建模入门学习

建模十大算法

1. 蒙特卡洛算法：又称随机性模拟算法，通过计算机仿真来解决问题的算法，同时可以通过模拟来检验自己模型的正确性(注：这个可以在我们没有数据的时候使用，类似于19年数学建模大赛的c题)
2. 数据拟合、参数估计、插值等数据处理算法：在比赛中数据处理通常是模型最开始的一步，我们需要先将数据处理成我们需要的格式、量纲来建模
3. 线性规划、整数规划、多元规划、二次规划等规划类问题：建模中大多数问题都是最优化问题，很多时候都可以使用数学规划算法来解决，一般使用lingo、lingdo软件实现(注：主要是来解决分配问题、选址问题等)
4. 图论算法：有很多种类，最短路、网络流、二分图等算法
5. 动态规划、回溯搜索、分治算法、分支定界：常用的基本算法
6. 最优化理论的三大非经典算法：模拟退火法、神经网络法、遗传算法(这是目前我们需要去学的最火热的算法)
7. 网格算法和穷举法(基本无用)
8. 一些连续离散化方法：将连续离散化，类似于将连续的数据分段，变成离散的
9. 数值分析算法：基本上就是利用numpy库进行的算法
10. 图像处理算法：对于图像识别，边缘检测等算法，比赛开始向图像处理算法靠拢

数学建模步骤

1. 抽象、简化问题，明确变量和参数
2. 根据某种定律建立变量和参数间的数学关系
3. 解析或近似的求解该数学问题
4. 解释验证
5. 实际应用
   

数学建模所需要的方法和知识

方法

解析几何、代数方程、微积分、微分方程、差分方程、概率统计、层次分析、插值与拟合、综合评价、优化方法、数据处理与计算
排队论、对策论、决策论、模糊评价

知识

高等数学、微分方程、运筹学、线性代数、概率统计、数值计算

数学规划模型

简单的说就是将经费等需要被分配物品合理分配。

模型划分

线性规划模型

类似于，有a，b，c三种类型有限原料，不同搭配变成三种A，B，C三种产品，三种产品的利润不同，什么情况下利润最大

举例

我们设定$x_1,x_2,x_3$为最终产品生产量(决策变量，对结果直接影响的变量)，因此我们可以得出一下目标方程(利润最大化、成本最小化，变现为变量的函数)和约束条件(资源、工期等，变现为决策变量的一些等式或者不等式)，求z的最大值，以及三个不等式。

总结：
线性规划问题就是在满足一些线性等式和不等式组成的约束条件下，求决策变量的一组具体取值，是的目标函数的最大或最小
注：线性即为目标函数为线性方程式(就是没有幂)

整数规划模型

整数规划模型即决策变量只能是整数

非线性规划模型

非线性规划模型即约束条件或目标函数是非线性的

灰色预测模型

灰色预测法是一种对含有不确定因素的系统进行预测的方法，对在一定范围内变化，与时间有关的灰色过程进行预测

灰色时间序列预测

用观察到的反映预测对象特征的时间序列来构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间

畸变预测

通过灰色模型预测异常值出现的时刻，预测异常值什么时候出现在特定时区内

系统预测

通过对系统行为特征指标建立一组相互关联的灰色预测模型，预测系统中众多变量间的相互协调关系的变化(就是预测两种联系之间的减弱或者加强，例如某三个因素对于某一结果的影响程度的增强或减弱)

拓扑预测

将原始数据做曲线，在曲线上按定值寻找改定值发生的所有时点，并以该定值为框架构成时点数列，然后建立模型预测该定值所发生的时点(就是在时间序列中对某一事件发生的时间进行预测)

数模入门与常用算法汇总

数据处理问题

1. 插值拟合：主要用于对数据的补全和基本的趋势分析
2. 小波分析，聚类分析(高斯混合聚类，K-均值聚类)：主要用于诊断数据异常值并进行剔除
3. 主成分分析、线性判别分析、局部保留投影：主要用于多维数据的降维处理，减少数据冗余

关联与因果

1. 灰色关联分析方法(适用于样本点个数较少时)
2. Superman或kendall等级相关分析
3. Person相关(适用于样本点的个数比较多时)
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，自变量，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)

分类与判别

1. 距离聚类(系统聚类，经常使用)
2. 关联性聚类(经常使用)
3. 层次聚类
4. 密度聚类
5. 其他聚类
6. 贝叶斯判别(统计学的判别方式)
7. 费舍尔判别(适用于训练样本比较少)
8. 模糊识别(分好类的数据点比较少)

评价与决策

1. 模糊综合评判：评价一个对象的层次评价，但是不能进行排序
2. 主成分分析：评价多个对象的水平并排序，指标间关联性很强
3. 层次分析法：做决策，通过指标，综合考虑决定
4. 数据包络分析法
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. 神经网络评价：适用于多指标非线性关系明确的评价
7. 优劣解距离法(TOPSIS法)
8. 投影寻踪综合评价法：柔和多种算法，例如遗传算法、最优化理论
9. 方差分析(看几类数据之间有无差异，差异性影响，例如：1992年作物生长的施肥问题—元素对麦子的产量有无影响，差异量的多少)、协方差分析(有几个因素，我们只考虑一个因素对问题的影响，忽略其他因素，但注意初始数据的量纲以及初始情况，例如：2006年，艾滋病疗法的评价以及预测问题)

预测与预报

问题种类

1. 小样本内部预测
2. 大样本的内部预测
3. 小样本的未来预测
4. 大样本的随机因素或周期特征的未来预测
5. 大样本的未来预测

解决方法

1. 灰色预测模型(必须掌控!!!)
2. 微分方程预测(备用，没听说过。。。)：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之间的关系
3. 回归分析预测(必须掌握!!!)
4. 马尔科夫预测(备用)：一个序列之间没有信息的传递，前后没有联系，数据域数据之间随机性强，相互不影响；今天的温度与昨天、后天没有直接联系，预测后天温度高、中、低的概率，只能得到概率

优化与控制

1. 线性规划、整数规划、0-1规划(有约束、明确的目标)
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. 图论、网络优化(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!!!)

智能算法学习

1. 模拟退火法
2. 粒子群算法(PSO)