优化设计数学建模

优化设计数学建模
优化设计数学建模

一、问题重述

1、利用优化设计相关理论计算法,对某设计问题做优化设计。要求如下:

①列出优化数学模型;

②选择所用优化算法;

③画出程序框图;

④程序编写;

⑤程序调试运算结果。

现根据以上条件,结合生活实际,准备以铁板为材料设计一鱼缸,为了能使鱼儿有更大的生存空间,要求鱼缸容积最大。

现有边长为5米长的方形铁板,预备在四个角减去四个相等的方形面积,用以制成方形鱼缸,如何减能使鱼缸的容积最大。

二、问题分析

2.1、对于此问题,我采用的数学模型包括三部分,即设计变量、目标函数和约束条件。

模型如下:

其中,设裁去铁块的边长为:x(0

则鱼缸的容积可表示成函数:y=-x*(5-2*x)^2 上述问题则可以描述为:

求变量:x

使函数:min y=-x*(5-2*x)^2(前加有”负”号,,故所求最大容积为最小y值)...........................................................................(1*)

约束条件:0

2.2、本模型采用无约束优化数学模型,运用一位搜索中的0.618法进行最优值求解,通过Visio软件制作流程图,结合MATLAB软件进行编程(因C语言编程多次调试没能成功),plot函数进行绘图分析,最终成功的调试得出运算结果。

三、程序框图

四、程序编写及函数图像

4.1求极值所用程序如下:

function q=line_s(a,b)

N=10000;r=0.01;

a=0;b=1.5;

for k=1:N;

v=a+0.382*(b-a);

u=a+0.618*(b-a);

fv=-25*v+20*v^2-4*v^3;

fu=-25*u+20*u^2-4*u^3;

if fv>fu

if b-v<=r

u

fu

break;

else

a=v;v=u;

u=a+0.618*(b-a);

end

else

if u-a<=r

v

-fv

break;

else

b=u;u=v;

v=a+0.382*(b-a);

end

k=k+1

end

end

4.2 函数曲线图程序如下:

如下曲线所得y值为负,前面(1*)已作解释。

x=0:0.1:2.5;

y=-25*x+20*x.^2-4*x.^3;

plot(x,y);

五、程序调试运行结果

5.1 如图所示:

当k执行5或7或10或12次时,均有x=0.8329时,有最大y=9.2593(函数中已做处理,变负为正,可以对照曲线图)。

如下曲线所得y值为负,前面(1*)已作解释。

建立数学模型的方法、步骤、特点及分类

建立数学模型的方法、步骤、特点及分类 [学习目标] 1.能表述建立数学模型的方法、步骤; 2.能表述建立数学模型的逼真性、可行性、渐进性、强健性、可转移性、非 预制性、条理性、技艺性和局限性等特点;; 3.能表述数学建模的分类; 4.会采用灵活的表述方法建立数学模型; 5.培养建模的想象力和洞察力。 一、建立数学模型的方法和步骤 —般说来建立数学模型的方法大体上可分为两大类、一类是机理分析方法,一类是测试分析方法.机理分析是根据对现实对象特性的认识、分析其因果关系,找出反映内部机理的规律,建立的模型常有明确的物理或现实意义.测试分折将研究对象视为一个“黑箱”系统,内部机理无法直接寻求,可以测量系统的输人输出数据、并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个与数据拟合得最好的模型。这种方法称为系统辨识(System Identification).将这两种方法结合起来也是常用的建模方法。即用机理分析建立模型的结构,用系统辨识确定模型的参数. 可以看出,用上面的哪一类方法建模主要是根据我们对研究对象的了解程度和建模目的决定的.如果掌握了机理方面的一定知识,模型也要求具有反映内部特性的物理意义。那么应该以机理分析方法为主.当然,若需要模型参数的具体数值,还可以用系统辨识或其他统计方法得到.如果对象的内部机理基本上没掌握,模型也不用于分析内部特性,譬如仅用来做输出预报,则可以系统辩识方法为主.系统辨识是一门专门学科,需要一定的控制理论和随机过程方面的知识.以下所谓建模方法只指机理分析。 建模要经过哪些步骤并没有一定的模式,通常与实际问题的性质、建模的目的等有关,从 §16.2节的几个例子也可以看出这点.下面给出建模的—般步骤,如图16-5所示. 图16-5 建模步骤示意图 模型准备首先要了解问题的实际背景,明确建模的目的搜集建模必需的各种信息如现象、数据等,尽量弄清对象的特征,由此初步确定用哪一类模型,总之是做好建模的准备工作.情况明才能方法对,这一步一定不能忽视,碰到问题要虚心向从事实际工作的同志请教,尽量掌握第一手资料. 模型假设根据对象的特征和建模的目的,对问题进行必要的、合理的简化,用精确的语言做出假设,可以说是建模的关键一步.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理、化学、生物、经济等方面的知识,又要充分发挥想象力、洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化、均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.

数学建模中常见的十大模型

数学建模常用的十大算法==转 (2011-07-24 16:13:14) 转载▼ 1. 蒙特卡罗算法。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,同时可以通过模拟来检验自己模型的正确性,几乎是比赛时必用的方法。 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MA TLAB 作为工具。 3. 线性规划、整数规划、多元规划、二次规划等规划类算法。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 软件求解。 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。 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,竞赛中很多场合会用到。 6. 最优化理论的三大非经典算法:模拟退火算法、神经网络算法、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,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。 7. 网格算法和穷举法。两者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. 一些连续数据离散化方法。很多问题都是实际来的,数据可以是连续的,而计算机只能处理离散的数据,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,即使问题与图形无关,论文中也会需要图片来说明问题,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MA TLAB 进行处理。 以下将结合历年的竞赛题,对这十类算法进行详细地说明。 以下将结合历年的竞赛题,对这十类算法进行详细地说明。 2 十类算法的详细说明 2.1 蒙特卡罗算法 大多数建模赛题中都离不开计算机仿真,随机性模拟是非常常见的算法之一。 举个例子就是97 年的A 题,每个零件都有自己的标定值,也都有自己的容差等级,而求解最优的组合方案将要面对着的是一个极其复杂的公式和108 种容差选取方案,根本不可能去求解析解,那如何去找到最优的方案呢?随机性模拟搜索最优方案就是其中的一种方法,在每个零件可行的区间中按照正态分布随机的选取一个标定值和选取一个容差值作为一种方案,然后通过蒙特卡罗算法仿真出大量的方案,从中选取一个最佳的。另一个例子就是去年的彩票第二问,要求设计一种更好的方案,首先方案的优劣取决于很多复杂的因素,同样不可能刻画出一个模型进行求解,只能靠随机仿真模拟。 2.2 数据拟合、参数估计、插值等算法 数据拟合在很多赛题中有应用,与图形处理有关的问题很多与拟合有关系,一个例子就是98 年美国赛A 题,生物组织切片的三维插值处理,94 年A 题逢山开路,山体海拔高度的插值计算,还有吵的沸沸扬扬可能会考的“非典”问题也要用到数据拟合算法,观察数据的

优化设计数学建模

一、问题重述 1、利用优化设计相关理论计算法,对某设计问题做优化设计。要求如下: ①列出优化数学模型; ②选择所用优化算法; ③画出程序框图; ④程序编写; ⑤程序调试运算结果。 现根据以上条件,结合生活实际,准备以铁板为材料设计一鱼缸,为了能使鱼儿有更大的生存空间,要求鱼缸容积最大。 现有边长为5米长的方形铁板,预备在四个角减去四个相等的方形面积,用以制成方形鱼缸,如何减能使鱼缸的容积最大。 二、问题分析 2.1、对于此问题,我采用的数学模型包括三部分,即设计变量、目标函数和约束条件。 模型如下: 其中,设裁去铁块的边长为:x(0

四、程序编写及函数图像 4.1求极值所用程序如下: function q=line_s(a,b) N=10000;r=0.01; a=0;b=1.5; for k=1:N; v=a+0.382*(b-a); u=a+0.618*(b-a); fv=-25*v+20*v^2-4*v^3; fu=-25*u+20*u^2-4*u^3; if fv>fu if b-v<=r u fu break; else a=v;v=u; u=a+0.618*(b-a); end else if u-a<=r v -fv break; else b=u;u=v; v=a+0.382*(b-a); end k=k+1 end end 4.2 函数曲线图程序如下: 如下曲线所得y值为负,前面(1*)已作解释。 x=0:0.1:2.5; y=-25*x+20*x.^2-4*x.^3; plot(x,y); 五、程序调试运行结果 5.1 如图所示: 当k执行5或7或10或12次时,均有x=0.8329时,有最大y=9.2593(函数中已做处理,变负为正,可以对照曲线图)。

回归分析在数学建模中的应用

摘要 回归分析和方差分析是探究和处理相关关系的两个重要的分支,其中回归分析方法是预测方面最常用的数学方法,它是利用统计数据来确定变量之间的关系,并且依据这种关系来预测未来的发展趋势。本文主要介绍了一元线性回归分析方法和多元线性回归分析方法的一般思想方法和一般步骤,并且用它们来研究和分析我们在生活中常遇到的一些难以用函数形式确定的变量之间的关系。在解决的过程中,建立回归方程,再通过该回归方程进行预测。 关键词:多元线性回归分析;参数估计;F检验

回归分析在数学建模中的应用 Abstract Regression analysis and analysis of variance is the inquiry and processing of the correlation between two important branches, wherein the regression analysis method is the most commonly used mathematical prediction method, it is the use of statistical data to determine the relationship between the variables, and based on this relationship predict future trends. introduces a linear regression analysis and multiple linear regression analysis method general way of thinking and the general steps, and use them to research and analysis that we encounter in our life, are difficult to determine as a function relationship between the variables in the solving process, the regression equation is established by the regression equation to predict. Keywords:Multiple linear regression analysis; parameter estimation;inspection II

什么是数学模型与数学建模

1. 什么是数学模型与数学建模 简单地说:数学模型就是对实际问题的一种数学表述。 具体一点说:数学模型是关于部分现实世界为某种目的的一个抽象的简化的数学结构。 更确切地说:数学模型就是对于一个特定的对象为了一个特定目标,根据特有的内在规律,做出一些必要的简化假设,运用适当的数学工具,得到的一个数学结构。数学结构可以是数学公式,算法、表格、图示等。 数学建模就是建立数学模型,建立数学模型的过程就是数学建模的过程(见数学建模过程流程图)。数学建模是一种数学的思考方法,是运用数学的语言和方法,通过抽象、简化建立能近似刻划并"解决"实际问题的一种强有力的数学手段。 2.美国大学生数学建模竞赛的由来: 1985年在美国出现了一种叫做MCM的一年一度大大学生数学模型(1987年全称为Mathematical Competition in Modeling,1988年改全称为Mathematical Contest in Modeling,其所写均为MCM)。这并不是偶然的。在1985年以前美国只有一种大学生数学竞赛(The william Lowell Putnam mathematial Competition,简称Putman(普特南)数学竞赛),这是由美国数学协会(MAA--即Mathematical Association of America的缩写)主持,于每年12月的第一个星期六分两试进行,每年一次。在国际上产生很大影响,现已成为国际性的大学生的一项著名赛事。该竞赛每年2月或3月进行。 我国自1989年首次参加这一竞赛,历届均取得优异成绩。经过数年参加美国赛表明,中国大学生在数学建模方面是有竞争力和创新联想能力的。为使这一赛事更广泛地展开,1990年先由中国工业与应用数学学会后与国家教委联合主办全国大学生数学建模竞赛(简称CMCM),该项赛事每年9月进行。

最新数学建模数据分析题

中国矿业大学数学建模常规赛竞赛 承诺书 我们仔细阅读了中国矿业大学数学建模常规赛论文格式规范和2016年中国矿业大学数学建模常规赛通知。我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。 我们知道,抄袭别人的成果是违反竞赛章程和参赛规则的,如果引用别人的成果或资料(包括网上资料),必须按照规定的参考文献的表述方式列出,并在正文引用处予以标注。在网上交流和下载他人的论文是严重违规违纪行为。 我们以中国矿业大学大学生名誉和诚信郑重承诺,严格遵守竞赛章程和参赛规则,以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为,我们将受到严肃处理。 我们授权中国矿业大学数学建模协会,可将我们的论文以任何形式进行公开展示(包括进行网上公示,在书籍、期刊和其他媒体进行正式或非正式发表等)。 我们的参赛队号:25 参赛队员(打印并签名):1. 易阳俊 2. 令月霞 3. 刘景瑞 日期: 2016 年 10 月日 (请勿改动此页内容和格式。此承诺书打印签名后作为纸质论文的封面。以上内容请仔细核对,如填写错误,论文可能被取消评奖资格。)

中国矿业大学数学建模常规赛竞赛 编号专用页 评阅统一编号(数学建模协会填写):

题目:数据的分析问题 摘要 本文需要解决的问题是如何根据就诊人员体内7种元素含量来判别某人是否患有疾病G和确定哪些指标是影响人们患疾病G的主要因素。通过解读题目可知,此类问题为典型的分析判别问题。我们先对数据进行了预处理,剔除了有异常数据的样本,然后采用元素分布判别法、马氏距离判别法和Fisher判别法,应用Excel、SPSS和MATLAB等软件来对某人是否患病进行判别,并通过绘制7种元素含量的折线图等来确定患该疾病的主要因素,最后应用综合判别法对之前的结论进行了检验。 对于问题一,在对数据预处理之后,我们删除了序号为10这个高度异常数据样本,然后我们分别采用元素分布判别法、马氏距离判别法和Fisher判别法对49个已知病例进行判别。对于元素分布判别法,我们通过数据预处理知道7种元素含量分布均符合正态分布,然后我们确定了以均值为大致中心的元素正常含量范围,得出其判别准确度为96%;对于马氏距离判别法,通过编写MATLAB 程序(见附录)来进行判别,得出其判别准确度为90%;对于Fisher判别法,通过SPSS软件来进行判别,得到线性判别函数,其判别准确度为96%; 针对问题二:我们运用问题一中建立的三个判别模型对25名就诊人员(见附录)的化验结果进行检验,判别结果如下表1: 行对分析,我们初步判定元素4与元素5是影响人们患疾病G的主要因素,然后用方法一的三种判别方法进行检验,其准确度在85%以上; 对于问题四,我们根据问题三得出的主要因素,分别用三种判别方法对25名就诊人员进行判别,再与问题二的判别结果进行对比,可知它们判断结果之间的差异性最高为24%。 对于问题五,由于三种判别法都有不足,所以我们采用了综合判别法,将三种判别方法的结果进行综合判断,最终我们通过主要因素进行判别的差异性下降到了12%,与问题一的判断结果的一致性达到了88%。 关键词:马氏距离判别,Fisher判别,综合判别,MATLAB,SPSS

数学建模的基本步骤

数学建模的基本步骤 一、数学建模题目 1)以社会,经济,管理,环境,自然现象等现代科学中出现的新问题为背景,一般都有一个比较确切的现实问题。 2)给出若干假设条件: 1. 只有过程、规则等定性假设; 2. 给出若干实测或统计数据; 3. 给出若干参数或图形等。 根据问题要求给出问题的优化解决方案或预测结果等。根据问题要求题目一般可分为优化问题、统计问题或者二者结合的统计优化问题,优化问题一般需要对问题进行优化求解找出最优或近似最优方案,统计问题一般具有大量的数据需要处理,寻找一个好的处理方法非常重要。 二、建模思路方法 1、机理分析根据问题的要求、限制条件、规则假设建立规划模型,寻找合适的寻优算法进行求解或利用比例分析、代数方法、微分方程等分析方法从基本物理规律以及给出的资料数据来推导出变量之间函数关系。 2、数据分析法对大量的观测数据进行统计分析,寻求规律建立数学模型,采用的分析方法一般有: 1). 回归分析法(数理统计方法)-用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式。 2). 时序分析法--处理的是动态的时间序列相关数据,又称为过程统计方法。 3)、多元统计分析(聚类分析、判别分析、因子分析、主成分分析、生存数据分析)。 3、计算机仿真(又称统计估计方法):根据实际问题的要求由计算机产生随机变量对动态行为进行比较逼真的模仿,观察在某种规则限制下的仿真结果(如蒙特卡罗模拟)。 三、模型求解: 模型建好了,模型的求解也是一个重要的方面,一个好的求解算法与一个合

适的求解软件的选择至关重要,常用求解软件有matlab,mathematica,lingo,lindo,spss,sas等数学软件以及c/c++等编程工具。 Lingo、lindo一般用于优化问题的求解,spss,sas一般用于统计问题的求解,matlab,mathematica功能较为综合,分别擅长数值运算与符号运算。 常用算法有:数据拟合、参数估计、插值等数据处理算法,通常使用spss、sas、Matlab作为工具. 线性规划、整数规划、多元规划、二次规划、动态规划等通常使用Lindo、Lingo,Matlab软件。 图论算法,、回溯搜索、分治算法、分支定界等计算机算法, 模拟退火法、神经网络、遗传算法。 四、自学能力和查找资料文献的能力: 建模过程中资料的查找也具有相当重要的作用,在现行方案不令人满意或难以进展时,一个合适的资料往往会令人豁然开朗。常用文献资料查找中文网站:CNKI、VIP、万方。 五、论文结构: 0、摘要 1、问题的重述,背景分析 2、问题的分析 3、模型的假设,符号说明 4、模型的建立(局部问题分析,公式推导,基本模型,最终模型等) 5、模型的求解 6、模型检验:模型的结果分析与检验,误差分析 7、模型评价:优缺点,模型的推广与改进 8、参考文献 9、附录 六、需要重视的问题 数学建模的所有工作最终都要通过论文来体现,因此论文的写法至关重要:

数学建模各种分析报告方法

现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系,即将相关比较密切的几个变量归在同一类中,每一类变量就成为一个因子(之所以称其为因子,是因为它是不可观测的,即不是具体的变量),以较少的几个因子反映原资料的大部分信息。 运用这种研究技术,我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些,以及它们的影响力(权重)运用这种研究技术,我们还可以为市场细分做前期分析。 2.主成分分析 主成分分析主要是作为一种探索性的技术,在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用:a,了解数据。(screening the data),b,和cluster analysis一起使用,c,和判别分析一起使用,比如当变量很多,个案数不多,直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。(reduce dimensionality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。 主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合,而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差,而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括:各个共同因子之间不相关,特殊因子(specific factor)之间也不相关,共同因子和特殊因子之间也不相关。 4、主成分分析中,当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候,的主成分一般是独特的;而因子分析中因子不是独特的,可以旋转得到不同的因子。 5、在因子分析中,因子个数需要分析者指定(spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。 和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。大致说来,当需要寻找潜在的因子,并对这些因子进行解释的时候,更加倾向于使用因子分析,并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量(新的变量几乎带有原来所有变量的信息)来进入后续的分析,则可以使用主成分分析。当然,这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 总得来说,主成分分析主要是作为一种探索性的技术,在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用:a,了解数据。(screening the data),b,

数学建模-数据的统计分析

数学建模与数学实验 课程设计 学院数理学院专业数学与应用数学班级学号 学生姓名指导教师 2015年6月

数据的统计分析 摘要 问题:某校60名学生的一次考试成绩如下: 93 75 83 93 91 85 84 82 77 76 77 95 94 89 91 88 86 83 96 81 79 97 78 75 67 69 68 84 83 81 75 66 85 70 94 84 83 82 80 78 74 73 76 70 86 76 90 89 71 66 86 73 80 94 79 78 77 63 53 55 计算均值、标准差、极差、偏度、峰度,画出直方图;检验分布的正态性; 若检验符合正态分布,估计正态分布的参数并检验参数; 模型:正态分布。 方法:运用数据统计知识结合MATLAB软件 结果:符合正态分布

问题重述 某校60名学生的一次考试成绩如下: 93 75 83 93 91 85 84 82 77 76 77 95 94 89 91 88 86 83 96 81 79 97 78 75 67 69 68 84 83 81 75 66 85 70 94 84 83 82 80 78 74 73 76 70 86 76 90 89 71 66 86 73 80 94 79 78 77 63 53 55 (1)计算均值、标准差、偏差、峰度,画出直方图; (2)检验分布的正态性; (3)若检验符合正态分布,估计正态分布的参数并检验参数。 模型假设 假设一:此组成绩没受外来因素影响。 假设二:每个学生都是独自完成考试的。 假设三:每个学生的先天条件相同。 三.分析与建立模型 像类似数据的信息量比较大,可以用MATLAB 软件决绝相关问题,将n 名学生分为x 组,每组各n\x 个学生,分别将其命为1x ,2X ……j x 由MATLAB 对随机统计量x 进行命令。此时对于直方图的命令应为 Hist(x,j) 源程序为: x1=[93 75 83 93 91 85 84 82 77 76 ] x2=[77 95 94 89 91 88 86 83 96 81 ] x3=[79 97 78 75 67 69 68 84 83 81 ]

建立数学模型的方法、步骤、特点及分类 ()

薅§16.3建立数学模型的方法、步骤、特点及分类 螁[学习目标] 蚀1.能表述建立数学模型的方法、步骤; 蒆2.能表述建立数学模型的逼真性、可行性、渐进性、强健性、可转移性、非预制性、条理性、技艺性和局限性等特点;; 羆3.能表述数学建模的分类; 蒃4.会采用灵活的表述方法建立数学模型; 葿5.培养建模的想象力和洞察力。 薆一、建立数学模型的方法和步骤 膃—般说来建立数学模型的方法大体上可分为两大类、一类是机理分析方法,一类是测试分析方法.机理分析是根据对现实对象特性的认识、分析其因果关系,找出反映内部机理的规律,建立的模型常有明确的物理或现实意义.§16.2节的示例都属于机理分析方法。测试分折将研究对象视为一个“黑箱”系统,内部机理无法直接寻求,可以测量系统的输人输出数据、并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个与数据拟合得最好的模型。这种方法称为系统辨识(SystemIdentification).将这两种方法结合起来也是常用的建模方法。即用机理分析建立模型的结构,用系统辨识确定模型的参数. 袁可以看出,用上面的哪一类方法建模主要是根据我们对研究对象的了解程度和建模目的决定的.如果掌握了机理方面的一定知识,模型也要求具有反映内部特性的物理意义。那么应该以机理分析方法为主.当然,若需要模型参数的具体数值,还可以用系统辨识或其他统计方法得到.如果对象的内部机理基本上没掌握,模型也不用于分析内部特性,譬如仅用来做输出预报,则可以系统辩识方法为主.系统辨识是一门专门学科,需要一定的控制理论和随机过程方面的知识.以下所谓建模方法只指机理分析。 膈建模要经过哪些步骤并没有一定的模式,通常与实际问题的性质、建模的目的等有关,从 薆§16.2节的几个例子也可以看出这点.下面给出建模的—般步骤,如图16-5所示. 薄图16-5建模步骤示意图 蚃模型准备首先要了解问题的实际背景,明确建模的目的搜集建模必需的各种信息如现象、数据等,尽量弄清对象的特征,由此初步确定用哪一类模型,总之是做好建模的准备工作.情况明才能方法对,这一步一定不能忽视,碰到问题要虚心向从事实际工作的同志请教,尽量掌握第一手资料. 芁模型假设根据对象的特征和建模的目的,对问题进行必要的、合理的简化,用精确的语言做出假设,可以说是建模的关键一步.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理、化学、生物、经济等方面的知识,又要充分发挥想象力、洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化、均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.

数学建模截断切割的优化设计

工业中截断切割的优化设计 一摘要 本文讨论了加工业中截断切割的优化排序策略我们对于不同的切割 方式总数用穷举法得到720 种所可行解及其费用并对于原问题建立了决策 并对所给出的算法进行了分析和检验 1.当e=0时我归纳出解决问题的最优法则, 从而提出了将面间距统一成判断权重来作为排 序准则的算法,同时证明 了e = 0 的情况下根据这种最优准则能够实现题目所要求的优化目标 2.对于e 1 0 时我们提出了实用准则 最后我结合实际问题将本问题进行了拓展讨论了当最终产品(成品) 在毛坯(待加工长方体)中位置不预定时应如何实施加工方案以达到节省费用 和节约资源的目的,使我们的方案适用于更为广阔的领域 二问题的重述、 在工业生产中,常需要采取将物理一分为二的截断切割方式从一块长方体材料中切出一个小长方体,其加工费用取决于水平切割和垂直切割的截面面积,以及调整刀具时的额外费用。对本题所给出的问题我们首先面临的对加工次序的排序策略然后我们考虑当毛坯和产品位置不预定的时候如何采取策略以达到我们的优化目的 问题: 1> 需考虑的不同切割方式的总数。 2> 给出上述问题的数学模型和求解方法。 3> 试对某部门用的如下准则做出评价,每次选择一个加工费用最少的切割面进行切割。 4> 对于e=0 的情况有无简明的优化准则。 5> 用以下实例验证你的方法: 待加工长方体和成品长方体的长,宽,高分别为10,14.5,19 和3,2,4,两者左侧面,正面,底面之间的距离分别为6,7,5(单位为厘米,垂直切割费用为每平方厘米1 元,r 和e 的数据有 4 组: 1) r=1,e=0; 2) r=1.5,e=0; 3) r=8,e=0; 4) r=1.5, 2 £ e £15 ; 三模型的假设和符号说明 1 切割刀具为两个一个水平放置一个为垂直放置 2 目标长方体所在位置不与毛坯任一表面重合 3 水平方向只需平行移动水平刀具垂直方向只平行移动或调整后再平行 移动刀具因此调整费用e 是否付出仅取决于先后两次垂直切割是否平行而 不记是否穿插着水平切割 4毛坯与工作台接触的底面是事先指定的

数学建模案例_停车场的优化设计(1)

案例16 停车场的优化设计 随着城市车辆的增加,停车位的需求量也越来越大,停车困难已逐渐成为市民们头疼的问题。要解决停车难问题,除了尽可能的增加停车场以外,对停车场进行优化设计也能在一定程度上缓解这一供需矛盾。停车场的优化设计就是在停车场大小确定的情况下,对停车区域进行优化设计,以便容纳更多的车辆。本文的目的就是希望分析一下这一情况,找出缓解停车困难的有效办法。 假设某公共场所附近有一块空地,如果不考虑建设地下或多层结构,我们该如何有效的设计停车位置呢?一般来说,想尽可能的把车塞进停车场,最好的办法就是以垂直停靠的方式将车一辆挤一辆地排成行,但是这样停放的后果就是车辆不能自由出入,只有后进入的车辆全部先出去了,先进入的车才可以离开停车场,显然不符合实际的需求。因而,为了使汽车能够自由地出入停车场,必须设立一定数量具有足够宽度的通道,并且每个通道都应该有足够大的“转弯半径”, 而通道越宽越多,就会使得容纳的车辆数越少。所以我们的问题就是要确定在满足车辆能够自由进出的实际需求下,如何进行停车位置和车行通道的设计,才能够停放更多的车辆,从而做到既方便停车又能获得最大的经济效益。 我们先来看看生活中非货运车辆大小的种类。根据实际调查和经验数据,这类车辆一般可分为小轿车,中型客车和大型客车三类。其中小轿车约占九成,大型客车约占一成,而中型客车一般不多于1%。根据这样的情况,我们可以免去对中型客车的车位设计,即便有中型客车停车的需要,可以使用大型车的车位,这也符合现实生活中绝大多数停车场的车位设计情况。我们设小轿车所占的比例为0.9α=,大型客车所占的比例为10.1α-=,当然现实中也有不少全为小轿车设计的停车场,例如小区的地下车库。 再来看看车位的大小。根据实际的调查,城市内比较普通的小轿车长度一般不超过4.7米,宽度一般不超过1.7米,而一般大型客车长度不超过12米,宽度不超过2.2米。另外,经实际考察可知,停车场中标志线的宽度大约为0.1米,所以我们可以假设停车场中停放轿车需要的车位长5L C =米,宽 2.5W C =米,这其中包括了0.1米的标志线宽度和至少0.3米的汽车间的横向间距。设停放大客车需要长12.5L B =米,宽3W B =米,其中包括0.1米的标志线宽度和必要的汽

(完整版)数学建模五步法与灵敏度分析

灵敏度分析 简介: 研究与分析一个系统(或模型)的状态或输出变化对系统参数或周围条件变化的敏感程度的方法。在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。通过灵敏度分析还可以决定哪些参数对系统或模型有较大的影响。因此,灵敏度分析几乎在所有的运筹学方法中以及在对各种方案进行评价时都是很重要的。 用途: 主要用于模型检验和推广。简单来说就是改变模型原有的假设条件之后,所得到的结果会发生多大的变化。 举例(建模五步法): 一头猪重200磅,每天增重5磅,饲养每天需花费45美分。猪的市场价格为每磅65美分,但每天下降1美分,求出售猪的最佳时间。 建立数学模型的五个步骤: 1.提出问题 2.选择建模方法 3.推到模型的数学表达式 4.求解模型 5.回答问题 第一步:提出问题 将问题用数学语言表达。例子中包含以下变量:猪的重量w(磅),从现在到出售猪期间经历的时间t(天),t天内饲养猪的花费C(美元),猪的市场价格p(美元/磅),出售生猪所获得的收益R(美元),我们最终要获得的净收益P(美元)。还有一些其他量,如猪的初始重量200磅。 (建议先写显而易见的部分) 猪从200磅按每天5磅增加 (w磅)=(200磅)+(5磅/天)*(t天) 饲养每天花费45美分 (C美元)=(0.45美元/天)*(t天) 价格65美分按每天1美分下降 (p美元/磅)=(0.65美元/磅)-(0.01美元/磅)*(t天) 生猪收益 (R美元)=(p美元/磅)*(w磅) 净利润 (P美元)=(R美元)-(C美元) 用数学语言总结和表达如下: 参数设定: t=时间(天)

w=猪的重量(磅) p=猪的价格(美元/磅) C=饲养t天的花费(美元) R=出售猪的收益(美元) P=净收益(美元) 假设: w=200+5t C=0.45t p=0.65-0.01t R=p*w P=R-C t>=0 目标:求P的最大值 第二步:选择建模方法 本例采用单变量最优化问题或极大—极小化问题 第三步:推导模型的数学表达式子 P=R-C (1) R=p*w (2) C=0.45t (3) 得到R=p*w-0.45t p=0.65-0.01t (4) w=200+5t (5) 得到P=(0.65-0.01t)(200+5t)-0.45t 令y=P是需最大化的目标变量,x=t是自变量,现在我们将问题转化为集合S={x:x>=0}上求函数的最大值: y=f(x)=(0.65-0.01x)(200+5x)-0.45x (1-1) 第四步:求解模型 用第二步中确定的数学方法解出步骤三。例子中,要求(1-1)式中定义的y=f (x)在区间x>=0上求最大值。下图给出了(1-1)的图像和导数(应用几何画板绘制)。在x=8为全局极大值点,此时f(8)=133.20。因此(8,133.20)为f在整个实轴上的全局极大值点,同时也是区间x>=0上的最大值点。 第五步:回答问题 根据第四步,8天后出售生猪的净收益最大,可以获得净收益133.20美元。只要第一步中的假设成立,这一结果正确。

数学建模之数据处理 03 版

在某海域测得一些点(x,y)处的水深z由下表给出,船的吃水深度为5英尺, (2)在矩形区域(75,200)*(-50,150)作二维三次插值法; (3)做海底曲面图; (4)作出水深小于5的海域范围,即z=5的等高线。 解: 解答: Matlab程序: x=[129,140,103.5,88,185.5,195,105,157.5,107.5,77,81,162,162,117.5]; y=[7.5,141.5,23,147,22.5,137.5,85.5,-6.5,-81,3,56.5,-66.5,84,-33.5]; z=[-4,-8,-6,-8,-6,-8,-8,-9,-9,-8,-8,-9,-4,-9]; xi=75:10:200; yi=-50:10:150; figure(1) z1i=griddata(x,y,z,xi,yi','nearest'); % 最邻近插值 surfc(xi,yi,z1i) xlabel('X'),ylabel('Y'),zlabel('Z') figure(2) z2i=griddata(x,y,z,xi,yi'); % 双线性插值 surfc(xi,yi,z2i) xlabel('X'),ylabel('Y'),zlabel('Z') figure(3) z3i=griddata(x,y,z,xi,yi','cubic'); % 双三次插值 surfc(xi,yi,z3i) xlabel('X'),ylabel('Y'),zlabel('Z') figure(4) subplot(1,3,1),contour(xi,yi,z1i,4,'b'); subplot(1,3,2),contour(xi,yi,z2i,4,'r'); subplot(1,3,3),contour(xi,yi,z3i,4,'g'); figure(5) % z=5的等高线 contour(xi,yi,z3i,7,'r');

建立数学模型的一般方法

建立数学模型的一般方法 —般说来建立数学模型的方法大体上可分为两大类、一类是机理分析方法,一类是测试分析方法.机理分析是根据对现实对象特性的认识、分析其因果关系,找出反映内部机理的规律,建立的模型常有明确的物理或现实意义. 模型准备首先要了解问题的实际背景,明确建模的目的搜集建模必需的各种信息如现象、数据等,尽量弄清对象的特征,由此初步确定用哪一类模型,总之是做好建模的准备工作.情况明才能方法对,这一步一定不能忽视,碰到问题要虚心向从事实际工作的同志请教,尽量掌握第一手资料. 模型假设根据对象的特征和建模的目的,对问题进行必要的、合理的简化,用精确的语言做出假设,可以说是建模的关键一步.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理、化学、生物、经济等方面的知识,又要充分发挥想象力、洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化、均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样. 模型构成根据所作的假设分析对象的因果关系,利用对象的内在规律和适当的数学工具,构造各个量(常量和变量)之间的等式(或不等式)关系或其他数学结构.这里除需要一些相关学科的专门知识外,还常常需要较广阔的应用数学方面的知识,以开拓思路.当然不能要求对数学学科门门精通,而是要知道这些学科能解决哪一类问题以及大体上怎样解决.相似类比法,即根据不同对象的某些相似性,借用已知领域的数学模型,也是构造模型的一种方法.建模时还应遵循的一个原则是,尽量采用简单的数学工具,因为你建立的模型总是希望能有更多的人了解和使用,而不是只供少数专家欣赏. 模型求解可以采用解方程、画图形、证明定理、逻辑运算、数值计算等各种

优化设计的数学模型及基本要素

第2章 优化设计的数学模型及基本要素 Chapter 2 Mathematical Modeling for Optimization 2-1 数学模型的建立 (mathematical modeling) 建立数学模型,就是把实际问题按照一定的格式转换成数学表达式的过程。数学模型建立的合适、正确与否,直接影响到优化设计的最终结果。 建立数学模型,通常是根据设计要求,应用相关基础和专业知识,建立若干个相应的数学表达式。如机械结构的优化设计,主要是根据力学、机械设计基础等专业基础知识及机械设备等专业知识来建立数学模型的。 当然,要建立能够反映客观实际的、比较准确的数学模型并非容易之事。数学模型建的过于复杂,涉及的因素太多,数学求解时可能会遇到困难;而建的太简单,又不接近实际情况,解出来也无多大意义。因此,建立数学模型的原则:抓主要矛盾,尽量使问题合理简化。Principle :The problem is simplified as much as possible. 由于设计对象千变万化,即使对同一个问题,由于看问题的角度不同,数学模型建的可能也不一样。建立数学模型不可能遵循一个不变的规则,本课也不准备把大量的时间花在数学模型的建立上。仅想以几个例子来演示一下数学模型的建立过程,使学生从中得到一些启发。 Exp. 2-1 例2-1 用宽度为cm 24,长度cm 100的薄 铁皮做成cm 100长的梯形槽,确定折边的尺寸 x 和折角θ(如图 2-1所示) ,使槽的容积最大。 解: 由于槽的长度就是板的长度,槽的梯形 截面积最大就意味着其容积最大。因此,该问题 就由,求体积最大变成求截面积最大。槽的梯形 截面积为: 图 2-1 ?= 2 1S 高 ?(上底边+下底边) 其中,上底边=x 224-;下底边=θcos 2224x x +-;高=θsin x 定义:该优化设计问题的目标函数是槽的梯形截面积S ,设计变量为θ,x 。问题可以简单地归结为:选择适当的设计变量θ,x ,在一定的限制条件下,使目标函数S 达到最大,限制条件为: 120,20<<<

数学建模:模型的评价和推广

模型的评价和推广 7.1 模型的评价 7.1.1模型的优点: (1)在数据处理方面,我们详细分析了视频数据,引用了标准车当量数(PCU),引用了通流量,规范了数据的格式和可用性,为下一步解题提供了简洁的数据资料。(2)在视频数据统计方面,我们实行分阶段定点查数,在每隔30秒的时间内取值,符合上游路口信号配时,并满足了第一相位、第二相位的地理性。 (3)模型在图像处理和显示上,我们采用SPSS和MATLAB双重作图,拟合数据的变化趋势及正态Q-Q图,使问题结果更加清晰、条理和直观。 (4)从数据中筛选出发生堵车时的合理数据,融合排队论模型的核心思想,给出科学直观的显示结果。 (5)在模型建立上,提取了排队论模型和交通波模型的理论架构,同时简化了无用的模型公式,尽量贴近数学建模“用最简单的方法解决最难问题“的思想。 7.1.2 模型的缺点 (1)在视频数据采样上,采用的是人工读取,虽然大大提高了灵活性,但也容易使数据出现人为的偏差和不精确;视频中从小区从进入到道路上的车辆并没有进行确切的统计。 (2)在问题一中,只采用了一种分析方法,结果比较单一,没有系统和全面地分析横断面通行能力的变化过程。 (3)问题三的所建立的关系模型中没有明确体现横断面实际通行能力,这也就使我们的关系模型不能准确地反应变量之间的关系。 (4)在统计完全堵车时的汽车数量时没有明确的标准规定,只是单纯地用主观认识确定完全交通拥堵。 7.2 模型的推广 依据题目中提供的视频数据和附录,建立了车祸横截面通行能力的通行量模型,并利用排队法的相关知识,确定了车辆排队长度、事故排队时间、路段上游车流量的函数关系,对城市中交通事故的处理方面有一定的参考价值。 模型中分析问题、解决问题的一些独到方法,排队法数据取样的总体思想,对其他数学问题及一般模型仍可使用。 另外,针对路边停车、占道施工等因素导致车道或道路横断面通行能力在单位时间内降低的现象,我们的方法对于交通管理部门可以作为分析解决问题的一种参考。 1 / 1

相关文档
最新文档