#《数学建模算法与应用》方法概述
序言:学习司守奎《数学建模算法与应用》第2版过程中,给出一个内容的提纲,希望可以在回忆复习时快速建立知识结构。包含了数学建模所需用到的一些方法和常见问题类型。
本文仅仅建立一个学习过程中的知识框图,后续会将具体算法理解与Matlab实践整理出来。
其中前半部分“方法类”为一些常用数学建模方法,单独拿出来介绍
后半部分为总结的“问题类”,主要为规划、分类、优化、评价和预测,也总结了网络类和图像处理类问题
—————— 方法类 ——————
一、Matlab求解规划类和极值问题
数学规划为在约束条件下追求效益而做的安排。
Matlab知识负责实现数学计算,目标函数和约束条件还是需要自己去寻找关系建立方程。
多目标规划:针对多目标,加权系数法和优先等级法。
二、插值和拟合
根据一组数据构造一个函数作为近似
插值曲线要过数据点,拟合曲线整体效果更好。
三、偏最小二乘回归分析
一般研究两组变量间的相互关系
四、微分方程
需要了解研究问题领域相关规律
规律列方程——>Matlab求解微分方程
五、数理统计(需对概率论很熟悉)
利用样本来估计总体时,需要数理统计
参数估计、假设检验 ——> 方差分析、回归分析
Bootstrap扩充样本
六、时间序列
通过构造过去的时间序列并处理来研究其变化规律
- 移动平均法:直接平均
- 指数平滑法:加权平均
- 差分指数平滑法:增量的加权平均
- 季节性时间序列预测:对季节求系数
ARMA(自回归移动平均序列)构建及预报
七、支持向量机
找到一个超平面,使得其尽可能多地将两类数据点分开
线性可分SVM、线性SVM、可分SVM
—————— 问题类 ——————
一、规划类
寻找目标函数和约束条件 ——> Matlab求解
二、多元分析类(分类、聚类和相关性分析)
(主要是针对多个变量的统计分析)
- 聚类分析
对样本的Q型聚类
对指标的R型聚类
(利用相似距离进行聚类) - 主成分分析
将多个指标转化为少数几个不相关的综合指标
标准化 -> 相关系数矩阵 -> 特征值和特征向量 -> 组成新指标 -> 选取主成分 -> 得到贡献率 - 因子分析
类似主成分分析,但通过计算初等载荷矩阵选择主因子 - 判别分析
利用统计方法根据研究个体的观测指标进行归类 - 典型相关分析
研究两组变量间的相关方法。
思想:分别找出两组变量的各自的某个线性组合,讨论之间相关关系。 - 对应分析
R-Q型因子分析,在同一因子平面上对变量和样本一块进行分类。
行点和列点用同一二维关系表示,绘于同一散布图。 - 多维标度法
在指标个数和本身不清晰,仅知道客体间某种距离情况下,研究客体间的结构关系。
三、优化类
求组合优化问题的全局最优解。不断迭代产生新解直到最优。
- 模拟退火:“状态转换”
- 遗传算法:“逐代进化”
- 改进遗传算法
区别:产生新解方式不同
四、评价类(评价与决策)
(关键点在确定评价指标的权重上)
- 理想解法(TOPSIS法)
找出虚拟正理想解和负理想解,测距找最优 - 模糊综合评价法
针对考核指标难以量化,以等级制解决。可以多层次评判,权重主观。 - 数据包络分析
多指标输入和多指标输出。(针对发展情况的评价较为方便)
无需假设权重 - 灰度关联分析(主观)
计算评价对象和评价标准的关联系数及关联度 - 主成分分析
指标转化,利用特征值和特征向量 - 秩和比综合评价法
利用秩和比进行优劣排序
五、预测类
- 微分方程预测模型
基于相关原理规律的因果预测法,大多为物理和几何方面。 - 灰度预测
不仅利用原始数据序列,而且对原始数据做累加或其它处理得到近似的指数规律再进行建模 - 差分方程
(解得问题觉得更像高中应用题) - 马尔可夫预测
系统未来时刻的情况只与现在有关,而与过去历史无直接关系 - 时间序列 (根据趋势进行预测)
通过构造过去的时间序列并处理来研究其变化规律 - 插值和拟合 (根据趋势进行预测)
根据一组数据构造一个函数作为近似
插值曲线要过数据点,拟合曲线整体效果更好。 - 神经元网络(根据参数预测)
BP神经网络:反馈式地不断调整学习参数。
BPF神经网络:把网络看成对未知函数的逼近
六、图与网络类
对于图与网络模型,无论是什么情景,方法总逃不出以下内容
1、最短路问题
- Dijkstra算法:单源最短路
- Floyd算法 :任意两点间的最短路
2、最小生成树
- 加边
- 加点
3、最大流、最小费用流
4、旅行商问题
改良圈算法
5、统筹
- 计划网络图
- 关键路径
七、数字图像处理
- 图像表示
采样 + 量化 = 数字图像的矩阵表示
图像类型:二值、灰度、RGB彩色图像 - 处理方法
亮度转换、空间滤波、频域变换 - 应用
水印、加密式隐藏……