Matlab学习难度有多大？

Matlab学习难度有多大？

Matlab相对于java、C++要容易的多，只要你具备一定的数学基础，再加上简单的编程方法，是很容易学会。Matlab主要用来解决工程上的数学问题，得到解析值和数值解。java主要用来编写和完善编写桌面应用程序、Web应用程序、分布式系统和嵌入式系统应用程序。C++是一种静态数据类型检查的，支持多重编程范式陪数禅的通用程序设计语言。C++语言是大多数语言开发的基础语言。

这三种的学习难度毕肢，Matlab最容易芦尘，java较难，C++最难。选择语言还有根据你的专业和今后工作的方向来综合考虑。

最近正在学习的算法，加勒注释可以看一下

clearclose allclc

C=[1,11,21,31,4]

NC_max=100

m=32% 蚂蚁数

Alpha=1

Beta=4% 决定tao和miu重要性的参数

Rho=0.9%衰减系数

Q=0.95

%%-------------------------------------------------------------------------

%% 主要符号说明

%% C n个城市的坐标，n×2的矩阵

%% NC_max 最大迭代次数

%% m 蚂蚁个数

%% Alpha 表征信息素重要程度的参数

%% Beta 表征启发式因子重要程度的参数

%% Rho 信息素蒸发系数

%% Q 信息素增加强度系数

%% R_best 各代最佳路线

%% L_best 各代最佳路线的长度

%%=========================================================================

%%第一步：变量初始化

n=size(C,1)%n表示问题的规模（城市个数）

D=zeros(n,n)%D表示完全图的赋权邻接矩阵

for i=1:n

for j=i:n

if i~=j

D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5

else

D(i,j)=eps %i=j时不计算，应该为0，但后面的启发因子要取倒数，用eps（浮点相对精度）表示

end

D(j,i)=D(i,j) %对称矩阵

end

end

%%%%%%%%%%记录每两个城市间的距离 矩阵

Eta=1./D %Eta为启发因子，这里设为距离的倒数

Tau=ones(n,n)%Tau为信息素矩阵

Tabu=zeros(m,n) %存储并记录路径的生成

NC=1 %迭代计数器，记录迭代次数

R_best=zeros(NC_max,n) %各代最佳路线

L_best=inf.*ones(NC_max,1) %各代最佳路线的长度

L_ave=zeros(NC_max,1) %各代路线的平均长度

visited=[]

while NC<=NC_max%停止条件之一：达到最大迭代次数，停止

%%第二步：将m只蚂蚁放到n个城市侍销上

Randpos=[] %随即存取

for i=1:(ceil(m/n)) %向上取整

Randpos=[Randpos,randperm(n)]

end

Tabu(:,1)=(Randpos(1,1:m))' %取随机路径的前m位,m只蚂蚁的初始所在城市

%%第三步：m只蚂蚁按概率函数选择下一清和座城市，完成各自的周游老正游

for j=2:n %所在城市不计算

for i=1:m %j,计算所有蚂蚁已经访问的城市个数+1 ，，i，蚂蚁序号

visited=Tabu(i,1:(j-1)) %记录已访问的城市，避免重复访问

J=zeros(1,(n-j+1)) %待访问的城市

P=J %待访问城市的选择概率分布

Jc=1%变量记录已经访问的个数

for k=1:n

if length(find(visited==k))==0 %开始时置0

J(Jc)=k

Jc=Jc+1%未访问的城市个数加1

end

end

%下面计算待选城市的概率分布

for k=1:length(J)

P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta) %最近访问的城市和未访问的城市之间的 选择优先级 信息素（前蚂蚁经验）和距离决定

end

P=P/(sum(P))

%按概率原则选取下一个城市

Pcum=cumsum(P)%cumsum，元素累加 即返回的新数组 第i个值为 输入数组前i个值之和

Select=find(Pcum>=rand)%若计算的概率大于原来的就选择这条路线

to_visit=J(Select(1))

Tabu(i,j)=to_visit

end

end

if NC>=2

Tabu(1,:)=R_best(NC-1,:)

end

%%第四步：记录本次迭代最佳路线

L=zeros(m,1)%开始距离为0，m*1的列向量

for i=1:m

R=Tabu(i,:)

for j=1:(n-1)

L(i)=L(i)+D(R(j),R(j+1)) %原距离加上第j个城市到第j+1个城市的距离

end

% L(i)=L(i)+D(R(1),R(n)) %一轮下来后返回起点的距离,我觉得没必要 %%%%%%%%%%<<<<<<<<<<<<--------------------

end

L_best(NC)=min(L) %最佳距离取最小

pos=find(L==L_best(NC))

R_best(NC,:)=Tabu(pos(1),:)%此轮迭代后的最佳路线

L_ave(NC)=mean(L) %此轮迭代后的平均距离

NC=NC+1 %迭代继续

%%第五步：更新信息素

Delta_Tau=zeros(n,n) %开始时信息素为n*n的0矩阵

for i=1:m

for j=1:(n-1)

Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i) %信息素增量与 本次迭代中某个蚂蚁 的总路程 成反比 最优路

%此次迭代 所有蚂蚁走过的路径 上的信息素增量 更新 线则 沿途所有路径点之间信息素增量最大

end

% Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i)

%此次循环在整个路径上的信息素增量 ,同上 做回到起点时才用到

end

Tau=(1-Rho).*Tau+Delta_Tau%考虑信息素挥发，更新后的信息素 考虑到之前蚂蚁在沿途留下的 信息 受到各种因素而有所损失 都归为挥发

%%第六步：所有蚂蚁的行程表清零

Tabu=zeros(m,n)

end

%%第七步：输出结果

Pos=find(L_best==min(L_best))%找到最佳路径（非0为真）

Shortest_Route=R_best(Pos(1),:) %最大迭代次数后最佳路径

Shortest_Length=L_best(Pos(1)) %最大迭代次数后最短距离

subplot(1,2,1) %绘制第一个子图形

N=length(R)

scatter(C(:,1),C(:,2))

hold on

plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)],'g')

hold on

for ii=2:N

plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)],'g')

hold on

end

title('旅行商问题优化结果 ')

subplot(1,2,2) %绘制第二个子图形

plot(L_best)

hold on %保持图形

plot(L_ave,'r')

title('平均距离和最短距离') %标题

R_best

给你一个画心的程序，源穗去肆凯表白吧：

[x,y,z]=meshgrid(linspace(-5,5,120))

f=(x.^2+(9*y.^2)./4+z.^2-1).^3-((9*y.^2).*(z.^3))./雹雹卜80-(x.^2).*(z.^3)

p=patch(isosurface(x,y,z,f,0))

set(p,'FaceColor','r')

grid on

daspect([1 1 1])

view(-30,24)

---