模糊算法路径规划C语言实现的程序，感激不尽。

仅供参考~

#define MAX_VERTEX_NUM 100 //最大顶点数

#define MAX_INT 10000 //无穷大

typedef int AdjType

typedef struct{

int pi[MAX_VERTEX_NUM]//存放v到vi的一条最短路径

int end

}PathType

typedef char VType//设顶点为字符类型

typedef struct{

VType V[MAX_VERTEX_NUM]//顶点存储空间

AdjType A[MAX_VERTEX_NUM][MAX_VERTEX_NUM]//邻接矩阵

}MGraph//邻接矩阵表示的图

//Floyd算法

//求网G（用邻接矩阵表示）中任意两点间最短路径

//D[][]是最短路径长度矩阵，path[][]最短路径标志矩阵

void Floyd(MGraph * G,int path[][MAX_VERTEX_NUM],int D[][MAX_VERTEX_NUM],int n){

int i,j,k

for(i=0i<ni++){//初始化

for(j=0j<nj++){

if(G->A[i][j]<MAX_INT){

path[i][j]=j

}else{

path[i][j]=-1

}

D[i][j]=G->A[i][j]

}

}

for(k=0k<nk++){//进行n次试探

for(i=0i<ni++){

for(j=0j<nj++){

if(D[i][j]>D[i][k]+D[k][j]){

D[i][j]=D[i][k]+D[k][j]//取小者

path[i][j]=path[i][k]//改Vi的后继

}

}

}

}

}

int main(){

int i,j,k,v=0,n=6//v为起点，n为顶点个数

MGraph G

int path[MAX_VERTEX_NUM][MAX_VERTEX_NUM]//v到各顶点的最短路径向量

int D[MAX_VERTEX_NUM][MAX_VERTEX_NUM]//v到各顶点最短路径长度向量

//初始化

AdjType a[MAX_VERTEX_NUM][MAX_VERTEX_NUM]={

{0,12,18,MAX_INT,17,MAX_INT},

{12,0,10,3,MAX_INT,5},

{18,10,0,MAX_INT,21,11},

{MAX_INT,3,MAX_INT,0,MAX_INT,8},

{17,MAX_INT,21,MAX_INT,0,16},

{MAX_INT,5,11,8,16,0}

}

for(i=0i<ni++){

for(j=0j<nj++){

G.A[i][j]=a[i][j]

}

}

Floyd(&G,path,D,6)

for(i=0i<ni++){//输出每对顶点间最短路径长度及最短路径

for(j=0j<nj++){

printf("V%d到V%d的最短长度:",i,j)

printf("%d\t",D[i][j])//输出Vi到Vj的最短路径长度

k=path[i][j]//取路径上Vi的后续Vk

if(k==-1){

printf("There is no path between V%d and V%d\n",i,j)//路径不存在

}else{

printf("最短路径为:")

printf("(V%d",i)//输出Vi的序号i

while(k!=j){//k不等于路径终点j时

printf(",V%d",k)//输出k

k=path[k][j]//求路径上下一顶点序号

}

printf(",V%d)\n",j)//输出路径终点序号

}

printf("\n")

}

}

system("pause")

return 0

}

function [center, U, obj_fcn] = FCMClust(data, cluster_n, options)

% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类

%

% 用法：

% 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options)

% 2. [center,U,obj_fcn] = FCMClust(Data,N_cluster)

%

% 输入：

% data---- nxm矩阵,表示n个样本,每个样本具有m的维特征值

% N_cluster ---- 标量,表示聚合中心数目,即类别数

% options ---- 4x1矩阵，其中

% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)

% options(2): 最大迭代次数 (缺省值: 100)

% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)

% options(4): 每次迭代是否输出信息标志(缺省值: 1)

% 输出：

% center ---- 聚类中心

% U ---- 隶属度矩阵

% obj_fcn ---- 目标函数值

% Example:

% data = rand(100,2)

% [center,U,obj_fcn] = FCMClust(data,2)

% plot(data(:,1), data(:,2),'o')

% hold on

% maxU = max(U)

% index1 = find(U(1,:) == maxU)

% index2 = find(U(2,:) == maxU)

% line(data(index1,1),data(index1,2),'marker','*','color','g')

% line(data(index2,1),data(index2,2),'marker','*','color','r')

% plot([center([1 2],1)],[center([1 2],2)],'*','color','k')

% hold off

if nargin ~= 2 &nargin ~= 3,%判断输入参数个数只能是2个或3个

error('Too many or too few input arguments!')

end

data_n = size(data, 1)% 求出data的第一维(rows)数,即样本个数

in_n = size(data, 2) % 求出data的第二维(columns)数，即特征值长度

% 默认 *** 作参数

default_options = [2% 隶属度矩阵U的指数

100 % 最大迭代次数

1e-5 % 隶属度最小变化量,迭代终止条件

1]% 每次迭代是否输出信息标志

if nargin == 2,

options = default_options

else %分析有options做参数时候的情况

% 如果输入参数个数是二那么就调用默认的option

if length(options) <4, %如果用户给的opition数少于4个那么其他用默认值

tmp = default_options

tmp(1:length(options)) = options

options = tmp

end

% 返回options中是数的值为0(如NaN),不是数时为1

nan_index = find(isnan(options)==1)

%将denfault_options中对应位置的参数赋值给options中不是数的位置.

options(nan_index) = default_options(nan_index)

if options(1) <= 1, %如果模糊矩阵的指数小于等于1

error('The exponent should be greater than 1!')

end

end

%将options 中的分量分别赋值给四个变量

expo = options(1) % 隶属度矩阵U的指数

max_iter = options(2) % 最大迭代次数

min_impro = options(3) % 隶属度最小变化量,迭代终止条件

display = options(4) % 每次迭代是否输出信息标志

obj_fcn = zeros(max_iter, 1)% 初始化输出参数obj_fcn

U = initfcm(cluster_n, data_n)% 初始化模糊分配矩阵,使U满足列上相加为1,

% Main loop 主要循环

for i = 1:max_iter,

%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值

[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo)

if display,

fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i))

end

% 终止条件判别

if i >1,

if abs(obj_fcn(i) - obj_fcn(i-1)) <min_impro,

break

end,

end

end

iter_n = i% 实际迭代次数

obj_fcn(iter_n+1:max_iter) = []

% 子函数

function U = initfcm(cluster_n, data_n)

% 初始化fcm的隶属度函数矩阵

% 输入:

% cluster_n ---- 聚类中心个数

% data_n ---- 样本点数

% 输出：

% U ---- 初始化的隶属度矩阵

U = rand(cluster_n, data_n)

col_sum = sum(U)

U = U./col_sum(ones(cluster_n, 1), :)

% 子函数

function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)

% 模糊C均值聚类时迭代的一步

% 输入：

% data---- nxm矩阵,表示n个样本,每个样本具有m的维特征值

% U ---- 隶属度矩阵

% cluster_n ---- 标量,表示聚合中心数目,即类别数

% expo---- 隶属度矩阵U的指数

% 输出：

% U_new ---- 迭代计算出的新的隶属度矩阵

% center ---- 迭代计算出的新的聚类中心

% obj_fcn ---- 目标函数值

mf = U.^expo % 隶属度矩阵进行指数运算结果

center = mf*data./((ones(size(data, 2), 1)*sum(mf'))')% 新聚类中心(5.4)式

dist = distfcm(center, data) % 计算距离矩阵

obj_fcn = sum(sum((dist.^2).*mf)) % 计算目标函数值 (5.1)式

tmp = dist.^(-2/(expo-1))

U_new = tmp./(ones(cluster_n, 1)*sum(tmp)) % 计算新的隶属度矩阵 (5.3)式

% 子函数

function out = distfcm(center, data)

% 计算样本点距离聚类中心的距离

% 输入：

% center ---- 聚类中心

% data ---- 样本点

% 输出：

% out---- 距离

out = zeros(size(center, 1), size(data, 1))

for k = 1:size(center, 1), % 对每一个聚类中心

% 每一次循环求得所有样本点到一个聚类中心的距离

out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1))

end

通过对现实对象的分析，处理数据并构建模糊型数学模型。用隶属关系将数据元素集合灵活成模糊集合，确定隶属函数，进行模糊统计多依据经验和人的心理过程，它往往是通过心理测量来进行的，它研究的是事物本身的模糊性

---