最小生成树
function [w,E]=MinTree(A)
%避圈法求最小生成树
%A为图的赋权邻接矩阵
%w记录最小树的权值之和,E记录最小树上的边
n=size(A,1);
for i=1:n
A(i,i)=inf;
end
s1=[];s2=[];%s1,s2记录一条边上的两个顶点
w=0;k=1;%k记录顶点数
T=A+inf;
T(1,:)=A(1,:);
A(:,1)-inf;
while k<n
[p1,q1]=min(T); %q1记录行下标
[p2,q2]=min(p1);
i=q1(q2);
s1=[s1,i];s2=[s2,q2];
w=w+p;k=k+1;
A(:,q2)=inf; %若此顶点已被连接,则切断此顶点的入口
T(q2,:)=A(q2,:); %在T中并入此顶点的出口
T(:,q2)=inf;
end
E=[s1;s2]; %E记录最小树上的边
最短路的Dijkstra算法
克拉算法的核心就是从原点出发(原点可以是自己定义的任意一个点),
以原点为圆心,半径从小到大,判断原点到半径上面的点的最短距离,
这个距离可能是圆心r0->r1(半径较小)->r2(半径较大)或者是r0->r2(如果存在r0到r2这条路径的话)
例 某公司在六个城市c1, c2,,,, c6 中有分公司,从 ci到 cj 的直接航程票价记在
下述矩阵的 (i, j) 位置上。(∞ 表示无直接航路),请帮助该公司设计一张城市 c1 到其它城市间的票价最便宜的路线图。
符号含义:用矩阵 a[n,n](n 为顶点个数)存放各边权的邻接矩阵, 行向量 pb 、 index1、 index2 、d 分别用来存放 P 标号信息、标号顶点顺序、标号顶点索引、最短通路的值。
其中分量 index2(i) 存放始点到第i 点最短通路中第i 顶点前一顶点的序号;
d(i) 存放由始点到第i 点最短通路的值。
求第一个城市到其它城市的最短路径的 Matlab 程序如下:
(可以直接复制下方代码运行)
其中a(1,2)表示第一个点到第二个点的距离,以此类推,在实际应用中先把所有点直接的距离矩阵写出来,不连通的点用无穷大表示
clc,clear all
a=zeros(6);
a(1,2)=50;a(1,4)=40;a(1,5)=25;a(1,6)=10;
a(2,3)=15;a(2,4)=20;a(2,6)=25;
a(3,4)=10;a(3,5)=20;
a(4,5)=10;a(4,6)=25;
a(5,6)=55;
a=a+a'
a(find(a==0))=inf %将a=0的数全部替换为无强大
pb(1:length(a))=0;pb(1)=1; %当一个点已经求出到原点的最短距离时,其下标i对应的pb(i)赋1
index1=1; %存放存入S集合的顺序
index2=ones(1,length(a)); %存放始点到第i点最短通路中第i顶点前一顶点的序号
d(1:length(a))=inf;d(1)=0; %存放由始点到第i点最短通路的值
temp=1; %temp表示c1,算c1到其它点的最短路。
while sum(pb)<length(a) %看是否所有的点都标记为P标号
tb=find(pb==0); %找到标号为0的所有点,即找到还没有存入S的点
d(tb)=min(d(tb),d(temp)+a(temp,tb));%计算标号为0的点的最短路,或者是从原点直接到这个点,又或者是原点经过r1,间接到达这个点
tmpb=find(d(tb)==min(d(tb))); %求d[tb]序列最小值的下标
temp=tb(tmpb(1));%可能有多条路径同时到达最小值,却其中一个,temp也从原点变为下一个点
pb(temp)=1;%找到最小路径的表对应的pb(i)=1
index1=[index1,temp]; %存放存入S集合的顺序
temp2=find(d(index1)==d(temp)-a(temp,index1));
index2(temp)=index1(temp2(1)); %记录标号索引
end
d, index1, index
Ford最短路算法
function [w,v]=Ford(W,s,t)
%W为图的带权邻接矩阵,s为起点,t为终点
%返回值w为最短路的权值之和,v为最短路线上的顶点下标
n=length(W);
d(:,1)=(W(s,:))'; %求d(vs,vi)=min{d(vs,vi)+wij}的解,用d存放
%d(t)(v1,vj),赋初值为W的第s行,以列存放
j=1;
while j
for i=1:n
b(i)=min(W(:,i)+d(:,j));
end
j=j+1;
d=[d,b'];
if d(:,j)==d(:,j-1) %若找到最短路,跳出循环
break;
end
end
w=d(t,j); %记录最短路的权值之和
v=t; %用数组v存放最短路上的顶点,终点为t
while v(1)~=s
for i=n: -1: 1
if i~=t&W(i,t)+d(i,j)==d(t,j)
break;
end
end
v=[i,v];
t=i;
end
层次分析法
function [w,lam,CR]=ccfx(A)
%A为成对比较矩阵,返回值w为近似特征向量
%lam为近似最大特征值Max lambda,CR为一致性比率
n=length(A(:,1));
a=sum(A);
B=A; %用B代替A做计算
for i=1:n %将A的列向量归一化
B(:,j)=B(:,j)./a(j);
end
s=B(:,1);
for j=2:n
s=s+B(:,j);
end
c=sum(s); %和法计算近似最大特征值 max lambda
w=s./c;
d=A*w;
lam=1/n*sum((d./w));
CI=(lam-n)/(n-1); %一致性指标
RI=[0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45,1.49,1.51]; %RI为随机一致性指标
CR=CI/RI(n); %求一致性比率
if CR>0.1
disp('没有通过一致性检验');
else
disp('通过一致性检验');
end
灰色关联性分析
%计算灰色关联度——单因子情形
%当系统的行为特征只有一个因子0x,该算法用于求解各种因素ix对0x的影响大小。
function s=Glfx(x0,x)%x0(行向量)为因子,x为因素集
[m,n]=size(x);
B=[x0,x];
k=m+1; %k为B的行数
c=B(:,1); %对序列进行无量纲化处理
for j=1:n
B(:,j)=B(:,j)./c;
end
for i=2:k %求参考序列对各比较序列的绝对差
B(i,:)=abs(B(i,:)-B(1,:));
end
A=B(2:k,:); %求相关系数
a=min(min(A));
b=max(max(A));
for i=1:m
for j=1:n
r1(i,j)=r1(i,j)*(a+0.5*b)/(A(i,j)+0.5*b);
end
end
s=1/n*(r1*ones(m,1)); %比较序列对参考序列x0的灰色关联度
灰色预测——GM(1,1)
%灰色预测——GM(1,1)
function [s,t]=huiseyc(x,m)
%x为待预测变量的原值,为其预测m个值
[m1,n]=size(x);
if m1~=1 %若x为列向量,则将其变为行向量放入x0
x0=x';
else
x0=x;
end
n=length(x0);
c=min(x0);
if c<0 %若x0中有小于0的数,则作平移,使得每个数字都大于0
x0=x0-c+1;
end
x1=(cumsum(x0))'; %x1为x0的1次累加生成序列,即AGO
for k=2:n
r(k-1)=x0(k)/x1(k-1);
end
rho=r; %光滑性检验
for k=2:n
z1(k-1)=0.5*x1(k)+0.5*x1(k-1);
end
B=[-z1',ones(n-1,1)];
YN=(x0(2:n))';
a=(inv(B'*B))*B'*YN;
y1(1)=x0(1);
for k=2:n+m %预测m个值
y1(k)=(x0(1)-a(2)/a(1))*exp(-a(1)*(k-1))+a(2)/a(1);
end
y(1)=y1(1);
for k=2:n+m
y(k)=y1(k)-y1(k-1); %还原
end
if c<0
y=y+c-1;
end
yl
e1=x0-y(1:n);
e=e1(2:n); %e为残差
for k=2:n
dd(k-1)=abs(e(k-1))/x0(k);
end
dd;
d=1/(n-1)*sum(dd);
f=1/(n-1)*abs(sum(e));
s=y;
t=e;
关注,持续更新。