与模糊数学相关的问题 - 数苑网.pptVIP

数学建模方法 第一届研究生数学建模竞赛赛题方法总结 A 发现黄球并定位 —图论（着色问题）、调度问题 B 实用下料问题 —多目标整数规划、整数线性规划 C 售后服务数据的运用 —最小二乘拟合、时间序列、滤波方法 D 研究生录取问题 —（模糊）层次分析、0-1整数规划、对策论、图的匹配问题 数学建模需要的知识 运筹学 多元统计分析 微分方程 数学建模常用的方法 类比法 量纲分析法 差分法 变分法 图论法 层次分析法 数据拟合法 回归分析法 数学规划（线性规划，非线性规划，整数规划，动态规划，目标规划） 数学建模常用的方法 机理分析法 排队方法 对策方法 决策方法 模糊评判方法 时间序列方法 灰色理论方法 现代优化算法（禁忌搜索算法，模拟退火算法，遗传算法，神经网络） 数学模型分类 优化模型 微分方程模型 统计模型 概率模型 图论模型 决策模型 拟合与插值方法 问题—给定一批数据点（输入变量与输出变量的数据），需确定满足特定要求的曲线或曲面 插值问题—要求所求曲线（面）通过所给所有数据点 数据拟合—不要求曲线（面）通过所有数据点，而是要求它反映对象整体的变化趋势 数据拟合 一元函数拟合 多项式拟合 非线性函数拟合 多元函数拟合（回归分析） MATLAB实现 函数的确定 插值方法 一维插值的定义—已知n个节点，求任意点处的函数值。 分段线性插值 多项式插值 样条插值 y=interp1(x0,y0,x,method) 二维插值—节点为网格节点 z=interp2(x0,y0,z0,x,y,method) pp=csape({x0,y0},z0,conds,valconds) 二维插值—节点为散点 z1=griddata(x,y,z,x1,y1) 优化方法 优化模型四要素 决策变量 目标函数（尽量简单、光滑） 约束条件（建模的关键） 求解方法 （MATLAB,LINDO） 优化模型分类 线性规划模型（目标函数和约束条件都是线性函数的优化问题） 非线性规划模型（目标函数或者约束条件是非线性的函数） 整数规划（决策变量是整数值得规划问题） 多目标规划（具有多个目标函数的规划问题） 目标规划（具有不同优先级的目标和偏差的规划问题） 动态规划（求解多阶段决策问题的最优化方法） 优化模型求解 无约束规划 fminsearch fminbnd 线性规划 linprog 非线性规划 fmincon 多目标规划（计算有效解） 目标加权、效用函数 动态规划（倒向、正向） 整数规划（分支定界法、枚举法、LINDO） 统计方法（回归分析） 回归分析—对具有相关关系的现象，根据其关系形态，选择一个合适的数学模型，用来近似地表示变量间的平均变化关系的一种统计方法 （一元线性回归、多元线性回归、非线性回归） 回归分析在一组数据的基础上研究这样几个问题： 建立因变量与自变量之间的回归模型（经验公式） 对回归模型的可信度进行检验 判断每个自变量对因变量的影响是否显著 判断回归模型是否适合这组数据 利用回归模型对进行预报或控制 [b, bint,r,rint,stats]=regress(Y,X,alpha) （线性回归） rstool（x，y，’model’, alpha）（多元二项式回归） [beta,r,J]=nlinfit（x，y，’model’, beta0）（非线性回归） 统计方法（逐步回归分析） 逐步回归分析—从一个自变量开始，视自变量作用的显著程度，从大到地依次逐个引入回归方程 当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉 引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步 对于每一步都要进行值检验，以确保每次引入新的显著性变量前回归方程中只包含对作用显著的变量 这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止 stepwise(x,y,inmodel,alpha) SPSS,SAS 统计方法（聚类分析） 聚类分析—所研究的样本或者变量之间存在程度不同的相似性，要求设法找出一些能够度量它们之间相似程度的统计量作为分类的依据，再利用这些量将样本或者变量进行分类 系统聚类分析—将n个样本或者n个指标看成n类，一类包括一个样本或者指标，然后将性质最接近的两类合并成为一个新类，依此类推。最终可以按照需要来决定分多少类，每类有多少样本（指标） 统计方法（系统聚类分析步骤） 系统聚类方法步骤： 计算n个样本两两之间的距离 构成n个类，每类只包含一个样品 合并距离最近的两类为一个新类 计算新类与当前各类的距离（新类与当前类的距离等于当前类与组合类中包含的类的距离最小值），若类的个数等于1，转5，否则转3 画聚类图 决定类的个数和类。 统计方法（判别分析） 判别分析—在已知研究对象分