數學建模演算法及應用

㈠ 初學者，數學建模需要准備些什麼東西

數學建模應當掌握的十類演算法
‍‍ 1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的算 法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法） 2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要 處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具） 3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多數問題 屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、 Lingo軟體實現） 4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉 及到圖論的問題可以用這些方法解決，需要認真准備） 5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計 中比較常用的方法，很多場合可以用到競賽中） 6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些問題是 用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，但是演算法的實 現比較困難，需慎重使用） 7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽 題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好 使用一些高級語言作為編程工具） 8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只 認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非 常重要的） 9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常 用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調 用） 10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該 要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用Matlab 進行處理）
數學建模資料
競賽參考書
l、中國大學生數學建模競賽，李大潛主編，高等教育出版社(1998)． 2、大學生數學建模競賽輔導教材，(一)(二)(三)，葉其孝主編，湖南教育 出版社(1993，1997，1998)． 3、數學建模教育與國際數學建模競賽 《工科數學》專輯，葉其孝主編， 《工科數學》雜志社，1994)．
國內教材、叢書
1、數學模型，姜啟源編，高等教育出版社(1987年第一版，1993年第二版，2003年第三版；第一版在 1992年國家教委舉辦的第二屆全國優秀教材評選中獲"全國優秀教材獎")． 2、數學模型與計算機模擬，江裕釗、辛培情編，電子科技大學出版社，(1989)． 3、數學模型選談(走向數學從書)，華羅庚，王元著，王克譯，湖南教育出版社；(1991)． 4、數學建模--方法與範例，壽紀麟等編，西安交通大學出版社(1993)． 5、數學模型，濮定國、 田蔚文主編，東南大學出版社(1994)． 6..數學模型，朱思銘、李尚廉編，中山大學出版社，(1995) 7、數學模型，陳義華編著，重慶大學出版社，(1995) 8、數學模型建模分析，蔡常豐編著，科學出版社，(1995)． 9、數學建模競賽教程，李尚志主編，江蘇教育出版社，(1996)． 10、數學建模入門，徐全智、楊晉浩編，成都電子科大出版社，(1996). 11、數學建模，沈繼紅、施久玉、高振濱、張曉威編，哈爾濱工程大學出版社，(1996). 12、數學模型基礎，王樹禾編著，中國科學技術大學出版社，(1996). 13、數學模型方法，齊歡編著，華中理工大學出版社，(1996)． 14、數學建模與實驗，南京地區工科院校數學建模與工業數學討論班編，河海大學 出版社，(1996)． 15、數學模型與數學建模，劉來福、曾文藝編，北京師范大學出版杜(1997)． 16. 數學建模，袁震東、洪淵、林武忠、蔣魯敏編，華東師范大學出版社. 17、數學模型，譚永基，俞文吡編，復旦大學出版社，(1997)． 18、數學模型實用教程，費培之、程中瑗層主編，四川大學出版社，(1998)． 19、數學建模優秀案例選編(工科數學基地建設叢書)，汪國強主編，華南理工大學出版社，(1998)． 20、經濟數學模型(第二版)(工科數學基地建設叢書)，洪毅、賀德化、昌志華 編著，華南理工大學出版社，(1999)． 21、數學模型講義，雷功炎編，北京大學出版社(1999)． 22、數學建模精品案例，朱道元編著，東南大學出版社，(1999)， 23、問題解決的數學模型方法，劉來福，曾文藝編著、北京師范大學出版社，(1999)． 24、數學建模的理論與實踐，吳翔，吳孟達，成禮智編著，國防科技大學出版社， (1999)． 25、數學建模案例分析，白其嶺主編，海洋出版社，(2000年，北京)． 26、數學實驗(高等院校選用教材系列)，謝雲蓀、張志讓主編，科學出版社，(2000)． 27、數學實驗，傅鵬、龔肋、劉瓊蓀，何中市編，科學出版社，(2000)． 28、數學建模與數學實驗，趙靜、但琦編，高等教育出版社，(2000).
國外參考書(中譯本)
1、數學模型引論， E．A。Bender著，朱堯辰、徐偉宣譯，科學普及出版社(1982). 2、數學模型，[門]近藤次郎著，官榮章等譯，機械工業出版社，(1985)． 3、微分方程模型，(應用數學模型叢書第1卷)，[美]W．F．Lucas主編，朱煜民等 譯，國防科技大學出版社，(1988)． 4、政治及有關模型，(應用數學模型叢書第2卷)，[美W．F．Lucas主編，王國秋 等譯，國防科技大學出版社，(1996)． 5、離散與系統模型，(應用數學模型叢書第3卷)，[美w．F．Lucas主編，成禮智 等譯，國防科技大學出版社，(1996)． 6、生命科學模型，(應用數學模型叢書第4卷)，[美1W．F．Lucas主編，翟曉燕等 譯，國防科技大學出版社，(1996)． 7、模型數學--連續動力系統和離散動力系統，[英1H．B．Grif6ths和A．01dknow 著，蕭禮、張志軍編譯，科學出版社，(1996)． 8、數學建模--來自英國四個行業中的案例研究，(應用數學譯叢第4號)， 英]D．Burglles等著，葉其孝、吳慶寶譯，世界圖書出版公司，(1997)
專業性參考書
(這方面書籍很多，僅列幾本供參考) ： 1、水環境數學模型，[德]W．KinZE1bach著，楊汝均、劉兆昌等編纂，中國建築工 業出版社，(1987)． 2、科技工程中的數學模型，堪安琦編著，鐵道出版社(1988) 3、生物醫學數學模型，青義學編著，湖南科學技術出版杜(1990)． 4、農作物害蟲管理數學模型與應用，蒲蟄龍主編，廣東科技出版社(1990)． 5、系統科學中數學模型，歐陽亮編著， E山東大學出版社，(1995)． 6、種群生態學的數學建模與研究，馬知恩著，安徽教育出版社，(1996) 7、建模、變換、優化--結構綜合方法新進展，隋允康著，大連理工大學出版社， (1986) 8、遺傳模型分析方法，朱軍著，中國農業出版社(1997)． (中山大學數學系王壽松編輯，2001年4月)
過程
模型准備
了解問題的實際背景，明確其實際意義，掌握對象的各種信息。用數學語言來描述問題。
模型假設
根據實際對象的特徵和建模的目的，對問題進行必要的簡化，並用精確的語言提出一些恰當的假設。
模型建立
在假設的基礎上，利用適當的數學工具來刻劃各變數之間的數學關系，建立相應的數學結構（盡量用簡單的數學工具）。
模型求解
利用獲取的數據資料，對模型的所有參數做出計算（或近似計算）。
模型分析
對所得的結果進行數學上的分析。
模型檢驗
將模型分析結果與實際情形進行比較，以此來驗證模型的准確性、合理性和適用性。如果模型與實際較吻合，則要對計算結果給出其實際含義，並進行解釋。如果模型與實際吻合較差,則應該修改假設，再次重復建模過程。
模型應用
應用方式因問題的性質和建模的目的而異。

1、努力學習數學知識，完善自己的知識體系，尤其是與數學相關的知識體系，比如高等數學、工程數學和應用數學的相關知識；
2、擴充自己的知識面，你可以看到很多賽題都是很現實的社會熱點問題，相關的背景知識是非常必要的；
3、多看一些案例分析的教程，在學習案例分析時的注意點是：如何考慮現實問題中的各個因素，綜合運用所學知識，建立適當的模型；如何進行模型的優化；如何求解模型；如何解釋模型的解。
還要逐步去理解數學建模中最難的三個問題，1、如何用學到的數學思想來表述所面對的問題，所謂的建模。2、應用學到的數學知識解剛剛建立的數學模型，並進行優化。3、將剛剛得到的數學上的解解釋為現實問題中的現象或者是方法。這三個過程體現了一個「現實——>數學——>現實」的一個過程。這其實就是最難的地方。這需要你首先了解面臨的實際問題，然後從現實中轉入數學，再從數學中跳出來回到現實。
4、說到matlab，我建議你借一本matlab手冊做參考書就行了！畢竟matlab只是實現你數學模型的基礎，這不是說matlab不重要，其實matlab也很重要！
祝你快樂！

㈡ 數學建模的方法有哪些

1. 預測模塊：灰色預測、時間序列預測、神經網路預測、曲線擬合（線性回歸）；
   

2. 歸類判別：歐氏距離判別、fisher判別等 ；
   

3. 圖論：最短路徑求法 ；
   

4. 最優化：列方程組 用lindo 或 lingo軟體解 ；
   

5. 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 。

建模常用演算法，僅供參考：

1. 蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決 問題的演算法，同時間=可以通過模擬可以來檢驗自己模型的正確性，是比賽時必 用的方法） 。
   

2. 數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數 據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab 作為工具） 。
   

3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多 數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通 常使用Lindo、Lingo 軟體實現） 。
   

4. 圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等算 法，涉及到圖論的問題可以用這些方法解決，需要認真准備） 。
   

5. 動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是算 法設計中比較常用的方法，很多場合可以用到競賽中） 。
   

6. 最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些 問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助， 但是演算法的實現比較困難，需慎重使用） 。
   

7. 網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很 多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種 暴力方案，最好使用一些高級語言作為編程工具） 。
   

8. 一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計 算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替 積分等思想是非常重要的） 。
   

9. 數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分 析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編 寫庫函數進行調用） 。
   

10. 圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文 中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問 題，通常使用Matlab 進行處理）。
    

㈢ 數學建模的應用范圍有多大

例如給你一些數據讓你分析一個城市的經濟發展水平，或者給出數據讓你選擇有價證券，亦或分析壟斷行業的價格與服務。需要用到數據統計模型和優化模型。不會涉及很深的專業知識，也不必刻意去了解多少經濟方面的知識，要知道中國數學建模大賽是全國各高校各專業學生皆可參加的競賽。你只要了解並且能夠熟練運用數學建模的幾種基本模型就可以（建模時也就用這幾種模型，就算過多的運用專業知識也未必得高分，因為這個競賽比的是把實際問題抽象成數學問題的能力，而非專業技巧）。
這幾種基本模型有：優化模型、微分方程模型、統計模型、概率模型、圖論模型、決策模型。
在這幾種模型中貫穿著以下幾種演算法（下面我就復制粘貼了）：
1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的算
法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法）

2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要
處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具）

3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多數問題
屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、
Lingo軟體實現）

4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉
及到圖論的問題可以用這些方法解決，需要認真准備）

5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計
中比較常用的方法，很多場合可以用到競賽中）

6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些問題是
用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，但是演算法的實
現比較困難，需慎重使用）
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽
題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好
使用一些高級語言作為編程工具）
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只
認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非
常重要的）
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常
用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調
用）
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該
要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用Matlab
進行處理）

我今年9月份要參加數學建模，希望和你相互交流，共同進步！

㈣ 求助，關於司守奎的數學建模演算法與程序

本書是是國防工業出版社出版的《數學建模演算法與應用（第2班）》的配套書籍。本書給出了《數學建模演算法與應用（第2版）》中全部習題的解答及程序設計，另外針對選修課的教學內容，又給出一些補充習題及解答。

本書的程序來自於教學實踐，有許多經驗心得體現在編程的技巧中。這些技巧不僅實用，也很有特色。書中提供了全部習題的程序，可以將這些程序直接作為工具箱來使用

㈤ 數學建模演算法有哪些

1. 蒙特卡羅演算法。 該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的演算法，同時可以通過模擬來檢驗自己模型的正確性，幾乎是比賽時必用的方法。
2. 數據擬合、參數估計、插值等數據處理演算法。 比賽中通常會遇到大量的數據需要處理，而處理數據的關鍵就在於這些演算法，通常使用MATLAB 作為工具。
3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類演算法。 建模競賽大多數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、Lingo 軟體求解。
4. 圖論演算法。 這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉及到圖論的問題可以用這些方法解決，需要認真准備。
5. 動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法。 這些演算法是演算法設計中比較常用的方法，競賽中很多場合會用到。
6. 最優化理論的三大非經典演算法：模擬退火演算法、神經網路演算法、遺傳演算法。 這些問題是用來解決一些較困難的最優化問題的，對於有些問題非常有幫助，但是演算法的實現比較困難，需慎重使用。
7. 網格演算法和窮舉法。 兩者都是暴力搜索最優點的演算法，在很多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好使用一些高級語言作為編程工具。
8. 一些連續數據離散化方法。 很多問題都是實際來的，數據可以是連續的，而計算機只能處理離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非常重要的。
9. 數值分析演算法。 如果在比賽中採用高級語言進行編程的話，那些數值分析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調用。
10. 圖象處理演算法。 賽題中有一類問題與圖形有關，即使問題與圖形無關，論文中也會需要圖片來說明問題，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用MATLAB 進行處理。
以下將結合歷年的競賽題，對這十類演算法進行詳細地說明。
以下將結合歷年的競賽題，對這十類演算法進行詳細地說明。
2 十類演算法的詳細說明
2.1 蒙特卡羅演算法
大多數建模賽題中都離不開計算機模擬，隨機性模擬是非常常見的演算法之一。
舉個例子就是97 年的A 題，每個零件都有自己的標定值，也都有自己的容差等級，而求解最優的組合方案將要面對著的是一個極其復雜的公式和108 種容差選取方案，根本不可能去求解析解，那如何去找到最優的方案呢？隨機性模擬搜索最優方案就是其中的一種方法，在每個零件可行的區間中按照正態分布隨機的選取一個標定值和選取一個容差值作為一種方案，然後通過蒙特卡羅演算法模擬出大量的方案，從中選取一個最佳的。另一個例子就是去年的彩票第二問，要求設計一種更好的方案，首先方案的優劣取決於很多復雜的因素，同樣不可能刻畫出一個模型進行求解，只能靠隨機模擬模擬。
2.2 數據擬合、參數估計、插值等演算法
數據擬合在很多賽題中有應用，與圖形處理有關的問題很多與擬合有關系，一個例子就是98 年美國賽A 題，生物組織切片的三維插值處理，94 年A 題逢山開路，山體海拔高度的插值計算，還有吵的沸沸揚揚可能會考的「非典」問題也要用到數據擬合演算法，觀察數據的走向進行處理。此類問題在MATLAB中有很多現成的函數可以調用，熟悉MATLAB，這些方法都能游刃有餘的用好。
2.3 規劃類問題演算法
競賽中很多問題都和數學規劃有關，可以說不少的模型都可以歸結為一組不等式作為約束條件、幾個函數表達式作為目標函數的問題，遇到這類問題，求解就是關鍵了，比如98年B 題，用很多不等式完全可以把問題刻畫清楚，因此列舉出規劃後用Lindo、Lingo 等軟體來進行解決比較方便，所以還需要熟悉這兩個軟體。
2.4 圖論問題
98 年B 題、00 年B 題、95 年鎖具裝箱等問題體現了圖論問題的重要性，這類問題演算法有很多，包括：Dijkstra、Floyd、Prim、Bellman-Ford，最大流，二分匹配等問題。每一個演算法都應該實現一遍，否則到比賽時再寫就晚了。
2.5 計算機演算法設計中的問題
計算機演算法設計包括很多內容：動態規劃、回溯搜索、分治演算法、分支定界。比如92 年B 題用分枝定界法，97 年B 題是典型的動態規劃問題，此外98 年B 題體現了分治演算法。這方面問題和ACM 程序設計競賽中的問題類似，推薦看一下《計算機演算法設計與分析》（電子工業出版社）等與計算機演算法有關的書。
2.6 最優化理論的三大非經典演算法
這十幾年來最優化理論有了飛速發展，模擬退火法、神經網路、遺傳演算法這三類演算法發展很快。近幾年的賽題越來越復雜，很多問題沒有什麼很好的模型可以借鑒，於是這三類演算法很多時候可以派上用場，比如：97 年A 題的模擬退火演算法，00 年B 題的神經網路分類演算法，象01 年B 題這種難題也可以使用神經網路，還有美國競賽89 年A 題也和BP 演算法有關系，當時是86 年剛提出BP 演算法，89 年就考了，說明賽題可能是當今前沿科技的抽象體現。03 年B 題伽馬刀問題也是目前研究的課題，目前演算法最佳的是遺傳演算法。
2.7 網格演算法和窮舉演算法
網格演算法和窮舉法一樣，只是網格法是連續問題的窮舉。比如要求在N 個變數情況下的最優化問題，那麼對這些變數可取的空間進行采點，比如在[a; b] 區間內取M +1 個點，就是a; a+(b-a)/M; a+2 (b-a)/M; …… ; b 那麼這樣循環就需要進行(M + 1)N 次運算，所以計算量很大。比如97 年A 題、99 年B 題都可以用網格法搜索，這種方法最好在運算速度較快
的計算機中進行，還有要用高級語言來做，最好不要用MATLAB 做網格，否則會算很久的。窮舉法大家都熟悉，就不說了。
2.8 一些連續數據離散化的方法
大部分物理問題的編程解決，都和這種方法有一定的聯系。物理問題是反映我們生活在一個連續的世界中，計算機只能處理離散的量，所以需要對連續量進行離散處理。這種方法應用很廣，而且和上面的很多演算法有關。事實上，網格演算法、蒙特卡羅演算法、模擬退火都用了這個思想。
2.9 數值分析演算法
這類演算法是針對高級語言而專門設的，如果你用的是MATLAB、Mathematica，大可不必准備，因為象數值分析中有很多函數一般的數學軟體是具備的。
2.10 圖象處理演算法
01 年A 題中需要你會讀BMP 圖象、美國賽98 年A 題需要你知道三維插值計算，03 年B 題要求更高，不但需要編程計算還要進行處理，而數模論文中也有很多圖片需要展示，因此圖象處理就是關鍵。做好這類問題，重要的是把MATLAB 學好，特別是圖象處理的部分。

㈥ 數學建模需要哪些知識

數學建模應當掌握的十類演算法及所需編程語言：

1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的演算法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法）。

2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具）。

4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉及到圖論的問題可以用這些方法解決，需要認真准備）。

5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計中比較常用的方法，很多場合可以用到競賽中）。

6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，但是演算法的實現比較困難，需慎重使用）。

7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好使用一些高級語言作為編程工具）。

8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非常重要的）。

9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調用）。

10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用Matlab進行處理）。

㈦ 數學建模演算法總結

無總結反省則無進步

寫這篇文章，一是為了總結之前為了准備美賽而學的演算法，而是將演算法羅列並有幾句話解釋方便以後自己需要時來查找。

數學建模問題總共分為四類：

1. 分類問題 2. 優化問題 3. 評價問題 4. 預測問題

我所寫的都是基於數學建模演算法與應用這本書

一 優化問題

線性規劃與非線性規劃方法是最基本經典的：目標函數與約束函數的思想

現代優化演算法：禁忌搜索；模擬退火；遺傳演算法；人工神經網路

模擬退火演算法：

簡介：材料統計力學的研究成果。統計力學表明材料中不同結構對應於粒子的不同能量水平。在高溫條件下，粒子的能量較高，可以自由運動和重新排列。在低溫條件下，粒子能量較低。如果從高溫開始，非常緩慢地降溫（此過程稱為退火），粒子就可以在每個溫度下達到熱平衡。當系統完全被冷卻時，最終形成處於低能狀態的晶體。

思想可用於數學問題的解決 在尋找解的過程中，每一次以一種方法變換新解，再用退火過程的思想，以概率接受該狀態（新解） 退火過程：概率轉化，概率為自然底數的能量/KT次方

遺傳演算法： 遺傳演算法是一種基於自然選擇原理和自然遺傳機制的搜索演算法。模擬自然界中的生命進化機制，在人工系統中實現特定目標的優化。

遺傳演算法的實質是通過群體搜索技術（？），根據適者生存的原則逐代進化，最終得到最優解或准最優解。

具體實現過程（P329~331）

* 編碼

* 確定適應度函數（即目標函數）

* 確定進化參數：群體規模M，交叉概率Pc，變異概率Pm，進化終止條件

* 編碼

* 確定初始種群，使用經典的改良圈演算法

* 目標函數

* 交叉操作

* 變異操作

* 選擇

改良的遺傳演算法

兩點改進 ：交叉操作變為了以「門當戶對」原則配對，以混亂序列確定較差點位置 變異操作從交叉操作中分離出來

二 分類問題（以及一些多元分析方法）

* 支持向量機SVM

* 聚類分析

* 主成分分析

* 判別分析

* 典型相關分析

支持向量機SVM： 主要思想：找到一個超平面，使得它能夠盡可能多地將兩類數據點正確分開，同時使分開的兩類數據點距離分類面最遠

聚類分析（極其經典的一種演算法）： 對樣本進行分類稱為Q型聚類分析 對指標進行分類稱為R型聚類分析

基礎：樣品相似度的度量——數量化，距離——如閔氏距離

主成分分析法： 其主要目的是希望用較少的變數去解釋原來資料中的大部分變異，將掌握的許多相關性很高的變數轉化成彼此相互獨立或不相關的變數。通常是選出比原始變數個數少，能解釋大部分資料中的變異的幾個新變數，及主成分。實質是一種降維方法

判別分析： 是根據所研究的個體的觀測指標來推斷個體所屬類型的一種統計方法。判別准則在某種意義下是最優的，如錯判概率最小或錯判損失最小。這一方法像是分類方法統稱。 如距離判別，貝葉斯判別和FISHER判別

典型相關分析： 研究兩組變數的相關關系 相對於計算全部相關系數，採用類似主成分的思想，分別找出兩組變數的各自的某個線性組合，討論線性組合之間的相關關系

三 評價與決策問題

評價方法分為兩大類，區別在於確定權重上：一類是主觀賦權：綜合資訊評價定權；另一類為客觀賦權：根據各指標相關關系或各指標值變異程度來確定權數

* 理想解法

* 模糊綜合評判法

* 數據包絡分析法

* 灰色關聯分析法

* 主成分分析法（略）

* 秩和比綜合評價法 理想解法

思想：與最優解（理想解）的距離作為評價樣本的標准

模糊綜合評判法 用於人事考核這類模糊性問題上。有多層次模糊綜合評判法。

數據包絡分析法 是評價具有多指標輸入和多指標輸出系統的較為有效的方法。是以相對效率為概念基礎的。

灰色關聯分析法 思想：計算所有待評價對象與理想對象的灰色加權關聯度，與TOPSIS方法類似

主成分分析法（略）

秩和比綜合評價法 樣本秩的概念： 效益型指標從小到大排序的排名 成本型指標從大到小排序的排名 再計算秩和比，最後統計回歸

四 預測問題

* 微分方程模型

* 灰色預測模型

* 馬爾科夫預測

* 時間序列（略）

* 插值與擬合（略）

* 神經網路

微分方程模型 Lanchester戰爭預測模型。。

灰色預測模型 主要特點：使用的不是原始數據序列，而是生成的數據序列 優點：不需要很多數據·，能利用微分方程來充分挖掘系統的本質，精度高。能將無規律的原始數據進行生成得到規律性較強的生成序列。 缺點：只適用於中短期預測，只適合指數增長的預測

馬爾科夫預測 某一系統未來時刻情況只與現在狀態有關，與過去無關。

馬爾科夫鏈

時齊性的馬爾科夫鏈

時間序列（略）

插值與擬合（略）

神經網路（略）

㈧ 參加數學建模有哪些必學的演算法

1. 蒙特卡洛方法：
又稱計算機隨機性模擬方法，也稱統計實驗方法。可以通過模擬來檢驗自己模型的正確性。

2. 數據擬合、參數估計、插值等數據處理
比賽中常遇到大量的數據需要處理，而處理的數據的關鍵就在於這些方法，通常使用matlab輔助，與圖形結合時還可處理很多有關擬合的問題。

3. 規劃類問題演算法：
包括線性規劃、整數規劃、多元規劃、二次規劃等；競賽中又很多問題都和規劃有關，可以說不少的模型都可以歸結為一組不等式作為約束條件，幾個函數表達式作為目標函數的問題，這類問題，求解是關鍵。
這類問題一般用lingo軟體就能求解。

4. 圖論問題：
主要是考察這類問題的演算法，包括：Dijkstra、Floyd、Prime、Bellman-Ford，最大流、二分匹配等。熟悉ACM的人來說，應該都不難。

5. 計算機演算法設計中的問題：
演算法設計包括：動態規劃、回溯搜索、分治、分支定界法（求解整數解）等。

6. 最優化理論的三大非經典演算法：
a) 模擬退火法（SA）
b) 神經網路（NN）
c) 遺傳演算法（GA）

7. 網格演算法和窮舉演算法

8. 連續問題離散化的方法
因為計算機只能處理離散化的問題，但是實際中數據大多是連續的，因此需要將連續問題離散化之後再用計算機求解。
如：差分代替微分、求和代替積分等思想都是把連續問題離散化的常用方法。

9. 數值分析方法
主要研究各種求解數學問題的數值計算方法，特別是適用於計算機實現的方法與演算法。
包括：函數的數值逼近、數值微分與數值積分、非線性返程的數值解法、數值代數、常微分方程數值解等。
主要應用matlab進行求解。

10. 圖像處理演算法
這部分主要是使用matlab進行圖像處理。
包括展示圖片，進行問題解決說明等。

㈨ 數學建模都有哪些方法

這些是以前在網上整理的：
要重點突破：
1 預測模塊：灰色預測、時間序列預測、神經網路預測、曲線擬合（線性回歸）；
2 歸類判別：歐氏距離判別、fisher判別等 ；
3 圖論：最短路徑求法 ；
4 最優化：列方程組 用lindo 或 lingo軟體解 ；
5 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 ；
6 用到軟體：matlab lindo （lingo） excel ；
7 比賽前寫幾篇數模論文。

這是每年參賽的賽提以及獲獎作品的解法，你自己估量著吧……

賽題 解法
93A非線性交調的頻率設計 擬合、規劃
93B足球隊排名 圖論、層次分析、整數規劃
94A逢山開路 圖論、插值、動態規劃
94B鎖具裝箱問題 圖論、組合數學
95A飛行管理問題 非線性規劃、線性規劃
95B天車與冶煉爐的作業調度 動態規劃、排隊論、圖論
96A最優捕魚策略 微分方程、優化
96B節水洗衣機 非線性規劃
97A零件的參數設計 非線性規劃
97B截斷切割的最優排列 隨機模擬、圖論
98A一類投資組合問題 多目標優化、非線性規劃
98B災情巡視的最佳路線 圖論、組合優化
99A自動化車床管理 隨機優化、計算機模擬
99B鑽井布局 0-1規劃、圖論
00A DNA序列分類 模式識別、Fisher判別、人工神經網路
00B鋼管訂購和運輸 組合優化、運輸問題
01A血管三維重建 曲線擬合、曲面重建
01B 工交車調度問題 多目標規劃
02A車燈線光源的優化 非線性規劃
02B彩票問題 單目標決策
03A SARS的傳播 微分方程、差分方程
03B 露天礦生產的車輛安排 整數規劃、運輸問題
04A奧運會臨時超市網點設計 統計分析、數據處理、優化
04B電力市場的輸電阻塞管理 數據擬合、優化
05A長江水質的評價和預測 預測評價、數據處理
05B DVD在線租賃 隨機規劃、整數規劃

演算法的設計的好壞將直接影響運算速度的快慢，建議多用數學軟體（
Mathematice,Matlab,Maple, Mathcad,Lindo,Lingo,SAS 等），這里提供十種數學
建模常用演算法，僅供參考：
1、 蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決
問題的演算法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必
用的方法）
2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數
據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab 作為工具）
3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多
數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通
常使用Lindo、Lingo 軟體實現）
4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等算
法，涉及到圖論的問題可以用這些方法解決，需要認真准備）
5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是算
法設計中比較常用的方法，很多場合可以用到競賽中）
6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些
問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，
但是演算法的實現比較困難，需慎重使用）
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很
多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種
暴力方案，最好使用一些高級語言作為編程工具）
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計
算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替
積分等思想是非常重要的）
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分
析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編
寫庫函數進行調用）
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文
中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問
題，通常使用Matlab 進行處理）

㈩ 大學的數學建模競賽怎麼准備

我在大二的時候就和室友一起參加過全國大學生數學建模競賽，學校里也上過這方面的專業課，可以說對此有點自己的見解和建議。下面我想分享一下自己當時做的一些准備供你參考。

首先，肯定要學習數學模型方面的知識。

數學建模，顧名思義就是建立數學模型，需要你去了解一下常用的數學模型。有些同學可能會疑問，數學還有什麼模型呢？不就是套套公式嗎。其實不然，對於國賽，最常用的莫過於概率論與數理統計了。

當然，如果你學有餘力的話，可以去學SPSS這種專業的統計軟體，或者像Visio這樣的繪圖軟體，在統計或者繪圖等方面，用起來更加方面，圖案也更加精美。

總而言之，對於大學的數學建模競賽，還是需要好好准備的，無論是數學的專業知識還是演算法的設計實現。如果能找到合適的隊友，那麼合作起來還是很輕松的，希望你能得到一個好成績！