2016控制系统与仿真期末作业.docx

西南科技大学研究生试题单年级 2015 专业 控制 、控工 2015-2016学年第1学期 考试科目 控制系统仿真 命题人 王建伟 共1页 第1页 2015级研究生选修课控制系统仿真考核内容与方式一、 题目（结合自己的研究方向，从下面2题任选一题）1 结合自己的研究方向，选择一种你认为和仿真课程相关的题目书写一份报告。（70分）2 采用matlab编程工具,选取和研究方向相近的自命题，编写仿真程序，理解掌握程序代码的含义、使用方法及其每个程序段的目的和功能，给出仿真结果。（70分）二、 提交要求1 提交打印报告及电子稿，附录部分提交程序代码及其曲线图、注明程序功能，理解代码含义。2 报告提交时间地点：2016年1月12日上午9点，综合楼402。选题:2.采用matlab编程工具,选取和研究方向相近的自命题，编写仿真程序，理解掌握程序代码的含义、使用方法及其每个程序段的目的和功能，给出仿真结果。自我情况介绍:姓名：王桂山 学号：2015000102 专业：控制科学与工程 学院：理学院 tel要利用理论:复杂网络的社团结构计算和应用研究方向: 网络在自然界和人类社会中普遍存在，包括自然界中天然存在的星系、食物链网络、神经网络、蛋白质网络；人类社会中存在的社交网络、传染病传播网络、知识传播网络；人类创造的交通网络、通信网络、计算机网络等。本论文注解着重介绍了复杂系统与网络中的社团网络结构的程序.自命题: 复杂网络理论在恐怖分子社团分析中的应用利用资源:绵阳市移动数据及相关数据资料(个人数据保密)本项目从今年十月份开始，陆陆续续开展，中间出了很多的问题，程序修改了很多次，每次任老师叫我过去亲自给我讲解，通过王建伟老师的的课堂，让我更加明确了自己的研究方向，坚定了对科研的追求，然而从零开始的，从基础开始，也是很困难的事情，但是任老师没有放弃我，然后每次又都能从王老师课堂上得到很多的鼓励，使我能够有足够的多的信心去继续下去。非常喜欢王老师的课堂，自由，活跃的课堂气氛，是难得的学习的机会。导师: 任学藻教授：导师简历 男，47岁，硕士、教授、硕士生导师主要从事凝聚态理论和理论物理和复杂网络研究研究课题负责人:朱俊芳老师（博士） （筹备中）申请项目:自然科学基金 复杂系统与网络在社团中的应用姓名:王桂山 学号:2015000102 班级:2015级理学院专业:控制科学与工程 telqq:1215698172摘要：网络社团结构的研究是了解网络结构和功能的重要途径之一.本文对复杂网络社团结构问题进行了综述.文章介绍了复杂网络中社团结构的定义、探索社团结构的算法及算法的评价标准和检验网络。重点总结与类比了具有代表性的算法及 其在检验网络上得到的结果,并依据这些结果和评价标准对算法进行了评述.之后部分地概括了原有算法在如权无向网络中的推广方法.最后对部分社团结构算法的特点进行了横向的比较，对社团结构与网络功能的研究进行简略介绍，并对社团结构研究的发展做出展望。关键词： 复杂系统与网络；凝聚算法；分裂算法； 派系过滤算法； 普平均法； 一、前言意义复杂网络研究的学者来自社会各个领域，研究复杂网络有着重要科学意义。网络社团结构的研究是了解网络结构和功能的重要途径。实际网络中都存在众多的社团结构。为了寻找大规模复杂网络中的社团结构,人们提出了很多算法。揭示网络中的社团结构，对于了解网络拓扑结构、分析网络特性、理解网络中各个部分的功能、发现网络中隐藏的规律和预测网络的行为都尤为重要，而揭示社团结构的方法就是利用网络中所已知的特性和信息，将看似无规律的网络划分出隐藏在其中的结构。概念：复杂网络是复杂系统的表现形式，由于这样的网络其节点数量规模较大，而且节点与节点之间的联系较为复杂，所以这样的网络就被称为“复杂网络”。 由于现存的大部分社团发现算法是基于网络的整体进行计算和划分，其缺点为时间复杂度相对较高，并且其针对性也相对较弱。背景：20世纪90年代以来,对于复杂系统与网络飞速发展。信息技术的快速发展促进了系统工程和复杂性网络理论的迅猛发展，复杂网络技术便是其中之一，它具备了强大的研究复杂事物角色、关系及其交互作用的能力。它既能直观展现复杂系统各类要素的关联互动，又能够通过计算实现对复杂系统结构特征、规律的深入分析，因此被广泛应用于各种学科和领域。近年来，学界关于复杂网络的研究方兴未艾。近年来，随着对复杂网络特性的分析不断深入，探索网络中的社团结构逐渐成为研究热点。课题的研究现状国际上有两项开创性的研究复杂网络的热潮，一是wats和strogata2提出的小世界模型（ws 模型）。该模型既具有规则网络的高聚类性，又具有类似随机网络的小的平均路径长度。二是barabs和albert在seience上发表文章，提出了无标度网络模型（ba模型）。他们认为现实世界中大多数的复杂系统是动态演化的，是开放自组织的，实际网络中的无标度现象来源于两个重要因素，即增长机制和优先连接机制。国内外学者复杂网络的研究主要集中在三个方面：大量的真实网络的实证研究，分析真实网络的统计特性；构建符合真实网络统计性质的网络演化模型，研究网络的形成机制和内在机理；研究社会关系复杂网络，对企业网络的生长模型进行分析。二、正文对社区网络结构发现领域进行一下的研究，参考了一本不错的书，书是国防工业出版社的孙玺菁教授的论文复杂网络算法与应用整理的，主要是对社区发现的一些算法进行简单分析。一、 基于模块度优化的社团发现算法，也就是优化模块度q值的一部分算法。q值是由newman在2004年的论文fast algorithm for dectecting community structure in networks中提出的(也就是fn算法)。通过优化q值来提高模块度是这类算法的主要思路，在此基础上，本文又划分了三个类别： 采用聚合思想，也就是分层聚类中的自底向上的作法。典型算法有newman快速算法(fn算法)、cnm算法(finding local community structure in networks)和msg-mv算法(multistep greedy algorithm identifies community structure in real-world and computer-generated networks)等。采用分裂思想，也就是分层聚类中自顶向下的方法。代表当然就是newman的gn算法，但是gn的复杂度实在是高了些，所以newman之后提出的一种谱方法(modularity and community structure in networks)，吐槽一句newman真的是这方面的大牛啊。再吐槽一句，newman的本真是好，真是想买，但真是贵。！ 直接寻优法，这类算法的两个代表eo算法(community detection in complex networks using external optimization)和整数规划方法我还都没有看过，但是一些基于遗传算法和蚁群的智能划分方法也属于此类。但是在2007年的论文resolution limit in community中认为基于q值的优化方法无法处理粒度小于一定程度的网络，虽然后续跟进了一些优化的算法，但是此类方法在处理真实网络时还是很难反映真实的社团结构。二、 基于谱分析的社团发现算法。这类算法的普遍方法是将节点对应的矩阵特征分量看成空间坐标，将网络节点映射到多维向量空间去，运用传统的聚类算法将它们聚集成社团。这种方法不可避免的要计算矩阵的特征值，开销很大，但是因为能直接使用很多传统的向量聚类的成果，灵活性很高。三、 基于信息论的社团发现算法。rosvall的两篇论文，an information-theoretic framework for resolving community structure in complex networks和maps of random walks on complex networks reveal community structure分别运用了模拟退火优化算法和随机游走的有效编码方式。09年的论文community detection algorithms:a comparative analysis已经测试表明该方法是目前非重叠社团发现算法中准确度最高的。四、 基于标号传播的社团发现算法。raghavan基于网络的边很多时候代表信息的传播这一思想提出的lpa算法(near linear time algorithmto detect community structures in large-scale networks)。lpa算法首先为每个节点指派唯一标号， 在每一步迭代中, 每个节点将自身标号更新为其邻节点出现次数最多的标号，如果存在多个相同的最多标号， 则随机选择一个作为更新值，若干次迭代后密集相连的节点会收敛于同一标号，最终，具有相同标号的节点归为一个社团。该算法时间复杂度为o(m)，收敛速度非常快。towards rea-l time community detection in largenetworks中改进了标号更新规则，进一步降低了计算开销。对于非重叠社团的划分算法已经相对成熟，但是真实世界的网络和这种理想状态相去甚远，经常有某些节点同时具有多个社区的特性，属于多个社区，在这种状况之下，对于重叠社区的划分明显更有意义更贴近真实世界，也因此成为近年来新的研究热点。相应的，本文将重叠社区划分算法分为以下几类：一、 基于团渗透改进的重叠社区发现算法。palla的论文uncovering the overlapping community structure of complex networks in nature and society中提出的cpm算法是第一个能发现重叠社区的算法，cpm算法就不展开讨论了，如果是研究重叠社区发现算法的话肯定是看过的。值得一提的是kumpula在前人基础上提出的scp算法(sequential algorithm for fast clique percolation)较大的提升了团渗透算法的速度。该类算法的问题这篇文章虽然也是简单的一说，但是比之前某些人简单的用一个k值不好确定来敷衍了事要来的有意义的多：基于团渗透思想的算法需要以团为基本单元来发现重叠，这对于很多真实网络尤其是稀疏网络而言，限制条件过于严格，只能发现少量的重叠社团(identification of functional modules in a ppi network by clique percolation clustering)。(后面还有几个类别，我觉得因为一个算法而划分为一个分类，实在是没有介绍的必要，当然，也部分因为我觉得那几个我实在是理解不能)二、 基于种子扩散思想的重叠社区发现算法。此类算法的基本思想是以具有某种特征的子网络为种子，通过合并、扩展等操作向邻接节点扩展，直至获得评价函数最大的社团。lancichinetti 等提出以若干个节点为种子，通过扩展形成对整个网络的覆盖， 即lmf算法(detecting the overlapping and hierarchical community structure in complex networks)。三、 基于混合概率模型的重叠社区发现。前述的很多算法都是自己给出了社团结构的定义然后相应给出算法，但这样的划分必须对社团先做出符合结构定义的假设。针对此问题，newman等建立了社团结构的混合概率模型(mixture models and exploratory analysis in networks)，以概率方法对复杂网络的社团结构进行探索，以求得期望最大的社团结构，从而避开社团定义的问题。通过该算法能够识别重叠社团，并得到隶属程度大小。然而，该方法基于em算法来估计未知参数，收敛速度较慢，计算复杂度较高, 一定程度上制约了算法的应用规模。四、 基于边聚类的重叠社团发现。这类方法以边为研究对象，推荐两篇论文：linegraphs, linkpartitions, and overlapping communities和link communities reveal multiscale complexity in networks.前者通过转换网络，可以用非重叠社区的方法提示网络的重叠社团，后者解决重叠性与层次性冲突，提出了变社团。遗憾的是，文章没有介绍动态变化的复杂网络，并且现在还不能输出分出来的矩阵等很多的问题。1、经典newman算法：clear allclose allclc% load preprocess.mat% e=e;e=load(zachary-e.txt);% e(find(e0)=1;%建立邻接矩阵tic;e=e;e(e=1)=1/49;a=sum(e);n=7;b=1:n;b=num2cell(b);%用来存储社团元素的变量c=0,1,1,0,0,0,0; 1,0,1,0,0,0,0; 1,1,0,1,0,0,0; 0,0,1,0,1,0,1; 0,0,0,1,0,1,0; 0,0,0,0,1,0,1; 0,0,0,1,0,1,0;k=1;while length(e)1lg=length(e);detaq=-(109)*ones(n-k+1);%qfor i=1:lg-1 for j=i+1:lg if e(i,j)=0 detaq(i,j)=2*(e(i,j)-a(i)*a(j);%计算q end endendif sum(detaq+(109)=0 breakend% q(k)=max(detaq(:);%寻找q的最大值，并把它存储进q(k)矩阵%-寻找最大q对应的两个社团，并将其合并，并改变e矩阵i,j=find(detaq=max(detaq(:);for ii=1:length(i)e(j(ii),:)=e(i(ii),:)+e(j(ii),:);e(i(ii),:)=0;e(:,j(ii)=e(:,i(ii)+e(:,j(ii);e(:,i(ii)=0;% e(i,i)=e(i,i)/2;%记录q最大所对应的社团以及各社团中的元素bj(ii)=bi(ii) bj(ii);bi(ii)=0;ende(i,:)= ;e(:,i)= ;b(i)= ;c(k,:)=num2cell(zeros(1,n);c(k,1:length(b)=b;for kk=1:length(b) c2=cell2mat(c(k,kk); c2(c2=0)= ; ck,kk=c2; c2=;enda=sum(e);k=k+1;tmp=0;for jj=1:length(e) tmp=tmp+(e(jj,jj)-a(jj)*a(jj);endq(k)=tmp;endmax_k=find(q=max(q(:);ll=0;for i=1:length(c(max_k,:) if sum(cmax_k,i)=0 ll=ll+1; cmax_k,i=cmax_k,i(cmax_k,i=0); endendc_newman=c(max_k,1:ll)fprintf(q=%d,detaq)i,j=find(detaq=max_k,1)为了克服girvan-newman算法运行效率的不足, 提出了一个基于modularity极值近似的社团发现算法mea。该算法采用modularity增量作为社团结构的度量, 使用贪心策略获得最优社团分划的近似解。通过理论分析, 并在实际的数据集上进行实验验证, 结果表明mea算法是快速、有效的。然而，现在程序存在着对于区分度不大的社团模块度的计算不准确，正在进一步的改进当中。（发现每种算法都有对社团的模块计算的侧重点是不一样的，需要进一步了解，然后找到对于不同的社团类型，最为合适的计算方法。）1.1、快速newnnaney算法%clc, clear, n=10; a=zeros(n); %a(1,2 3 5:7)=1; a(2,3 5:7)=1; a(3,4:6)=1;%a(4,5 6)=1; a(5,6 9 10)=1; a(6,7:9)=1;%a(7,8 9)=1; a(8,9)=1; a(9,10)=1; a0=a+a; %构造完整邻接矩阵%a=a; a=sparse(a); %变成matlab工具箱需要的数据类型%clc,cleara0=load(e:朱军芳数据属性复杂网络社团划分算法07第7章a.txt);n=length(a0)a=tril(a0);a=a;a=sparse(a);%name=cellstr(int2str(1:n); %构造网络顶点标号字符串的细胞数组%h=view(biograph(a,name,showarrows,off,showweights,off)%h.edgetype=segmented; %边的连接为线段%h.layouttype=equilibrium; %网络布局类型为平衡结构%set(h.edges,linewidth,1.5);%set(h.nodes,fontsize,15);%set(h.nodes,shape,circle,size,10,15); %修改顶点形状%dolayout(h) %刷新图形for k=1:n a=k; b=find(a0(k,:); %找k的邻居节点 while length(b) a=a b(1); b(1)=; ind=; for i=1:length(b) if sum(a0(b(i),a)=3)+double(i=j)&(c(i,j)=4); endendd;%寻找所有的派系社团length(d)for k=1:length(d) cc=bbk; n=k; nn=1:length(d); flag=1; ind=; while flag flag=0; for j=1:length(nn) if sum(d(nn(j),n)=0&d(nn(j),nn(j)0 if j=k n=n,nn(j); ind=ind,j; cc=union(cc,bbnn(j); flag=1; end end end nn(ind)=; ind=; end nn=; ddk=cc;endcelldisp(dd);%上面是找到了所有的派系社团并放入了dd中%去掉重复的派系社团，放入ff 中k=1;ff1=dd1;for i=2:length(dd) for j=1:length(ff) if sum(ismember(ddi,ffj)=length(ddi) break; end if j=length(ff) k=k+1; ffk=ddi; end endendcelldisp(ff);%ff中是没有重复的派系社团的节点标号%-output 4clique communitys=cellfun(length,ff)n=(max(s);nn=find(s3) %mm=find(s=m) %mm=find(sm-2) %clique indicator composed of communityffnnfor i=1:length(nn) a1=a(ffnn(i),ffnn(i); y=drawpic(a1,ffnn(i);endnewman快速算法, 适用于大规模网络的社团结构划分的方法。 其思想是自底向上,每次合并使模块度增大最大的节点。是一种贪婪算法2、clc, cleara=zeros(8);a(1,2 5 8)=1; a(2,3 8)=1; a(3,4 6)=1;a(4,5 7)=1; a(5,6)=1; a(6,7)=1; a(7,8)=1;a=a+a;b=expm(a); b=diag(b); %计算矩阵指数函数，并提取对角线元素b=b/sum(b), bar(b) %对相对重要性指标归一化，并画柱状图 如图所示，是八个节点不同的度分布，越大说明越重要。3、clc, clear, n=13;a=zeros(n); a(1,2 3)=1; a(2,3 4)=1;a(3,4)=1; a(4,5)=1; a(5,6 10)=1;a(6,7 8)=1; a(7,8 9)=1; a(8,9)=1;a(10,11 12)=1; a(11,12 13)=1; a(12,13)=1;a=a+a; %构造完整的邻接矩阵s=zeros(n,1); %迭代上一步的初始值q=ones(n,1)/n; %迭代的初值 while sum(abs(s-q)0.0001 s=q; %把当前值保存 q=q+a*q; q=q/sum(q); %继续迭代一步endq %显示最终的迭代值b=diag(sum(a)-a-ones(n); %构造b矩阵c=inv(b); %计算c矩阵for i=1:n for j=1:n q(i,j)=1/(c(i,i)+c(j,j)-2*c(i,j); %计算信息量 endendcv=1./mean(1./q,2) %计算信息指标xlswrite(biao7.xls,q cv)sq,ind1=sort(q,descend); %把指标值从大到小排列scv,ind2=sort(cv,descend);ind1 ind2 %比较两种指标值的计算结果subplot(121), bar(q), subplot(122), bar(cv)第二次计算： 输出的结果里面有每次合并一个节点的度的木块增加的量。和已经合并的不同的节点。3、1clc, clear, n=9;a=zeros(n); a(1,2 3)=1; a(2,3)=1; a(3,4 6)=1;a(4,5)=1; a(5,7 8 9)=1; a(6,7)=1; a(8,9)=1;a=a+a; %供下面备用a=a; a=sparse(a); d=graphallshortestpaths(a,directed,0); %求最短距离rhi=(n-1)./sum(sum(d) %计算初始网络凝聚度for t=1:n b=zeros(n); i,j=find(a); %求所有边的编号 ind=find(a(t,:); %找顶点t的邻居节点 for k=1:length(ind) i(i=ind(k)=t; j(j=ind(k)=t; %把t邻居节点的编号替换为t end for k=1:length(i) b(i(k),j(k)=1; %把与t邻居节点的链接变成与t的链接 end b(t,t)=0; b=b+b; b(:,ind)=; b(ind,:)=; %把t的邻居节点删除 b=tril(b); b=sparse(b); dd=graphallshortestpaths(b,directed,0); rh(t)=(length(b)-1)/sum(sum(dd);endimc=1-rhi./rh %求所有顶点的凝聚度bar(imc)4、1clc, clear, a=zeros(34); %zachary网络邻接矩阵初始化a(1,2:9,11:14,18,20,22,32)=1; %输入邻接矩阵上三角元素a(2,3,4,8,14,18,20,22,31)=1;a(3,4,8:10,14,28,29,33)=1;a(4,8,13,14)=1; a(5,7,11)=1;a(6,7,11,17)=1; a(7,17)=1;a(9,31,33,34)=1; a(10,34)=1;a(14,34)=1; a(15,33,34)=1;a(16,33,34)=1; a(19,33,34)=1;a(20,34)=1; a(21,33,34)=1;a(23,33,34)=1; a(24,26,28,30,33,34)=1;a(25,26,28,32)=1; a(26,32)=1;a(27,30,34)=1; a(28,34)=1;a(29,32,34)=1; a(30,33,34)=1;a(31,33,34)=1; a(32,33,34)=1; a(33,34)=1; a=a; a=sparse(a); %变成matlab工具箱需要的数据类型name=cellstr(int2str(1:34); %构造网络顶点标号字符串的细胞数组h=view(biograph(a,name,showarrows,off,showweights,off)h.edgetype=segmented; %边的连接为线段h.layouttype=equilibrium; %网络布局类型为平衡结构bh1=1:8,11:14,17,18,20,22; bh2=setdiff(1:34,bh1);set(h.nodes(bh2),shape,circle); %修改顶点形状set(h.edges,linecolor,0 0 0); %为了将来打印清楚，边画成黑色set(h.edges,linewidth,1.5); %线型宽度设置为1.5dolayout(h) %刷新图形4、2clc, clear, a=zeros(34); %zachary网络邻接矩阵初始化a(1,2:9,11:14,18,20,22,32)=1; %输入邻接矩阵上三角元素a(2,3,4,8,14,18,20,22,31)=1; a(3,4,8:10,14,28,29,33)=1;a(4,8,13,14)=1; a(5,7,11)=1; a(6,7,11,17)=1; a(7,17)=1;a(9,31,33,34)=1; a(10,34)=1; a(14,34)=1; a(15,33,34)=1;a(16,33,34)=1; a(19,33,34)=1; a(20,34)=1; a(21,33,34)=1;a(23,33,34)=1; a(24,26,28,30,33,34)=1; a(25,26,28,32)=1; a(26,32)=1;a(27,30,34)=1; a(28,34)=1; a(29,32,34)=1; a(30,33,34)=1;a(31,33,34)=1; a(32,33,34)=1; a(33,34)=1;a=a+a; l=diag(sum(a)-a; %计算laplace矩阵vec,val=eigs(l,2,sa) %求最小的两个特征值及对应特征向量b1=find(vec(:,2)0) %显示分类结果a=a; a=sparse(a); %变成matlab工具箱需要的数据类型name=cellstr(int2str(1:34); %构造网络顶点标号字符串的细胞数组h=view(biograph(a,name,showarrows,off,showweights,off)h.edgetype=segmented; %边的连接为线段h.layouttype=equilibrium; %网络布局类型为平衡结构bh1=1:8,11:14,17,18,20,22; bh2=setdiff(1:34,bh1);set(h.nodes(bh2),shape,circle); %修改顶点形状set(h.nodes(b1),color,1,0,0); %修改顶点填充颜色set(h.edges,linecolor,0 0 0); %为了将来打印清楚，边画成黑色set(h.edges,linewidth,1.5); %线型宽度设置为1.5dolayout(h) %刷新图形vec=4、3a=zeros(19); %连接关系矩阵的初始化w=randi(1,10,19); %生成随机矩阵a(1,2 3)=1; a(2,3:5)=1; a(3,4 7)=1;a(4,5 7)=1; a(5,6 7)=1; a(6,7)=1;a(7,8)=1; a(8,9 10 13)=1; a(9,10 11 13)=1;a(10,11 13)=1; a(11,12 14)=1; a(12,13)=1;a(14,15 17 19)=1; a(15,16:18)=1; a(16,17 19)=1;a(17,18 19)=1; a(18,19)=1; w=a.*w; w=w+w; %构造权重矩阵d=diag(sum(w,2); n=d(-1)*w; %构造标准矩阵vec,val=eigs(n,2) %求前2个最大特征值对应的特征向量plot(1:length(vec(:,2), vec(:,2),.k,markersize,15) %画出第2大特征值对应的特征向量5、clc, clear, n=10; a=zeros(n); a(1,2 3 5:7)=1; a(2,3 5:7)=1; a(3,4:6)=1;a(4,5 6)=1; a(5,6 9 10)=1; a(6,7:9)=1;a(7,8 9)=1; a(8,9)=1; a(9,10)=1; a0=a+a; %构造完整邻接矩阵a=a; a=sparse(a); %变成matlab工具箱需要的数据类型name=cellstr(int2str(1:n); %构造网络顶点标号字符串的细胞数组h=view(biograph(a,name,showarrows,off,showweights,off)h.edgetype=segmented; %边的连接为线段h.layouttype=equilibrium; %网络布局类型为平衡结构set(h.edges,linewidth,1.5);set(h.nodes,fontsize,15);set(h.nodes,shape,circle,size,10,15); %修改顶点形状dolayout(h) %刷新图形for k=1:n a=k; b=find(a0(k,:); %找k的邻居节点 while length(b) a=a b(1); b(1)=; ind=; for i=1:length(b) if sum(a0(b(i),a)=3)+double(i=j)&(c(i,j)=4); endenddst=union(union(bb1,bb2),bb3) %提取最大社团的节点集e=a0(st,st); %提取最大社团结构的邻接矩阵e=tril(e); e=sparse(e);st=cellstr(int2str(st);h2=view(biograph(e,st,showarrows,off,showweights,off)h2.edgetype=segmented; %边的连接为线段h2.layouttype=equilibrium; %网络布局类型为平衡结构dolayout(h2) %刷新图形 6、% % % % $epi i + 1 = 0$% % for x = 1:10% % preformatted% % % % # item1% % * item1% * item2% % # item2% % % text% % disp(x)% end% % % clc, clear, n=34; b=zeros(n); %zachary网络邻接矩阵初始化b(1,2:9,11:14,18,20,22,32)=1; %输入邻接矩阵上三角元素b(2,3,4,8,14,18,20,22,31)=1; b(3,4,8:10,14,28,29,33)=1;b(4,8,13,14)=1; b(5,7,11)=1; b(6,7,11,17)=1; b(7,17)=1;b(9,31,33,34)=1; b(10,34)=1; b(14,34)=1; b(15,33,34)=1;b(16,33,34)=1; b(19,33,34)=1; b(20,34)=1; b(21,33,34)=1;b(23,33,34)=1; b(24,26,28,30,33,34)=1; b(25,26,28,32)=1;b(26,32)=1; b(27,3