数学建模-算法总结-更新ing

artly1

已于 2023-08-19 14:51:07 修改

阅读量75

点赞数

分类专栏： matlab数学建模文章标签：数学建模算法

于 2023-08-19 14:47:31 首次发布

本文链接：https://blog.csdn.net/artly1/article/details/132379854

版权

matlab数学建模专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本总结内容总结b站老哥数学建模，主要总结各种算法的大体内容，具体算法实现此篇不阐述。

分支定界算法 P9 14:00

在数学建模算法中，分支定界算法（Branch and Bound Algorithm） 是一种用于求解离散优化问题的方法。它通过将问题分解成子问题，并利用上界和下界的性质来搜索可能的解空间，从而逐步缩小搜索范围，最终找到最优解。

定义：
分支定界算法是一种求解优化问题的分治方法，通过逐步将问题分解成更小的子问题，并通过界限的计算来排除无效的解，从而找到问题的最优解。

条件：
分支定界算法通常适用于离散优化问题，特别是在以下情况下使用：

问题的解空间较大且难以直接求解。
问题的目标函数满足某种单调性或有界性质。

优点：

全局最优解： 分支定界算法能够保证找到问题的全局最优解，而不是局部最优解。
适用广泛： 适用于各种离散优化问题，如整数规划、组合优化等。
灵活性： 可以根据问题的特点和性质进行定制化的实现。

缺点：

计算复杂度： 对于某些问题，分支定界算法的计算复杂度可能较高，尤其在解空间较大时。
搜索空间膨胀： 在某些情况下，搜索空间可能会膨胀得很快，导致算法效率下降。
依赖问题性质： 算法的效果可能会受到问题的性质和界限计算的影响。

适用范围：
分支定界算法适用于需要在离散优化问题中寻找最优解的情况，例如：

整数规划问题： 在线性规划的基础上，考虑变量取整数值的情况。
旅行商问题： 在给定城市之间寻找最短路径的问题。
背包问题： 在限定背包容量的情况下选择物品以最大化价值。
图着色问题： 给定图的节点，寻找最小的节点着色数目。

分支定界算法通过逐步划分解空间，结合界限计算，能够在一定程度上克服搜索空间膨胀的问题，从而有效地求解离散优化问题。

割平面算法 P10

在数学建模算法中，割平面算法（Cutting Plane Algorithm） 是一种用于求解优化问题的方法，主要用于解决整数规划等离散优化问题。它通过逐步添加一系列线性不等式（割平面）来逼近最优解，从而逐渐缩小解空间，最终找到最优解。

定义：
割平面算法是一种求解优化问题的方法，它通过在每一次迭代中添加一些线性不等式，以逐步缩小解空间并接近最优解。这些线性不等式通常是根据当前解的信息来生成的，可以将问题的解空间分割成更小的子集。

条件：
割平面算法通常适用于离散优化问题，特别是在以下情况下使用：

问题的目标函数是线性的，且需要在整数解空间中寻找最优解。
可以通过求解线性规划松弛问题来获得初步解。

优点：

适用广泛： 割平面算法适用于各种离散优化问题，特别是整数规划问题。
精确性提升： 通过逐步添加割平面，可以逐渐逼近最优整数解，从而提高解的精确性。

缺点：

计算复杂度： 割平面算法的计算复杂度可能随着迭代次数的增加而增加，特别是在问题的解空间复杂或约束较多时。
割平面生成： 生成有效的割平面可能需要一定的技巧和领域知识，不同问题可能需要不同的割平面生成策略。

适用范围：
割平面算法适用于需要在整数解空间中寻找最优解的离散优化问题，例如：

整数规划问题： 在线性规划的基础上，要求解取整数值的情况。
组合优化问题： 如图论中的最大割问题、旅行商问题等。

如何使用：
使用割平面算法通常需要以下步骤：

初始化： 初始解可以通过线性规划松弛问题获得。
迭代： 在每次迭代中，生成一个新的割平面并添加到问题中。
求解： 在添加了新的割平面后，求解更新后的整数规划问题。
判断终止： 根据问题的终止条件判断是否继续迭代。
输出结果： 得到满足约束条件的最优整数解。

以上是一个简要的割平面算法的介绍，实际使用中需要根据具体问题进行调整和实现。

匈牙利算法 P11 27：00 38：22

在数学建模算法中，匈牙利算法（Hungarian Algorithm） 是一种用于解决分配问题的优化算法，特别适用于二分图最优匹配问题。它通过逐步分配任务并找到最优匹配，从而求解优化问题。

定义：
匈牙利算法是一种用于解决分配问题的方法，它可以找到一个最优匹配，使得给定一组任务和一组资源的情况下，任务与资源之间的匹配达到最优。

条件：
匈牙利算法主要适用于以下情况：

问题可以建模为二分图，即任务和资源可以被分为两组，每一组内部的元素之间没有关联。
每个任务可以分配给一个资源，每个资源也只能分配给一个任务。
问题的目标是使分配的权重总和最小或最大化某种指标。

优点：

高效性： 匈牙利算法在解决二分图匹配问题时具有较高的效率，时间复杂度为O(n^3)，其中n是任务或资源的数量。
确定性： 算法能够得出确定性的结果，找到一个最优的任务-资源匹配方案。

缺点：

适用范围受限： 匈牙利算法主要用于解决分配问题，不适用于所有优化问题。
局限性： 在某些情况下，可能需要进行问题转换或预处理，以便满足匈牙利算法的条件。
不适用于连续问题： 匈牙利算法适用于离散问题，不适用于连续问题。

适用范围：
匈牙利算法适用于需要将一组任务与一组资源进行最优匹配的问题，例如：

任务分配问题： 在人员分配、作业调度等场景中，将任务分配给不同的执行者，以最小化总体成本或最大化效率。0-1整数规划
工作调度问题： 将一组作业分配给一组处理机，以最小化总体时间或最大化系统利用率。

如何使用：
使用匈牙利算法通常需要以下步骤：

构建二分图： 将问题建模为二分图，将任务和资源分别表示为两组节点，并添加连接它们的边，边上的权重表示分配的成本或效益。
初始化： 初始化算法的数据结构，如匹配状态数组等。
执行增广路径搜索： 通过搜索增广路径来尝试找到可行匹配或改进现有匹配。
更新匹配状态： 根据找到的增广路径，更新任务和资源的匹配状态。
迭代： 重复执行步骤 3 和步骤 4，直到无法找到更多增广路径为止。
输出结果： 根据匹配状态，得出最优匹配结果。

以上是匈牙利算法的简要介绍，实际使用时需要根据具体问题进行调整和实现。

层次分析算法 P15

在数学建模算法中，层次分析算法（Analytic Hierarchy Process，AHP） 是一种用于多准则决策的方法，通过建立层次结构和权重比较来辅助决策者做出合理的决策。

定义：
层次分析算法是一种用于多准则决策的方法，它将复杂的决策问题分解为多个层次的子问题，并通过对不同层次元素之间的权重比较，得出最终的决策结果。

条件：
层次分析算法适用于以下情况：
1. 问题涉及多个准则或因素，需要综合考虑不同准则的重要性。
2. 决策问题可以分解为多个层次，从总体目标到具体细节。
优点：
1. 结构化分析： 层次分析算法能够将复杂的决策问题结构化为层次关系，便于分析和理解。
2. 权重比较： 算法允许决策者对不同准则的相对重要性进行比较，从而更好地反映实际需求。
3. 系统化决策： 通过定量化权重和分析不同层次元素之间的关系，能够帮助决策者做出更系统化的决策。
缺点：
1. 主观性： 权重比较的结果可能受到决策者主观意见的影响，导致结果的偏差。
2. 复杂性： 当层次结构较复杂时，进行权重比较和计算可能变得繁琐。
3. 敏感性： 较小的权重变化可能会导致最终结果的显著改变，使结果对权重比较的敏感性较高。
适用范围：
层次分析算法适用于需要在多个准则之间做出决策的问题，例如：
1. 项目选择问题： 在多个项目中选择最佳项目，需要考虑多个准则，如成本、收益、风险等。
2. 供应商评估问题： 选择最合适的供应商，需要考虑价格、质量、交货时间等准则。
3. 投资决策问题： 在不同投资选项之间做出决策，需要综合考虑收益、风险、时间等因素。
如何使用：
使用层次分析算法通常需要以下步骤：
1. 建立层次结构： 将问题分解为多个层次的元素，从总体目标到具体准则或因素。
2. 制定比较矩阵： 对不同层次元素之间的重要性进行两两比较，得出权重比较矩阵。
3. 计算权重： 根据比较矩阵，计算每个层次元素的权重。
4. 一致性检验： 检查比较矩阵的一致性，确保决策者的比较一致性。
5. 计算最终得分： 将各层次元素的权重与对应的得分相乘，得出最终的综合得分。
6. 做出决策： 根据最终得分，进行决策。

TOPSIS算法 P18

在数学建模算法中，TOPSIS算法（Technique for Order Preference by Similarity to Ideal Solution） 是一种用于多属性决策分析的方法，用于评估备选方案相对于理想方案的优劣程度。它基于将备选方案与理想解和负理想解进行比较，以确定最优方案。

定义：
TOPSIS算法是一种用于多属性决策的方法，它通过计算备选方案与理想解和负理想解之间的距离来评估备选方案的综合性能，从而确定最优方案。

条件：
TOPSIS算法适用于以下情况：
1. 需要从多个备选方案中选择一个最优方案。
2. 各备选方案在多个属性上有不同的性能指标。
3. 属性是数值型数据。
优点：
1. 综合性能评估： TOPSIS能够将多个属性的信息综合起来评估备选方案的优劣。
2. 易于理解： 算法结果易于理解和解释，通过计算得出的综合得分有明确的含义。
3. 灵活性： 可根据问题的需要调整权重以反映属性的重要性。
缺点：
1. 属性权重确定： 权重的确定可能影响最终结果，但常常需要主观判断或专家意见。
2. 不适用于非数值数据： TOPSIS算法仅适用于数值型数据，对于含有非数值属性的问题需要进行预处理。
3. 敏感性： 对于极端值和噪声数据敏感，可能导致不稳定的结果。
适用范围：
TOPSIS算法适用于需要从多个备选方案中选择最优方案的决策问题，例如：
1. 投资决策： 评估不同投资项目的综合表现以选择最具有潜力的项目。
2. 供应商选择： 从多个供应商中选择合适的供应商，考虑多个评价指标。
3. 学校评估： 对不同学校在教育质量、设施等方面进行评估，选出最优学校。
如何使用：
使用TOPSIS算法通常需要以下步骤：
1. 确定属性和权重： 确定评价备选方案的属性以及每个属性的权重。
2. 标准化数据： 将各属性的数据标准化，确保它们在相同的尺度上进行比较。
3. 构建决策矩阵： 将标准化后的数据构建成决策矩阵。
4. 确定理想解和负理想解： 根据目标是最大化还是最小化，分别确定理想解和负理想解。
5. 计算距离： 计算各备选方案与理想解、负理想解之间的距离。
6. 计算综合得分： 根据距离计算综合得分，选择得分最高的方案为最优方案。