当前位置：文档之家 › matlab 常用算法大全

matlab 常用算法大全

  • 格式：doc
  • 大小：101.50 KB
  • 文档页数：22

实用文档 标准 Matlab 高级算法程序代码汇总

一、灰色预测模型matlab程序 % renkou1=renkou(:,1);%年末常住人口数 % renkou2=renkou(:,2);%户籍人口 % renkou3=renkou(:,3);%非户籍人口 % shjian=1979:2010; %以上数据自己给 x0=renkou2'; n=length(x0); lamda=x0(1:n-1)./x0(2:n) range=minmax(lamda) x1=cumsum(x0) for i=2:n z(i)=0.5*(x1(i)+x1(i-1)); end B=[-z(2:n)',ones(n-1,1)]; Y=x0(2:n)'; u=B\Y x=dsolve('Dx+a*x=b','x(0)=x0'); x=subs(x,{'a','b','x0'},{u(1),u(2),x1(1)}); yuce1=subs(x,'t',[0:n-1]); digits(6),y=vpa(x) %为提高预测精度，先计算预测值，再显示微分方程的解 yuce=[x0(1),diff(yuce1)] epsilon=x0-yuce %计算残差 delta=abs(epsilon./x0) %计算相对误差 rho=1-(1-0.5*u(1))/(1+0.5*u(1))*lamda %计算级比偏差值

%以深圳人口数据得到预测模型及预测误差相关数据

lamda = Columns 1 through 8 0.9741 0.9611 0.9419 0.8749 0.9311 0.9093 0.9302 0.9254 Columns 9 through 16 0.9245 0.9278 0.9442 0.9376 0.9127 0.9148 0.9332 0.9477 Columns 17 through 24 0.9592 0.9445 0.9551 0.9562 0.9594 0.9461 0.9469 0.9239 Columns 25 through 31 0.9140 0.9077 0.9243 0.9268 0.9312 0.9446 实用文档 标准 0.9618

range = 0.8749 0.9741

x1 = 1.0e+003 * Columns 1 through 8 0.0313 0.0634 0.0967 0.1322 0.1727 0.2162 0.2641 0.3155 Columns 9 through 16 0.3711 0.4313 0.4961 0.5647 0.6380 0.7182 0.8059 0.8999 Columns 17 through 24 0.9990 1.1024 1.2119 1.3265 1.4463 1.5712 1.7033 1.8427 Columns 25 through 32 1.9936 2.1588 2.3407 2.5375 2.7499 2.9780 3.2194 3.4705

u = -0.0665 31.3737

y =

-472.117+503.377*exp(.664533e-1*t)

yuce = Columns 1 through 8 31.2600 34.5876 36.9641 39.5040 42.2183 45.1192 48.2194 51.5326 Columns 9 through 16 55.0734 58.8576 62.9017 67.2238 71.8428 76.7792 82.0548 87.6928 Columns 17 through 24 93.7183 100.1578 107.0397 114.3945 122.2547 130.6550 139.6324 149.2267 Columns 25 through 32 159.4802 170.4382 182.1492 194.6649 208.0405 222.3352 237.6121 253.9386

epsilon = Columns 1 through 8 实用文档 标准 0 -2.4976 -3.5741 -4.0540 -1.6983 -1.5992 -0.3594 -0.0826 Columns 9 through 16 0.5266 1.2824 1.9183 1.4262 1.3772 3.4408 5.6352 6.2772 Columns 17 through 24 5.4417 3.2222 2.4203 0.2055 -2.4047 -5.7350 -7.5924 -9.7767 Columns 25 through 32 -8.5502 -5.3082 -0.2192 2.1651 4.3395 5.7348 3.8379 -2.9086

delta = Columns 1 through 8 0 0.0778 0.1070 0.1144 0.0419 0.0367 0.0075 0.0016 Columns 9 through 16 0.0095 0.0213 0.0296 0.0208 0.0188 0.0429 0.0643 0.0668 Columns 17 through 24 0.0549 0.0312 0.0221 0.0018 0.0201 0.0459 0.0575 0.0701 Columns 25 through 32 0.0567 0.0321 0.0012 0.0110 0.0204 0.0251 0.0159 0.0116

rho = Columns 1 through 8 -0.0411 -0.0271 -0.0066 0.0650 0.0049 0.0282 0.0058 0.0110 Columns 9 through 16 0.0119 0.0084 -0.0091 -0.0020 0.0245 0.0223 0.0027 -0.0128 Columns 17 through 24 -0.0251 -0.0094 -0.0208 -0.0219 -0.0254 -0.0111 -0.0119 0.0126 Columns 25 through 31 0.0232 0.0300 0.0122 0.0095 0.0048 -0.0095 -0.0280

二、遗传算法程序代码 % Optimizing a function using Simple Genetic Algorithm with elitist preserved 实用文档 标准 %Max f(x1,x2)=100*(x1*x1-x2).^2+(1-x1).^2; -2.0480<=x1,x2<=2.0480 % Author: Wang Yonglin (wylin77@126.com) clc;clear all; format long;%设定数据显示格式 %初始化参数 T=100;%仿真代数 N=80;% 群体规模 pm=0.05;pc=0.8;%交叉变异概率 umax=2.048;umin=-2.048;%参数取值范围 L=10;%单个参数字串长度，总编码长度2L bval=round(rand(N,2*L));%初始种群 bestv=-inf;%最优适应度初值 %迭代开始 for ii=1:T %解码，计算适应度 for i=1:N y1=0;y2=0; for j=1:1:L y1=y1+bval(i,L-j+1)*2^(j-1); end x1=(umax-umin)*y1/(2^L-1)+umin; for j=1:1:L y2=y2+bval(i,2*L-j+1)*2^(j-1); end x2=(umax-umin)*y2/(2^L-1)+umin; obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目标函数 xx(i,:)=[x1,x2]; end func=obj;%目标函数转换为适应度函数 p=func./sum(func); 实用文档 标准 q=cumsum(p);%累加 [fmax,indmax]=max(func);%求当代最佳个体 if fmax>=bestv bestv=fmax;%到目前为止最优适应度值 bvalxx=bval(indmax,:);%到目前为止最佳位串 optxx=xx(indmax,:);%到目前为止最优参数 end Bfit1(ii)=bestv; % 存储每代的最优适应度 %%%%遗传操作开始 %轮盘赌选择 for i=1:(N-1) r=rand; tmp=find(r<=q); newbval(i,:)=bval(tmp(1),:); end newbval(N,:)=bvalxx;%最优保留 bval=newbval; %单点交叉 for i=1:2:(N-1) cc=rand; if ccpoint=ceil(rand*(2*L-1));%取得一个1到2L-1的整数 ch=bval(i,:); bval(i,point+1:2*L)=bval(i+1,point+1:2*L); bval(i+1,point+1:2*L)=ch(1,point+1:2*L); end end bval(N,:)=bvalxx;%最优保留 %位点变异 mm=rand(N,2*L)

合集下载

matlab常用指令

matlab常用指令

matlab常用指令MATLAB是一款非常实用的科学计算软件，在使用过程中，一些常用的指令是非常必要的。

在本篇文章中，我们将会介绍MATLAB常用指令，以使你更加熟练掌握MATLAB的使用。

一、基本数学运算+ 加- 减* 乘/ 除^ 幂（指数）sqrt 平方根exp 取指数log 取自然对数log10 取以10为底的对数sin 正弦cos 余弦tan 正切asin 反正弦acos 反余弦atan 反正切abs 绝对值rem 模运算fix 向零取整floor 向负无穷取整ceil 向正无穷取整round 四舍五入mod 取摸余数二、变量与矩阵1、赋值：通过等号将数值赋给变量，如：a=3;b=2.1;c=2+3i;2、数列：建立一个等差数组，例如：d=1:10; %1到10的等差数列e=linspace(0,2*pi,100); %0到2*pi之间的100个等间距点 a=[1 2 3;4 5 6;7 8 9];b=zeros(2,3);c=ones(3,2);d=rand(3,3);e=eye(4);4、矩阵元素操作：通过下标访问矩阵中的元素，例如：a(1,2) %输出a矩阵第一行第二列的元素b(2,3)=7 %将b矩阵第二行第三列的元素赋为75、矩阵运算：矩阵加减乘除，如：a+b %对应元素相加a-b %对应元素相减a*b %矩阵乘法a/b %矩阵除法a' %矩阵转置6、矩阵函数：除了使用基本操作外，还能使用各种矩阵相关函数完成矩阵计算，例如：inv(a) %矩阵求逆det(a) %矩阵求行列式trace(a) %矩阵求迹eig(a) %求特征值rank(a) %矩阵的秩size(a) %返回矩阵的大小max(a) %求矩阵元素最大值min(a) %求矩阵元素最小值sum(a) %求矩阵元素的和prod(a) %求矩阵所有元素的乘积mean(a) %求矩阵元素的平均值三、绘图1、二维绘图：绘制二维函数的曲线、散点图等，例如：x=linspace(-3,3,100); %生成-3到3之间的100个等间距点y=sin(x);plot(x,y); %绘制正弦函数曲线plot(x,y,'r--'); %绘制红色的正弦函数曲线，形状为虚线xlabel('x values');ylabel('y values');title('sine function');grid on;四、数据处理1、数据导入：在MATLAB中，可以通过各种方式将数据导入，如：a=load('filename.txt'); %从文件中载入数据b=xlsread('filename.xls'); %从Excel文件中载入数据五、编程1、条件语句：通过条件语句实现程序的分支结构，例如：if(a<0)disp('a is negative');elseif(a==0)disp('a is zero');elsedisp('a is positive');endfor i=1:10disp(i);end3、函数：在MATLAB中，可以自定义函数，函数调用格式为：function [out1,out2,...]=function_name(in1,in2,...)%函数说明%计算过程end4、脚本：在MATLAB中，脚本是一些命令或函数的集合，可以将脚本保存到文件中执行，例如：%脚本说明a=1;b=2;c=a+b;disp(c);以上便是MATLAB一些常用指令的详细介绍。

matlab的floyd算法

matlab的floyd算法

matlab的floyd算法Floyd算法，是一种图论算法，用于在加权图中求解最短路径。

它是以发明者之一、罗伯特·弗洛伊德的名字命名的。

这个算法同样被用于对于任意两点之间的最长路径（所谓的最短路径问题）进行求解。

算法描述给定一个带权的有向图G=(V,E)，其权值函数为w，下面我们定义从顶点i到顶点j的路径经过的最大权值为dist(i,j)。

特别地，当i=j时，dist(i,j)=0。

为了方便描述算法，我们用D(k,i,j)表示从顶点i到顶点j且路径中的所有顶点都在集合{1,2,⋯,k}中的所有路径中，最大边权值的最小值。

则从顶点i到顶点j的最短路径的边权值就是 D(n,i,j)，其中n是图中顶点的数量。

算法思想：建立中间顶点集合算法是通过不断地扩充中间顶点集合S，来求解任意两点之间的最短路径。

具体来说，设S={1, 2, ⋯, k}，其中k是整数。

Floyd算法的基本思想是，依次考察所有可能的中间顶点x（即所有S中的顶点），对于每个中间顶点x，若从i到x再到j的路径比已知的路径更短，则更新dist(i,j)为更小的值D(k,i,j)。

最终，在S={1, 2, ⋯, n}的情况下，所得到的D(n,i,j)就是顶点i到顶点j之间的最短路径的长度。

Floyd算法的核心是一个三重循环，在每一轮循环中，枚举S中所有的中间顶点x，通过动态规划计算出从i到j的最短路径长度D(k,i,j)。

这一过程可表述为：for k = 1 to nfor i = 1 to nfor j = 1 to nif D(k,i)+D(j,k) < D(k,i,j)D(k,i,j) = D(k,i)+D(j,k)其中D(0,i,j)即为dist(i,j)，若i和j不连通，则D(0,i,j)=+Inf。

算法实现function D = Floyd(adjmat)% adjmat为邻接矩阵邻接矩阵adjmat的定义为：- 若两个顶点之间有边相连，则对应位置为该边的边权值；- 若两个顶点之间没有边相连，则对应位置为0。

matlab寻峰算法

matlab寻峰算法

matlab寻峰算法
在MATLAB中，寻峰算法是一种常用的信号处理方法，用于在给定的数据集中找到峰值或波峰。

寻峰算法可以应用于各种领域，包括光谱分析、声音处理和图像处理等。

MATLAB提供了多种寻峰算法，其中最常用的是基于导数和阈值的方法。

该方法通过计算数据集的导数，并将导数值与预先设定的阈值进行比较，以确定峰值位置。

根据数据集的特点和应用需求，可以调整阈值的大小来控制寻峰算法的灵敏度。

除了基于导数和阈值的方法，MATLAB还提供了其他一些寻峰算法，例如基于高斯拟合的方法。

该方法通过拟合高斯函数到数据集中的波峰附近，来确定峰值位置和峰值强度。

该方法可以在存在噪声和信号形状不规则的情况下，提供更准确的峰值估计。

在MATLAB中，使用寻峰算法可以通过以下步骤来实现：
1. 使用数据集进行预处理，例如去除噪声和平滑数据。

2. 根据预处理后的数据集，选择适当的寻峰算法。

3. 根据算法的要求，设置相关的参数，如阈值大小或高斯函数的参数。

4. 对数据集应用寻峰算法，并获取峰值的位置和强度。

5. 可以根据需要对峰值进行后处理，例如进行峰值合并或剔除。

6. 可以将结果可视化，以便进行进一步的分析和解释。

综上所述，MATLAB提供了多种寻峰算法，并且可以根据数据集的特点和应用需求进行选择和调整。

寻峰算法在信号处理中具有广泛的应用，并能够提供准确的峰值估计，从而帮助研究人员和工程师更好地理解和分析数据。

matlab计算特征值用的方法

matlab计算特征值用的方法

matlab计算特征值用的方法特征值是矩阵理论中的一个重要概念，它在信号处理、图像处理、机器学习等领域有着广泛的应用。

在Matlab中，我们可以使用不同的方法来计算矩阵的特征值。

本文将介绍几种常用的特征值计算方法，并对它们的优缺点进行比较。

1. 特征值的定义在线性代数中，对于一个n阶方阵A，如果存在一个数λ和一个非零向量x，使得Ax=λx成立，那么λ称为A的特征值，x称为A的特征向量。

特征值和特征向量可以帮助我们理解矩阵的性质和行为。

2. 特征值计算的方法2.1 特征值分解法特征值分解是最常用的计算特征值的方法之一。

它将一个矩阵分解为特征值和特征向量的乘积的形式。

在Matlab中，我们可以使用eig函数进行特征值分解。

例如，对于一个3x3的矩阵A，我们可以使用以下代码计算它的特征值：```A = [1 2 3; 4 5 6; 7 8 9];[V, D] = eig(A);```其中，V是特征向量矩阵，D是特征值矩阵。

特征值按照降序排列，对应的特征向量按列排列。

2.2 幂迭代法幂迭代法是一种基于特征值的大小差异的方法。

它通过迭代计算矩阵的幂，最终得到矩阵的最大特征值及其对应的特征向量。

在Matlab中，我们可以使用eigs函数进行幂迭代计算。

例如，对于一个对称矩阵A，我们可以使用以下代码计算它的最大特征值：```A = [1 2 3; 2 4 5; 3 5 6];[V, lambda] = eigs(A, 1);```其中，V是特征向量，lambda是最大特征值。

2.3 QR算法QR算法是一种迭代算法，通过不断迭代矩阵的QR分解，最终得到矩阵的特征值。

在Matlab中，我们可以使用eig函数结合qr函数进行QR算法的计算。

例如，对于一个对称矩阵A，我们可以使用以下代码计算它的特征值：```A = [1 2 3; 2 4 5; 3 5 6];[V, D] = eig(A);```其中，V是特征向量矩阵，D是特征值矩阵。