% 读取数据 position = xlsread('data.xlsx', '位置'); roads = xlsread('data.xlsx', '连接道路'); % 计算各村庄之间的距离 n = size(position, 1); dist = zeros(n, n); for i = 1:n for j = i+1:n dist(i,j) = sqrt((position(i,1)-position(j,1))^2 + (position(i,2)-position(j,2))^2); dist(j,i) = dist(i,j); end end % 构建边集合 edges = []; for i = 1:n for j = i+1:n if roads(i,j) == 1 edges = [edges; i j dist(i,j)]; end end end % Kruskal算法求解最小生成树 edges = sortrows(edges, 3); parent = 1:n; rank = zeros(n, 1); mst = []; for i = 1:size(edges,1) u = edges(i,1); v = edges(i,2); w = edges(i,3); pu = find(parent, u); pv = find(parent, v); if pu ~= pv mst = [mst; u v w]; if rank(pu) < rank(pv) parent(pu) = pv; elseif rank(pu) > rank(pv) parent(pv) = pu; else parent(pu) = pv; rank(pv) = rank(pv) + 1; end end end % 选取3个医疗点 centers = [1 2 3]; s1 = 0; for i = 1:n d = inf; for j = 1:3 d = min(d, dist(i,centers(j))); end s1 = s1 + d; end % 绘制图形 colors = ['r', 'g', 'b']; figure; hold on; for i = 1:size(mst,1) u = mst(i,1); v = mst(i,2); w = mst(i,3); plot([position(u,1) position(v,1)], [position(u,2) position(v,2)], 'k'); end for i = 1:3 plot(position(centers(i),1), position(centers(i),2), 'o', 'MarkerFaceColor', colors(i)); end for i = 1:n d = inf; c = 0; for j = 1:3 if dist(i,centers(j)) < d d = dist(i,centers(j)); c = j; end end plot([position(i,1) position(centers(c),1)], [position(i,2) position(centers(c),2)], colors(c)); end hold off; % 计算维修道路总里程 s2 = 0; for i = 1:size(mst,1) u = mst(i,1); v = mst(i,2); w = mst(i,3); if ismember(u, centers) || ismember(v, centers) s2 = s2 + w; end end disp(['总距离S1：' num2str(s1)]); disp(['维修道路总里程S2：' num2str(s2)]);

这段代码是基于 MATLAB 的，主要实现了以下功能：

1. 从 Excel 文件中读取村庄位置信息和连接道路信息；
2. 计算各村庄之间的距离，构建边集合；
3. 使用 Kruskal 算法求解最小生成树；
4. 选取三个医疗点，并计算每个村庄到最近的医疗点的距离；
5. 绘制图形，其中最小生成树的边用黑色表示，医疗点用红、绿、蓝三种颜色表示，村庄到最近的医疗点的边用对应颜色表示；
6. 计算需要维修的道路总里程。

其中，距离的计算使用了欧几里得距离公式。需要注意的是，这段代码假设道路的修复成本是与道路长度成正比的，因此需要计算道路总里程。如果修复成本不仅与长度有关，还和道路的具体情况有关，那么需要修改计算方式。

相关问题

%% 数据读入 data = xlsread('data.xlsx'); n = size(data, 1); % 工件数 m = size(data, 2) - 1; % 机器数 p = data(:, 1); % 工件加工时间 M = data(:, 2:end); % 工件在每台机器上的加工时间中data.xlsx文件是什么

`data.xlsx` 文件是存储流水车间调度问题数据的 Excel 文件，其中第一列为每个工件的加工时间，第二列到最后一列则为每个工件在每台机器上的加工时间。文件中每行表示一个工件，每列表示一台机器，因此文件大小为 $n \times (m+1)$。在代码中，我们通过 `xlsread` 函数读取了这个 Excel 文件并将数据存储在了 `p` 和 `M` 两个变量中。

% PM2.5预测模型程序% 数据读取data = xlsread('data.xlsx');X = data(:, 1:6); % 前六列为气象数据特征y = data(:, 7); % 最后一列为PM2.5值% 数据预处理X = normalize(X); % 数据标准化处理y = log(y); % 对PM2.5值进行对数变换% 特征工程X = [X, X.^2]; % 加入二次项特征% 模型选择与训练model = fitrsvm(X, y, 'KernelFunction', 'rbf', 'KernelScale', 'auto', 'BoxConstraint', 1, 'Epsilon', 0.1); % 使用SVR算法进行模型训练% 模型评估y_pred = exp(predict(model, X)); % 对预测值进行指数变换rmse = sqrt(mean((y_pred - y).^2)); % 计算均方根误差% 模型应用new_data = [23, 20, 1013, 63, 2, 0.2]; % 输入新的气象数据new_data = normalize(new_data); % 数据标准化处理new_data = [new_data, new_data.^2]; % 加入二次项特征new_pm25 = exp(predict(model, new_data)); % 预测新的PM2.5值

这段代码实现了一个PM2.5预测模型，包括数据读取、数据预处理、特征工程、模型选择与训练、模型评估和模型应用。具体来说，该模型使用了SVR算法进行训练，并使用均方根误差来评估模型的预测能力。

在这段代码中，数据读取使用了MATLAB内置函数`xlsread`，可以读取Excel文件中的数据。接下来，对气象数据特征进行了标准化处理和对PM2.5值进行了对数变换，以便更好地适应模型。然后，加入了二次项特征以提高模型的复杂度和预测能力。在模型选择与训练中，使用了`fitrsvm`函数进行训练，其中`KernelFunction`参数指定了核函数的类型，`KernelScale`参数指定了核函数的缩放因子，`BoxConstraint`参数指定了模型的容错因子，`Epsilon`参数指定了模型的边界容错因子。在模型评估中，使用了均方根误差来评估模型在训练集上的预测能力。最后，在模型应用中，给出了一个新的气象数据，进行了标准化处理和二次项特征加入，并使用训练好的模型进行了PM2.5值的预测。