按数学方法匹配
数学方法 | 问题特征 |
---|---|
几何模型 | 球面积分,曲面积分,分形理论(常用) |
图论模型 | 优化类,规划类(最短路径、最短时间),决策类问题 |
微分方程模型 | 预测人口增长,传热导热问题 |
概率问题 | 彩票 |
最优控制模型 | 药物疗效 |
规划论模型 | 投资问题 |
马氏链模型 | 概率模型(前后不关联) |
按求解目标匹配
算法名称 | 求解目标 |
---|---|
蒙特卡罗算法 | 随机模拟算法,通过计算机仿真解决问题,同时可以检验算法的正确性 |
数据拟合、参数估计、插值等数据处理方法 | 补全数据,更改错误数据 |
线性规划、整数规划、多元规划、二次规划等规划类问题 | 最优化问题 |
图论算法 | 最短路,网络流,二分图等算法,着色问题 |
动态规划、回溯搜索、分治算法、分支定界等计算机算法 | |
模拟退火法、神经网络、遗传算法 | N/P问题 |
网格算法和穷举法 | 暴力解决问题 |
一些连续离散化方法 | 离散化后进行差分代替微分,求和代替积分 |
数值分析算法 | 找出数据间的内在联系 |
图像处理算法 |
建模思想
预测与预报
1、灰色预测(必掌握)
有更好的不用这个,满足两个条件用:
① 数据样本点少,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)
① 不好列方程 ② 不好解方程
用到时查找历史文献,通过改变参数引用(无法找到原始数据之间的关系,但可以找到原始数据的速度关系,可以回推)
3、回归分析预测(必掌握)
求一个因变量与若干自变量的关系,样本点的个数有要求:
① 自变量之间协方差比较小,最好趋于零,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
③ 因变量要符合正态分布
4、马尔可夫预测(备用)
一个序列之间没有信息的传递,前后没联系,数据与数据之间的随机性强,相互不影响;如果今天与后天没有直接关系,预测后天的温度高低的概率,只能得到概率
5、时间序列预测(必掌握)
与马尔可夫链预测互补,至少有 2 个点需要信息的传递,ARMA 模型,周期性强,季节模型(有时需要修正误差,才能应用)
6、小波分析预测(高大上)
数据无规律,海量数据,将波进行分离,分离出周期数据,规律性强;可以做时间序列做不出的数据。应用范围广(金融领域)
7、神经网络预测(备用)
建议作为检验方法
8、混沌预测序列(难)
评价与决策
1、模糊综合评价
评价一个对象优良中差,不能排序
2、主成分分析(必掌握)
评价多个对象的水平并排序,指标间关联性强
3、层次分析法(AHP)
作决策,比如:去哪里旅游,通过指标,综合考虑做决策
4、数据包络(DEA)分析法
优化问题,对各省发展状况作评判(投入与产出比判断)
5、秩和比综合评价法
评价各个对象并排序,指标间关联性不强
6、优劣解距离法(TOPSIS 法)
7、投影寻踪综合评价法
糅合多种算法,比如遗传算法,最优化理论等
8、方差分析、协方差分析等
方差分析:看几类数据之间有无差异
协方差分析:有几个因素,只考虑一个因素的影响,忽略其他因素,但注意初始数据的量纲及初始情况
分类与判别
1、距离聚类(系统聚类)
常用
2、关联性聚类
Q型样本,R型指标聚类常用
3、层次聚类
4、密度聚类
5、贝叶斯判别
统计判别方法,样本有两种,比如患病和不患病
6、费舍尔判别
训练的样本比较多
7、模糊识别
分好类的数据
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 相关性分析
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
例如 因变量组 Y1234,自变量组 X1234,各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 有没有影响
优化与控制 (运筹学)
1、线性规划、整数规划、0-1规划
有约束,确定的目标
2、非线性规划与智能优化算法
3、多目标规划和目标规划
柔性约束,目标含糊
4、动态规划
5、网格优化
多因素交错复杂
6、排队论与计算机仿真
7、模糊规划
范围约束
8、灰色规划
难