数学建模自学手册.ppt

评审标准（关键） ? 评委看重的是参赛小组的解题思路和建模过程，以及是否给出了清晰的描述，并着重检查以下内容： ? 是否给出了令人满意的赛题解读，以及对赛题中可能出现的模糊概念是否给出的必要的澄清； ? 是否明确列出了建模所需要用到的所有前提条件以及假设，对其合理性是否给出了满意的解释或论证； ? 是否通过对赛题的分析给出了建模的动机或论证了建模的合理性； ? 是否设计了能有效的解答赛题的模型； ? 是否对模型给出了稳定性测试； ? 是否讨论了模型的优缺点，并给出了清晰的结论； ? 是否给出了符合要求的摘要。 ? 没有全部完成解答的论文是可以被接受的，而且如果在某些方面有创意，仍然有可能获得较好的评审结果。 我的2017年国赛题目 拿到题目后我们的想法： 一个优化类型的问题（不完全套用） 可能用到的方法：logistics回归（任务完成与否是二分类变量）、资源配置优化、博弈论相关知识（会员与公司的博弈）、聚类分析（任务节点众多）等、复杂网络（会员寻找各个任务点） 可能参考的题目和论文： 2015B题 “互联网+”时代的出租车资源配置 2. 可能遇到的难点 会员信息过多？ 如何做出亮点？ 问题分析 一些专业方面的了解可以帮助减少工作量 比如这个问题来自拍拍赚平台 他们的回答能提供一些思路 比如实际情况下的考虑因素 遇到例外也可以向专业人士提问 * * * * * * * 数学建模竞赛交流分享 汇报主讲：李运佳 2018.6.24 数学建模准备 1 PART 01 常规算法用途必须掌握，明白该算法使用范围及优缺点 一些不常见算法靠平时不断积累 附：算法整理 见2016年 B 题 评价问题 见算法整理 预测问题 预测问题的的一般情况下，核心并不是用一个预测的算法实现对问题的预测，而是需要深入的分析问题的背景/原理，然后根据背景/原理建立出相关的模型，而中间的某些小的步骤需要使用某个常用的预测类型的算法。 例如：人口预测，我们会知道人口预测有logistic人口预测模型，但是真正行之有效的方法应该是分析人口变化的过程，各个相关的数据是如何变化的，比如每一个年龄段的生育率，死亡率等等，然后再考虑人类的生育的相关知识，通过预测生育率、死亡率等以及结合人口生育背景知识，实现对人口的预测。 并且预测后，往往需要对预测结果进行分析、评价、修正等工作，必不可少，针对问题具体对待 使用某个预测算法注意事项：①判断预测选择的方法如何②一定要做检验！！！这个检验不是模型检验，是你们这个方法是否使用的合理：比如灰色预测要求所有级别在一个有容覆盖内，并且还要做残差检验以及级比偏差值检验等等。使用拟合是的时候，要做一个拟合优度检验（很多队伍是用眼看的，这个拟合好不好，怎么可能通过眼睛判断）。只有，满足检验的要求了，才能使用这个方法做预测，可以这样讲，70%的以上的队伍没有做过检验 优化问题 仿真问题 仿真问题，一般不会单独出一个，很多时候是为了结合其他工作进行的，比如 2016B，使用元胞自动机进行仿真。 使用仿真的时候，最好是要检验一下。检验的方法有：对比实际数据、多个仿真 结果进行对比，使用某些黑箱软件进行检验等等。 仿真模型可以用在任何一个地方，因为数学建模本身就是一个仿真的过程。模型就是对原型的仿真。 其他问题 一般不会单独出，往往是某个题目的某一问。 这种内容，经常出现在数理统计的知识点中，比如分析数据、进行分类等等 数学建模常用方法 数学建模常用方法 数学建模常用方法 数学建模常用方法 数学建模常用方法 操千曲而后晓声，观千剑而后识器——多看论文 作者角度出发还原回去：他是怎么想的？换了我能够形成这样正确而可行的思路吗？ 举例：2012葡萄酒评价问题 一篇论文 回归分析和灰色关联方法对葡萄酒进行了评级比较结果，得出灰色关联的方法更加能够反映理化成分对葡萄酒质量的影响的结论 在读论文时应有思考过程： 1. 葡萄酒的理化成分数据是怎么一个结构？作者用了哪些数据处理方法，缺失、异常数据怎么处理的？他为什么要这么处理？如果以后遇到类似的问题，数据分析的时候，有没有好的步骤？ 简要来说，这道题的理化指标是一个多变量多对象的二维数据表，存在异常数据用spss验证数据功能予以去除，缺失值用插值方法补充，然后用主成分分析法进行了降维，目的是能够减小变量个数。流程清楚。 2. 他为什么选取了回归分析和灰色关联方法来建模？遇到这类评价某事物的问题，一共有哪些建模方法？分别能够在什么条件下使用？各有什么特点？ 回归分析能够忽略问题机理，只从数据上分析出变量之间的相关关系，进而得出结论；而灰色关联方法能够在机理没有完全摸清的情况下，部分挖掘变量间更深层次的联系，更能够准确地评价葡萄酒的好坏。Ps：可以对之前的常用算法优缺点进行