最優演算法數學建模

1. 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。

2. 【數學建模演算法】(28)插值和擬合：最小二乘優化

在無約束最優化問題中，有些重要的特殊情形，比如目標函數由若干個函數的平方和構成。這類函數一般可以寫攜含成：

其中 ，一般假設 。我們把極小化這類函數的問題：

稱為最小二乘優化問題。

求解
s.t.
其中 為矩陣， 為向量。
Matlab函數為：
x=lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0)

解：程序如下：

給定輸入輸出數列 ，求參量 使得

Matlab中的函數為：
X=lsqcurvefit(FUN,X0,XDATA,YDATA,LB,UB,OPTIONS)
其中FUN是定義函數 的N文件。

解：這個問題即解最優化問題：

解這個問題要分知蘆兩步：
首先編寫待求函數：

已知函數向量 ，求 使得：

Matlab中的函數為：

用該函數求解例2：
首先編寫含有待求參數的函數：

之後調用函數lsqnonlin，編寫如下程序：

求解 非負 的 ，使得滿足
Matlab中的搭隱帶函數為：

編寫程序如下：

3. 數學建模 求最短距離 最好能用多種方法

用matlab解

%求A到E的最短距離

AB=[2 4 3];

BC=[7 4 6;3 2 4;4 1 5];

CD=[1 4;6 3;3 3];

DE=[3;4];

l=zeros(1,100)+1000;

n=1;

for a=1:3

L=AB(1,a);

for b=1:3

L=L+BC(a,b);

for c=1:2

L=L+CD(b,c)+DE(c,1);

l(1,n)=L;

n=n+1;

end

end

end

minL=min(l)

運行程序得到minL=11

數學模型

（Mathematical Model）是一種模擬，是用數學符號、數學式子、程序、圖形等對實際課題本質屬性的抽象而又簡潔的刻畫，它或能解釋某些客觀現象，或能預測未來的發展規律，或能為控制某一現象的發展提供某種意義下的最優策略或較好策略。

數學模型一般並非現實問題的直接翻版，它的建立常常既需要人們對現實問題深入細微的觀察和分析，又需要人們靈活巧妙地利用各種數學知識。

4. 常見30種數學建模模型是什麼

1、蒙特卡羅演算法。

2、數據擬合、參數估計、插值等數據處理演算法。

3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題。

4、圖論演算法。

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。

6、最優化理論的三大非經典演算法。

7、網格演算法和窮舉法。

8、一些連續離散化方法。

9、數值分析演算法。

10、圖象處理演算法。

應用數學去解決各類實際問題時，建立數學模型是十分關鍵的一步，同時也是十分困難的一步。建立教學模型的過程，是把錯綜復雜的實際問題簡化、抽象為合理的數學結構的過程。

要通過調查、收集數據資料，觀察和研究實際對象的固有特徵和內在規律，抓住問題的主要矛盾，建立起反映實際問題的數量關系，然後利用數學的理論和方法去分析和解決問題。

(4)最優演算法數學建模擴展閱讀：

數學建模是一個讓純粹數學家（指只研究數學，而不關心數學在實際中的應用的數學家）變成物理學家、生物學家、經濟學家甚至心理學家等等的過程。這里的實際現象既包涵具體的自然現象比如自由落體現象，也包含抽象的現象比如顧客對某種商品所取的價值傾向。這里的描述不但包括外在形態、內在機制的描述，也包括預測、試驗和解釋實際現象等內容。

5. 數學建模有哪些前沿演算法或者說新穎演算法

蟻群演算法之類的，等等，不過這些不能說是前沿，只能說是比較少用而已，你網路數學中國，點擊第一個，裡面有各種數學建模的資料，演算法也不在少數。保證去了不會後悔的！

6. 數學建模如何建立模型

問題一：數學建模怎麼做啊？ 剛參加完九月份的全國大學生數學建模競賽。一份基本的的數學建模論文要包含以下幾個方面：
摘要，問題的背景與提出，問題的分析，模型的假設，符號說明，模型的建立與求解，模型的評價與推廣，參考文獻。
正規的數學建模論文篇幅一般在20頁以上。考慮到你讀初三，老師的要求不會這么高，而且你的能力應該還有所欠缺。我的建議為你按照自己實際情況選擇一個有一定挑戰性的題目，題目的性質類似於應用題，但又和普通的應用題不同，可以沒有確定答案，針對問題本身做一些分析和探討，最好能和實際相結合。
要注意的是假設要合理，要有數學模型（包括一些方程，不等式等），要有分析思路，並且要對自己建立的模型進行優缺點評價，最好能做相應推廣。

問題二：1.什麼是數學模型？數學建模的一般步驟是什麼？ 2.數學建模需要具備哪些能力和知識？ 答的好懸賞加 100分 數學建模是利用數學方法解決實際問題的一種實踐.即通過抽象、簡化、假設、引進變數等處理過程後,將實際問題用數學方式表達,建立起數學模型,然後運用先進的數學方法及計算機技術進行求解.
數學建模將各種知識綜合應用於解決實際問題中,是培養和提高學生應用所學知識分析問題、解決問題的能力的必備手段之一.
數學建模的一般方法和步驟
建立數學模型的方法和步驟並沒有一定的模式,但一個理想的模型應能反映系統的全部重要特徵：模型的可靠性和模型的使用性.建模的一般方法：
機理分析：根據對現實對象特性的認識,分析其因果關系,找出反映內部機理的規律,所建立的模型常有明確的物理或現實意義.
測試分析方法：將研究對象視為一個「黑箱」系統,內部機理無法直接尋求,通過測量系統的輸入輸出數據,並以此為基礎運用統計分析方法,按照事先確定的准則在某一類模型中選出一個數據擬合得最好的模型.測試分析方法也叫做系統辯識.
將這兩種方法結合起來使用,即用機理分析方法建立模型的結構,用系統測試方法來確定模型的參數,也是常用的建模方法.
在實際過程中用那一種方法建模主要是根據我們對研究對象的了解程度和建模目的來決定.機理分析法建模的具體步驟大致如下：
1、 實際問題通過抽象、簡化、假設,確定變數、參數；
2、 建立數學模型並數學、數值地求解、確定參數；
3、 用實際問題的實測數據等來檢驗該數學模型；
4、 符合實際,交付使用,從而可產隱源生經濟、社會效益；不符合實際,重新建模.
數學灶脊態模型的分類：
1、 按研究方法和對象的數學特徵分：初等模型、幾何模型、優化模型、微分方程模型、圖論模型、邏輯模型、穩定性模型、統計模型等.
2、 按研究對象的實際領域（或所屬學科）分：人口模型、交通模型、環境模型、生態模型、生理模型、城鎮規劃模型、水資源模型、污染模型、經濟模型、社會模型等.
數學建模需要豐富的數學知識,涉及到高等數學,離散數學,線性代數,概率統計,復變函數等等基本的數學知識.同時,還要有廣泛的興趣,較強的邏輯思維能力,以及語言表達能力等等.
參加數學建模競賽需知道的內容
一、全國大學生數學建模競賽
二、數學建模的方法及一般步驟
三、重要的數學模型及相應案例分析
1、線性規劃模型及經濟模型案例分析
2、層次分析模型及管理模型案例分析
3、統計回歸模型及案例分析
4、圖論模型及案例分析
5、微分方程模型及案例分析
四、相關軟體
1、Matlab軟體及編程；2、Lingo軟體；3、Lindo軟體。
五、數模十大常用演算法
1. 蒙特卡羅演算法。2. 數據擬合、參數估計、插值等數據處理演算法。3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類演算法。4. 圖論演算法。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。6. 最優化理論的三大非經典演算法。7. 網格演算法和窮舉法。8. 一些連續數據離散化方法。9. 數值分析演算法。10. 圖象處理演算法。
六、如何查閱資料
七、如何寫作論文
八、如何組織隊伍：團隊精神，配合良好，不斷的提出問題和解決問題。
九、如何才能獲獎：比較完整，有幾處創新點。
十、野衡如何信息處理：WORD、LaTeX，飛秋、QQ。
其實主要看下例子就可以了，知道一些基本的模型，我這里也有很多例子，各個學校的講座都有要的話直接向我要...>>

問題三：怎麼建立一個好的數學模型？ 一個好的數學模型，首先應該是可以把所提問題解決的，只有能解決問題的模型才是好的模型。其次，就在於模型的創造性，創造性並不是說你非得自己找出個新的方法或者演算法來，而是即使你用的是久的演算法，但是你用在一個新的領域，並且很好的解決了問題，具有很好的適應性，那樣就是一個好的數學模型。注意，數學模型可能是公式，也可能是某種演算法，當然也可能是圖表類的東西。

問題四：數學建模的一般步驟是什麼？？ 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。以數學思想來包容問題的精髓，數學思路貫穿問題的全過程，進而用數學語言來描述問題。要求符合數學理論，符合數學習慣，清晰准確。
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常量之間的數學關系，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
對所要建立模型的思路進行闡述，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。
模型應用與推廣
應用方式因問題的性質和建模的目的而異。而模型的推廣就是在現有模型的基礎上對模型有有一個更加全面，考慮更符合現實情況都適用的模型。

問題五：支北是什麼? 5分 福州話里是臟話也..
形容女人的....

問題六：常見的建立數學模型的方法有哪幾種 ―般說來建立數學模型的方法大體上可分為兩大類、一類是機理分析方法,一類是測試分析方法．機理分析是根據對現實對象特性的認識、分析其因果關系,找出反映內部機理的規律,建立的模型常有明確的物理或現實意義

7. 求數學建模高手，我們校賽關於這個題目的演算法、模型，我是新手，謝謝啦，有類似的最優解的論文也好

我也選的這個，好難啊。。。

8. 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）

9. 數學建模的十類演算法

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）

10. 關於數學建模中用到的數學理論和編程演算法

關於程序，我建議你用matlab或者mathmaticas，用這類專用數學軟體比較好，因為我知道絕大多數人對C及C++的掌握還不至於到能夠熟練寫出你上述的各種演算法（當然一些的簡單的可以參考ACM的相關書籍），況且在實際工作中很多科學工作者或是工程師都是用Matlab之類的數學軟體，所以我也建議你用。
至於你是工科的（我也是），所以我也能夠理解你想學習上述各種演算法等的想法，但是我覺得這個真的不太現實，我自己也很愛好數學，在平時我也經常學習各種非自己專業的數學知識，但是實際上你學習了之後也要理解，更何況你要運用它到非常熟練的程度（絕非一般考試可比），所以我認為你就必須要非常有選擇的看，而且強烈建議你先做好規劃（一定要符合自己實際情況，不要貪心），然後抓緊學。
我看你上面列的，其中組合數學非常難，但是你一定要非常踏實地學好（這個會應用在許多連你自己都想不到的地方），另外圖論也是必須的，但這里我建議你先學習《離散數學》中的「圖論」，當你以後在運用中如果遇到更高深的理論再去參考專門的圖論書籍也不遲。另外微分方程我建議你先學習一些基礎的知識即可，因為在建模中大多數情況下我覺得你只要會建立就行了，這塊內容不用涉入太深，不然太費時間。至於你後面列的一些演算法，這個沒辦法迴避的，但也不是說你要一個個看過來，當然你可以考慮先走馬觀花地掃一遍，然後在仔細深入地學習集中重要的，相對出現幾率大的演算法。建議你多多拿題目來練習，在練題的過程中順帶學習相應知識，這樣效率比較高。

其他的我也幫不了什麼，關鍵你自己要抓緊，效率要大大提高。最後祝你好運！