数学模型总结.doc

数学模型总结第一篇:数学模型总结 数学模型总结 2011-12-22 22:21:41| 分类： 数模知识|字号 订阅 四类基本模型 1 优化模型 1.1 数学规划模型 线性规划、整数线性规划、非线性规划、多目标规划、动态规划。 1.2 微分方程组模型 阻滞增长模型、SARS传播模型。 1.3 图论与网络优化问题 最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。 1.4 概率模型 决策模型、随机存储模型、随机人口模型、报童问题、Markov链模型。 1.5 组合优化经典问题 l 多维背包问题(MKP) 背包问题： 个物品，对物品 ，体积为 ，背包容量为 。如何将尽可能多的物品装入背包。 多维背包问题： 个物品，对物品 ，价值为 ，体积为 ，背包容量为 。如何选取物品装入背包，是背包中物品的总价值最大。 多维背包问题在实际中的应用有：资源分配、货物装载和存储分配等问题。该问题属于 难问题。 l 二维指派问题(QAP) 工作指派问题： 个工作可以由 个工人分别完成。工人 完成工作 的时间为 。如何安排使总工作时间最小。 二维指派问题（常以机器布局问题为例）： 台机器要布置在 个地方，机器 与 之间的物流量为 ，位置 与 之间的距离为 ，如何布置使费用最小。 二维指派问题在实际中的应用有：校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。 l 旅行商问题(TSP) 旅行商问题：有 个城市，城市 与 之间的距离为 ，找一条经过 个城市的巡回（每个城市经过且只经过一次，最后回到出发点），使得总路程最小。 l 车辆路径问题(VRP) 车辆路径问题（也称车辆计划）：已知 个客户的位置坐标和货物需求，在可供使用车辆数量及运载能力条件的约束下，每辆车都从起点出发，完成若干客户点的运送任务后再回到起点，要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。 TSP问题是VRP问题的特例。 l 车间作业调度问题(JSP)数学模型总结 车间调度问题：存在 个工作和 台机器，每个工作由一系列操作组成，操作的执行次序遵循严格的串行顺序，在特定的时间每个操作需要一台特定的机器完成，每台机器在同一时刻不能同时完成不同的工作，同一时刻同一工作的各个操作不能并发执行。如何求得从第一个操作开始到最后一个操作结束的最小时间间隔。 2 分类模型 判别分析是在已知研究对象分成若干类型并已经取得各种类型的一批已知样本的观测数据，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分析。 聚类分析则是给定的一批样品，要划分的类型实现并不知道，正需要通过局内分析来给以确定类型的。 2.1 判别分析 l 距离判别法数学模型总结 基本思想：首先根据已知分类的数据，分别计算各类的重心即分组(类)的均值，判别准则是对任给的一次观测，若它与第 类的重心距离最近，就认为它来自第 类。 至于距离的测定，可以根据实际需要采用欧氏距离、马氏距离、明科夫距离等。 l Fisher判别法 基本思想：从两个总体中抽取具有 个指标的样品观测数据，借助方差分析的思想构造一个判别函数或称判别式 。其中系数 确定的原则是使两组间的区别最大，而使每个组内部的离差最小。 对于一个新的样品，将它的p个指标值代人判别式中求出 y 值，然后与判别临界值(或称分界点(后面给出)进行比较，就可以判别它应属于哪一个总体。在两个总体先验概率相等的假设下，判别临界值一般取： 最后，用 统计量来检验判别效果，若 则认为判别有效，否则判别无效。 以上描述的是两总体判别，至于多总体判别方法则需要加以扩展。 Fisher判别法随着总体数的增加，建立的判别式也增加，因而计算比较复杂。 l Bayes判别法 基本思想：假定对所研究的对象有一定的认识，即假设 个总体中，第 个总体 的先验概率为 ，概率密度函数为 。利用bayes公式计算观测样品 来自第 个总体的后验概率 ，当 时，将样本 判为总体 。 l 逐步判别法 基本思想与逐步回归法类似，采用“有进有出”的算法，逐步引入变量，每次引入一个变量进入判别式，则同时考虑在较早引入判别式的某些作用不显著的变量剔除出去。 2.2 聚类分析 聚类分析是一种无监督的分类方法，即不预先指定类别。 根据分类对象不同，聚类分析可以分为样本聚类（Q型）和变量聚类（R型）。样本聚类是针对观测样本进行分类，而变量聚类则是试图找出彼此独立且有代表性的自变量，而又不丢失大部分信息。变量聚类是一种降维的方法。 l 系统聚类法（分层聚类法） 基本思想：开始将每个样本自成一类；然后求两两之间的距离，将距离最近的两类合成一类；如此重复，直到所有样本都合为一类为止。 适用范围：既适用于样本聚类，也适用于变量聚类。并且距离分类准则和距离计算方法都有多种，可以依据具体情形选择。 l 快速聚类法（K-均值聚类法） 基本思想：按照指定分类数目 ，选择 个初始聚类中心 ；计算每个观测量（样本）到各个聚类中心的距离，按照就近原则将其分别分到放入各类中；重新计算聚类中心，继续以上步骤；满足停止条件时（如最大迭代次数等）则停止。 使用范围：要求用户给定分类数目 ，只适用于样本聚类（Q型），不适用于变量聚类（R型）。数学模型总结 l 两步聚类法（智能聚类方法） 基本思想：先进行预聚类，然后再进行正式聚类。 适用范围：属于智能聚类方法，用于解决海量数据或者具有复杂类别结构的聚类分析问题。可以同时处理离散和连续变量，自动选择聚类数，可以处理超大样本量的数据。 l 模糊聚类分析 l 与遗传算法、神经网络或灰色理论联合的聚类方法 2.3 神经网络分类方法 3 评价模型 3.1 层次分析法(AHP) 基本思想：是定性与定量相结合的多准则决策、评价方法。将决策的有关元素分解成目标层、准则层和方案层，并通过人们的判断对决策方案的优劣进行排序，在此基础上进行定性和定量分析。它把人的思维过程层次化、数量化，并用数学为分析、决策、评价、预报和控制提供定量的依据。 基本步骤：构建层次结构模型；构建成对比较矩阵；层次单排序及一致性检验（即判断主观构建的成对比较矩阵在整体上是否有较好的一致性）；层次总排序及一致性检验（检验层次之间的一致性）。 优点：它完全依靠主观评价做出方案的优劣排序，所需数据量少，决策花费的时间很短。从整体上看，AHP在复杂决策过程中引入定量分析，并充分利用决策者在两两比较中给出的偏好信息进行分析与决策支持，既有效地吸收了定性分析的结果，又发挥了定量分析的优势，从而使决策过程具有很强的条理性和科学性，特别适合在社会经济系统的决策分析中使用。 缺点：用AHP进行决策主观成分很大。当决策者的判断过多地受其主观偏好影响，而产生某种对客观规律的歪曲时，AHP的结果显然就靠不住了。 适用范围：尤其适合于人的定性判断起重要作用的、对决策结果难于直接准确计量的场合。要使AHP的决策结论尽可能符合客观规律，决策者必须对所面临的问题有比较深入和全面的认识。另外，当遇到因素众多，规模较大的评价问题时，该模型容易出现问题，它 要求评价者对问题的本质、包含的要素及其相互之间的逻辑关系能掌握得十分透彻，否则评价结果就不可靠和准确。 改进方法： (1) 成对比较矩阵可以采用德尔菲法获得。 (2) 如果评价指标个数过多（一般超过9个），利用层次分析法所得到的权重就有一定的偏差，继而组合评价模型的结果就不再可靠。可以根据评价对象的实际情况和特点，利用一定的方法，将各原始指标分层和归类，使得每层各类中的指标数少于9个。 3.2 灰色综合评价法（灰色关联度分析） 基本思想：灰色关联分析的实质就是，可利用各方案与最优方案之间关联度大小对评价对象进行比较、排序。关联度越大，说明比较序列与参考序列变化的态势越一致，反之，变化态势则相悖。由此可得出评价结果。 基本步骤：建立原始指标矩阵；确定最优指标序列；进行指标标准化或无量纲化处理；求差序列、最大差和最小差；计算关联系数；计算关联度。 优点：是一种评价具有大量未知信息的系统的有效模型，是定性分析和定量分析相结合的综合评价模型，该模型可以较好地解决评价指标难以准确量化和统计的问题，可以排除人为因素带来的影响，使评价结果更加客观准确。整个计算过程简单，通俗易懂，易于为人们所掌握;数据不必进行归一化处理，可用原始数据进行直接计算，可靠性强；评价指标体系可以根据具体情况增减；无需大量样本，只要有代表性的少量样本即可。 缺点：要求样本数据且具有时间序列特性；只是对评判对象的优劣做出鉴别，并不反映绝对水平，故基于灰色关联分析综合评价具有“相对评价”的全部缺点。 适用范围：对样本量没有严格要求，不要求服从任何分布，适合只有少量观测数据的问题；应用该种方法进行评价时，指标体系及权重分配是一个关键的问题，选择的恰当与否直接影响最终评价结果。 改进方法： (1) 采用组合赋权法：根据客观赋权法和主观赋权法综合而得权系数。 (2) 结合TOPSIS法：不仅关注序列与正理想序列的关联度 ，而且关注序列与负理想序列的关联度 ，依据公式 计算最后的关联度。 3.3 模糊综合评价法 基本思想：是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级（或称为评语集）状况进行综合性评第二篇:数学模型心得 数学模型学习心得 在大三的上半学期我选的是数学建模这门课程，因为我从小就爱学数学。我的专业是艺术设计，但是我仍然对数学充满兴趣，在数学建模的课程中我学到了很多知识，知道数学建模其实就应用在我们的生活中，科学，艺术，生活都体现着它的魅力。 通过上数学建模这门课程和资料的查阅，我知道了学习数学模型的意义。说到意义就要说到它的价值，我们知道教育必须反映社会的实际需要，数学建模进入大学课堂，既顺应时代发展的潮流，也符合教育改革的要求。对于数学教育而言，既应该让学生掌握准确快捷的计算方法和严密的逻辑推理，也需要培养学生用数学工具分析解决实际问题的意识和能力，传统的数学教学体系和内容无疑偏重于前者，而开设数学建模课程则是加强后者的一种尝试，数学建模的初衷是为了帮助大家提升分析问题，解决问题的能力。 我认为学习数学模型的意义有如下几点： 一、 学习数学模型我们可以参加数学建模竞赛，而数学建模竞赛是为了促进数学建模的发展而应运而生的，它可以培养大家的竞赛能力、抗压能力、问题设计能力、搜索资料的能力、计算机运用能力、论文写作与修改完善能力、语言表达能力、创新能力等科学综合素养，它让大家从传统的知识培养转变到能力的培养，让我们的思想追求有了质的变化！这也是我们现代教育所追求的。 二、 学习数学可以提升我的逻辑思维能力和运算等抽象能力，但好多人觉得数学和实际遥不可及，可是呢，数学建模则成为了解决这种现象的杀手锏，因为数学建模就是为了培养大家的分析问题和分解决问题的能力。 根据学习我总结了数学建模的基本步骤： 一、 问题分析。 1、 总体设计。将分析过程中的问题要点用文字记录下来；将问题结构化。 2、合理分析、选取基本要素。 3、启发式的思维方法。首先应集思广益充分发挥集体的力量，然后从各种角度分析考虑问题。 二、合理假设。 1、基本假设。变量、参数的定义，以及根据有关“规律”作出的变量间相互关系的假定。 2、其他假设。暂忽略因素、限定系统边界、说明模型应用范围以及局部进程中的二次假设等。数学模型总结 三、模型构造。 四、模型求解和检验。 我们这门课所学到的相关数学建模的一些类型大致为初等模型、简单的优化模型、数学规划模型、微分方程模型、稳定性模型、差分方程模型、离散模型、概率模型、统计回归模型等 。其中所用到的方法大致为量纲分析方法、集合分析方法、线性规划方法、整体规划方法、非线性规划方法、微分方程方法、差分方程方法、差值与拟合 方法、概率统计方法、回归分析方法等。学习中遇到的相关软件为MATIAB、LINGO、SAS软件等。 我们都知道数学模型主要是将现实对象的信息加以翻译、归纳而得到的产物。我们通过对数学模型的假设、求解、验证，以得到数学上的解答，再经过翻译回到现实对象，给出分析、决策的结果。随着科学技术的迅速发展，数学模型这个词汇越来越多的出现在现代人的生产、工作和社会活动中。电气工程师必须建立所要控制的生产过程的数学模型，用这个模型对控制装置作出相应的设计和计算，才能实现有效的过程控制。生理学家通过对药物浓度在人体内随时间和空间的便把话而建立数学模型，如此就可以分析药物的疗效，有效地指导临床用药等等。这些都用到数学模型。而在学习数学模型这一课程之前，我们面对这些问题时，解决它的方法往往是一种习惯性的思维方式，只知道该这样做，却不很清楚为什么会这样做，数学发展到今天，我们这种陈旧的思考方式己经在被数学建模训练中培养出的角度多样化、层次分明、从本质上区分问题的新颖多维的思考方式所替代。这种凝聚了许多优秀方法为一体的思考方式一旦被我们把握，它就转化成了我们自身的素质，不仅在我们以后的学习工作中继续发挥作用，同时也为我们的成长道路铺了几块平坦的砖块。 于是，自己必须要充分利用图书馆和网络的作用，查阅各种有关资料，以尽量获得比较全面的知识和信息。在这过程中，对自己眼界的开阔，知识的扩展无疑大有好处，各学科的交叉渗透更有利于自己提高解决复杂问题的能力。毫不夸张的说，建模过程挖掘了我们的潜 能，使我们对自己的能力有了新的认识，特别是自学能力得到了极大的提高，而且思想的交锋也迸发出了智慧的火花，从而增加了继续深入学习数学的主动性和积极性。再次，数学建模也培养了我们的概括力和想象力，也就是要一眼就能抓住问题的本质所在。我们只有先对实际问题进行概括归纳，同时在允许的情况下尽量忽略各种次要因素，紧紧抓住问题的本质方面，使问题尽可能简单化，这样才能解决问题。其实，在我们做论文之前，考虑到的因素有很多，如果把这一系列因数都考虑的话，将会花费更多的时间和精神。因此，在我们考虑一些因素并不是本质问题的时候，我就将这些因数做了假设以及在模型的推广时才考虑。这就使模型更加合理和理想。数学建模还能增强我们的抽象能力以及想象力。对实际问题再进行“翻译”，即进行抽象，要用数学语言、数学符号和数学公式将它们准确的表达出来。 一个看似复杂的实际问题，通过建立数学模型就能很好的将抽象的问题转化为实际问题，并且可以通过数学软件将问题进行分析与解答。同时，我觉得，团队精神是数学建模是否取得好成绩的最重要的因素。因为很多时候，一个人的思考是不全面的，只有大家一起讨论才有可能把问题搞清楚，因此无论做任何板块，三个人要一起齐心才行，只靠一个人的力量，要在短时间内写出一篇高水平的文章几乎是不可能的。总之，数学建模能够带给我很多知识，不管是有关我的专业知识，还是其他方面的，它都能很好地锻炼我！ 在我们现在看来数学建模所要解决的问题决一般不是单一学科问题，它除了要求我们有扎实的数学知识外，还需要我们不停地去学 习和查阅相关资料，除了要学习许多数学分支问题外，还要了解工厂生产、经济投资、消费水平等方面的知识，这些知识决不是任何专业中都能涉及得到的。如此，数学建模能极大地拓宽和丰富我们的内涵，让我们感到了学习和掌握知识的重要性，当然也让我们领悟到了“学习是不断发现真理的过程”这句话的真谛，这些知识必将为我们将来的学习工作打下坚实的基础。第三篇:数学建模学习体会3篇篇一：数学建模学习心得体会 刚参加工作那阵子就接触到“建模”这个概念，也曾对之有过关注和尝试，但终因功力不济，未能持之以恒给力研究，也就一阵烟云飘过了一下罢了。 许校的讲座再次激起