matlablbg算法

‘壹’ matlab最优化算法有哪些

matlab最优化程序包括

无约束一维极值问题 进退法 黄金分割法 斐波那契法 牛顿法基本牛顿法 全局牛顿法 割线法 抛物线法 三次插值法 可接受搜索法 Goidstein法 Wolfe.Powell法

单纯形搜索法 Powell法 最速下降法 共轭梯度法 牛顿法 修正牛顿法 拟牛顿法 信赖域法 显式最速下降法， Rosen梯度投影法 罚函数法 外点罚函数法

内点罚函数法 混合罚函数法 乘子法 G－N法 修正G－N法 L－M法 线性规划 单纯形法 修正单纯形法 大M法 变量有界单纯形法 整数规划 割平面法 分支定界法 0-1规划 二次规划

拉格朗曰法 起作用集算法 路径跟踪法 粒子群优化算法 基本粒子群算法 带压缩因子的粒子群算法 权重改进的粒子群算法 线性递减权重法 自适应权重法 随机权重法

变学习因子的粒子群算法 同步变化的学习因子 异步变化的学习因子 二阶粒子群算法 二阶振荡粒子群算法

‘贰’ matlab中面积阈值算法是什么跪求！！！！谢谢了！！！

第一类是阈值方法，这种方法是根据图像灰度值得分布特性确定某个阈值来进行图像分割...MATLAB图像处理工具箱中的watershed函数可以用于显示分水岭算法。

‘叁’ C语言实现把一个JPG图片分解为两个图片，急！！谢谢

麻烦。。无聊。。
先找着jpg文件头格式。。
C打开文件。。找到数据部分。。
新建文件。。写入。。保存。。
综上所述：无聊+麻烦。

‘肆’ 如何用MATLAB编写的拉格朗日插值算法的程序、二阶龙格-库塔方法的程序和SOR迭代法的程序

拉格朗日function y=lagrange(x0,y0,x)
n=length(x0);m=length(x);
for i=1:m
z=x(i);
s=0.0;
for k=1:n
p=1.0;
for j=1:n
if j~=k
p=p*(z-x0(j))/(x0(k)-x0(j));
end
end
s=p*y0(k)+s;
end
y(i)=s;
end SOR迭代法的Matlab程序

function [x]=SOR_iterative(A,b)
% 用SOR迭代求解线性方程组,矩阵A是方阵
x0=zeros(1,length(b)); % 赋初值
tol=10^(-2); % 给定误差界
N=1000; % 给定最大迭代次数
[n,n]=size(A); % 确定矩阵A的阶
w=1; % 给定松弛因子
k=1;
% 迭代过程
while k<=N
x(1)=(b(1)-A(1,2:n)*x0(2:n)')/A(1,1);
for i=2:n
x(i)=(1-w)*x0(i)+w*(b(i)-A(i,1:i-1)*x(1:i-1)'-A(i,i+1:n)*x0(i+1:n)')/A(i,i);
end
if max(abs(x-x0))<=tol
fid = fopen('SOR_iter_result.txt', 'wt');
fprintf(fid,'\n********用SOR迭代求解线性方程组的输出结果********\n\n');
fprintf(fid,'迭代次数: %d次\n\n',k);
fprintf(fid,'x的值\n\n');
fprintf(fid, '%12.8f \n', x);
break;
end
k=k+1;
x0=x;
end
if k==N+1
fid = fopen('SOR_iter_result.txt', 'wt');
fprintf(fid,'\n********用SOR迭代求解线性方程组的输出结果********\n\n');
fprintf(fid,'迭代次数: %d次\n\n',k);
fprintf(fid,'超过最大迭代次数，求解失败！');
fclose(fid);
end Matlab中龙格-库塔(Runge-Kutta)方法原理及实现龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法。由于此算法精度高，采取措施对误差进行抑制，所以其实现原理也较复杂。该算法是构建在数学支持的基础之上的。龙格库塔方法的理论基础来源于泰勒公式和使用斜率近似表达微分，它在积分区间多预计算出几个点的斜率，然后进行加权平均，用做下一点的依据，从而构造出了精度更高的数值积分计算方法。如果预先求两个点的斜率就是二阶龙格库塔法，如果预先取四个点就是四阶龙格库塔法。一阶常微分方程可以写作：y'=f(x,y),使用差分概念。
(Yn+1-Yn)/h= f(Xn,Yn)推出（近似等于，极限为Yn'）
Yn+1=Yn+h*f(Xn,Yn)
另外根据微分中值定理，存在0<t<1,使得
Yn+1=Yn+h*f(Xn+th,Y(Xn+th))
这里K＝f(Xn+th,Y(Xn+th))称为平均斜率，龙格库塔方法就是求得K的一种算法。
利用这样的原理，经过复杂的数学推导（过于繁琐省略），可以得出截断误差为O(h^5)的四阶龙格库塔公式：
K1＝f(Xn,Yn);
K2=f(Xn+h/2,Yn+(h/2)*K1);
K3=f(Xn+h/2,Yn+(h/2)*K2);
K4=f(Xn+h,Yn+h*K3);
Yn+1=Yn+h*(K1+2K2+2K3+K4)*(1/6);
所以，为了更好更准确地把握时间关系，应自己在理解龙格库塔原理的基础上，编写定步长的龙格库塔函数，经过学习其原理，已经完成了一维的龙格库塔函数。
仔细思考之后，发现其实如果是需要解多个微分方程组，可以想象成多个微分方程并行进行求解，时间，步长都是共同的，首先把预定的初始值给每个微分方程的第一步，然后每走一步，对多个微分方程共同求解。想通之后发现，整个过程其实很直观，只是不停的逼近计算罢了。编写的定步长的龙格库塔计算函数：
function [x,y]=runge_kutta1(ufunc,y0,h,a,b)%参数表顺序依次是微分方程组的函数名称，初始值向量，步长，时间起点，时间终点（参数形式参考了ode45函数）
n=floor((b-a)/h);%求步数
x(1)=a;%时间起点
y(:,1)=y0;%赋初值，可以是向量，但是要注意维数
for ii=1:n

x(ii+1)=x(ii)+h;

k1=ufunc(x(ii),y(:,ii));

k2=ufunc(x(ii)+h/2,y(:,ii)+h*k1/2);

k3=ufunc(x(ii)+h/2,y(:,ii)+h*k2/2);

k4=ufunc(x(ii)+h,y(:,ii)+h*k3);

y(:,ii+1)=y(:,ii)+h*(k1+2*k2+2*k3+k4)/6;
%按照龙格库塔方法进行数值求解
end
调用的子函数以及其调用语句：
function dy=test_fun(x,y)
dy = zeros(3,1);%初始化列向量
dy(1) = y(2) * y(3);
dy(2) = -y(1) + y(3);
dy(3) = -0.51 * y(1) * y(2);
对该微分方程组用ode45和自编的龙格库塔函数进行比较，调用如下：
[T,F] = ode45(@test_fun,[0 15],[1 1 3]);
subplot(121)
plot(T,F)%Matlab自带的ode45函数效果
title('ode45函数效果')
[T1,F1]=runge_kutta1(@test_fun,[1 1 3],0.25,0,15);%测试时改变test_fun的函数维数，别忘记改变初始值的维数
subplot(122)
plot(T1,F1)%自编的龙格库塔函数效果
title('自编的 龙格库塔函数')

‘伍’ matlab如何实现蒙特卡洛算法

1、打开MATLAB软件，如图所示，输入一下指令。

‘陆’ 用matlab编写拉格朗日插值算法的程序

做了一个测试，希望有所帮助。代码：% 用matlab编写拉格朗日插值算法的程序，并以下面给出的函数表为数据基础，
% 在整个插值区间上采用拉格朗日插值法计算f（0.6），写出程序源代码，输出计算结果
% x -2.15 -1.00 0.01 1.02 2.03 3.25
% y 17.03 7.24 1.05 2.03 17.06 23.05
function main()
clc;
x = [-2.15 -1.00 0.01 1.02 2.03 3.25];
y = [17.03 7.24 1.05 2.03 17.06 23.05 ];
x0 = 0.6;
f = Language(x,y,x0)function f = Language(x,y,x0)
%求已知数据点的拉格朗日插值多项式
%已知数据点的x坐标向量: x
%已知数据点的y坐标向量: y
%插值点的x坐标: x0
%求得的拉格朗日插值多项式或在x0处的插值: fsyms t l;
if(length(x) == length(y))
n = length(x);
else
disp('x和y的维数不相等！');
return; %检错
endh=sym(0);
for (i=1:n)
l=sym(y(i));
for(j=1:i-1)
l=l*(t-x(j))/(x(i)-x(j));
end;
for(j=i+1:n)
l=l*(t-x(j))/(x(i)-x(j));
end;

h=h+l;
end
simplify(h);if(nargin == 3)
f = subs (h,'t',x0); %计算插值点的函数值
else
f=collect(h);
f = vpa(f,6); %将插值多项式的系数化成6位精度的小数
end结果：
f = 0.0201>>

‘柒’ matlab图象重建是什么意思！

图像压缩是当今信息时代迫切需求的一门图像处理技术，它极大的减少了图像的数据量，为图像的存储，传输提供了方便。小波变换，是一种广泛用于图像压缩的方法。它能让图像按不同的分辨率分析。根据Mallat算法的思想，图像能分解成一个轮廓信号（低频子图）和水平，垂直，对角线三个方向上的细节信号（高频子图）。而轮廓信号又可以进一步分解。而图像的主要能量部分是低频部分，而且人眼视觉系统对低频部分更为敏感，所以可以对低频部分采用较低压缩比；对高频部分采用较大压缩比来进行压缩。nbsp;本文提出的是一种结合小波变换，DCT变换和矢量量化的压缩方法。根据人眼的视觉特性，首先对图像进行小波分解，然后，对低频分量进行压缩比不大的DCT变换；对不同方向不同分辨率的高频分量进行不同码字大小的矢量量化编码，然后对反变换和解码后的系数进行小波重构。矢量量化过程中的码书设计采用的是LBG算法。这样，根据对图像质量的不同要求，我们可以改变小波分解的层数，来得到不同压缩比的图像。本篇论文只对小波分解一层和两层后压缩进行了仿真和分析，表明该方案结合了各种压缩方法的优点，在满足图像质量的同时能得到较大的压缩比。目前，在包装装潢设计中常用的图形处理软件有Pho-toshop，CorelDraw，AutoCAD等。但是这些软件中很少涉及到对图像进行压缩处理，以满足图像进行传输和储存的需要。基于这一点考虑，在此尝试着用MATLAB编程来处理包装装潢图像的压缩，实现包装与计算机的紧密结合。nbsp;1nbsp;MATLABnbsp;MATLAB是MathWorks公司推出的一套高性能的数值计算和可视化软件，它集数值分析、矩阵运算、信号处理和图像显示于一体，它附带的小波分析工具箱功能强大，可以完成小波分析的绝大部分工作。MATLAB工具箱的出现避免了程序设计中的重复性劳动，缩短了开发周期，降低了成本，因而受到工科院校师生和研究人员的青睐。nbsp;在介绍利用MATLAB小波工具压缩图像的文献中，总是将真彩色RGB图像转换为灰度级索引图像进行处理．经过这种处理以后，图像的存储数据能得到一定的压缩，但由压缩后的数据难以恢复成理想的彩色图像。文中用MATLAB中有关函数处理图像压缩，而且由压缩后的数据可以还原出图像．实验结果表明，还原出的图像效果是理想的。文中主要以lena图像的处理为例，对它进行二进小波多层分解后，将低频和高频近似的系数矩阵作相应的处理，来研究用MATLAB中的小波工具箱压缩图像的方法。nbsp;2nbsp;图像压缩方法nbsp;在实际应用中，首先需要从图像文件中读取图像数据．MATLAB使用imreed（）函数完这一任务．例如，在电脑D盘中有一彩色图像文件picl．jps，则可由下述语句读取：nbsp;X＝imread（′D:picl．jpg′）；nbsp;MATLAB图像处理工具箱支持4种基本图像类型：索引图像、灰度图像、二进制图像和RGB图像．MATLAB直接从图像文件中读取的图像为RGB图像．它存储在三维数组中。这个三维数组有3个面，依次对应子红（Red）、绿（Green）、蓝（Blue）3种颜色，而面中的数据则分别是这3种颜色的强度值，面中的元素对应于图像中的像素点。nbsp;索引图像数据包括图像矩阵X与颜色图数组map，其中颜色图map是按图像中颜色值进行排序后的数组。对于每个像素，图像矩阵X包含一个值，这个值就是颜色图数组map中的索引。颜色图map为m×3双精度矩阵，各行分别指定红、绿、蓝（R、G、B）单色值，map=〔RGB〕，R、C、B为值域为〔0，1〕的实数值，m为索引图像包含的像素个数．然后可根据情况采用不同的小波函数，进行索引图像的分解压缩。这里对上面产生的索引图像X用dbl小波进行2层分解。nbsp;〔c，l〕＝wavedec2（X，2，′dbl′）。nbsp;在这里，一个索引图像作小波分解后，可得到一系列不同分辨率的子图像，不同分辨率的子图像对应的频率是不相同的．高分辨率（即高频细节）子图像上大部分点的数值接近于0，越是高频这种现象越明显．对一个图像来说，表现一个图像最主要的部分是低频（即近似）部分。nbsp;多层小波分解的所有成分系数均保存在向量c中，低频近似与高频细节的系数需从向量C中提取。MATLAB分别使用appcoet2（）和detcoef2（）函数来完成这一工作。这种方法是对低频和高频部分进行处理，因而提取低频和高频近