数学建模常用算法模型.docxVIP

数学模型的分类

按模型的数学方法分：

几何模型、图论模型、微分方程模型、概率模型、最优控制模型、规划论模型、马氏链模型等

按模型的特征分：

静态模型和动态模型，确定性模型和随机模型，离散模型和连续性模型，线性模型和非线性模型等

按模型的应用领域分：

人口模型、交通模型、经济模型、生态模型、资源模型、环境模型等。

按建模的目的分：

预测模型、优化模型、决策模型、控制模型等

一般研究数学建模论文的时候，是按照建模的目的去分类的，并且是算法往往也和建模的目的对应

按对模型结构的了解程度分：

有白箱模型、灰箱模型、黑箱模型等

比赛尽量避免使用，黑箱模型、灰箱模型，以及一些主观性模型。

按比赛命题方向分：

国赛一般是离散模型和连续模型各一个，2016美赛六个题目（离散、连续、运筹学/复杂网络、大数据、环境科学、政策）

数学建模十大算法

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，比较好用的算法）

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

（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

（很多问题都是从实际来的，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）

算法简介

1、灰色预测模型（必掌握）

解决预测类型题目。由于属于灰箱模型，一般比赛期间不优先使用。

满足两个条件可用：

①数据样本点个数少，6-15个

②数据呈现指数或曲线的形式

2、微分方程预测（高大上、备用）

微分方程预测是方程类模型中最常见的一种算法。近几年比赛都有体现，但其中的要求，不言而喻。学习过程中

无法直接找到原始数据之间的关系，但可以找到原始数据变化速度之间的关系，通过公式推导转化为原始数据的关系。

3、回归分析预测（必掌握）

求一个因变量与若干自变量之间的关系，若自变量变化后，求因变量如何变化；

样本点的个数有要求：

①自变量之间协方差比较小，最好趋近于0，自变量间的相关性小；

②样本点的个数n＞3k+1，k为自变量的个数；

1、距离聚类（系统聚类）常用

2、关联性聚类（常用）

3、层次聚类

4、密度聚类

5、其他聚类

6、贝叶斯判别（统计判别方法）

7、费舍尔判别（训练的样本比较多）

8、模糊识别（分好类的数据点比较少）

33、关联与因果

1、灰色关联分析方法（样本点的个数比较少）

2、Sperman或kendall等级相关分析

3、Person相关（样本点的个数比较多）

4、Copula相关（比较难，金融数学，概率密度）

5、典型相关分析

（因变量组Y1234，自变量组X1234，各自变量组相关性比较强，问哪一个因变量与哪一个自变量关系比较紧密？）

6、标准化回归分析

若干自变量，一个因变量，问哪一个自变量与因变量关系比较紧密

7、生存分析（事件史分析）难

数据里面有缺失的数据，哪些因素对因变量有影响

8、格兰杰因果检验

计量经济学，去年的X对今年的Y有没影响