数学建模中的常用算法，使用的时候需要注意的坑！否则全盘皆输

层次分析法

陷阱分析

层次分析法是一种主观评价方法，主要用于求指标权重及选择方案等。

（1）层次分析法不适用于指标过多的赛题，一般指标≤9 使用。

（2）层次分析法决策层数据是未知的，否则不适用。

模糊综合评价

陷阱分析

模糊综合评价法是一种基于模糊数学的综合评价方法。根据模糊数学的隶属度理论把定性评价转化为定量评价。

（1）模糊综合评价涉及权重的确定，权重的设定需要决策者具有较高的主观判断能力和经验，否则可能会导致评价结果不准确或不可靠。

（2）隶属函数的确定没有明确且系统的方法，需要作者能自圆其说。

TOPSIS算法

陷阱分析

TOPSIS法是根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。

（1）往往需要考虑指标权重，否则结果可能存在偏差，权重的确定可选择熵权法等。

（2）使用 TOPSIS 算法必须要能找到可参考的最优解和最劣解。

（3）对异常值和缺失值非常敏感，使用此算法前务必进行数据预处理和指标一致化处理等。

灰色预测

陷阱分析

灰色预测模型是通过少量的、不完全的信息，建立数学模型做出预测的一种预测方法。

（1）灰色预测只适合于少量样本的短期预测。

（2）在进行灰色预测前必须要做级比检验！

ARIMA时间序列模型

陷阱分析

时间序列预测是一种专门针对时间序列数据的预测方法，其目标是通过分析时间序列数据的趋势、季节性和周期性等特征，来预测未来数据的走向。

（1）对于长期的趋势和季节性变动不适用该算法。

（2）要求时序数据是稳定的，或者是通过差分化后是稳定的。

（3）对异常值和离群点敏感，需要进行数据预处理。

回归预测模型

陷阱分析

回归分析预测是在分析自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型。

（1）回归模型对于异常值（极端的、与其他数据点相差较大的值）非常敏感，可能会对预测结果产生较大的影响，需要进行数据预处理。

（2）回归分析中,需要先检验并解决多重共线性问题。

神经网络模型

陷阱分析

神经网络是一种模拟人脑神经系统工作原理的计算模型。它由多个神经元（节点）组成的层级结构，每个神经元都与下一层

的神经元相连。这些连接具有权重，它们决定了信号在网络中传递的强度。通过训练，神经网络可以学习从输入数据中提取

特征，并对输出进行预测或分类。

（1）神经网络需要大量样本才能训练出良好的网络。

（2）神经网络模型对输入数据中的噪声和异常值较敏感，这可能导致模型在处理噪声数据时产生误差，需要进行数据预处理。

（3）BP 神经网络模型易陷入局部最小值问题，需要考虑解决。

智能优化算法

陷阱分析

智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强且适合与并行处理的算法。一般具有严密的理论依据，而不是简单的凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。

典型代表：遗传算法、粒子群算法和模拟退火算法等

适用条件：确定目标函数为非凸函数

（1）若决策变量为连续变量，则选择粒子群算法，其优点是收敛速度快缺点是跳出局部最优解的能力较弱。

（2）若决策变量为离散变量，则选择遗传算法，优点是跳出局部最优解的能力较强；缺点是收敛速度慢。

（3）若决策类型无要求，但维度较低，则选择模拟退火算法，其优点是收敛速度快且跳出局部最优解能力强；但缺点是决策变量维度较高时，算法收敛速度很慢。