有一个4*5矩阵，用MATLAB编程求出其最大值及其所在的位置

MATLAB求最大值直接调用求最值的函数 max 函数就好了。例如矩阵为 A ，那么求最值即为 max_A = max( max(A) ) , [m,n] = find( max_A == A )

程序中出错的原因可能是因为第一行结束的分号是中文分号，换成非英文分号就好。

MATLAB 中的 max 函数是求最大值的函数。

1、如果 A 是向量，则 max(A) 返回 A 的最大值。

2、如果 A 为矩阵，则 max(A) 是包含每一列的最大值的行向量。

3、如果 A 是多维数组，则 max(A) 沿大小不等于 1 的第一个数组维度计算，并将这些元素视为向量。此维度的大小将变为 1，而所有其他维度的大小保持不变。如果 A 是第一个维度长度为零的空数组，则 max(A) 返回与 A 大小相同的空数组。

这也是求矩阵的最大值需要使用两个 max 函数的原因。使用 find 函数可以找到矩阵中等于最大值的位置。

扩展资料：

max函数的其他用法：

1、M = max(A,[],dim) 沿着维度 dim 返回最大元素。例如，如果 A 为矩阵，则 max(A,[],2) 是包含每一行的最大值的列向量。

2、M = max(A,[],nanflag) 指定在计算中包括还是忽略 NaN 值。例如，max(A,[],'includenan') 包括 A 中的所有 NaN 值，而 max(A,[],'omitnan') 忽略这些值。可以指定使用 nanflag 选项时的运算维度。

3、[M,I] =max(___) 使用先前语法中的任何输入参数，查找 A 的最大值的索引，并在输出向量 I 中返回这些索引。如果最大值出现多次，则 max 返回对应于第一次出现位置的索引。

4、C = max(A,B) 返回从 A 或 B 中提取的最大元素的数组。

参考资料：

A是幂降多项式阶列的特殊系数：函数值＝qinjiushao（A，x）N＝长度（A）；F＝0（n）；F（1）＝A（1）；对于I＝1：n－1F（I＋1）＝F（I）＊x＋A（I＋1）。

结束：值＝F（n）Disp（“真理”）Polyval（A，x）。

算法是用matlab编写的，如下所示：

A＝100：－1：1；X＝1：0．01：1．1；Y＝0（11）；对于j＝1：11n＝长度（A）；F＝0（n）F（1）等于A（1）I＝1：n－1F（I＋1）＝F（我）＊x（j）＋（I＋1）；Endy（j）＝F（n）；Endplot（x，y）；

该算法是南宋数学家秦九义提出的一种多项式简化算法。

一般情况下，一个变量n次多项式的求值需要（n＋1）＊n／2次乘法和n次加法，而QinJiuyi算法只需要n次乘法和n次加法。在手工计算中，一次计算可以大大简化计算过程。

扩展资料：

宋朝（1244－1247）四七年间，秦整理了自己在湖州三年学习积累的数学知识和研究收入，撰写了举世闻名的数学巨著《七书》。和章。”

这本书出版后就没有出版。这部手稿几乎丢失了。标题不准确。宋、元、明以后，这本书就不再受重视了。直到明朝永乐年间，《永乐丹言》的主编才写出了《九章算术》。100多年后，王应林将其改写为《周易》的七章。

这本书不仅在数量上占优势，而且在质量上也占优势。从历史上看，秦九义书中的七章可以与算术中的九章相比较。从世界范围来看，秦九义的《九章全书》并不是世界著名的数学著作。

CLC

清除所有

关闭所有

抽动

图（1）;按住

ezplot（'X 罪（10 PI X）+2， [-1,2]）;

％％的参数设置

fishnum = 50％50人工鱼

MAXGEN = 50％上升到迭代次数

try_number = 100％测试频率

视觉= 1;感知距离

δ= 0618％程度的拥堵因素

步骤= 01;％步

％％初始化鱼 lb_ub = [-1,2,1];

X = AF_init（fishnum，lb_ub）;

LBUB = [];

对于i = 1：尺寸（lb_ub 1）

LBUB = [LBUB repmat lb_ub（í，1:2），lb_ub（I，3），（1）];

结束

根= 1;

> BestY -1 那些（1 MAXGEN）;％跨度的每一步最优函数值，

BestX = -1 的（MAXGEN）;％跨度的每一步最优参数

besty = -100％最优函数

Y = AF_foodconsistence（X）;

而根<= MAXGEN

fprintf（1，为'％d \ N'，根）对于i = 1：fishnum

％集群的行为

熹，毅] = AF_swarm（X，I，视觉，步骤，三角洲，try_number，LBUB，Y）;

％以下行为

曦2，毅] = AF_follow（X，我，视觉，步骤，三角洲，try_number，LBUB，Y）;

毅毅

X（：，我）=熹;

Y（1）=毅;

其他

X（：I）= XI2

Y（1，）=毅; />结束

结束

[YMAX，索引] =（Y）;

图（1）;

情节（X（1，？指数），YMAX' '，'色'，[GEN / MAXGEN的，0,0]）

如果YMAX besty，

besty = YMAX，

bestx = X（：，索引）;

（GEN）BestY = YMAX

[BestX（：根）] = X（：，索引）;

其他

BestY（GEN）= BestY（GEN-1）; [BestX（：根）] = BestX（：，代-1）;

根=根+1;

年底

图（bestx（1） ，besty，'RO'，'MarkerSize'，100）

xlabel（'X'）

ylabel（'Y'）

最佳坐标运动的称号（“鱼群算法迭代过程）

％％优化过程图

数字

的情节（1：MAXGEN besty），

xlabel（'迭代）

ylabel （“最优值”）

标题（'鱼群算法迭代过程'）

DISP（“最优解X：”，num2str（bestx，'％15F'）]） DISP（['最优化的解决方案，Y：'，num2str（besty，'％15F'）]）

TOC

1 用雅克比迭代法和高斯--赛德尔迭代法求解下列方程组，取迭代初值[0;0;0]。

(1) 编程求解，并与用数学软件求解的结果对比。

(2) 考察迭代法的收敛性，若均收敛，对比两种方法的收敛速度。

解：源程序：

①雅克比迭代法：建立函数文件jacobim

function [n,x]=jacobi(A,b,X,nm,w)

%用雅克比迭代法求解方程组Ax=b

%输入：A为方程组的系数矩阵，b为方程组右端的列向量，X为迭代初值构成的列向量，nm为最大迭代次数，w为误差精度

%输出：x为求得的方程组的解构成的列向量，n为迭代次数

n=1;

m=length(A);

D=diag(diag(A)); %令A=D-L-U,计算矩阵D

L=tril(-A)+D; %令A=D-L-U,计算矩阵L

U=triu(-A)+D; %令A=D-L-U,计算矩阵U

M=inv(D)(L+U); %计算迭代矩阵

g=inv(D)b; %计算迭代格式中的常数项

%下面是迭代过程

while n<=nm

x=MX+g; %用迭代格式进行迭代

if norm(x-X,2)<w

disp('迭代次数为');n

disp('方程组的解为');x

return;

%上面：达到精度要求就结束程序，输出迭代次数和方程组的解

end

X=x;n=n+1;

end

%下面：如果达到最大迭代次数仍不收敛，输出警告语句及迭代的最终结果（并不是方程组的解）

disp('在最大迭代次数内不收敛!');

disp('最大迭代次数后的结果为');x

②高斯赛德尔迭代法：建立函数文件gaussseidelm

function [n,x]=gaussseidel(A,b,X,nm,w)

%用高斯-赛德尔迭代法求解方程组Ax=b

%输入：A为方程组的系数矩阵，b为方程组右端的列向量，X为迭代初值构成的列向量，nm为最大迭代次数，w为误差精度

%输出：x为求得的方程组的解构成的列向量，n为迭代次数

n=1;

m=length(A);

I=eye(m); %生成mm阶的单位矩阵

D=diag(diag(A)); %令A=D-L-U,计算矩阵D

L=tril(-A)+D; %令A=D-L-U,计算矩阵L

U=triu(-A)+D; %令A=D-L-U,计算矩阵U

M=inv(D-L)U; %计算迭代矩阵

g=inv(I-inv(D)L)(inv(D)b); %计算迭代格式中的常数项

%下面是迭代过程

while n<=nm

x=MX+g; %用迭代格式进行迭代

if norm(x-X,2)<w

disp('迭代次数为');n

disp('方程组的解为');x

return;

%上面：达到精度要求就结束程序，输出迭代次数和方程组的解

end

X=x;n=n+1;

end

%下面：如果达到最大迭代次数仍不收敛，输出警告语句及迭代的最终结果（并不是方程组的解）

disp('在最大迭代次数内不收敛!');

disp('最大迭代次数后的结果为');x

运行过程及结果：

①雅克比迭代法的运行过程及结果为：

>> A=[10,3,1;2,-11,3;1,3,12];

b=[2;-5;4];

X=[0;0;0];

nm=50;

w=10^-6;

>> jacobi(A,b,X,nm,w)

迭代次数为

n =

14

方程组的解为

x =

00254

05144

02026

②高斯赛德尔迭代法的运行过程及结果为：

>> A=[10,3,1;2,-11,3;1,3,12];

b=[2;-5;4];

X=[0;0;0];

nm=50;

w=10^-6;

>> gaussseidel(A,b,X,nm,w)

迭代次数为

n =

6

方程组的解为

x =

00254

05144

02026

③用matlab中的A\b命令的运行过程及结果如下：

>> A=[10,3,1;2,-11,3;1,3,12];

b=[2;-5;4];

>> A\b

ans =

00254

05144

02026

(1)由运行结果可知，编程得到的方程组的解为[00254;05144;02026]。而用matlab中的A\b命令求出的方程组的解为[00254;05144;02026]，完全一致。

(2)由运行过程可知，两种方法均收敛，雅克比迭代次数为14，高斯赛德尔迭代次数为6，说明后者的迭代速度比前者快。

2用超松弛迭代法求解方程组，分别取松弛因子 ，取迭代初值[0;0;0]，迭代30次或满足 时停止计算。

(1) 编程求解，并与用数学软件求解的结果对比。

(2) 考察迭代是否收敛，若收敛，松弛因子取何值时收敛最快，与有关定理的结论对照，看结果是否一致。

解：源程序：

①超松弛迭代法：建立函数文件sor22m

function [n,x]=sor22(A,b,X,nm,w,ww)

%用超松弛迭代法求解方程组Ax=b

%输入：A为方程组的系数矩阵，b为方程组右端的列向量，X为迭代初值构成的列向量，nm为最大迭代次数，w为误差精度，ww为松弛因子

%输出：x为求得的方程组的解构成的列向量，n为迭代次数

n=1;

m=length(A);

D=diag(diag(A)); %令A=D-L-U,计算矩阵D

L=tril(-A)+D; %令A=D-L-U,计算矩阵L

U=triu(-A)+D; %令A=D-L-U,计算矩阵U

M=inv(D-wwL)((1-ww)D+wwU); %计算迭代矩阵

g=wwinv(D-wwL)b; %计算迭代格式中的常数项

%下面是迭代过程

while n<=nm

x=MX+g; %用迭代格式进行迭代

if norm(x-X,'inf')<w

disp('迭代次数为');n

disp('方程组的解为');x

return;

%上面：达到精度要求就结束程序，输出迭代次数和方程组的解

end

X=x;n=n+1;

end

%下面：如果达到最大迭代次数仍不收敛，输出警告语句及迭代的最终结果（并不是方程组的解）

disp('在最大迭代次数内不收敛!');

disp('最大迭代次数后的结果为');x

②向后超松弛迭代法：建立函数文件sorxh22m

function [n,x]=sorxh22(A,b,X,nm,w,ww)

%用向后超松弛迭代法求解方程组Ax=b

%输入：A为方程组的系数矩阵，b为方程组右端的列向量，X为迭代初值构成的列向量，nm为最大迭代次数，w为误差精度，ww为松弛因子

%输出：x为求得的方程组的解构成的列向量，n为迭代次数

n=1;

m=length(A);

D=diag(diag(A)); %令A=D-L-U,计算矩阵D

L=tril(-A)+D; %令A=D-L-U,计算矩阵L

U=triu(-A)+D; %令A=D-L-U,计算矩阵U

M=inv(D-wwU)((1-ww)D+wwL); %计算矩阵迭代矩阵

g=wwinv(D-wwU)b; %计算迭代格式中的常数项

%下面是迭代过程

while n<=nm

x=MX+g; %用迭代格式进行迭代

if norm(x-X,'inf')<w

disp('迭代次数为');n

disp('方程组的解为');x

return;

%上面：达到精度要求就结束程序，输出迭代次数和方程组的解

end

X=x;n=n+1;

end

%下面：如果达到最大迭代次数仍不收敛，输出警告语句及迭代的最终结果（并不是方程组的解）

disp('在最大迭代次数内不收敛!');

disp('最大迭代次数后的结果为');x

③对称超松弛迭代法：建立函数文件ssor22m

function [n,x]=ssor22(A,b,X,nm,w,ww)

%用对称超松弛迭代法求解方程组Ax=b

%输入：A为方程组的系数矩阵，b为方程组右端的列向量，X为迭代初值构成的列向量，nm为最大迭代次数，w为误差精度，ww为松弛因子

%输出：x为求得的方程组的解构成的列向量，n为迭代次数

n=1;

m=length(A);

I=eye(m); %生成mm阶的单位矩阵

D=diag(diag(A)); %令A=D-L-U,计算矩阵D

L=tril(-A)+D; %令A=D-L-U,计算矩阵L

U=triu(-A)+D; %令A=D-L-U,计算矩阵U

%下面计算迭代矩阵和迭代格式中的常数项

M=inv(D-wwU)((1-ww)D+wwL)inv(D-wwL)((1-ww)D+wwU); g=wwinv(D-wwU)(I+((1-ww)D+wwL)inv(D-wwL))b;

%下面是迭代过程

while n<=nm

x=MX+g; %用迭代格式进行迭代

if norm(x-X,'inf')<w

disp('迭代次数为');n

disp('方程组的解为');x

return;

%上面：达到精度要求就结束程序，输出迭代次数和方程组的解

end

X=x;n=n+1;

end

%下面：如果达到最大迭代次数仍不收敛，输出警告语句及迭代的最终结果（并不是方程组的解）

disp('在最大迭代次数内不收敛!');

disp('最大迭代次数后的结果为');x

1、采用2-5-1三层BP网络结构即可实现其

MATLAB 程序如下：

clc

clear

a=rand(2,200);

x=a(1,:);

y=a(2,:);

F=x^2+y^2;

net=newff(minmax(a),[5,1],{'tansig' 'purelin'},'trainlm');

nettrainParamepochs=100;

nettrainParamlr=01;

nettrainparamgoal=0001;

net=train(net,a,F)

b=rand(2,100);

x1=b(1,:);

y1=b(2,:);

F1=x1^2+y1^2;

ty=sim(net,b);

subplot(1,2,1)

plot(F1);

subplot(1,2,2)

plot(ty,'r')

以上程序我运行很好，。

2、神经网络的核心就是求权值W，偏置值b，很多算法都可实现，当V,M收敛后，就确定这个函数了，只是这个函数为非线性函数，非常复杂，表达困难，已经包含在训练好的神经网络了，此时，可以用这个网络进行预测和分类

记住分给我啊，这个matlab程序花了很多时间，注释懒的写了，你应该看的懂的。

MATLAB简单潮流计算程序如下：

function lianxuchaoliu

clear;

clc;

n=9;%节点数；

nl=9;%支路数；

isb=1;%平衡节点号；

pr=000001;%误差精度；

MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中。

MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。

以上就是关于有一个4*5矩阵，用MATLAB编程求出其最大值及其所在的位置全部的内容，包括:有一个4*5矩阵，用MATLAB编程求出其最大值及其所在的位置、求 秦九韶算法matlab程序、哪位大神有配电网故障恢复的Matlab程序什么算法的都可以~发我邮-xiang：5-10-90168-6~我就这么点分等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！