查看“TNT:M”的源代码


= majority =

计算多数合意树（MRT）

<code>= N</code> 使用N作为截止值

<code>N / L</code> 显示树<code>N</code>的MRT，不包括分类单元<code>L</code>

<code>[J]N/L</code> 计算树<code>J</code>对树组<code>N</code>上的每个组频率，并修剪分类单元<code>L</code>

<code>(J)N/L</code> 相同，但将结果显示为表格

<code>*N/L</code> 相同，但将MRT作为最后一棵树保存到内存中

<code>&amp;N/L</code> 显示并保存MRT作为最后一棵树

= matchtax =

此命令允许建立具有不同分类单元集的两个树的可能的分类单元对应，并识别可能等效的分类单元（基于拓扑对应关系）的分类单元（例如匹配未匹配的幼虫-成虫或雄性-雌性）。

要了解这是如何工作的，您可以尝试以下示例：

<pre>
                        A  B C D   X B C Y 

                         \/ / /    \/ / / 

                          \/ /      \/ / 

                           \/        \/ 
</pre>
生成了

<pre>
                         A=X  B C D=Y 

                            \/ / / 

                             \/ / 

                              \/ 
</pre>
请注意！此命令是实验性的，效率不高；将来可能会使用更好的算法来替代它。它仅用作概念验证实现。

<code>X Y</code> 对于每棵树中仅存在一种分类单位的情况，通过枚举所有可能的对应组合并计算每个对应组合的一致节点数，以确定每棵树中分类单位之间的可能对应关系。只适用于匹配记录较少的情况。

默认情况下，它使用半严格一致性；在树编号前加上<code>-</code>将使用严格一致性（在<code>+</code>之前重新建立默认）。该选项最多建立100个可能的对应组合集。

<code>!X Y</code> 与其使用共识节点数量，我们采用MRPs步骤总和作为标准（使树更相似），采用启发式方法匹配分类单元（通过扰动和改进的循环，利用每个MRP在另一个树上的映射变化来指导分类单元交换）。这必须是第一个参数（在“其他选项”之前）。

其他选项

树标号前

<pre>    `&amp;` 显示列表（而不是树形图）

    `*` 保存替代了物种阶元的树（例如，用于计算超树，结合仅在其中一个树中找到的未匹配物种的树）第二棵树中的分类单元被替换为第一棵树中的相应分类单元；未匹配的分类单元保留自己的标签。

    `:P`    为不匹配使用惩罚。这在枚举和启发式选项中有所不同。

        对于枚举，P可以解释为建立匹配的节点数量“距离”（树中超过P节点的分类单元将保留为未匹配）。

        对于启发式算法，P被加到了具有一对未匹配分类单元的两棵树的MRP得分中，因此接受非匹配取决于不匹配所改进的MRP步数有多少。



    `+` 与Bremer（=半严格）合意合意[默认]。

    `-` 和严格合意合意</pre>
树编号后

<pre>    两个树编号可以跟随一个用户设置的可能对应列表（默认尝试仅将树A中的每个分类单元与树B中的每个分类单元匹配）。</pre>
指定允许和禁止对应的格式是：<code>/taxon_a = taxon_x taxon_y  /taxon_b ! taxon_x</code> 这意味着树的一个分类单元a可以与另一个分类单元x或y相同，但不允许其他任何对应，而且树的分类单元b可以与另一棵树中的任何分类单元匹配，除了分类单元x。

请注意，如果有几个不确定的匹配分类单元，则<code>/a=b</code> 与<code>/b=a</code>是不等价的（第一个限制了a的可能匹配，第二个限制了b的可能匹配）。

请参阅 <code>help+matchtax</code> 以在脚本中使用。

= map =

<code>N/L</code> 将性状<code>L</code>映射到树<code>N</code>上

<code>-</code> 显示对树<code>N</code>上的<code>L</code>进行优化的文本列表

<code>:</code> 显示下行状态集而不是终端

<code>[</code> 对于树<code>N</code>上的<code>L</code>的最终状态超级集

= minmax =

<code>;</code> 显示每个（活动）性状的最小最大可能步骤

<code>-</code> 仅仅考虑活动分类群

<code>*</code> 将最小/最大结合在同一个表中

<code>+</code> 显示连续性状的最小/最大值

<code>&lt;</code> 仅显示最小值

<code>&gt;</code> 仅显示最大值

= mixtrees =

<code>N/L</code> 结合树<code>N</code>（具有不同的分类群集），排除分类群（分类群）<code>L</code>。仅结合未矛盾的组。使用<code>=J</code>可进行J种不同的输入顺序。使用<code>=[J k]</code>，直到达到稳定性<code>J</code>次为止，将计算每个随机化的共识。

<code>*N/L</code> 将树保存为最后的记忆树（默认=显示）

= mkmap =

<code>T C</code> 使用Mk模型对树<code>T</code>中的向哦美国学家<code>C</code>进行映射。

<code>=N</code> 仅显示具有对下一个最佳状态的可能性贡献<code>N</code>或更多的状态的状态集（<code>0 &lt;N &lt;= 1</code>）。如果<code>N = 0</code>（=默认值），则显示每个的相对贡献（如果未指定剪切，则剪切= <code>0.66666</code>）

<code>*</code> 在树状图上显示支长度（在这种情况下，可以省略要映射的性状）

<code>\</code> 使用统一的分支长度，在每个性状基础上进行优化（=implik模型，Goloboff＆Arias 2019）。

<code>T C/var</code> 从用户变量<code>var</code>获取分支长度，而不是基于所有活动性状来优化树<code>T</code>的分支长度。如果分支长度为负，则对其进行优化（与Mk模型相同）。

注意！这假定所有性状都有一个共同的模型；仅包括为便于与Mk模型实验而设计的。

= mono =

<code>N</code> 检查树<code>N</code>是否满足约束条件

<code>-N</code> 检查树<code>N</code>是否违反约束条件

<code>*</code> 相同，但按组报告

= mrp =

在内存中创建表示树的矩阵

= mult =

随机加<code>N</code>个序列，然后进行重新排列。

<code>wagner</code> 无分支交换

<code>spr</code> 使用SPR分支交换

<code>tbr</code> 使用TBR分支交换

<code>[no]keepall</code> 保留所有复制的树

<code>replic N</code> 执行<code>N</code>个复制

<code>hold N</code> 每个复制最多保存<code>N</code>棵树（仅在交换时）

<code>[no]ratchet</code> 也进行棘轮设置（<code>ratchet</code>命令设置）<code>[no]drift</code> 也进行漂移（<code>drift</code>命令设置）

<code>[no]wclus N</code> 将<code>N</code>个分类单元添加到 Wagner 树后，开始使用节点簇（大小由<code>bbreak：clus SIZE</code>定义）。仅适用于非常大的数据集（数千个分类单元）。

<code>outfreq N</code> 每个分支交换期间产生频率的报告（默认<code>N</code>为<code>10</code>，但对于大数据集，这意味着报告需要太长时间才能生成）。

<code>ras</code> 使用随机加序列（randomized addition sequences ）用于Wagner树[默认情况下，对大多数数据集效果最佳]

<code>cas N</code> 使用最近加法序列（closest-addition sequence ）用于Wagner树（加法序列中的并列情况会被随机破坏），向前看N个类群（如果没有N，则表示全部类群）。对具有许多不一致性的数据集效果最佳。

<code>fas N</code> 与前者相同，但使用最远加法序列（furthest addition sequence ）

<code>ias N</code> 与前者相同，但首先选择那些使最大数量性状informative的类群（注意，仅对此处考虑可加或不可加性状；其他性状类型不影响序列）。对于具有许多缺失条目和不重叠数据块的数据集，效果最佳；

<code>sas N</code> 与前者相同，但首先选择在最佳/最差位置打分的分数之差最大的类群（注意，考虑所有性状类型）。对于与之前一个（<code>ias</code>）相同的数据集效果最佳，但更加周密且较慢。

用法：<code>mult:options;</code> 仅更改设置；<code>mult=options;</code> 同时运行。输入<code>mult:;</code>后会报告当前的设置。设置加法序列类型还会确定其他命令（例如<code>xmult</code>，<code>pfijo</code>）中要使用的序列。对于<code>cas</code>、<code>sas</code>和<code>fas</code>，插入序列始终是随机的；它可以（参见<code>rseed</code>下面）更改为对于<code>ras</code>和<code>ias</code>是随机的或非随机的。

= mxram =

<code>N</code> 使用N兆字节的RAM。默认值为16 MB。必须在读取数据之前更改，否则数据将丢失。

<code>;</code> 报告可用的自由RAM量

<code>+</code> 在分配内存进行搜索时，确保至少多余5％的自由内存可用；否则在开始搜索之前报告错误（这将降低程序在开始搜索后耗尽内存的可能性）。

<code>-</code> 不要要求剩余的5%（只在系统挤压最后几位内存时使用它；确保不与默认值<code>mxram[;</code>一起使用。

<code>[</code> 读取数据集时，根据需要增加可用RAM

<code>]</code> 不

<code>*P</code> 在计算读取数据集的预期RAM量时不要使用这个选项，将其乘以比例P（1.00=使用预期RAM）

= mxproc =

<code>N</code> 允许多达<code>N</code>个嵌套输入文件（默认值= <code>10</code>）

[[分类:TNT]]