数学建模三大模型

预测模型：神经网络预测、灰色预测、拟合插值预测（线性 回归）、时间序列预测、马尔科夫链预测、微分方程预测、logistic模型

应用领域：人口预测、水资源污染增长预测 、病毒蔓延预测、竞赛获胜概率预测、月收入预测 、销量预测、经济发展情况预测在工业、农业、商业等经济领域，以及环境、社会和军事等领域中都有广泛应用

优化模型：规 F划模型 （目标规划、线性规划 、非线性规划、整数规划、动态规划）、图论模型、排队论模型、神经网络模型、现代优化算法（遗传算法、模拟退火法、蚁群算法、禁忌搜索法）

应用领域：快递员派送快递的最短路径问题、水资源调度优化问题、高速路口收费站问题、军事行动避空侦擦的时机和路径选择、物流选址问题、商区布局规划等各个领域

评价模型：模糊综合评价法、层次分析法、聚类分析法、主成分分析法、灰色综合评价法、人工神经网络评价法

应用领域：某区域水资源评价、水利工程项目风险评价、城市发展程度评价、足球教练评价、篮球队评价、水生态评价、大坝安全评价、边坡稳定性评价

数学建模的十大常用算法

核心：如何把实际问题转化成数学模型，如何求解数学模型

  

1.蒙特卡罗算法（MonteCarlo.m）（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性，是比赛时必用的方法）

   当无法求得精确解时，进行随机抽样，根据统计试验求近似解,只是提供一种思路，不同问题有不同的代码，主要应用于非线性规划求解

2.数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用 Matlab 作为工具） 

数据拟合：如果不要求近似函数通过所有数据点，而是要求它能较好地反映数据变化规律的近似函数的方法（必须有函数表达式），近似函数不一定（曲线或者曲面）通过所有的数据点；主要是处理好观测数据的误差，用数学表达式从 数量上近似因果变量之间的关系。

详细：《算法学习总结》第37页

插值方法适用对象：当数据量不够，需要补充，且认定已有数据可信时用；不用给出具体函数关系，要求构造的近似函数（曲线或曲面）经过所已知的所有数据点，根据已有数据预测其他数据即可。一维插值：拉格朗日插值；二维 插值 ：分段线线性插值、三次样条插值；地理学：克里金插值、反距离权重插值

详细：《算法学习总结》第24页

3.线性规划、整数规划、多元规划、二次规划（非线性规划）等规划类问题 （建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用 Lindo、Lingo 软件实现） 

线性规划：所有变量都是一次方，一般题目出现“怎样安排\分配”、“尽量多\少”、“最多\少”、“利润最大”、“最合理”；详细见《算法学习总结》第1页

整数规划：特殊的线性规划，详细见《算法学习总结》第6页

多目标规划：既要****，又要****；需要衡量每个目标的完成情况，在主观上区分三个目标的重要性，使得整体的情况尽可能好。处理多目标优化问题时常用方法：把目标函数化为单目标优化，先按要求把其中的n-1个目标优化给计算出来，再将所计算的结果添加至第n个目标优化的约束条件中。

例：

非线性规划：至少一个变量不是一次方，题目出现“总收益率最大”、“最佳投资方案”、“角度调整”、涉及三角函数；详细见《算法学习总结》第8页

4.图论算法（这类算法可以分为很多种，包括最短路、网络 流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备）

最小生成树：prim算法和Kruskal算法——详细见《算法学习总结》第15页

最短路径算法：迪克斯特拉（Dijkstra）算法（一个顶点到其他顶点的最短路径），Floyd 算法(所有顶点对之间的最短路径，三个关键算法：求距离矩阵、求路径矩阵、最短路查找算法)——详细见《算法学习总结》第18页

5.动态规划、回溯搜索、分治算法、分支定界等计算机算法 （这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中）

动态规划：在决策过程中，目标函数非常复杂、条件过多时，将决策过程分为若干个相互联系阶段，在每个阶段都需要做出的决策需要考虑当前状态和影响后面决策的发展，即每个决策都在变化中产生且受前一个阶段决策的影响即为动态规划，应用于求解最优值（背包问题、生产经营问题、资金管理问题、资源分配问题、最短路径问题）。可用递归法、自底向上法；

步骤：（1）定义原问题和子问题（原问题即问题本身，子问题即与该问题相似的小规模问题）；（2）建立状态转移方程；（3） 建立DP数组（存储每个子问题结果）

回溯搜索：深度优先搜索、广度优先搜索

分治算法：归并排序

分支定界：一般用于求解整数规划问题，最优解不是整数时进行分界，求取满足题目要求的整数解

6.最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法 （这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）

模拟退火法：一般应用于材料类、最小值优化问题

神经网络：以期能够实现类人工智能的机器学习技术，他是一种机器学习语言，其用途有分类、预测等，可以用于模式识别、信号处理、专知识工程、专家系统、优化组合、机器人控制等

遗传算法：ga,基于自然选择原理和自然遗传机制的搜索（优化）算法，群体搜索

7.网格算法和穷举法（网格算法和穷举法都是暴力搜索最优 点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻 视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）

8.一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后 进行差分代替微分、求和代替积分等思想是非常重要的）

9.数值分析算法（如果在比赛中采用高级语言进行编程的话， 那一些数值分析中常用的算法比如方程组求解、矩阵运算、函 数积分等算法就需要额外编写库函数进行调用）

10.图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用 Matlab 进行处理)