شیوه های به کار بردن توابع داخلی متلب

مشاهده کدهای توابع متلب با دستور type :

در متلب، توابع بسیاری وجود دارد که هر کدام، در واقع یک برنامه می باشند که یک یا چند ورودی را دریافت می کنند و یک یا چند خروجی را بر می گردانند. ممکن است نیاز داشته باشیم که کدهای نوشته شده برای یک تابع در متلب را مشاهده کنیم. امکان مشاهده کدهای برخی از توابع داخلی متلب وجود ندارد، اما چنانچه این امکان برای یک تابع متلب فعال باشد، باید از دستور type استفاده کنیم. به مثال زیر توجه کنید :

 

مثال: 

به عنوان مثال، تابعgraphminspantree  در متلب، برای حل مسئلهminimal spanning tree  در یک گراف به کار می رود. چنانچه فردی بخواهد کدهای نوشته شده برای این تابع را مشاهده کند، باید دستور زیر را اجرا کند:

type graphminspantree

نتیجه: 

function [T,pred] = graphminspantree(G,varargin)  %GRAPHMINSPANTREE finds the minimal spanning tree in graph.

%

% [T, PRED] = GRAPHMINSPANTREE(G) finds an acyclic subset of  edges that

% connects all the nodes in the undirected graph G and for  which the total

% weight is minimized. Weights of the edges are all nonzero  entries in the

% lower triangle of the n-by-n sparse matrix G. T is a  spanning tree

% represented by a sparse matrix. The output PRED contains the  predecessor

% nodes of the minimal spanning tree with the root node  indicated by a

% zero. The root defaults to the first node in the largest  connected

% component, which requires an extra call to the graphconncomp  function.

% % [T, PRED] = GRAPHMINSPANTREE(G,R) sets the root of the  minimal spanning  % tree to node R.

%

% GRAPHMINSPANTREE(…,’METHOD’,METHOD) selects the algorithm to  use,  % options are:

%    [‘Prim’]     – Prim’s algorithm grows the MST one edge at  a time by

%                   adding a minimal edge that connects a node  in the

%                   growing MST with any other node. Time  complexity is  %                   O(e*log(n)). %    ‘Kruskal’    – Kruskal’s algorithm grows the MST one edge  at a time by

%                   finding an edge that connects two trees in

a spreading

%                   forest of growing MSTs. Time complexity is %                   O(e+x*log(n)) where x is the number of  edges no longer  %                   than the longest edge in the MST.

%  % Note: n and e are number of nodes and edges respectively.

%

% GRAPHMINSPANTREE(…,’WEIGHTS’,W) provides custom weights for  the edges,

% useful to indicate zero valued weights. W is a column vector  with one

% entry for every edge in G, traversed column-wise.

% % Remarks: When the graph is unconnected, Prim’s algorithm  only returns the

% tree that contains R, while Kruskal’s algorithm returns an

MST for every

% component.

%

% Example:

%   % Create an undirected graph with 6 nodes

%   W = [.41 .29 .51 .32 .50 .45 .38 .32 .36 .29 .21];

%   DG = sparse([1 1 2 2 3 4 4 5 5 6 6],[2 6 3 5 4 1 6 3 4 2

5],W)

%   UG = tril(DG + DG’)

%   view(biograph(UG,[],’ShowArrows’,’off’,’ShowWeights’,’on’)

)

%   % Find the minimum spanning tree of UG

%   [ST,pred] = graphminspantree(UG)

%   view(biograph(ST,[],’ShowArrows’,’off’,’ShowWeights’,’on’)  )

%

% See also: GRAPHALLSHORTESTPATHS, GRAPHCONNCOMP, GRAPHISDAG,

% GRAPHISOMORPHISM, GRAPHISSPANTREE, GRAPHMAXFLOW,  GRAPHPRED2PATH,

% GRAPHSHORTESTPATH, GRAPHTHEORYDEMO, GRAPHTOPOORDER,  GRAPHTRAVERSE.

%  % References:

%  [1]  J. B. Kruskal. “On the shortest spanning subtree of a  graph and the

%       traveling salesman problem” In Proceedings of the

American  %       Mathematical Society, 7:48-50, 1956. %  [2]  R. Prim. “Shortest connection networks and some  generalizations”  %       Bell System Technical Journal, 36:1389-1401, 1957.

%   Copyright 2006-2008 The MathWorks, Inc.

%   Revision:1.1.6.7  Date:2010/09/0213:28:55

algorithms = {‘prim’,‘kruskal’};  algorithmkeys = {‘pri’,‘kru’};  debug_level = 0;

% set defaults of optional input arguments

W = []; % no custom weights

R = []; % no root given  algorithm  = 1; % defaults to prim

% find out signature of input arguments  if nargin>1 && isnumeric(varargin{1})  R = varargin{1};  varargin(1) = [];  end

% read in optional PV input arguments  nvarargin = numel(varargin);  if nvarargin  if rem(nvarargin,2) == 1

error(‘Bioinfo:graphminspantree:IncorrectNumberOfArguments’,…

‘Incorrect number of arguments to %s.’,mfilename);  end

okargs = {‘method’,‘weights’};  for j=1:2:nvarargin-1  pname = varargin{j};  pval = varargin{j+1};

k = find(strncmpi(pname,okargs,numel(pname)));  if isempty(k)

error(‘Bioinfo:graphminspantree:UnknownParameterName’,…

‘Unknown parameter name: %s.’,pname);  elseif length(k)>1

error(‘Bioinfo:graphminspantree:AmbiguousParameterName’,…

‘Ambiguous parameter name: %s.’,pname);  else  switch(k)  case 1 % ‘method’

algorithm = find(strncmpi(pval,algorithms,numel(pval)));  if isempty(algorithm)

error(‘Bioinfo:graphminspantree:NotValidMethod’,…

‘String “%s” is not a valid algorithm.’,pval)  elseif numel(algorithm)>1

error(‘Bioinfo:graphminspantree:AmbiguousMethod’,…  ‘String “%s” is ambiguous.’,pval)  end

case 2 % ‘weights’

W = pval(:);  end  end  end  end

% find manually the best root (if it was not given)  if isempty(R)  [num_comp,classes] = graphconncomp(G,‘directed’,false);  if num_comp==1

R = 1;  else  R = find(classes==mode(classes),1,‘first’);

end  end

% call the mex implementation of the graph algorithms  if nargout>1  if isempty(W)

[T,pred] = graphalgs(algorithmkeys{algorithm},debug_level,false,G,R);  else  [T,pred] = graphalgs(algorithmkeys{algorithm},debug_level,false,G,R,W);

end  else  if isempty(W)

T = graphalgs(algorithmkeys{algorithm},debug_level,false,G,R);  else  T = graphalgs(algorithmkeys{algorithm},debug_level,false,G,R,W);  end  end

مشاهده می کنید که در ابتدای برنامه نیز توضیحاتی نوشته شده است تا به راحتی بتوانید به نحوه عملکرد تابع و کدهای نوشته شده برای آن پی ببرید.

 

دانلود مقاله:

[sdfile url=”http://sim-power.ir/wp-content/uploads/2014/11/شیوه-های-به-کار-بردن-توابع-داخلی-متلب-1.pdf”]