最优算法数学建模

1. 参加数学建模有哪些必学的算法

1. 蒙特卡洛方法：
又称计算机随机性模拟方法，也称统计实验方法。可以通过模拟来检验自己模型的正确性。

2. 数据拟合、参数估计、插值等数据处理
比赛中常遇到大量的数据需要处理，而处理的数据的关键就在于这些方法，通常使用matlab辅助，与图形结合时还可处理很多有关拟合的问题。

3. 规划类问题算法：
包括线性规划、整数规划、多元规划、二次规划等；竞赛中又很多问题都和规划有关，可以说不少的模型都可以归结为一组不等式作为约束条件，几个函数表达式作为目标函数的问题，这类问题，求解是关键。
这类问题一般用lingo软件就能求解。

4. 图论问题：
主要是考察这类问题的算法，包括：Dijkstra、Floyd、Prime、Bellman-Ford，最大流、二分匹配等。熟悉ACM的人来说，应该都不难。

5. 计算机算法设计中的问题：
算法设计包括：动态规划、回溯搜索、分治、分支定界法（求解整数解）等。

6. 最优化理论的三大非经典算法：
a) 模拟退火法（SA）
b) 神经网络（NN）
c) 遗传算法（GA）

7. 网格算法和穷举算法

8. 连续问题离散化的方法
因为计算机只能处理离散化的问题，但是实际中数据大多是连续的，因此需要将连续问题离散化之后再用计算机求解。
如：差分代替微分、求和代替积分等思想都是把连续问题离散化的常用方法。

9. 数值分析方法
主要研究各种求解数学问题的数值计算方法，特别是适用于计算机实现的方法与算法。
包括：函数的数值逼近、数值微分与数值积分、非线性返程的数值解法、数值代数、常微分方程数值解等。
主要应用matlab进行求解。

10. 图像处理算法
这部分主要是使用matlab进行图像处理。
包括展示图片，进行问题解决说明等。

2. 【数学建模算法】(28)插值和拟合：最小二乘优化

在无约束最优化问题中，有些重要的特殊情形，比如目标函数由若干个函数的平方和构成。这类函数一般可以写携含成：

其中 ，一般假设 。我们把极小化这类函数的问题：

称为最小二乘优化问题。

求解
s.t.
其中 为矩阵， 为向量。
Matlab函数为：
x=lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0)

解：程序如下：

给定输入输出数列 ，求参量 使得

Matlab中的函数为：
X=lsqcurvefit(FUN,X0,XDATA,YDATA,LB,UB,OPTIONS)
其中FUN是定义函数 的N文件。

解：这个问题即解最优化问题：

解这个问题要分知芦两步：
首先编写待求函数：

已知函数向量 ，求 使得：

Matlab中的函数为：

用该函数求解例2：
首先编写含有待求参数的函数：

之后调用函数lsqnonlin，编写如下程序：

求解 非负 的 ，使得满足
Matlab中的搭隐带函数为：

编写程序如下：

3. 数学建模 求最短距离 最好能用多种方法

用matlab解

%求A到E的最短距离

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)

运行程序得到minL=11

数学模型

（Mathematical Model）是一种模拟，是用数学符号、数学式子、程序、图形等对实际课题本质属性的抽象而又简洁的刻画，它或能解释某些客观现象，或能预测未来的发展规律，或能为控制某一现象的发展提供某种意义下的最优策略或较好策略。

数学模型一般并非现实问题的直接翻版，它的建立常常既需要人们对现实问题深入细微的观察和分析，又需要人们灵活巧妙地利用各种数学知识。

4. 常见30种数学建模模型是什么

1、蒙特卡罗算法。

2、数据拟合、参数估计、插值等数据处理算法。

3、线性规划、整数规划、多元规划、二次规划等规划类问题。

4、图论算法。

5、动态规划、回溯搜索、分治算法、分支定界等计算机算法。

6、最优化理论的三大非经典算法。

7、网格算法和穷举法。

8、一些连续离散化方法。

9、数值分析算法。

10、图象处理算法。

应用数学去解决各类实际问题时，建立数学模型是十分关键的一步，同时也是十分困难的一步。建立教学模型的过程，是把错综复杂的实际问题简化、抽象为合理的数学结构的过程。

要通过调查、收集数据资料，观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题。

(4)最优算法数学建模扩展阅读：

数学建模是一个让纯粹数学家（指只研究数学，而不关心数学在实际中的应用的数学家）变成物理学家、生物学家、经济学家甚至心理学家等等的过程。这里的实际现象既包涵具体的自然现象比如自由落体现象，也包含抽象的现象比如顾客对某种商品所取的价值倾向。这里的描述不但包括外在形态、内在机制的描述，也包括预测、试验和解释实际现象等内容。

5. 数学建模有哪些前沿算法或者说新颖算法

蚁群算法之类的，等等，不过这些不能说是前沿，只能说是比较少用而已，你网络数学中国，点击第一个，里面有各种数学建模的资料，算法也不在少数。保证去了不会后悔的！

6. 数学建模如何建立模型

问题一：数学建模怎么做啊？ 刚参加完九月份的全国大学生数学建模竞赛。一份基本的的数学建模论文要包含以下几个方面：
摘要，问题的背景与提出，问题的分析，模型的假设，符号说明，模型的建立与求解，模型的评价与推广，参考文献。
正规的数学建模论文篇幅一般在20页以上。考虑到你读初三，老师的要求不会这么高，而且你的能力应该还有所欠缺。我的建议为你按照自己实际情况选择一个有一定挑战性的题目，题目的性质类似于应用题，但又和普通的应用题不同，可以没有确定答案，针对问题本身做一些分析和探讨，最好能和实际相结合。
要注意的是假设要合理，要有数学模型（包括一些方程，不等式等），要有分析思路，并且要对自己建立的模型进行优缺点评价，最好能做相应推广。

问题二：1.什么是数学模型？数学建模的一般步骤是什么？ 2.数学建模需要具备哪些能力和知识？ 答的好悬赏加 100分 数学建模是利用数学方法解决实际问题的一种实践.即通过抽象、简化、假设、引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解.
数学建模将各种知识综合应用于解决实际问题中,是培养和提高学生应用所学知识分析问题、解决问题的能力的必备手段之一.
数学建模的一般方法和步骤
建立数学模型的方法和步骤并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征：模型的可靠性和模型的使用性.建模的一般方法：
机理分析：根据对现实对象特性的认识,分析其因果关系,找出反映内部机理的规律,所建立的模型常有明确的物理或现实意义.
测试分析方法：将研究对象视为一个“黑箱”系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型.测试分析方法也叫做系统辩识.
将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法.
在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定.机理分析法建模的具体步骤大致如下：
1、 实际问题通过抽象、简化、假设,确定变量、参数；
2、 建立数学模型并数学、数值地求解、确定参数；
3、 用实际问题的实测数据等来检验该数学模型；
4、 符合实际,交付使用,从而可产隐源生经济、社会效益；不符合实际,重新建模.
数学灶脊态模型的分类：
1、 按研究方法和对象的数学特征分：初等模型、几何模型、优化模型、微分方程模型、图论模型、逻辑模型、稳定性模型、统计模型等.
2、 按研究对象的实际领域（或所属学科）分：人口模型、交通模型、环境模型、生态模型、生理模型、城镇规划模型、水资源模型、污染模型、经济模型、社会模型等.
数学建模需要丰富的数学知识,涉及到高等数学,离散数学,线性代数,概率统计,复变函数等等基本的数学知识.同时,还要有广泛的兴趣,较强的逻辑思维能力,以及语言表达能力等等.
参加数学建模竞赛需知道的内容
一、全国大学生数学建模竞赛
二、数学建模的方法及一般步骤
三、重要的数学模型及相应案例分析
1、线性规划模型及经济模型案例分析
2、层次分析模型及管理模型案例分析
3、统计回归模型及案例分析
4、图论模型及案例分析
5、微分方程模型及案例分析
四、相关软件
1、Matlab软件及编程；2、Lingo软件；3、Lindo软件。
五、数模十大常用算法
1. 蒙特卡罗算法。2. 数据拟合、参数估计、插值等数据处理算法。3. 线性规划、整数规划、多元规划、二次规划等规划类算法。4. 图论算法。5. 动态规划、回溯搜索、分治算法、分支定界等计算机算法。6. 最优化理论的三大非经典算法。7. 网格算法和穷举法。8. 一些连续数据离散化方法。9. 数值分析算法。10. 图象处理算法。
六、如何查阅资料
七、如何写作论文
八、如何组织队伍：团队精神，配合良好，不断的提出问题和解决问题。
九、如何才能获奖：比较完整，有几处创新点。
十、野衡如何信息处理：WORD、LaTeX，飞秋、QQ。
其实主要看下例子就可以了，知道一些基本的模型，我这里也有很多例子，各个学校的讲座都有要的话直接向我要...>>

问题三：怎么建立一个好的数学模型？ 一个好的数学模型，首先应该是可以把所提问题解决的，只有能解决问题的模型才是好的模型。其次，就在于模型的创造性，创造性并不是说你非得自己找出个新的方法或者算法来，而是即使你用的是久的算法，但是你用在一个新的领域，并且很好的解决了问题，具有很好的适应性，那样就是一个好的数学模型。注意，数学模型可能是公式，也可能是某种算法，当然也可能是图表类的东西。

问题四：数学建模的一般步骤是什么？？ 模型准备
了解问题的实际背景，明确其实际意义，掌握对象的各种信息。以数学思想来包容问题的精髓，数学思路贯穿问题的全过程，进而用数学语言来描述问题。要求符合数学理论，符合数学习惯，清晰准确。
模型假设
根据实际对象的特征和建模的目的，对问题进行必要的简化，并用精确的语言提出一些恰当的假设。
模型建立
在假设的基础上，利用适当的数学工具来刻划各变量常量之间的数学关系，建立相应的数学结构（尽量用简单的数学工具）。
模型求解
利用获取的数据资料，对模型的所有参数做出计算（或近似计算）。
模型分析
对所要建立模型的思路进行阐述，对所得的结果进行数学上的分析。
模型检验
将模型分析结果与实际情形进行比较，以此来验证模型的准确性、合理性和适用性。如果模型与实际较吻合，则要对计算结果给出其实际含义，并进行解释。如果模型与实际吻合较差，则应该修改假设，再次重复建模过程。
模型应用与推广
应用方式因问题的性质和建模的目的而异。而模型的推广就是在现有模型的基础上对模型有有一个更加全面，考虑更符合现实情况都适用的模型。

问题五：支北是什么? 5分 福州话里是脏话也..
形容女人的....

问题六：常见的建立数学模型的方法有哪几种 ―般说来建立数学模型的方法大体上可分为两大类、一类是机理分析方法,一类是测试分析方法．机理分析是根据对现实对象特性的认识、分析其因果关系,找出反映内部机理的规律,建立的模型常有明确的物理或现实意义

7. 求数学建模高手，我们校赛关于这个题目的算法、模型，我是新手，谢谢啦，有类似的最优解的论文也好

我也选的这个，好难啊。。。

8. 数学建模算法总结

无总结反省则无进步

写这篇文章，一是为了总结之前为了准备美赛而学的算法，而是将算法罗列并有几句话解释方便以后自己需要时来查找。

数学建模问题总共分为四类：

1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题

我所写的都是基于数学建模算法与应用这本书

一 优化问题

线性规划与非线性规划方法是最基本经典的：目标函数与约束函数的思想

现代优化算法：禁忌搜索；模拟退火；遗传算法；人工神经网络

模拟退火算法：

简介：材料统计力学的研究成果。统计力学表明材料中不同结构对应于粒子的不同能量水平。在高温条件下，粒子的能量较高，可以自由运动和重新排列。在低温条件下，粒子能量较低。如果从高温开始，非常缓慢地降温（此过程称为退火），粒子就可以在每个温度下达到热平衡。当系统完全被冷却时，最终形成处于低能状态的晶体。

思想可用于数学问题的解决 在寻找解的过程中，每一次以一种方法变换新解，再用退火过程的思想，以概率接受该状态（新解） 退火过程：概率转化，概率为自然底数的能量/KT次方

遗传算法： 遗传算法是一种基于自然选择原理和自然遗传机制的搜索算法。模拟自然界中的生命进化机制，在人工系统中实现特定目标的优化。

遗传算法的实质是通过群体搜索技术（？），根据适者生存的原则逐代进化，最终得到最优解或准最优解。

具体实现过程（P329~331）

* 编码

* 确定适应度函数（即目标函数）

* 确定进化参数：群体规模M，交叉概率Pc，变异概率Pm，进化终止条件

* 编码

* 确定初始种群，使用经典的改良圈算法

* 目标函数

* 交叉操作

* 变异操作

* 选择

改良的遗传算法

两点改进 ：交叉操作变为了以“门当户对”原则配对，以混乱序列确定较差点位置 变异操作从交叉操作中分离出来

二 分类问题（以及一些多元分析方法）

* 支持向量机SVM

* 聚类分析

* 主成分分析

* 判别分析

* 典型相关分析

支持向量机SVM： 主要思想：找到一个超平面，使得它能够尽可能多地将两类数据点正确分开，同时使分开的两类数据点距离分类面最远

聚类分析（极其经典的一种算法）： 对样本进行分类称为Q型聚类分析 对指标进行分类称为R型聚类分析

基础：样品相似度的度量——数量化，距离——如闵氏距离

主成分分析法： 其主要目的是希望用较少的变量去解释原来资料中的大部分变异，将掌握的许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中的变异的几个新变量，及主成分。实质是一种降维方法

判别分析： 是根据所研究的个体的观测指标来推断个体所属类型的一种统计方法。判别准则在某种意义下是最优的，如错判概率最小或错判损失最小。这一方法像是分类方法统称。 如距离判别，贝叶斯判别和FISHER判别

典型相关分析： 研究两组变量的相关关系 相对于计算全部相关系数，采用类似主成分的思想，分别找出两组变量的各自的某个线性组合，讨论线性组合之间的相关关系

三 评价与决策问题

评价方法分为两大类，区别在于确定权重上：一类是主观赋权：综合资讯评价定权；另一类为客观赋权：根据各指标相关关系或各指标值变异程度来确定权数

* 理想解法

* 模糊综合评判法

* 数据包络分析法

* 灰色关联分析法

* 主成分分析法（略）

* 秩和比综合评价法 理想解法

思想：与最优解（理想解）的距离作为评价样本的标准

模糊综合评判法 用于人事考核这类模糊性问题上。有多层次模糊综合评判法。

数据包络分析法 是评价具有多指标输入和多指标输出系统的较为有效的方法。是以相对效率为概念基础的。

灰色关联分析法 思想：计算所有待评价对象与理想对象的灰色加权关联度，与TOPSIS方法类似

主成分分析法（略）

秩和比综合评价法 样本秩的概念： 效益型指标从小到大排序的排名 成本型指标从大到小排序的排名 再计算秩和比，最后统计回归

四 预测问题

* 微分方程模型

* 灰色预测模型

* 马尔科夫预测

* 时间序列（略）

* 插值与拟合（略）

* 神经网络

微分方程模型 Lanchester战争预测模型。。

灰色预测模型 主要特点：使用的不是原始数据序列，而是生成的数据序列 优点：不需要很多数据·，能利用微分方程来充分挖掘系统的本质，精度高。能将无规律的原始数据进行生成得到规律性较强的生成序列。 缺点：只适用于中短期预测，只适合指数增长的预测

马尔科夫预测 某一系统未来时刻情况只与现在状态有关，与过去无关。

马尔科夫链

时齐性的马尔科夫链

时间序列（略）

插值与拟合（略）

神经网络（略）

9. 数学建模的十类算法

1、蒙特卡罗算法（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性，是比赛时必用的方法）
2．数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具）
3．线性规划、整数规划、多元规划、二次规划等规划类问题（建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo软件实现）
4．图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备）
5．动态规划、回溯搜索、分治算法、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中）
6．最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）
7．网格算法和穷举法（网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）
8．一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的）
9．数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用）
10．图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理）

10. 关于数学建模中用到的数学理论和编程算法

关于程序，我建议你用matlab或者mathmaticas，用这类专用数学软件比较好，因为我知道绝大多数人对C及C++的掌握还不至于到能够熟练写出你上述的各种算法（当然一些的简单的可以参考ACM的相关书籍），况且在实际工作中很多科学工作者或是工程师都是用Matlab之类的数学软件，所以我也建议你用。
至于你是工科的（我也是），所以我也能够理解你想学习上述各种算法等的想法，但是我觉得这个真的不太现实，我自己也很爱好数学，在平时我也经常学习各种非自己专业的数学知识，但是实际上你学习了之后也要理解，更何况你要运用它到非常熟练的程度（绝非一般考试可比），所以我认为你就必须要非常有选择的看，而且强烈建议你先做好规划（一定要符合自己实际情况，不要贪心），然后抓紧学。
我看你上面列的，其中组合数学非常难，但是你一定要非常踏实地学好（这个会应用在许多连你自己都想不到的地方），另外图论也是必须的，但这里我建议你先学习《离散数学》中的“图论”，当你以后在运用中如果遇到更高深的理论再去参考专门的图论书籍也不迟。另外微分方程我建议你先学习一些基础的知识即可，因为在建模中大多数情况下我觉得你只要会建立就行了，这块内容不用涉入太深，不然太费时间。至于你后面列的一些算法，这个没办法回避的，但也不是说你要一个个看过来，当然你可以考虑先走马观花地扫一遍，然后在仔细深入地学习集中重要的，相对出现几率大的算法。建议你多多拿题目来练习，在练题的过程中顺带学习相应知识，这样效率比较高。

其他的我也帮不了什么，关键你自己要抓紧，效率要大大提高。最后祝你好运！