数学建模常用算法重点.pptVIP

数学建模常用算法数学建模校内培训2011年8月31日 目录：一.数据拟合二. 规划问题三. 灰色预测四. 遗传算法五. 模拟退火算法六. 人工神经网络算法七. 小波分析八. 蒙特卡罗方法 一. 数据拟合、参数估计、插值等算法 数据拟合在很多赛题中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是98 年美国赛A 题，生物组织切片的三维插值处理，94 年A 题逢山开路，山体海拔高度的插值计算，观察数据的走向进行处理。此类问题在MATLAB中有很多现成的函数可以调用，熟悉MATLAB，这些方法都能游刃有余的用好。曲线拟合的线性最小二乘法 曲线拟合问题的提法是，已知一组（二维）数据，即平面上的n 个点寻求一个函数（曲线） y = f (x) ，使f (x) 在某种准则下与所有数据点最为接近，即曲线拟合得最好。线性最小二乘法是解决曲线拟合最常用的方法，基本思路是，令  其中是事先选定好的一组线性无关的函数，  是待定系数，拟合的准则是使 与 的距离的平方和最小，即为最小二乘准则。记为使 与 的距离的平方和最小，只需利用极值的必要条件 得到关于 的线性方程组， 该方程组的解即为所要求的待定系数而函数 的选取也是首要、关键的一步。一般需要经验分析与判断。常用的曲线有直线 多项式 （一般m=2,3, 不宜太高）双曲线（一支） 指数函数 已知一组数据，用什么样的曲线拟合最好，可以在直观判断的基础上，选几种曲线分别拟合，然后比较，看哪条曲线的最小二乘指标J 最小。 多项式拟合方法如果取 即用m 次多项式拟合给定数据，Matlab中有现成的函数 a=polyfit(x0,y0,m)其中输入参数x0,y0 为要拟合的数据，m 为拟合多项式的次数，输出参数a 为拟合多项式 y=a_mx_m+…+a_1x+a_0 系数a=[ a_m, …, a_1, a_0]。多项式在x 处的值y 可用下面的函数计算 y=polyval(a,x)x=[1 2 3 4 5 6 7 8 9];y=[9 7 6 3 -1 2 5 7 20];P=polyfit(x,y,3);xi=0:.2:10;yi=polyval(P,xi);plot(xi,yi,x,y,r*); syms tx=[0;0.4;1.2;2;2.8;3.6;4.4;5.2;6;7.2;8;9.2;10.4;11.6;12.4;13.6;14.4;15];y=[1;0.85;0.29;-0.27;-0.53;-0.4;-0.12;0.17;0.28;0.15;-0.03;-0.15;-0.071;0.059;0.09;0.032;-0.015;-0.02];%指定函数形式为f(t)=acos(kt)e^(wt),进行拟合f=fittype(a*cos(k*t)*exp(w*t),independent,t,coefficients,{a,k,w});cfun=fit(x,y,f) %显示拟合函数xi=0:.1:20;yi=cfun(xi);plot(x,y,r*,xi,yi,b-); clearclc%读人口数据Y=[33815 33981 34004 34165 34212 34327 34344 34458 34498 34476, 34483 34488 34513 34497 34511 34520 34507 34509 34521 34513, 34515 34517 34519 34519 34521 34521 34523 34525 34525 34527]T=1:30%因为logistic 曲线模型的基本形式为y=1/(a+be^(-t)),%所以只要令y=1/y,x=e^(-t),就可以转化为线性模型 y=a+bx%下面利用Matlab进行回归分析拟合计算for t=1:30 x(t)=exp(-t); y(t)=1/Y(t);end% 计算，并输出回归系数