置决定哪个房子在棋盘的哪一边。它要么是食物剩下的，要么是鬼魂留下的。
Y 位置决定了房屋的垂直方向。它同时模拟两个房子的垂直位置，并具有四个值之一：both-top、both-bottom、left-top 和 left-bottom。“左上”顾名思义：棋盘左边的房子在上面，棋盘右边的房子在下面。
食屋和鬼屋指定了两间屋子的实际位置。它们都是“X 位置”和“Y 位置”的确定性函数。
观察结果是吃豆人在绕着棋盘旅行时所做的测量。请注意，有许多这样的节点——可能是房屋墙壁的每个棋盘位置都有一个。如果给定位置没有房子，则对应的观察值是none；否则它要么是红色，要么是蓝色，颜色的精确分布取决于房子的种类。

2.贝叶斯网络概率：

实现BayesAgents.py的fillYCPT ，不同于上一问的是，这一问题目已经规定好了X 位置、房屋和观察因素，我们需要采用在上一个问题中构建的贝叶斯网络，并指定控制 Y 位置变量的因素。

3.加入因素：

实现factorOperations.py的joinFactors，它接受一个Factor的列表并返回一个新的Factor，其概率条目是输入Factor的相应行的乘积。

joinFactors可以用作乘积规则，如果有一个 P(X∣Y)P(X|Y)P(X∣Y) 形式的因子和另一个 P(Y)P(Y)P(Y) 形式的因子，那么加入这些因子将产生 P(X,Y)P(X ,Y)P(X,Y)。因此，joinFactors允许合并条件变量（在本例中为 Y）的概率。但是，不应该假设joinFactors被称为概率表-这是可以调用joinFactors的Factors，它的行总和不等于1。

二、解题思路：

（1）贝叶斯网络结构

首先看题目提示，构造空的贝叶斯网络需要五种变量，x位置、y位置、食品屋、鬼屋和吃豆人在绕着棋盘旅行时所做的测量值（具体变量含义在问题解析中已阐述），同时网络一定包含有向边，那么构建网络所需就集齐了：变量列表、向边列表以及变量值域，分别对应代码中变量。

    obsVars = []edges = []variableDomainsDict = {}

按照上图网络结构构建有向边列表：

[(X_POS_VAR, GHOST_HOUSE_VAR), (X_POS_VAR, FOOD_HOUSE_VAR),(Y_POS_VAR, FOOD_HOUSE_VAR), (Y_POS_VAR, GHOST_HOUSE_VAR)]

最后构建网络即可。

代码如下：

    "*** YOUR CODE HERE ***""贝叶斯网络结构"variableDomainsDict[X_POS_VAR] = X_POS_VALSvariableDomainsDict[Y_POS_VAR] = Y_POS_VALSvariableDomainsDict[FOOD_HOUSE_VAR] = HOUSE_VALSvariableDomainsDict[GHOST_HOUSE_VAR] = HOUSE_VALSedgeTuplesList = [(X_POS_VAR, GHOST_HOUSE_VAR), (X_POS_VAR, FOOD_HOUSE_VAR),(Y_POS_VAR, FOOD_HOUSE_VAR), (Y_POS_VAR, GHOST_HOUSE_VAR)]edges.extend(edgeTuplesList)for housePos in gameState.getPossibleHouses():for obsPos in gameState.getHouseWalls(housePos):obsVar = OBS_VAR_TEMPLATE % obsPosobsVars.append(obsVar)edges.append((FOOD_HOUSE_VAR, obsVar))edges.append((GHOST_HOUSE_VAR, obsVar))variableDomainsDict[obsVar] = OBS_VALSvariables = [X_POS_VAR, Y_POS_VAR] + HOUSE_VARS + obsVarsnet = bn.constructEmptyBayesNet(variables, edges, variableDomainsDict)return net, obsVars"*** END YOUR CODE HERE ***"

（2）贝叶斯网络概率

对于给出的y position变量所指向的每一个值观测值，按照如下提示进行概率的设定，然后建立条件概率表即可。

代码如下：

    "*** YOUR CODE HERE ***""贝叶斯概率"yFactor.setProbability({Y_POS_VAR: LEFT_TOP_VAL}, PROB_ONLY_LEFT_TOP)yFactor.setProbability({Y_POS_VAR: BOTH_TOP_VAL}, PROB_BOTH_TOP)yFactor.setProbability({Y_POS_VAR: LEFT_BOTTOM_VAL}, PROB_ONLY_LEFT_BOTTOM)yFactor.setProbability({Y_POS_VAR: BOTH_BOTTOM_VAL}, PROB_BOTH_BOTTOM)bayesNet.setCPT(Y_POS_VAR, yFactor)"*** END YOUR CODE HERE ***"

（3）加入因素

先看题目提示：1.应该计算用于连接这些因素的非条件变量集和条件变量集；2.假设所有加入的变量域因素是相同的因为它们同样来自贝叶斯网络；3.只允许非条件变量出现在一个输入因素中。

所以：1.计算非条件变量和条件变量；2.过滤条件变量列表；3.计算概率。

代码如下：

    "加入因素"factors_list = [i for i in factors]unconditioned_variables = []conditioned_variables = []variablesDomainDict = factors_list[0].variableDomainsDict()# 填充无条件变量和条件变量列表for factor in factors_list:unconditioned_variables += [i for i in factor.unconditionedVariables() if i not in unconditioned_variables]conditioned_variables += [i for i in factor.conditionedVariables() if i not in conditioned_variables]# 过滤条件变量列表for variable in unconditioned_variables:if variable in conditioned_variables:conditioned_variables.remove(variable)retFactor = Factor(unconditioned_variables, conditioned_variables, variablesDomainDict)# 获取和计算概率assignments = retFactor.getAllPossibleAssignmentDicts()for assignment in assignments:probability = 1for factor in factors_list:probability = probability * factor.getProbability(assignment)retFactor.setProbability(assignment, probability)return retFactor"*** END YOUR CODE HERE ***"

三、运行结果：

四、总结思考：

1.贝叶斯网络(Bayesian network)，又称信念网络，或有向无环图模型，是一种概率图模型，可以模拟人类推理过程中因果关系的不确定性处理。通过本次对贝叶斯网络的实践，理论落地也是加深理论理解的过程。从生活中的可能不可能到概率、从贝叶斯公式到贝叶斯网络，看似不可能的事物出现了，看似无关联的事物却产生了并且还在不断延伸。这个概念诞生的过程就很不可思议，可实践之处也是我超出我知识或者说想象范畴的，这是我在这次实验和贝叶斯网络学习中感受到的。

2.本实验构建出一个贝叶斯网络，围绕着它的组成元素1.无回路的有向无环图 2.节点参数与边的方向，下面分这两步来描述下如何构造一个贝叶斯网络。

1、确定随机变量间的拓扑关系，形成无回路的有向无环图。想要建立一个好的拓扑结构，通常需要不断迭代和改进才可以。

2、训练贝叶斯网络参数——估计出各节点的条件概率表。这一步也就是要完成条件概率表的构造，如果每个随机变量的值都是可以直接观察的，那么这一步的训练是直观的，方法类似于朴素贝叶斯分类。但是通常贝叶斯网络的中存在隐藏变量节点，那么训练方法就是比较复杂。

CS188-Project4相关推荐

UC Berkeley CS188 Intro to AI
原文链接:https://people.eecs.berkeley.edu/~russell/classes/cs188/f14/lecture_videos.html 转载于:https://www ...
北航计算机组成实验课,北航计算机组成实验Project4
[实例简介] Project4 VerilogHDL完成单周期处理器开发适合北航计算机系的学生 1.处理器应 MIPS-Lite3 指令集. a)MIPS-Lite3＝{MIPS-Lite2,add ...
CS188 Project 4: Inference in Bayes Nets(4-6)
CS188 Project 4: Inference in Bayes Nets Question 4 (4 points): Eliminate 原理方法代码结果 Question 5 (4 ...
GeekOS操作系统Project4
GeekOS-project4 一.项目设计目的了解虚拟存储器管理设计原理,掌握请求分页虚拟存储管理的具体实现技术. 二.项目设计要求 1.在<~/geekos-0.3.0/src/proje ...
CS 188 Project4(RL) Introduction:Ghostbusters
Pacman一生都在逃避幽灵,但事情并非总是如此.传说很多年前,Pacman的曾祖父爷爷就学会了捕猎幽灵.然而,他被自己的能力蒙蔽了双眼,只能通过幽灵的砰砰声和叮当声来追踪他们.在这个项目中,您将设计 ...
人工智能-CS188 Project 2: Multi-agents
一.项目介绍项目介绍网页项目代码下载本项目是采用Berkeley的CS188课程内容实习二的内容,在这个项目中,我们将为经典版本的Pacman 设计自动算法,包括幽灵.在此过程中,我们将实现 m ...
CS188 Proj 1
更好的阅读体验 Project 1: Search Introduction In this project, your Pacman agent will find paths through hi ...
北航计算机组成实验project4,北航fpga实验的报告.docx
北航fpga实验的报告北航fpga实验报告篇一:北航<彩色线阵CCD驱动电路设计>实验报告 XX年<仪器光电综合实验>实验报告实验名称:彩色线阵CCD传感器实验及驱动电路 ...
0x79B2A261 (ucrtbased.dll) (Project4.exe 中)处有未经处理的异常: 0xC0000005: 写入位置 0x00A41023 时发生访问冲突。
scanf_s("%c %c",&c1,&c2); 在v2019上输入以上代码可能会出现由于0xC0000005: 写入位置 0x00A41023 时发生访问冲突等 ...
python反恐精英代码类似的编程_敲代码学Python：CS188之实现深度优先搜索
先上运行代码后的视频:人工智能导论之深度优先搜索演示https://www.zhihu.com/video/1173641673426378752深度优先搜索演示之大地图https://www.zhi ...

CS188-Project4

CS188-Project4

文章目录

一、问题描述：

二、解题思路：

（1）贝叶斯网络结构

（2）贝叶斯网络概率

（3）加入因素

三、运行结果：

四、总结思考：

CS188-Project4相关推荐

最新文章

热门文章