最经典的数学模型

最经典的数学模型
最经典的数学模型

最经典的数学模型

怎样得到最好的女孩子的数学模型

【关键词】怎样得到最好女孩子数学模型

由于老天爷在你的生命中安排的异性并不是同时出现任你挑选,因此无论你在何时选择结婚都是有机会成本的。

人们常常希望能够获得一个最可爱的人作为自己的伴侣。但是,由于老天爷在你的生命中安排的异性并不是同时出现任你挑选,因此无论你在何时选择结婚都是有机会成本的。也许你很早就结婚了,但是结婚之后却又不断发现还有不少更好更适合结婚的异性,这就是结婚太早的机会成本。那么,是不是晚一点结婚就可以避免这个问题呢?不是的!当结婚太晚,你错过最好的异性的可能性也就更大。那么,一个人究竟应采取什么样的策略才能最大可能地遇到最适合的异性,从而使结为伴侣的机会成本最低呢?我们不妨建立一个模型来考察。

假设你是一个男孩子,而老天爷在你20岁到30最之间安排了20位适合你的女孩子。这些女孩子都愿意作为你的伴侣,但是你只能选择其中的一位。对于你来说,这20位女孩子的质量是可以排序的,也就是说事后你可以对她们的质量排名,质量排第一的对你来说就是最好的,排第20的对你来说就是最差的。可惜的是,由于20位女孩不是同时出现在你的生命中,而是按时间先后出现,每出现一个你都要决定是否留下她或拒绝她。如果留下她则她成为你的伴侣,你将再没有权利选择后面的女孩子;如果拒绝她,则你还可以选择后面的女孩子,但是对前面已经拒绝的女孩子将没有机会从头再来。

20个女孩子的排名虽然可以在事后决定,但是在观察完20个女孩子之前,你并不知道全部女孩子的排名,你只知道已经观察过的女孩子谁比谁会更好。而且,上帝是完全随机地安排每个时间段出现的女孩子的,也就是说出现时间的先后与女孩子的质量是完全没有关系的。那么,你应该在什么时候决定接受一个女孩子,并且使得被接受那个女孩子属于最好女孩的概率最大呢?

当然,你完全可以在碰到第一个女孩子时就接受她。她确有可能刚好就是最好的,但也有可能是最差的。当你接触到第二个女孩子,你可以知道她和第一个女孩子谁更好,但却不知道她们与剩下的18个女孩比又如何——前两个分别是最差的、次差的概率当然有,但前两个刚好是最好的、次好的可能性也是存在的,其他的概率情况也是有的。看来,你要尽可能挑到最好的女孩做伴侣还真是费神哦。

现在让我们来设计几种挑选策略,以便在不确定性中尽可能找到最好的女孩子。

策略1:事先抽签,抽到第几个就第几个。比如,抽到第10位,那么第10个在你生命中出现的女孩就事前被确定为你的伴侣。而她刚好是最好的女孩之概率是多少呢?答案是1/20=0.05。这种策略使你有5%的可能性获得最好的女孩。这样的概率显然太小,很难发生。

策略2:把全部女孩分成前后两段,最先出现的10位均不接受,但了解了这10位女孩的质量,然后在后来出现的10位女孩当中,第一次碰到比以前都可爱的女孩子,就立马接受。这是一种等一等、看一看的策略。这样的策略中,你得到最好的女孩子的概率是

(10/20)*(10/19)=0.263。这个概率已经不算太小。

补充说明一下策略2中概率的算法:这样的规则下,确保得到最好的女孩子必然要求最好的女孩子在后10名女孩子中出现——否则你怎么也得不到最好的了——其概率是(10/20),同时,还要求第二好的女孩子出现在前10名,其概率为(10/19)——为什么是(10/19)?因为除了最好的,剩下人数19个,第二好的女孩出现在前10名的概率就是(10/19)——这样就确保了你会得到最好的女孩子。

但是,策略2得到最好女孩子的概率真的是0.263吗?可能不是,因为这只是第二好的女孩刚好在前10个出现的情况;实际上,即使第二好女孩子没有出现在先前的10个,但只要在最好的女孩出现之前的所有女孩中质量最高的出现在前10个,那么策略2也可确保得到最好的女孩子(这一点要想通,否则就难以明白接下来的内容)。也就是说,策略2获得最好的女孩子的概率实际上是超过0.263的(实际上我们在后面会发现这个概率应是0.3594。哇!这的确已经是一个不小的概率了)。

但是,还有更好的方法吗?或者我们可以问,放弃先出现的10个女孩是否是最优的?如果不是,那么应该放弃几个先出现的女孩子呢?

事实上,我们确有更好的策略(你应该先把前面的内容看懂,如果前面没看懂,下面可能就更看不懂了)。既然20个质量不同的女孩子其质量在你生命里是随机出现的,没有任何规律,那么,第k个女孩刚好是最好女孩的概率是1/20,而刚好把这个最好的女孩子选择到的概率是多少?对此的考虑应该是:既然给定了第k个女孩子质量最好,而我们决定放弃前面n-1个女孩子,从第n个开始执行策略2的规则,那么必须要求在k之前的女孩子中质量排名最高的那个必须出现前n-1个女孩子中,这样才能确保k被选中,其概率就是(n-1)/(k-1)。从而第k个女孩子刚好是最好的女孩子而且又一定被选中的概率就是(1 /20)*[(n-1)/(k-1)]。这里,k的取值范围显然应该是[n,20]中的整数。所以,放弃n-1个女孩子而一定会得到最可爱的那个女孩子的概率实际上就是(1/20)*[(n-1)/(n-1)]+ (1/20)*[(n-1)/(n)]+ (1/20)*[(n-1)/(n+1)]+…+(1/20)*[(n-1)/(20-1)]。这个概率可以用Mathematica软件来计算,或者用Excel来计算也可以,读者会发现,当n*=8时,该概率有最大值0.3842。也就是说,如果我们放弃前7个女孩子,先看一看,心里有个谱,然后只要看到比前7个女孩子中最好的女孩还要好的女孩子,那么我们就立即选择接受。而这个被接受的女孩子刚好属于最好女孩的概率是0.3842。这比我们放弃10 个女孩(n*=11)的策略2要好,按照策略2根据上述公式计算得到获得最好女孩的概率为0.3594。

我们用Mathematica软件绘出获得最好女孩子的概率图形(纵轴是概率,横轴表示从第几个开始认真考虑接受。最大概率出现在n*=8,即放弃前7个,从第8个开始认真考虑接受)。

根据这样的结果,我们可以这样结论:如果一个人确定结婚对象在20-30岁之间,而这20个女孩子以每年两个的平均分布出现,那么你应当在24岁才开始认真考虑终身大事。

这个例子也可任意改动数据后用同样的方法求解。比如,如果是30个女孩子,那么你应该从第11个女孩子开始认真考虑终身大事。

这个例子也可以改成其他的版本,比如:在20层楼中,每层楼都放着一颗宝石,每颗宝石的大小不一。现在你从第一楼开始上楼,每到一层楼你都可决定要不要该层楼中的宝石。如果不要,不能回头。如果要,则以后不能再取。问:你应该如何才可以有最大的机会获得最大那颗宝石?这个问题,据说是微软公司的面试题。但它的道理,与最大可能获得女孩子的道理是一样的。

俄罗斯轮盘赌中胜负纯粹依靠运气。但是另外一场轮盘赌中,一个博弈论专家本可稳抄胜券,却因为未曾细想其策略而满盘皆输。

巴里.奈尔巴夫(Barry Nalbuff)是一个博弈论经济学家。他与迪克西特(A. Dixit)合作的《策略思维》是一本非常著名的博弈论科普之作。在那本书中记录了巴里的一次深刻教训。话说当年巴里大学毕业时,为了庆祝一番,参加了剑桥大学的五月舞会。庆祝活动的一部分包括在一个堵场下注。每人都得到相当于20美圆的筹码,截止舞会结束时候,收获最大的一位将免费获得下一年度舞会的入场券。到了最后一轮轮盘赌的时候,纯粹是出于一个令人愉快的巧合,巴里手中已经有了相当于700美圆的筹码,独占熬头。第二名是一名拥有300美圆筹码的英国女子。其他参加者实际上已经被淘汰出局。该女子提出与巴里分享下一年的入场券,但是巴里拒绝了。是的,自己占有绝对的优势,怎么可能满足于得到一般的奖赏呢?

为了理解接下的策略,有必要交代一下轮盘赌的规则。典型的轮盘赌是轮盘上刻有37个数字,标记为从0到36。轮盘赌的输赢取决于轮盘停止转动时小球落在哪一格。假如小球落在0处,就算庄家赢。玩轮盘赌最可靠的玩法就是堵小球落在偶数还是奇数。这种玩法的赔率是一赔一,比如1美圆赌注变成2美圆,不过取胜的机会只有18/37(37个格中除了0外只有18个偶数,或18个奇数)。采取这样一种玩法,即使该女子押上全部300元筹码也不能稳抄胜券。因此她被迫选择一种风险更大的玩法,她把全部的筹码押在小球落在3的倍数上。这种玩法的赔率是二赔一(若她赢了,则她的300美圆将变成900美圆),但取胜的机会只有12/37(37格中除0外有12个数字是3的倍数)。

现在,那名女子已经将她的筹码摆上桌面,表示已经下注,不能反悔。那么巴里应该怎么办呢?

读者也可以先想一想巴里应该怎么办。真实的结果是,巴里将200美圆押在偶数上,并且嘀咕他输掉冠军宝座的唯一可能性就是他输并且她赢,而这种可能性发生的几率为1:5,因此形势对他非常有利。然而,几率1:5的事件也时有发生。在这里,结果是那名女子赢了。

事后,巴里承认做出这种错误的押注方式是因为当时已凌晨三点,喝了太多香槟,没有办法保持头脑清醒了。他真正应该采取的策略是模仿那名女子的做法,同样把300美圆押在小球落在3的倍数上。为什么呢?因为尽管小球是否落在3的倍数上是不确定的,但若巴里采取与女子同样的押注方式,那么只会出现的结果是要赢一起赢,要输一起输,但无论输赢巴里都会比女子多出400美圆而获得冠军宝座。相反,如果巴里采取与女子不同的押注方式,则女子赢得赌注而巴里输掉赌注的可能性就是存在的——而这正是真实的故事。

这件事给了巴里一个深刻的教训。保持清醒的头脑来选择最恰当的策略对于在博弈中取胜是至关重要的。不过,在毕业晚会上这样兴奋、疲倦的时刻,保持清醒头脑可能也很不容易。不仅巴里如此,其实那个女子也是在不清醒的状态下偶然取胜的。怎么可以判断出来?很简单,巴里只要采取与女子一样的策略则女子必败,只有两人采取不一样的策略时女子才有获胜的可能;既然如此,该女子就不应率先下注,因为率先下注则巴里就可以跟随其下同

样的注;她应该等巴里先下注,然后再下与巴里不同的注,这样才有反败为胜的可能。

巴里的这个故事所蕴涵的道理是深刻的。在现实中,我们常常会发现类似的领先者模仿落后者的例子。比如帆船竞赛,领先者总是试图与落后者保持同一航道,而落后者总是希望走上与领先者不同的航道。因为帆船会受到风速、风向的随机影响,对于不同航道的船,这种随机影响可能有差异,同一航道则影响往往是一致的。领先者维持与落后者同一航道,则可避免因随机因素影响而失败;而落后者选择与领先者不同航道,虽不能保证胜利,但却可以通过随机因素获得反败为胜的机会。在一个市场中的企业其实又何尝不是如此?先进的企业常常采取大多数企业所采取的比较保守的常规战略,而后进的企业中也有不少则提出“超常规发展”。遵循常规的后进企业没有机会超越先进的企业,而“超常规发展”战略虽然面临更大的风险,却的确也成就了少数恰好碰对了运气的企业。同样的情形也出现在股市分析员和经济预测员身上。业绩领先的预测员总是想方设法随大流,尽量做出与其他人差不多的预测。这样一来,大家就不容易改变对这些预测员能力的看法。另一方面,初出茅庐预测员则常常会采取一种冒险策略:他们喜欢预言市场出现繁荣或者崩溃。通常他们都会说错,以后再没人相信他们。不过,偶尔也有人做出了正确的预测而一夜成名,从此扬名立万。

从太太的回答中,我突然明白了为什么行为博弈理论(behavioral game theory)现在大行其道。

下面要讲到的例子与美国1970年代的一个电视节目有关,其中的概率计算困扰着成千上万的大众。在节目中,节目参与者将在3扇门之间选择其中一扇。这3扇门中有且仅有一扇门的后面装着奖品,另外两扇门则装着讽刺性礼品比如鸡崽(chicken)或者笨驴(donkey) 。当节目参与者选定一扇门之后,主持人就会打开另外两扇门中没有奖品的一扇。然后在剩下的两扇关闭的门中,主持人会问参与者要不要改变最初的选择。

这里的问题就是:参与人希望获得奖品,而不是获得讽刺性礼品,那么现在仍关闭的两扇门中,他应当坚持最初的选择呢?还是改变主意选择另外一扇门?

大多数人凭直觉认为,剩下的两扇门中,每扇门后有奖品或没有奖品的概率各占50%。因此,改变主意选择另外一扇门和坚持最初的选择不改变,预期的赢利是一样的。的确,这种思路看来是没有什么错。因为在做最初的选择时,选择正确的概率是1/3;而一旦选择之后,剩下两扇门,参与者从主持人的行为中所能得到的信息就只是将信念修正为自己选择正确的概率为1/2,选择失误的概率也是1/2。此外没有任何其他的信息改善。因此,他坚持原来的选择似乎可以说得过去。

但是,上述看法不符合真实的情况。真实的情况是,如果参与者改变自己最初的选择,那么获得奖品的概率是2/3,而不改变最初选择则获得奖品的概率仅为1/3。也就是他应该改变自己最初的选择。奇怪的是,将这个结果告诉给参与者后,他们也常常还难以理解为什么会这样。一种比较浅显的解释是这样的:在最初的选择中,选择了错误的门的概率是2/3。如果参与人一开始的确选择了错误的门,那么主持人随后必然打开空门,而没有被打开的那一扇就必然有奖品,此时参与人显然应该改变主意转换到自己没选择也没有被打开的那扇门。如果最初的选择中参与人的确选正确了(概率为1/3),那么他显然应该坚持,并因此获得奖品。也就是说,如果参与人一开始就选错了则参与人应该换门并一定获得奖金,如果参

与人一开始就选对了则应该坚持并一定获得奖金——于是,转换门获得奖金的概率与不转换门获得奖金的概率实际上就是最初选择是正确和错误的概率。而一开始,选择出现错误的概率是2/3,为正确的概率是1/3。因此,在不知自己选择是正是误的情况下,在第二阶段改变主义转换到另一扇门,的确增加了获得奖品的概率。

对于有些读者,可能仍难以明白上述道理。那么我建议你可以做这样一个游戏:准备三张扑克和一枚硬币,让你的朋友来当节目主持人将三张牌铺在桌面上(并将那枚硬币放在其中一张之下);然后你来选择一张牌;你的朋友将你没选取的牌中拿走没有硬币的一张,再问你是否改变你当初选的牌。为了证明转换选择不不转换选择将更有可能获得奖品,你可以尝试以“转换选择”为策略进行数十次(比如50次),再以“不转换选择”为策略进行同样多的次数(比如50次)。结果你会发现什么?你将发现“转换选择”的策略中,得到硬币的次数基本上是“不转换选择”策略中得到硬币的次数的两倍,而两种策略中硬币出现的频率也基本上分别接近2/3和1/3。

当然,在一次性节目中,并不允许这样的重复实验。而且大多数人的确也不明智地选择了“不转换选择”。我曾在学生中做这个实验,结果32人中有20人坚持“不转换选择”。说明大多数人是不清楚这样复杂的概率思考的。更有意思的是,我跟我太太(一个没有修过高等数学的文学士、教育学硕士)玩这个游戏时,她也是坚持“不转换选择”。当我告诉她如果转换则可以成倍提高获奖概率时,她却说:如果我开始选对了,改变了结果错了就会后悔,所以心理素质好的就不应该改变。当然,她说的已经不是纯粹的概率计算,但也不是没有道理的。人们的行为的确不仅受制于各种精心的算计,也往往受制于某些心理因素(比如后悔)。不过,我对她的答案疑问在于:“如果开始选择对了,那么后来改变了选择会令人后悔。但是,如果后来你知道开始的选择错了,而你又没有转换选择,你就不后悔没有转换吗?”太太的回答更经典:“一开始选择错了,我就只认为运气不好,没什么可后悔的;如果开始对了,后来改变错了,才是后悔的。”这让我理解想到人们日常生活中常提到的道理:从没得到的东西,也就不会有失去它痛苦,而已得到的失去了,就会深感创伤。从太太的回答中,我突然明白了为什么行为博弈理论(behavioral game theory)现在大行其道。

人类在漫长的岁月里,创造了丰富多彩的音乐文化,从古至今,从东方到西方,中国文化艺术,渊源流长。

我国最早的歌曲可以追溯到原始社会,例如传说中伏羲时的【网罟之歌】,诗经中的【关关雉鸠】,无论是思想内容,还是艺术形式,都已发展到很高的水平。

我们华人音乐有着悠久的历史,有着独特的风格,在世界上,希腊的悲剧和喜剧,印度的梵剧和中国的京剧,被称为【世界三大古老戏剧】,而京剧则是国之瑰宝,是我们华人的骄傲,亦是世界上最璀璨的一颗明珠。

你可知道高山流水遇知音的故事?你可知道诸葛亮身居空城,面对敌兵压境,饮酒抚琴的故事?

列宁曾经说过:我简直每天都想听奇妙而非凡的音乐,我常常自豪的,也许是幼稚的心情想,人类怎么会创造出这样的奇迹?一个伟大的无产阶级革命家,为什么对音乐如此痴狂?音乐究竟能给我们带来什么?

泰戈尔说:我举目漫望着各处,尽情的感受美的世界,在我视力所及的地方,充满了弥漫在天地之间的乐曲。

【二】

音乐,就是灵魂的漫步,是心事的诉说,是情愫的流淌,是生命在徜徉,它可以让寂寞绽放成一朵花,可以让时光婉约成一首诗,可以让岁月凝聚成一条河,流过山涧,流过小溪,流入你我的麦田……

我相信所有的人,都曾被一首歌感动过,或为其旋律,或某句歌词,或没有缘由,只是感动,有的时候,我们喜欢一首歌,并不是这首歌有多么好听,歌词写的多么好,而是歌词写的像自己,我们开心的时候听的是音乐,伤心的时候,慢慢懂得了歌词,而真正打动你的不是歌词,而是在你的生命中,关于那首歌的故事……

或许,在我们每个人的内心深处,都藏着一段如烟的往事,不经阳光,不经雨露,任岁月的青苔覆盖,而突然间,在某个拐角,或者某间咖啡厅,你突然听到了一首歌,或是你熟悉的旋律,刹那间,你泪如雨下,即使你不愿意去回忆,可是瞬间便触碰了你心中最柔软的地方,荡起了心灵最深处的涟漪,这就是音乐的神奇,音乐的魅力!

【三】

德国作曲家,维也纳古典音乐代表人贝多芬,49岁时已经完全失聪,然而,他的成名曲【命运交响曲】却是震惊世界,震撼我们的心灵,在他的音乐世界里,你能感受到生命的悲怆,岁月的波澜,和与命运的抗衡,这就是音乐赋予的力量!

贝多芬说:音乐是比一切智慧、一切哲学更高的启示,谁能渗透我音乐的意义,便能超脱寻常人无以自拔的苦难。

其实,人生就是一次漫长的旅行,一场艰难的跋涉,无论遇见怎样的风景,繁华过后,终归平淡,无论遇见还是告别,相聚亦是别离,我们都应该怀着感恩的心,善待生命,善待自己……

每一首歌都是一个故事,每一段音乐都是一段过往,不知哪首歌里写满了你的故事?哪段音乐有你最美的回忆?想念一个人的时候,是否在安静的夜晚?悲伤的时候,是否单曲循环?高兴时分,是否在音乐里手舞足蹈?

我喜欢音乐,没有任何理由,音乐是我灵魂的伴侣,是我生活的知己,它能懂我的喜,伴我的忧,伴随着淡淡的旋律,它便融入我的生命,浸透我的灵魂。

我喜欢音乐,音乐不仅仅是一种艺术享受,还能丰富我的生活,给我带来创作灵感,一首歌,或一句歌词,都是我写作的素材,都是我灵感的源泉,它犹如涓涓细流,汩汩流淌,令我思绪翩翩,令我意象浓浓……

当我忧伤的时候,我喜欢在音乐里漫步,当我快乐的的时候,我喜欢在音乐里起舞,当我迷茫困惑的时候,唯有音乐,才是我最好的陪伴……

【四】

红尘喧嚣,世事沧桑,三千烟火,韶光迷离,我们在尘世间行走,凡尘琐事总会困扰于心,我已经习惯了,将浅浅的心事蕴藏在文字里,将淡淡的忧伤释怀在音乐中,委婉的旋律,环绕于耳,凄美的歌词,萦绕于心,当我累了,倦了,我只想置身于音乐的海洋,忘记凡尘,忘记喧嚣,安静的去听一首歌……

数学建模的经典模板

一、摘要 内容: (1)用1、2句话说明原问题中要解决的问题; (2)建立了什么模型(在数学上属于什么类型),建模的思想(思路),模型特点; (3)算法思想(求解思路),特色; (4)主要结果(数值结果,结论);(回答题目的全部“问题”) (5)模型优点,结果检验;模型检验,灵敏度分析,有无改进,推广 要求 (1)特色和创新之处必须在这里强调; (2)长度 (3)要确保准确、简明、条理、清晰、突出特色和创新点; 二、问题的提出 内容: 用自己的语言阐述背景,条件,要求;重点列出‘问题’也即要求; 要求: (1)不是题目的完整拷贝 (2)根据自己的理解,用自己的语言清楚简明的阐述背景、条件和要求; 三、条件假设 内容 (1)根据题目中的条件做出假设 (2)根据题目中的要求做出假设; 要求 (1)合理性最重要; (2)假设合理且全面,但不欣赏罗列大量的无关假设,关键性假设不能缺; (3)合理假设作用: 简化问题,明确问题,限定模型的适用范围 四、符号约定 五、问题分析 1.名词解释 2.问题的背景分析 3.问题分析 六、模型建立 抽象要求 (1)模型的主要类别:初等模型、微分方程模型、差分方程模型、概率模型、统计预测模型、

优化模型、决策模型、图论模型等 (2)几种常见的建模目的:(对应相对(1)的方法) 描述或解释现实世界的各类现象,常采用机理型分析方法,探索研究对象的内在规律性; 预测感兴趣的时间爱你是否会发生,或者事物的房展趋势,常采用数理统计或模拟的方法; 优化管理、决策或者控制事物,需要合理地定义可量化的评价指标及评价方法; (3)建模过程常见的几个要点: 模型的整体设计、合理的假设、建立数学结构、建立数学表达式; (4)模型的要求: 明确、合理、简洁、具有一般性; 例如:有些论文不给出明确的模型,只是就赛题所给的特殊情况,用凑得方法给出结果,虽然结果大致对,但缺乏一般性,不是建模的正确思路;((与第三点对应)) (5)鼓励创新,特别欣赏独树一帜、标新立异,但要合理 (6)避免出现罗列一系列的模型,又不做评价的现象; 具体要求: (1)基本模型:首先要有数学模型:数学公式、方案等;基本模型,要求完整,正确,简明(2)简化模型:要明确说明,简化思想,依据;简化后的模型尽可能给出; 七、模型求解 每一块内容包括:计算方法设计或选择、算法设计或选择、算法思想依据、步骤及实现、计算框图、所采用的软件名称 写作要求: 1、需要建立数学命题时:命题叙述要符合数学命题的表述规范,尽可能论证严密 2、需要说明计算方法或算法的原理、思想、依据、步骤。若采用现有软件,说明采用此软件的理由,软件名称 3、计算过程,中间结果可要可不要的,不要列出 4、设法算出合理的数值结果 5、最终数值结果的正确性或合理性是第一位的 6、对数值结果或模拟结果进行必要的检验。结果不正确、不合理、或误差大时,分析原因,对算法、计算方法、或模型进行修正、改进 7、题目中要求回答的问题,数值结果,结论,须一一列出 8、列数据问题:考虑是否需要列出多组数据,或额外数据对数据进行比较、分析,为各种方案的提出提供依据 9、结果表示:要集中,一目了然,直观,便于比较分析 ▲数值结果表示:精心设计表格;可能的话,用图形图表形式 ▲求解方案,用图示更好 10、必要时对问题解答,作定性或规律性的讨论。最后结论要明确 内容 (1)算法设计或选择,算法的思想依据,步骤; (2)引用或建立必要的数学命题和定理; (3)在不能给出精确解的情况下,需要给出不知一种解法(算法),并进行测试比较,给出

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

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。

数学建模典型例题

一、人体重变化 某人的食量是10467焦/天,最基本新陈代谢要自动消耗其中的5038焦/天。每天的体育运动消耗热量大约是69焦/(千克?天)乘以他的体重(千克)。假设以脂肪形式贮存的热量100% 地有效,而1千克脂肪含热量41868焦。试研究此人体重随时间变化的规律。 一、问题分析 人体重W(t)随时间t变化是由于消耗量和吸收量的差值所引起的,假设人体重随时间的变化是连续变化过程,因此可以通过研究在△t时间内体重W的变化值列出微分方程。 二、模型假设 1、以脂肪形式贮存的热量100%有效 2、当补充能量多于消耗能量时,多余能量以脂肪形式贮存 3、假设体重的变化是一个连续函数 4、初始体重为W0 三、模型建立 假设在△t时间内: 体重的变化量为W(t+△t)-W(t); 身体一天内的热量的剩余为(10467-5038-69*W(t)) 将其乘以△t即为一小段时间内剩下的热量; 转换成微分方程为:d[W(t+△t)-W(t)]=(10467-5038-69*W(t))dt; 四、模型求解 d(5429-69W)/(5429-69W)=-69dt/41686 W(0)=W0 解得: 5429-69W=(5429-69W0)e(-69t/41686) 即: W(t)=5429/69-(5429-69W0)/5429e(-69t/41686) 当t趋于无穷时,w=81; 二、投资策略模型 一、问题重述 一家公司要投资一个车队并尝试着决定保留汽车时间的最佳方案。5年后,它将卖出所有剩余汽车并让一家外围公司提供运输。在策划下一个5年计划时,这家公司评估在年i 的开始买进汽车并在年j的开始卖出汽车,将有净成本a ij(购入价减去折旧加上运营和维修成本)ij

十大经典数学模型

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,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Matlab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) 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) 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)元胞自动机 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) 以上为各类算法的大致介绍,下面的内容是详细讲解,原文措辞详略得当,虽然不是面面俱到,但是已经阐述了主要内容,简略之处还望大家多多讨论。 1、蒙特卡罗方法(MC)(Monte Carlo): 蒙特卡罗(Monte Carlo)方法,或称计算机随机模拟方法,是一种基于“随机数”的计算方法。这一方法源于美国在第二次世界大战进行研制原子弹的“曼哈顿计划”。该计划的主持人之一、数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法,为它蒙上了一层神秘色彩。 蒙特卡罗方法的基本原理及思想如下: 当所要求解的问题是某种事件出现的概率,或者是某个随机变量的期望值时,它们可以通过某种“试验”的方法,得到这种事件出现的频率,或者这个随机变数的平均值,并用它们作为问题的解。这就是蒙特卡罗方法的基本思想。蒙特卡罗方法通过抓住事物运动的几何数量和几何特征,利用数学方法来加以模拟,即进行一种数字模拟实验。它是以一个概率模型为基础,按照这个模型所描绘的过程,通过模拟实验的结果,作为问题的近似解。 可以把蒙特卡罗解题归结为三个主要步骤: 构造或描述概率过程;实现从已知概率分布抽样;建立各种估计量。 例:蒲丰氏问题 为了求得圆周率π值,在十九世纪后期,有很多人作了这样的试验:将长为2l的一根针任意投到地面上,用针与一组相间距离为2a( l<a)的平行线相交的频率代替概率P,再利用准确的关系式:

数学建模算法分类

数学模型按照不同的分类标准有许多种类: 1.按照模型的数学方法分,有几何模型,图论模型,微分方程模型。概率模型,最优控制模型,规划论模型,马氏链模型。 2.按模型的特征分,有静态模型和动态模型,确定性模型和随机模型,离散模型和连续性模型,线性模型和非线性模型。 3.按模型的应用领域分,有人口模型,交通模型,经济模型,生态模型,资源模型。环境模型。 4.按建模的目的分,有预测模型,优化模型,决策模型,控制模型等。 5.按对模型结构的了解程度分,有白箱模型,灰箱模型,黑箱模型。 数学建模的十大算法: 蒙特卡洛算法(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,同时可以通过模拟可以来检验自己模型的正确性,比较好用的算法。) 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。) 线性规划、整数规划、多元规划、二次规划等规划类问题(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lingo、lingdo软件实现)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。) 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) 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(这些问题时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,需谨慎使用) 网格算法和穷举法(当重点讨论模型本身而情史算法的时候,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) 一些连续离散化方法(很多问题都是从实际来的,数据可以是连续的,而计算机只认得是离散的数据,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。 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。) 图像处理算法(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来处理问题。) 数学建模方法 统计:1.预测与预报2.评价与决策3.分类与判别4.关联与因果 优化:5.优化与控制 预测与预报 ①灰色预测模型(必须掌握) 满足两个条件可用: a数据样本点个数少,6-15个 b数据呈现指数或曲线的形式 ②微分方程预测(备用) 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

最经典的数学模型

最经典的数学模型 怎样得到最好的女孩子的数学模型 【关键词】怎样得到最好女孩子数学模型 由于老天爷在你的生命中安排的异性并不是同时出现任你挑选,因此无论你在何时选择结婚都是有机会成本的。 人们常常希望能够获得一个最可爱的人作为自己的伴侣。但是,由于老天爷在你的生命中安排的异性并不是同时出现任你挑选,因此无论你在何时选择结婚都是有机会成本的。也许你很早就结婚了,但是结婚之后却又不断发现还有不少更好更适合结婚的异性,这就是结婚太早的机会成本。那么,是不是晚一点结婚就可以避免这个问题呢?不是的!当结婚太晚,你错过最好的异性的可能性也就更大。那么,一个人究竟应采取什么样的策略才能最大可能地遇到最适合的异性,从而使结为伴侣的机会成本最低呢?我们不妨建立一个模型来考察。 假设你是一个男孩子,而老天爷在你20岁到30最之间安排了20位适合你的女孩子。这些女孩子都愿意作为你的伴侣,但是你只能选择其中的一位。对于你来说,这20位女孩子的质量是可以排序的,也就是说事后你可以对她们的质量排名,质量排第一的对你来说就是最好的,排第20的对你来说就是最差的。可惜的是,由于20位女孩不是同时出现在你的生命中,而是按时间先后出现,每出现一个你都要决定是否留下她或拒绝她。如果留下她则她成为你的伴侣,你将再没有权利选择后面的女孩子;如果拒绝她,则你还可以选择后面的女孩子,但是对前面已经拒绝的女孩子将没有机会从头再来。 20个女孩子的排名虽然可以在事后决定,但是在观察完20个女孩子之前,你并不知道全部女孩子的排名,你只知道已经观察过的女孩子谁比谁会更好。而且,上帝是完全随机地安排每个时间段出现的女孩子的,也就是说出现时间的先后与女孩子的质量是完全没有关系的。那么,你应该在什么时候决定接受一个女孩子,并且使得被接受那个女孩子属于最好女孩的概率最大呢? 当然,你完全可以在碰到第一个女孩子时就接受她。她确有可能刚好就是最好的,但也有可能是最差的。当你接触到第二个女孩子,你可以知道她和第一个女孩子谁更好,但却不知道她们与剩下的18个女孩比又如何——前两个分别是最差的、次差的概率当然有,但前两个刚好是最好的、次好的可能性也是存在的,其他的概率情况也是有的。看来,你要尽可能挑到最好的女孩做伴侣还真是费神哦。 现在让我们来设计几种挑选策略,以便在不确定性中尽可能找到最好的女孩子。 策略1:事先抽签,抽到第几个就第几个。比如,抽到第10位,那么第10个在你生命中出现的女孩就事前被确定为你的伴侣。而她刚好是最好的女孩之概率是多少呢?答案是1/20=0.05。这种策略使你有5%的可能性获得最好的女孩。这样的概率显然太小,很难发生。 策略2:把全部女孩分成前后两段,最先出现的10位均不接受,但了解了这10位女孩的质量,然后在后来出现的10位女孩当中,第一次碰到比以前都可爱的女孩子,就立马接受。这是一种等一等、看一看的策略。这样的策略中,你得到最好的女孩子的概率是

数学建模常用的十种解题方法

数学建模常用的十种解题方法 摘要 当需要从定量的角度分析和研究一个实际问题时,人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上,用数学的符号和语言,把它表述为数学式子,也就是数学模型,然后用通过计算得到的模型结果来解释实际问题,并接受实际的检验。这个建立数学模型的全过程就称为数学建模。数学建模的十种常用方法有蒙特卡罗算法;数据拟合、参数估计、插值等数据处理算法;解决线性规划、整数规划、多元规划、二次规划等规划类问题的数学规划算法;图论算法;动态规划、回溯搜索、分治算法、分支定界等计算机算法;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;网格算法和穷举法;一些连续离散化方法;数值分析算法;图象处理算法。 关键词:数学建模;蒙特卡罗算法;数据处理算法;数学规划算法;图论算法 一、蒙特卡罗算法 蒙特卡罗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。在工程、通讯、金融等技术问题中, 实验数据很难获取, 或实验数据的获取需耗费很多的人力、物力, 对此, 用计算机随机模拟就是最简单、经济、实用的方法; 此外, 对一些复杂的计算问题, 如非线性议程组求解、最优化、积分微分方程及一些偏微分方程的解⑿, 蒙特卡罗方法也是非常有效的。 一般情况下, 蒙特卜罗算法在二重积分中用均匀随机数计算积分比较简单, 但精度不太理想。通过方差分析, 论证了利用有利随机数, 可以使积分计算的精度达到最优。本文给出算例, 并用MA TA LA B 实现。 1蒙特卡罗计算重积分的最简算法-------均匀随机数法 二重积分的蒙特卡罗方法(均匀随机数) 实际计算中常常要遇到如()dxdy y x f D ??,的二重积分, 也常常发现许多时候被积函数的原函数很难求出, 或者原函数根本就不是初等函数, 对于这样的重积分, 可以设计一种蒙特卡罗的方法计算。 定理 1 )1( 设式()y x f ,区域 D 上的有界函数, 用均匀随机数计算()??D dxdy y x f ,的方法: (l) 取一个包含D 的矩形区域Ω,a ≦x ≦b, c ≦y ≦d , 其面积A =(b 一a) (d 一c) ; ()j i y x ,,i=1,…,n 在Ω上的均匀分布随机数列,不妨设()j i y x ,, j=1,…k 为落在D 中的k 个随机数, 则n 充分大时, 有

数学建模典型例题(二)

6 小行星的轨道模型 问题 一天文学家要确定一颗小行星绕太阳运行的轨道,他在轨道平面内建立以太阳为原点的直角坐标系,在两坐标轴上取天文测量单位(一天文单位为地球到太阳的平均距离:1.4959787×1011m ).在5个不同的时间对小行星作了5次观察,测得轨道上5个点的坐标数据如表6.1. 表6.1 坐标数据 由Kepler (开普勒)第一定律知,小行星轨道为一椭圆.现需要建立椭圆的方程以供研究(注:椭圆的一般方程可表示为 012225423221=+++++y a x a y a xy a x a . 问题分析与建立模型 天文学家确定小行星运动的轨道时,他的依据是轨道上五个点的坐标数据: (x 1, y 1), (x 2, y 2), (x 3, y 3), (x 4, y 4), (x 5, y 5). 由Kepler 第一定律知,小行星轨道为一椭圆.而椭圆属于二次曲线,二次曲线的一般方程为012225423221=+++++y a x a y a xy a x a .为了确定方程中的五个待定 系数,将五个点的坐标分别代入上面的方程,得 ???? ?????-=++++-=++++-=++++-=++++-=++++.122212221222122212225554253552251454424344224 135342 3333223125242 232222211514213112211y a x a y a y x a x a , y a x a y a y x a x a ,y a x a y a y x a x a ,y a x a y a y x a x a ,y a x a y a y x a x a 这是一个包含五个未知数的线性方程组,写成矩阵

数学建模经典案例:最优截断切割问题

建模案例:最优截断切割问题 一、 问 题 从一个长方体中加工出一个已知尺寸、位置预定的长方体(这两个长方体的对应表面是平行的),通常要经过 6 次截断切割.设水平切割单位面积的费用是垂直切割单位面积费用的r 倍.且当先后两次垂直切割的平面(不管它们之间是否穿插水平切割)不平行时,因调整刀具需额外费用 e.试设计一种安排各面加工次序(称“切割方式”)的方法,使加工费用最少. 二、 假 设 1、假设水平切割单位面积的费用为r ,垂直切割单位面积费用为1; 2、当先后两次垂直切割的平面(不管它们之间是否穿插水平切割)不平行时,调整刀具需额外费用e ; 3、第一次切割前,刀具已经调整完毕,即第一次垂直切割不加入刀具调整费用; 4 、每个待加工长方体都必须经过6次截断切割. 三、 模型的建立与求解 设待加工长方体的左右面、前后面、上下面间的距离分别为 a0、b0 、c0 ,六个切割面分别位于左、右、前、后、上、下,将它们相应编号为M1、M2、M3、M4、M5、M6,这六个面与待加工长方体相应外侧面的边距分别为 u1、u2、u3、u4、u5、u6.这样,一种切割方式就是六个切割面的一个排列,共有P 66720= 种切割方式.当考虑到切割费用时,显然有局部优化准则:两个平行待切割面中,边距较大的待切割面总是先加工. 由此准则,只需考虑 P 6622290!!! ??=种切割方式.即在求最少加工费用时, 只需在90个满足准则的切割序列中考虑.不失一般性,设u1≥u2,u3≥u4,u5≥u6,故只考虑M1在M2前、M3在M4前、M5在M6前的切割方式. 1、 e=0 的情况

数学建模中常见的十大模型讲课稿

数学建模中常见的十 大模型

精品文档 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MATLAB 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 收集于网络,如有侵权请联系管理员删除

数学建模十种常用算法

数学建模有下面十种常用算法, 可供参考: 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,同时可以通过模拟可以来检验自己模型的正确性,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Matlab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) 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,很多场合可以用到竞赛中) 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) 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)

数学模型经典例题

一、把椅子往地面一放,通常只有三只脚着地,放不稳,然而只需稍挪动几次,就可以使四只脚同时着地放稳了,就四脚连线成长方形的情形建模并加以说明。(15分) 解:一、模型假设: 1. 椅子四只脚一样长,椅脚与地面的接触可以看作一个点,四脚连线呈长方形。 2. 地面高度是连续变化的,沿任何方向都不会出现间断,地面可以看成一张光滑曲面。 3. 地面是相对平坦的,使椅子在任何位置至少有三只脚同时着地。 (3分) 二、建立模型: 以初始位置的中位线为坐标轴建立直角坐标系,用θ表示椅子绕中心O 旋转的角度,椅子的位置可以用θ确定: ()f θ记为A 、B 两点与地面的距离之和 ()g θ记为C 、D 两点与地面的距离之和 由假设3可得,()f θ、()g θ中至少有一个为0。 由假设2知()f θ、()g θ是θ的连续函数。 (3分) 问题归结为: 已知()f θ和()g θ是θ的连续函数,对任意θ, ()()0f g θθ=,且设()()00,00g f =>。证明存在0θ, 使得()()000f g θθ== (3分) 三、模型求解: 令()()()h f θθθ=-g 若()()000f g =,结论成立 若()()000f g 、不同时为,不妨设()()00,00g f =>,椅子旋转()180π或后,AB 与CD 互换,即()()0,0g f ππ>=,则()(0)0,0h h π><。 (3分) 由f g 和的连续性知h 也是连续函数。根据连续函数的基本性质,必存在 ()000θθπ<<使000()0,()()h f g θθθ==即。 最后,因为00()()0f g θθ=,所以00()()0f g θθ==。 (3分) 图 5

数学建模中常见的十大模型

数学建模中常见的十大 模型 Document serial number【KKGB-LBS98YT-BS8CB-BSUT-BST108】

数学建模常用的十大算法==转 (2011-07-24 16:13:14) 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MATLAB 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MATLAB 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 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。

数学建模常用算法模型

按模型的数学方法分: 几何模型、图论模型、微分方程模型、概率模型、最优控制模型、规划论模型、马氏链模型等 按模型的特征分: 静态模型和动态模型,确定性模型和随机模型,离散模型和连续性模型,线性模型和非线性模型等 按模型的应用领域分: 人口模型、交通模型、经济模型、生态模型、资源模型、环境模型等。 按建模的目的分: 预测模型、优化模型、决策模型、控制模型等 一般研究数学建模论文的时候,是按照建模的目的去分类的,并且是算法往往也和建模的目的对应 按对模型结构的了解程度分: 有白箱模型、灰箱模型、黑箱模型等 比赛尽量避免使用,黑箱模型、灰箱模型,以及一些主观性模型。 按比赛命题方向分: 国赛一般是离散模型和连续模型各一个,2016美赛六个题目(离散、连续、运筹学/复杂网络、大数据、环境科学、政策) 数学建模十大算法 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,同时可以通过模拟可以来检验自己模型的正确性,比较好用的算法) 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Matlab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) 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,很多场合可以用到竞赛中) 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) 7、网格算法和穷举法 (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 (很多问题都是从实际来的,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) 算法简介 1、灰色预测模型(必掌握)

差微分方程 数学建模经典案例

差分方程作业题 黄冈职业技术学院 宋进健 胡敏 熊梦颖 1.一对年轻夫妇准备购买一套住房,但缺少资金近6万元。假设它们每月可有节余900元,且有如下的两种选择: (1)使用银行贷款60000元。月利率0.01,贷款期25年=300个月; (2) 到某借贷公司借贷60000元,月利率0.01,22年还清。只要(i )每半个月还316元,(ii) 预付三个月的款。 你能帮他们做出明智的选择吗? 模型假设: (1)银行及借贷公司在贷款期限内利率不变; (2)不考虑物价变化和经济等因素从而影响利率; (3)银行利息按复利计算且单位时间可任意缩短至时间变量连续性变化 建立模型: 对第一种情况有: 设n 年期贷款月利率为r ,共贷款 元,贷款后第k 个月时欠款余额为 元,月还款m 元。 模型求解: 由MATLAB 得出结果m=631.9345 建立模型: 对第二种情况有: 设n 年期贷款半月利率为r ,共贷款A 0元,贷款后第k 个月时欠款余额为A k 元,半月还款m 元。 模型求解: ()() 011 1,k k k r A A r m k N r +-=+-∈1 0)1()1(300 300 300 -= ?=++r r A A r m N k m r A A k K ∈-+=+,) 1(1 N k m r A A k K ∈-+=+,) 1(1 ()() 011 1,k k k r A A r m k N r +-=+-∈1 0)1()1(528 528 528 -= ?=++r r A A r m A k A 0

由MATLAB 得出结果m= 313.0038 模型分析:由第一种方式计算m=631.9345小于月节余额900元,能够承受月还款;由第二种方式计算m= 313.0038小于借贷公司要求没半个月还款316元,如果按照借贷公司要求则每月还款为632元大于第一种还款方式631.9345元,故选择第一种还款方式。 2. 在一城市的某商业区内,有两家有名的快餐店“肯德基”分店和“麦当劳”分 店。据统计每年“肯德基”保有其上一年老顾客的1/3,而另外的2/3顾客转移到“麦当劳”;每年“麦当劳”保有其上一年的老顾客的1/2,而另外的1/2顾客转移到“肯德基”。 用二维向量X k =[x k y k ]T 表示两个快餐店市场分配的情况,初始的市场分配为X 0 = [200 200]T 如果有矩阵L 存在,使得 X k +1 = LX k ,则称 L 为状态转移矩阵。 (1) 写出X k =[x k y k ]T 和X k+1=[x k +1 y k +1]T 的递推关系式,以及状态转移矩阵L 。 (2) 根据递推关系计算近几年的市场分配情况; 模型假设: (1) 当前的肯德基和麦当劳的市场份额继续不变。 (2) 肯德基和麦当劳不推出优惠活动和新的经营计划。 模型建立: 初始的市场分配数量为:200,2000 0==y x 以一年为一时间段,则某时刻两个快餐店的顾客数量可用向量] ,[1 1y x T X =表 示。用向量] ,[y x X k k T k =表示第K 年两个快餐店顾客数量分布。 ??? ????+ = + = ++x y y y x x k k k k k k 3 22 121311 1 模型求解: 故X k =[x k y k ]T 和X k+1=[x k +1 y k +1]T 的递推关系式为??? ? ?? ? + =+ =++x y y y x x k k k k k k 3 221 21311 1,状 态转移矩阵?????? ? ???? ???=3221213 1 L 由初始数据计算近几年的市场分配情况,MATLAB 程序如下:

多元线性回归 数学建模经典案例

多元线性回归 黄冈职业技术学院数学建模协会胡敏 作业: 在农作物害虫发生趋势的预报研究中,所涉及的5个自变量及因变量的10组观测数据如下,试建立y对x1-x5的回归模型,指出那些变量对y有显著的线性贡献,贡献大小顺序。 x1 x2 x3 x4 x5 y 9.200 2.732 1.471 0.332 1.138 1.155 9.100 3.732 1.820 0.112 0.828 1.146 8.600 4.882 1.872 0.383 2.131 1.841 10.233 3.968 1.587 0.181 1.349 1.356 5.600 3.732 1.841 0.297 1.815 0.863 5.367 4.236 1.873 0.063 1.352 0.903 6.133 3.146 1.987 0.280 1.647 0.114 8.200 4.646 1.615 0.379 4.565 0.898 8.800 4.378 1.543 0.744 2.073 1.930 7.600 3.864 1.599 0.342 2.423 1.104 编写程序如下: data ex; input x1-x5 y@@; cards; 9.200 2.732 1.471 0.332 1.138 1.155 9.100 3.732 1.820 0.112 0.828 1.146 8.600 4.882 1.872 0.383 2.131 1.841 10.233 3.968 1.587 0.181 1.349 1.356 5.600 3.732 1.841 0.297 1.815 0.863 5.367 4.236 1.873 0.063 1.352 0.903 6.133 3.146 1.987 0.280 1.647 0.114 8.200 4.646 1.615 0.379 4.565 0.898 8.800 4.378 1.543 0.744 2.073 1.930 7.600 3.864 1.599 0.342 2.423 1.104 ; proc reg; model y=x1 x2 x3 x4 x5/cli; run; 运行结果如下: (1)回归方程显著性检验. Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model 5 2.25207 0.45041 11.63 0.0170 Error 4 0.15497 0.03874 Corrected Total 9 2.40704

相关文档
最新文档