自适应系统编程实践：从细胞自动机到神经网络的智能算法探索

本项目是墨西哥新莱昂自治大学（UANL）自适应系统编程课程的实验集合，涵盖自动调节系统、细胞自动机、模糊逻辑系统、神经网络等主题，提供Python和Java实现，为智能系统与计算智能学习提供丰富实践案例。核心价值在于理论与实践结合，帮助学习者从基础规则到复杂智能算法逐步深入。

自适应系统是AI与计算智能核心方向，涵盖从规则演化到神经网络学习的技术。本项目结构清晰，分为四个主要模块（自动调节、细胞自动机、模糊系统、神经网络）及六个额外实践练习，每个模块含理论与编程实现，部分实验有作业证据文档，支持按主题逐步学习。

各模块关键内容：

• 自动调节系统：含哨兵灯光控制器（PID调节）、自动灌溉系统（多输入决策）、自适应交通模式选择器（多目标优化），展示感知-决策-执行闭环架构。
• 细胞自动机：一维二进制实现（Python，Wolfram规则）及Java版本，体现局部规则产生全局复杂模式。
• 模糊系统：用skfuzzy库实现Mario Kart赛道分类，涵盖模糊化、规则库构建、推理、解模糊化流程。
• 神经网络：MLP（帕金森数据集）、CNN（MNIST识别）、K-means聚类（原生与sklearn实现），覆盖监督与无监督学习。

额外练习包括蚁群优化（TSP问题）、Flood It游戏（tkinter）、烟花粒子模拟（pygame）、K-means聚类（经典数据集）、复杂网络分析、智能体与强化学习（Q-learning迷宫求解）。技术栈涵盖Python（NumPy/Pandas、scikit-learn、TensorFlow/Keras等）、Java、Jupyter Notebook等，支持多语言对比与多样化工具应用。

项目适合计算机科学学生（巩固理论）、AI初学者（建立知识链）、自学者（丰富示例与文档）、教育工作者（课程材料）、转型工程师（了解算法细节）。特色包括理论实践并重、渐进式难度、多语言对比、实际应用场景及团队协作元素。

项目局限性：部分代码错误处理不足、文档以西班牙语为主、深度学习框架API较旧。改进建议：增加英文文档、添加单元测试、更新依赖库、补充可视化输出。

本项目是内容丰富、结构清晰的智能系统学习资源，覆盖经典AI到现代机器学习主题。学习者可掌握多种智能算法实现，理解自适应系统核心思想（局部规则到集体智能、编程到数据驱动）。推荐给学生、工程师及AI爱好者，强调动手实践的重要性。