【数学建模算法汇总】

数学建模方法

统计：
1、预测与预报
2、评价与决策
3、分类与判别
4、关联与因果
优化：
5、优化与控制

（一）预测与预报

灰色预测模型（必须掌握）

满足两个条件可用：
①数据样本点个数少，6-15个
②数据呈现指数或者曲线的形式

• 概述

关于所谓的“颜色”预测或者检测等，大致分为三色：黑、白、灰，在此以预测为例阐述。
其中，白色预测是指系统的内部特征完全已知，系统信息完全充分；黑色预测指系统的内部特征一无所知，只能通过观测其与外界的联系来进行研究；灰色预测则是介于黑、白两者之间的一种预测，一部分已知，一部分未知，系统因素间有不确定的关系。细致度比较：白>黑>灰。

• 原理
  灰色预测是通过计算各因素之间的关联度，鉴别系统各因素之间发展趋势的相异程度。其核心体系是灰色模型（Grey Model，GM），即对原始数据做累加生成（或者累减、均值等方法）生成近似的指数规律在进行建模的方法。

• 分类及求解步骤
  1、GM（1,1）与GM（2,1）、DGM、Verhulst模型的分类比较：
  2.求解步骤思维导图：
  
  

• 实例
  1.使用GM（1，1）的预测检验“北方某城市1986年-1992年道路噪声交通 平均声级数据：”

见下图：

x0 = [71.1 72.4 72.4 72.1 71.4 72 71.6]'; %这里是列向量，相当于原始数据中因变量
n = length(x0);
lamda = x0(1:n-1)./x0(2:n) %计算级比
range = minmax(lamda') %计算级比的范围
x1 = cumsum(x0)
B = [-0.5*(x1(1:n-1)+x1(2:n)),ones(n-1,1)]; %这是构造的数据矩阵B
Y = x0(2:n); %数据向量Y
u = B\Y  %拟合参数u(1)=a,u(2)=b
syms x(t)
x = dsolve(diff(x)+u(1)*x==u(2),x(0)==x0(1)); %建立模型求解
xt = vpa(x,6) %以小数格式显示微分方程的解
prediction1 = subs(x,t,[0:n-1]); %求已知数据的预测值
prediction1 = double(prediction1); %符号数转换成数值类型，以便做差分运算
prediction = [x0(1),diff(prediction1)] %差分运算，还原数据
epsilon = x0'-prediction %计算残差
delta = abs(epsilon./x0') %计算相对残差
rho = 1-(1-0.5*u(1))/(1+0.5*u(1))*lamda'%计算级比偏差值，u(1)=a

2.使用GM（2,1）的MATLAB实例：

%% -------------2.GM(2,1)预测模型-------------------%%
x0 = [41 49 61 78 96 104];
n = length(x0);
add_x0 = cumsum(x0);%1次累加序列
minus_x0 = diff(x0)'; %1次累减序列
z = 0.5*(add_x0(2:end)+add_x0(1:end-1))';%计算均值生成序列
B = [-x0(2:end)',-z,ones(n-1,1)];
u = B\minus_x0 %最小二乘法拟合参数
syms x(t)
x = dsolve(diff(x,2)+u(1)*diff(x)+u(2)*x == u(3),x(0) == add_x0(1),x(5) == add_x0(6)); %求符号解
xt = vpa(x,6) %显示小数形式的符号解
prediction = subs(x,t,0:n-1);
prediction = double(prediction);
x0_prediction = [prediction(1),diff(prediction)];%求已知数据点的预测值
x0_prediction = round(x0_prediction) %四舍五入取整数
epsilon = x0-x0_prediction %求残差
delta = abs(epsilon./x0) %求相对误差

3.灰色预测模型GM（1，1）

GM(1,1).m
 
%建立符号变量a(发展系数)和b(灰作用量)
syms a b;
c = [a b]';
 
%原始数列 A
A = [174, 179, 183, 189, 207, 234, 220.5, 256, 270, 285];%填入已有的数据列！
n = length(A);
 
%对原始数列 A 做累加得到数列 B
B = cumsum(A);
 
%对数列 B 做紧邻均值生成
for i = 2:n
    C(i) = (B(i) + B(i - 1))/2;
end
C(1) = [];
 
%构造数据矩阵
B = [-C;ones(1,n-1)];
Y = A; Y(1) = []; Y = Y';
 
%使用最小二乘法计算参数 a(发展系数)和b(灰作用量)
c = inv(B*B')*B*Y;
c = c';
a = c(1); b = c(2);
 
%预测后续数据
F = []; F(1) = A(1);
for i = 2:(n+10) %这里10代表向后预测的数目，如果只预测一个的话为1
    F(i) = (A(1)-b/a)/exp(a*(i-1))+ b/a;
end
 
%对数列 F 累减还原,得到预测出的数据
G = []; G(1) = A(1);
for i = 2:(n+10) %10同上
    G(i) = F(i) - F(i-1); %得到预测出来的数据
end
 
disp('预测数据为：');
G
 
%模型检验
 
H = G(1:10); %这里的10是已有数据的个数
%计算残差序列
epsilon = A - H;
 
%法一：相对残差Q检验
%计算相对误差序列
delta = abs(epsilon./A);
%计算相对误差Q
disp('相对残差Q检验：')
Q = mean(delta)
 
%法二：方差比C检验
disp('方差比C检验：')
C = std(epsilon, 1)/std(A, 1)
 
%法三：小误差概率P检验
S1 = std(A, 1);
tmp = find(abs(epsilon - mean(epsilon))< 0.6745 * S1);
disp('小误差概率P检验：')
P = length(tmp)/n
 
%绘制曲线图
t1 = 1995:2004;%用自己的，如1 2 3 4 5...
t2 = 1995:2014;%用自己的，如1 2 3 4 5...
 
plot(t1, A,'ro'); hold on;
plot(t2, G, 'g-');
xlabel('年份'); ylabel('污水量/亿吨');
legend('实际污水排放量','预测污水排放量');
title('长江污水排放量增长曲线'); %都用自己的
grid on;

• 参考
  灰色预测模型及Matlab实例.
  灰色预测模型GM（1，1）.

微分方程预测（备用）

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。

微分方程建模是数学建模的重要方法，因为许多实际问题的数学描述将导致求解微分方程的定解问题。把形形色色的实际问题化成微分方程的定解问题，大体上可以按以下几步：

1. 根据实际要求确定要研究的量(自变量、未知函数、必要的参数等)并确定坐标系。
2. 找出这些量所满足的基本规律(物理的、几何的、化学的或生物学的等等)。
3. 运用这些规律列出方程和定解条件。
   列方程常见的方法有：

（i）按规律直接列方程
在数学、力学、物理、化学等学科中许多自然现象所满足的规律已为人们所熟悉，并直接由微分方程所描述。如牛顿第二定律、放射性物质的放射性规律等。我们常利用这些规律对某些实际问题列出微分方程。
（ii）微元分析法与任意区域上取积分的方法
自然界中也有许多现象所满足的规律是通过变量的微元之间的关系式来表达的。对于这类问题，我们不能直接列出变量和未知函数及其变化率之间的关系式，而是通过微元分析法，利用已知的规律建立一些变量（自变量与未知函数）的微元之间的关系式，然后再通过取极限的方法得到微分方程，或等价地通过任意区域上取积分的方法来建立微分方程。
（iii）模拟近似法
在生物、经济等学科中，许多现象所满足的规律并不很清楚而且相当复杂，因而需要根据实际资料或大量的实验数据，提出各种假设。在一定的假设下，给出实际现象所满足的规律，然后利用适当的数学方法列出微分方程。在实际的微分方程建模过程中，也往往是上述方法的综合应用。不论应用哪种方法，通常要根据实际情况，作出一定的假设与简化，并要把模型的理论或计算结果与实际情况进行对照验证，以修改模型使之更准确地描述实际问题并进而达到预测预报的目的。本章将利用上述方法讨论具体的微分方程的建模问题。