python 代写

这是EECS492课程2024年秋季作业1的相关内容，包括作业截止日期（2024年9月27日晚上11:59）、提交指南（需提交书面部分的PDF和完成的Agent.py文件到Gradescope，注意相关政策和要求）、评分政策（可在成绩公布后一周内提交重新评分请求）。作业内容包括书面部分（50分）和编程部分（50分），书面部分涵盖设计agents（如tic – tac – toe agent的PEAS描述和环境特征）、搜索相关问题（如不同搜索方法下节点的扩展顺序、砖排序机器的搜索算法设计、启发式函数相关问题、爬山算法相关问题）；编程部分需使用Python完成Agent.py文件，实现特定的搜索算法（BFS、DFS、UCS、A – Star）来搜索迷宫，迷宫可能有多个目标，需修改启发式为到最近目标的欧几里得距离，并完成相关函数。 EECS 492 – 作业1（2024年秋季） 截止日期：2024年9月27日晚上11:59 2024年9月17日 后勤 提交指南 重要提示：您必须仔细阅读教学大纲中关于作业的政策。它讨论了什么算作迟到以及迟到将如何处罚。请确保您已阅读并理解学术诚信部分，包括关于协作和使用生成式AI的部分。生成式AI部分还包括一个示例引用和解释的链接。您将对遵守这些政策负责，违规行为将报告给荣誉委员会。 本次作业的截止日期为2024年9月27日晚上11:59。提交使用Gradescope进行跟踪。书面部分和编程部分将分别评分和处罚。请注意，您对已在Gradescope上提交的作业所做的任何更改都算作重新提交。 您必须向Gradescope提交以下文件（请注意，有两个单独的Gradescope提交）： 1. 包含书面部分解决方案的清晰可读的PDF。您可以手写解决方案，使用平板电脑，或在LATEX中排版解决方案。我们只要求您使其易于阅读，不要过于冗长，以便评分者不会难以理解您的写作。您必须单独将书面部分提交到Gradescope。 2. 完成的Agent.py文件到编程部分。 评分政策 重新评分请求必须在项目成绩公布后的一周内提交给Gradescope。后期的重新评分请求将不被接受。我们将提供解决方案以及使用的确切评分标准。 1 书面[50分] 1.1 设计agents[5.5分] 井字棋是一种两个玩家轮流在三乘三的网格中用X或O标记空格的游戏。游戏的目标是第一个在水平、垂直或对角线上放置三个自己的标记（见图1）。 图1：一场井字棋游戏，O玩家获胜，因为它在对角线上有三个标记。 您现在的任务是为井字棋agent开发一种AI算法。该agent是一个可以在纸上用钢笔与另一个agent（人类或机器人）对战的机器人。该agent必须能够： • 检测标记是X还是O • 在九个网格中的一个中绘制标记 • 检测纸上的空网格和已存在的标记 • 使用此信息确定它是否赢得、输掉或平局 请注意，该agent不仅仅玩一次，而是一个应该能够根据需要多次玩多个游戏的机器人。现在，回答以下问题 – 请注意，其中一些情况可能不明确，因此请证明您的答案并明确说明任何假设 （a）为任务环境创建PEAS描述，其中任务环境包括agent玩的所有游戏。 （b）确定环境的特征，并简要说明为什么您以这种方式描述环境 提醒一下，环境的特征如下： • 完全可观察与部分可观察 • 单agent与多agent • 确定性与非确定性 • 情节性与连续性 •

该文档是关于QBUS2820课程作业1的说明，主要任务是基于给定的数据集建立回归模型来预测建筑物的每日供暖负荷，使用均方误差（MSE）来衡量预测准确性。需要提交三个文件，包括报告数据分析过程和结果的文档文件、实现数据分析过程并产生测试误差的Python文件以及包含对测试数据集预测结果的CSV文件。文档需详细描述数据分析过程，Python文件需能顺利运行并产生测试误差，同时还说明了评分标准和相关注意事项。 QBUS2820作业1（30分） 2024年8月23日 1 背景 开发用于建筑物供暖负荷的预测模型在能源效率管理中至关重要。假设你为一家能源效率咨询公司工作，你的任务是通过预测建筑物的每日供暖负荷需求来优化建筑物供暖系统的运行。 数据集中的变量“ HeatingLoad ”在“ HeatingLoad_training.csv ”中表示维持建筑物内舒适室内温度所需的每日总能量（以千瓦时为单位）。此数据包括几个影响供暖负荷的预测变量，如建筑物特征、环境条件和占用率。响应变量和协变量的详细信息在下表中。 | 变量 | 描述 | | —- | —- | | “ HeatingLoad ” | 所需的每日总供暖能量（以千瓦时为单位） | | “ BuildingAge ” | 建筑物的年龄（以年为单位） | | “ BuildingHeight ” | 建筑物的高度（以米为单位） | | “ Insulation ” | 保温质量（1 = 良好，0 = 差） | | “

QBUS2820 Assignment 1 (30 marks) August 23, 2024 1 Background Developing a predictive model for building heating load is essential in energy efficiency management. Suppose you work for an energy efficiency consulting firm, and your task is to optimize the heating system operations of buildings by predicting their daily heating load requirements. The variable HeatingLoad

该文档是关于COMP3702课程作业2的介绍，作业主题是BeeBot MDP。学生需要为在六边形环境中运行的BeeBot开发规划算法，使其能够推动、拉动和旋转蜂蜜“Widgets”以重新定位它们到目标蜂巢位置。作业包括编程和报告两部分，占总成绩的20%，需要通过Gradescope提交。文档详细介绍了BeeBot的环境表示、代理及其动作、动作成本、障碍物、Widgets、目标、交互模式以及作为MDP的相关内容，并提供了支持代码和测试用例，学生需要实现价值迭代（VI）和策略迭代（PI）等MDP算法。 COMP3702人工智能（2024年第二学期） 作业2：BeeBot MDP 关键信息： – 截止日期：2024年9月20日星期五下午1点 – 本作业评估你为具有挑战性的问题开发离散搜索技术的技能。 – 作业2占你最终成绩的20%。 – 本作业由两部分组成：（1）编程和（2）报告。 – 这是一个个人作业。 – 代码和报告都将通过Gradescope（https://www.gradescope.com/）提交。你可以在Blackboard上找到COMP3702 Gradescope网站的链接。 – 你的代码（第1部分）将使用Gradescope代码自动评分器进行评分，使用在https://github.com/comp3702/2024-Assignment-2-Support-Code提供的支持代码中的测试用例。 – 你的报告（第2部分）应符合提供的模板，为.pdf格式，并根据格式a2 – COMP3702 – [SID].pdf命名。报告将由教学团队评分。 BeeBot AI环境 你被要求为自动控制BeeBot开发一种规划算法，BeeBot是一只在六边形环境中运行的蜜蜂，能够推动、拉动和旋转蜂蜜“Widgets”，以便将它们重新定位到目标蜂巢位置。为了帮助你完成这项任务，我们提供了BeeBot环境的支持代码，你将与之接口来开发你的解决方案。为了最优地解决一个关卡，你的AI智能体必须有效地找到一系列动作，以便每个目标单元格都被一个Widget的一部分占据，同时产生最小的可能动作成本。 对于A2，BeeBot环境已被扩展为对动作的非确定性结果进行建模。成本和动作有效性现在被奖励函数所取代，其中动作成本由收到的负奖励表示，当发生碰撞（蜜蜂或蜂蜜Widget与障碍物之间，或Widget之间）时会产生额外的惩罚（即负奖励）。游戏环境的更新以粉色字体表示。 BeeBot的关卡由一个六边形的单元格网格组成，每个单元格包含一个表示单元格类型的字符。一个示例游戏关卡如图1所示。 图1：BeeBot的示例游戏关卡，展示了基于字符和GUI可视化器的表示 环境表示 六边形网格 环境由一个六边形网格表示。六边形网格的每个单元格由（行，列）坐标索引。六边形网格从上到下，从左到右索引。也就是说，左上角的坐标为（0，0），右下角的坐标为（nrows – 1，ncols – 1）。偶数编号的列（从0开始）在行的上半部分，奇数编号的列在行的下半部分。一个示例如图2所示。 ____ ____ / \ / \ /row 0 \____/row 0 \____… \col 0 / \col