基本图论算法matlab代码

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;ends1=[];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;endE=[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 alla=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1index1=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)=1index1=[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endd, 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;    endendw=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twhile 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);ends=B(:,1);for j=2:n    s=s+B(:,j);endc=sum(s); %和法计算近似最大特征值 max lambdaw=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;endfor 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,:));endA=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);    endends=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';elsex0=x;endn=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;endx1=(cumsum(x0))'; %x1为x0的1次累加生成序列，即AGOfor k=2:n    r(k-1)=x0(k)/x1(k-1);endrho=r; %光滑性检验for k=2:n    z1(k-1)=0.5*x1(k)+0.5*x1(k-1);endB=[-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);endy(1)=y1(1);for k=2:n+m    y(k)=y1(k)-y1(k-1); %还原endif c<0    y=y+c-1;endyle1=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);enddd;d=1/(n-1)*sum(dd);f=1/(n-1)*abs(sum(e));s=y;t=e;

---

关注，持续更新。