更改

</math>和 EI：1）软化置换矩阵；2）软化退化矩阵；3）完全随机矩阵。以下是具体生成步骤：

</math>和 EI：1）软化置换矩阵；2）软化退化矩阵；3）完全随机矩阵。以下是具体生成步骤：

==== 软化置换矩阵： ====

'''软化置换矩阵：'''

 

a）随机生成一个N阶置换矩阵P;

a）随机生成一个N阶置换矩阵P;

</math>除以新的行向量，使其归一化，这样修改后的矩阵<math>P'</math>也是一个TPM。

</math>除以新的行向量，使其归一化，这样修改后的矩阵<math>P'</math>也是一个TPM。

==== 软化退化矩阵： ====

'''软化退化矩阵：'''

 

生成方式与软化置换矩阵非常相似，但原始矩阵P不是置换矩阵，而是退化矩阵。退化意味着有一些行向量是相同的，相同行向量的数量用N - r表示，它是受控变量，其中r是P的秩。通过调整N-r，我们可以控制TPM的退化程度。

生成方式与软化置换矩阵非常相似，但原始矩阵P不是置换矩阵，而是退化矩阵。退化意味着有一些行向量是相同的，相同行向量的数量用N - r表示，它是受控变量，其中r是P的秩。通过调整N-r，我们可以控制TPM的退化程度。

==== 完全随机矩阵： ====

'''完全随机矩阵：'''

 

1) 从[0, 1]上的均匀分布中抽取一个行随机向量；

1) 从[0, 1]上的均匀分布中抽取一个行随机向量；

2) 对该行向量进行归一化处理，使生成的矩阵是一个TPM。

2) 对该行向量进行归一化处理，使生成的矩阵是一个TPM。

图(a)、(b)和(c)表明，在这些例子中都观察到了正相关性，并且在N ≫ 1 时，<math>

图(a)、(b)和(c)表明，在这些例子中都观察到了正相关性，并且在N ≫ 1 时，<math>

EI\sim\log{\Gamma_{\alpha}}.

EI\sim\log{\Gamma_{\alpha}}.