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)
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)