数学建模2020年a题学习

csdn上题目的选择

A题主题是物理模型选择恰当，然后拟合参数，如果得到的曲线和实际曲线比较吻合的话，基本上就一条路走通了。A题这种工程物理问题，本来就是有标准答案的。所以对结果的准确性要求很高，做不出来瞎猜猜中的概率很小。

这里说说其他题目。B题感觉是一个在复杂限制条件下图论结合策略选择的动态规划模型，一二问有标准答案，三四问需要找到一个递推的策略，对运筹学的知识要求较高。

C题是一个数据分析的题目，有机器学习或者统计分析背景的可以尝试下，C题谁都能写出一篇符合自己逻辑的论文，主要还是创新，上手简单，做好很难，相反的A题，上手难，但是核心问题解决后就很容易了。

选择题目也是一个技术活。

2020年a题

一维热传导：当温度场一维变化时，即当导热物体的温度仅在一个坐标方向上发生变化时，称为一维传热。

pde方程（偏微分方程）

首先PDE是将所有变量联系在一起的一个方程，比如最简单的x = vt + (1/2)at^2， 其实可以写成x = v * t + (1/2) * (d^2x / dt^2) * t^2。这是一个常微分方程，它的解析解是x = (1/2) * a * t^2， 也就是当物体做匀加速运动时，就满足该常微分方程。虽然是ODE，但是思想与PDE差不多是一致的，它将每个变量都联系在了一起。

而关于上一段中提到的解析解，有的微分方程时不存在解析解的，我们只能在数字上逼近这一解，如微积分课程中所学的梯形法、抛物线法来逼近某图像的面积来求得近似解，这样所求的解也叫做数值解。

那对于PDE，如自变量为两个时（假设是空间和时间），这也就取决于需要求解时的状态，因此物理化学模型中经常出现偏微分方程，这些方程往往没有解析解（可能是因为存在边界条件等某些原因），因此在机器学习中，我们要做的是无限逼近该偏微分方程的数值解，例如对于任何一个偏微分方程，将其中的每个微分算子（D，D^2等）都看作是机器学习中所说的“权重”，因此经过不断的训练即可得到y = f(x)这样的表达式，也就完成了对偏微分方程的数值解求解。

其实我认为这一种数值解求解并不能叫做“解”偏微分方程，更应该叫做“模拟”偏微分方程，通过不断训练得到一个良好的模型来预测材料的性质y。

pde方程的数值解法

有限差分法，对微分方程中的微分项进行直接差分近似，从而将微分方程转化为代数方程组求解

区域分解算法，区域分解方法是将计算域分解为若干子域，分别求解再进行综合的一种数值计算方法。此种方法便于在各子域中运用适应其特点的数学模型、计算方法和格式，使总体解更符合实际，并有利于采用并行算法，加快运算速度。

有限元法，它通过变分方法，使得误差函数达到最小值并产生稳定解。类比于连接多段微小直线逼近圆的思想，有限元法包含了一切可能的方法，这些方法将许多被称为有限元的小区域上的简单方程联系起来，并用其去估计更大区域上的复杂方程。它将求解域看成是由许多称为有限元的小的互连子域组成，对每一单元假定一个合适的（较简单的）近似解，然后推导求解这个域总的满足条件（如结构的平衡条件），从而得到问题的解。这个解不是准确解，而是近似解，因为实际问题被较简单的问题所代替。由于大多数实际问题难以得到准确解，而有限元不仅计算精度高，而且能适应各种复杂形状，因而成为行之有效的工程分析手段。

深度学习

详细解法（PDE的数值解法（有限元，有限差分法）综合介绍_有限差分求解pde_Galerkin码农选手的博客-CSDN博客）

规划问题定义

线性规划：在一组线性约束条件的限制下，求一线性目标函数最大或者最小的问题。 线性意味着所有变量都是一次方的 非线性规划：在一组非线性约束条件（也可以包含线性条件）的限制下，求一线性目标函数最大或者最小的问题。 “也可以包含线性条件”是指非线性规划的约束条件可以是线性和非线性混合的

规划问题关键要素

• 决策变量：决策中待决定的自变量

• 目标函数：取决于决策变量的函数

• 约束条件：决策变量应该符合的基本条件

规划类优化问题类型

• 连续优化

  • 线性规划问题（LP）：目标和约束函数为线性函数

  • 非线性规划（NLP）：目标或约束中存在非线性函数

  • 二次规划（QP）：目标为二次函数，约束为线性函数

• 离散优化

  • 整数线性规划（ILP）：决策变量（部分或全部）为整数的线性规划问题

  • 整数非线性规划（INLP）：决策变量（部分或全部）为整数的非线性规划问题

  • 0-1 规划（ZOP）：决策变量为 0 或 1 的规划问题

详细内容（数学建模规划类问题一（线性/非线性单目标规划） - 知乎）

单变量，多变量非线性规划（数学建模十大算法03—线性规划、整数规划、非线性规划、多目标规划_数学规划算法_无糖馥芮白的博客-CSDN博客）

启发式搜索算法

启发式搜索算法，就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。

产生背景：

何谓启发式搜索算法

在说它之前先提状态空间搜索。状态空间搜索，如果按专业点的说法就是将问题求解过程表现为从初始状态到目标状态寻找这个路径的过程。通俗点说，两点之间求一线路，这两点是求解的开始和问题的结果，而这一线路不一定是直线，可以是曲折的。由于求解问题的过程中分枝有很多，主要是求解过程中求解条件的不确定性，不完备性造成的，使得求解的路径很多这就构成了一个图，我们说这个图就是状态空间。问题的求解实际上就是在这个状态空间图中找到一条路径可以从开始到结果。这个寻找的过程就是状态空间搜索。

常用的状态空间搜索有深度优先和广度优先。广度优先是从初始状态一层一层向下找，直到找到目标为止。深度优先是按照一定的顺序前查找完一个分支，再查找另一个分支，以至找到目标为止。这两种算法在数据结构书中都有描述，可以参看这些书得到更详细的解释。

前面说的广度和深度优先搜索有一个很大的缺陷就是他们都是在一个给定的状态空间中穷举。这在状态空间不大的情况下是很合适的算法，可是当状态空间十分大，且不预测的情况下就不可取了。他的效率实在太低，甚至不可完成。在这里就要用到启发式搜索了。

定义：

启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。（贪心算法是其中一种特定的规则，是一种特定的启发式算法）

启发中的估价是用估价函数表示的，如：f(n) = g(n) + h(n)

其中f(n) 是节点n的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。在这里主要是h(n)体现了搜索的启发信息，因为g(n)是已知的。如果说详细点，g(n)代表了搜索的广度的优先趋势。但是当h(n) >> g(n)时，可以省略g(n)，而提高效率。

例子：蚁群算法，遗传算法、模拟退火算法