建立數(shù)學建模的方法(常見的建立數(shù)學模型的方法有哪幾種)
1.常見的建立數(shù)學模型的方法有哪幾種
—般說來建立數(shù)學模型的方法大體上可分為兩大類、一類是機理分析方法，一類是測試分析方法.機理分析是根據(jù)對現(xiàn)實對象特性的認識、分析其因果關系，找出反映內(nèi)部機理的規(guī)律，建立的模型常有明確的物理或現(xiàn)實意義.
模型準備 首先要了解問題的實際背景，明確建模的目的搜集建模必需的各種信息如現(xiàn)象、數(shù)據(jù)等，盡量弄清對象的特征，由此初步確定用哪一類模型，總之是做好建模的準備工作.情況明才能方法對，這一步一定不能忽視，碰到問題要虛心向從事實際工作的同志請教，盡量掌握第一手資料.
模型假設 根據(jù)對象的特征和建模的目的，對問題進行必要的、合理的簡化，用精確的語言做出假設，可以說是建模的關鍵一步.一般地說，一個實際問題不經(jīng)過簡化假設就很難翻譯成數(shù)學問題，即使可能，也很難求解.不同的簡化假設會得到不同的模型.假設作得不合理或過份簡單，會導致模型失敗或部分失敗，于是應該修改和補充假設；假設作得過分詳細，試圖把復雜對象的各方面因素都考慮進去，可能使你很難甚至無法繼續(xù)下一步的工作.通常，作假設的依據(jù)，一是出于對問題內(nèi)在規(guī)律的認識，二是來自對數(shù)據(jù)或現(xiàn)象的分析，也可以是二者的綜合.作假設時既要運用與問題相關的物理、化學、生物、經(jīng)濟等方面的知識，又要充分發(fā)揮想象力、洞察力和判斷力，善于辨別問題的主次，果斷地抓住主要因素，舍棄次要因素，盡量將問題線性化、均勻化.經(jīng)驗在這里也常起重要作用.寫出假設時，語言要精確，就象做習題時寫出已知條件那樣.
模型構成 根據(jù)所作的假設分析對象的因果關系，利用對象的內(nèi)在規(guī)律和適當?shù)臄?shù)學工具，構造各個量（常量和變量）之間的等式（或不等式）關系或其他數(shù)學結構.這里除需要一些相關學科的專門知識外，還常常需要較廣闊的應用數(shù)學方面的知識，以開拓思路.當然不能要求對數(shù)學學科門門精通，而是要知道這些學科能解決哪一類問題以及大體上怎樣解決.相似類比法，即根據(jù)不同對象的某些相似性，借用已知領域的數(shù)學模型，也是構造模型的一種方法.建模時還應遵循的一個原則是，盡量采用簡單的數(shù)學工具，因為你建立的模型總是希望能有更多的人了解和使用，而不是只供少數(shù)專家欣賞.
模型求解 可以采用解方程、畫圖形、證明定理、邏輯運算、數(shù)值計算等各種傳統(tǒng)的和近代的數(shù)學方法，特別是計算機技術.
模型分析 對模型解答進行數(shù)學上的分析，有時要根據(jù)問題的性質(zhì)分析變量間的依賴關系或穩(wěn)定狀況，有時是根據(jù)所得結果給出數(shù)學上的預報，有時則可能要給出數(shù)學上的最優(yōu)決策或控制，不論哪種情況還常常需要進行誤差分析、模型對數(shù)據(jù)的穩(wěn)定性或靈敏性分析等.
模型檢驗 把數(shù)學上分析的結果翻譯回到實際問題，并用實際的現(xiàn)象、數(shù)據(jù)與之比較，檢驗模型的合理性和適用性.這一步對于建模的成敗是非常重要的，要以嚴肅認真的態(tài)度來對待.當然，有些模型如核戰(zhàn)爭模型就不可能要求接受實際的檢驗了.模型檢驗的結果如果不符合或者部分不符合實際，問題通常出在模型假設上，應該修改、補充假設，重新建模.有些模型要經(jīng)過幾次反復，不斷完善，直到檢驗結果獲得某種程度上的滿意.
模型應用 應用的方式自然取決于問題的性質(zhì)和建模的目的，這方面的內(nèi)容不是本書討論的范圍。
應當指出，并不是所有建模過程都要經(jīng)過這些步驟，有時各步驟之間的界限也不那么分明.建模時不應拘泥于形式上的按部就班，本書的建模實例就采取了靈活的表述方式
2.建立數(shù)學模型的方法和步驟
第一、模型準備 首先要了解問題的實際背景，明確建模目的，搜集必需的各種信息，盡量弄清對象的特征。
第二、模型假設 根據(jù)對象的特征和建模目的，對問題進行必要的、合理的簡化，用精確的語言作出假設，是建模至關重要的一步。如果對問題的所有因素一概考慮，無疑是一種有勇氣但方法欠佳的行為，所以高超的建模者能充分發(fā)揮想象力、洞察力和判斷力，善于辨別主次，而且為了使處理方法簡單，應盡量使問題線性化、均勻化。
第三、模型構成 根據(jù)所作的假設分析對象的因果關系，利用對象的內(nèi)在規(guī)律和適當?shù)臄?shù)學工具，構造各個量間的等式關系或其它數(shù)學結構。這時，我們便會進入一個廣闊的應用數(shù)學天地，這里在高數(shù)、概率老人的膝下，有許多可愛的孩子們，他們是圖論、排隊論、線性規(guī)劃、對策論等許多許多，真是泱泱大國，別有洞天。
不過我們應當牢記，建立數(shù)學模型是為了讓更多的人明了并能加以應用，因此工具愈簡單愈有價值。 第四、模型求解 可以采用解方程、畫圖形、證明定理、邏輯運算、數(shù)值運算等各種傳統(tǒng)的和近代的數(shù)學方法，特別是計算機技術。
一道實際問題的解決往往需要紛繁的計算，許多時候還得將系統(tǒng)運行情況用計算機模擬出來，因此編程和熟悉數(shù)學軟件包能力便舉足輕重。 第五、模型分析 對模型解答進行數(shù)學上的分析。
"橫看成嶺側成峰，遠近高低各不"。能否對模型結果作出細致精當?shù)姆治?，決定了你的模型能否達到更高的檔次。
還要記住，不論那種情況都需進行誤差分析，數(shù)據(jù)穩(wěn)定性分析。
3.數(shù)學建模有哪些方法
一、機理分析法 從基本物理定律以及系統(tǒng)的結構數(shù)據(jù)來推導出模型。
1. 比例分析法--建立變量之間函數(shù)關系的最基本最常用的方法。
2. 代數(shù)方法--求解離散問題（離散的數(shù)據(jù)、符號、圖形）的主要方 法。
3. 邏輯方法--是數(shù)學理論研究的重要方法，對社會學和經(jīng)濟學等領域的實際問題，在決策，對策等學科中得到廣泛應用。
4. 常微分方程--解決兩個變量之間的變化規(guī)律，關鍵是建立"瞬時變化率"的表達式。
5. 偏微分方程--解決因變量與兩個以上自變量之間的變化規(guī)律。
二、數(shù)據(jù)分析法 從大量的觀測數(shù)據(jù)利用統(tǒng)計方法建立數(shù)學模型。
1. 回歸分析法--用于對函數(shù)f(x)的一組觀測值（xi, fi）i=1,2… n，確定函數(shù)的表達式，由于處理的是靜態(tài)的獨立數(shù)據(jù)，故稱為數(shù)理統(tǒng)計方法。
2. 時序分析法--處理的是動態(tài)的相關數(shù)據(jù)，又稱為過程統(tǒng)計方法。
三、仿真和其他方法
1. 計算機仿真（模擬）--實質(zhì)上是統(tǒng)計估計方法，等效于抽樣試驗
① 離散系統(tǒng)仿真--有一組狀態(tài)變量。
② 連續(xù)系統(tǒng)仿真--有解析表達式或系統(tǒng)結構圖。
2. 因子試驗法--在系統(tǒng)上作局部試驗，再根據(jù)試驗結果進行不斷分析修改，求得所需的模型結構。
3. 人工現(xiàn)實法--基于對系統(tǒng)過去行為的了解和對未來希望達到的目標，并考慮到系統(tǒng)有關因素的可能變化，人為地組成一個系統(tǒng)。
4.數(shù)學建模的方法有哪些
1. 預測模塊：灰色預測、時間序列預測、神經(jīng)網(wǎng)絡預測、曲線擬合（線性回歸）；
2. 歸類判別：歐氏距離判別、fisher判別等 ；
3. 圖論：最短路徑求法 ；
4. 最優(yōu)化：列方程組 用lindo 或 lingo軟件解 ；
5. 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 。
建模常用算法，僅供參考：
1. 蒙特卡羅算法（該算法又稱隨機性模擬算法，是通過計算機仿真來解決 問題的算法，同時間=可以通過模擬可以來檢驗自己模型的正確性，是比賽時必 用的方法） 。
2. 數(shù)據(jù)擬合、參數(shù)估計、插值等數(shù)據(jù)處理算法（比賽中通常會遇到大量的數(shù) 據(jù)需要處理，而處理數(shù)據(jù)的關鍵就在于這些算法，通常使用Matlab 作為工具） 。
3. 線性規(guī)劃、整數(shù)規(guī)劃、多元規(guī)劃、二次規(guī)劃等規(guī)劃類問題（建模競賽大多 數(shù)問題屬于最優(yōu)化問題，很多時候這些問題可以用數(shù)學規(guī)劃算法來描述，通 常使用Lindo、Lingo 軟件實現(xiàn)） 。
4. 圖論算法（這類算法可以分為很多種，包括最短路、網(wǎng)絡流、二分圖等算 法，涉及到圖論的問題可以用這些方法解決，需要認真準備） 。
5. 動態(tài)規(guī)劃、回溯搜索、分治算法、分支定界等計算機算法（這些算法是算 法設計中比較常用的方法，很多場合可以用到競賽中） 。
6. 最優(yōu)化理論的三大非經(jīng)典算法：模擬退火法、神經(jīng)網(wǎng)絡、遺傳算法（這些 問題是用來解決一些較困難的最優(yōu)化問題的算法，對于有些問題非常有幫助， 但是算法的實現(xiàn)比較困難，需慎重使用） 。
7. 網(wǎng)格算法和窮舉法（網(wǎng)格算法和窮舉法都是暴力搜索最優(yōu)點的算法，在很 多競賽題中有應用，當重點討論模型本身而輕視算法的時候，可以使用這種 暴力方案，最好使用一些高級語言作為編程工具） 。
8. 一些連續(xù)離散化方法（很多問題都是實際來的，數(shù)據(jù)可以是連續(xù)的，而計 算機只認的是離散的數(shù)據(jù)，因此將其離散化后進行差分代替微分、求和代替 積分等思想是非常重要的） 。
9. 數(shù)值分析算法（如果在比賽中采用高級語言進行編程的話，那一些數(shù)值分 析中常用的算法比如方程組求解、矩陣運算、函數(shù)積分等算法就需要額外編 寫庫函數(shù)進行調(diào)用） 。
10. 圖象處理算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文 中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問 題，通常使用Matlab 進行處理）。
5.數(shù)學建模的幾種方法
1、蒙特卡羅算法（該算法又稱隨機性模擬算法，是通過計算機仿真來解決問題的算
法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法）
2、數(shù)據(jù)擬合、參數(shù)估計、插值等數(shù)據(jù)處理算法（比賽中通常會遇到大量的數(shù)據(jù)需要
處理，而處理數(shù)據(jù)的關鍵就在于這些算法，通常使用Matlab作為工具）
3、線性規(guī)劃、整數(shù)規(guī)劃、多元規(guī)劃、二次規(guī)劃等規(guī)劃類問題（建模競賽大多數(shù)問題
屬于最優(yōu)化問題，很多時候這些問題可以用數(shù)學規(guī)劃算法來描述，通常使用Lindo、
Lingo軟件實現(xiàn)）
4、圖論算法（這類算法可以分為很多種，包括最短路、網(wǎng)絡流、二分圖等算法，涉
及到圖論的問題可以用這些方法解決，需要認真準備）
5、動態(tài)規(guī)劃、回溯搜索、分治算法、分支定界等計算機算法（這些算法是算法設計
中比較常用的方法，很多場合可以用到競賽中）
6、最優(yōu)化理論的三大非經(jīng)典算法：模擬退火法、神經(jīng)網(wǎng)絡、遺傳算法（這些問題是
用來解決一些較困難的最優(yōu)化問題的算法，對于有些問題非常有幫助，但是算法的實
現(xiàn)比較困難，需慎重使用）
7、網(wǎng)格算法和窮舉法（網(wǎng)格算法和窮舉法都是暴力搜索最優(yōu)點的算法，在很多競賽
題中有應用，當重點討論模型本身而輕視算法的時候，可以使用這種暴力方案，最好
使用一些高級語言作為編程工具）
8、一些連續(xù)離散化方法（很多問題都是實際來的，數(shù)據(jù)可以是連續(xù)的，而計算機只
認的是離散的數(shù)據(jù)，因此將其離散化后進行差分代替微分、求和代替積分等思想是非常重要的）
9、數(shù)值分析算法（如果在比賽中采用高級語言進行編程的話，那一些數(shù)值分析中常
用的算法比如方程組求解、矩陣運算、函數(shù)積分等算法就需要額外編寫庫函數(shù)進行調(diào)用）
10、圖象處理算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該
應用數(shù)學去解決各類實際問題時，建立數(shù)學模型是十分關鍵的一步，同時也是十分困難的一步。建立教學模型的過程，是把錯綜復雜的實際問題簡化、抽象為合理的數(shù)學結構的過程。要通過調(diào)查、收集數(shù)據(jù)資料，觀察和研究實際對象的固有特征和內(nèi)在規(guī)律，抓住問題的主要矛盾，建立起反映實際問題的數(shù)量關系，然后利用數(shù)學的理論和方法去分析和解決問題。這就需要深厚扎實的數(shù)學基礎，敏銳的洞察力和想象力，對實際問題的濃厚興趣和廣博的知識面。數(shù)學建模是聯(lián)系數(shù)學與實際問題的橋梁，是數(shù)學在各個領械廣泛應用的媒介，是數(shù)學科學技術轉(zhuǎn)化的主要途徑，數(shù)學建模在科學技術發(fā)展中的重要作用越來越受到數(shù)學界和工程界的普遍重視，它已成為現(xiàn)代科技工作者必備的重要能力之。
6.數(shù)學建模有哪些步驟
所謂提煉數(shù)學模型，就是運用科學抽象法，把復雜的研究對象轉(zhuǎn)化為數(shù)學問題，經(jīng)合理簡化后，建立起揭示研究對象定量的規(guī)律性的數(shù)學關系式（或方程式）。
這既是數(shù)學方法中最關鍵的一步，也是最困難的一步。提煉數(shù)學模型，一般采用以下六個步驟完成： 第一步：根據(jù)研究對象的特點，確定研究對象屬哪類自然事物或自然現(xiàn)象，從而確定使用何種數(shù)學方法與建立何種數(shù)學模型。
即首先確定對象與應該使用的數(shù)學模型的類別歸屬問題，是屬于“必然”類，還是“隨機”類；是“突變”類，還是“模糊”類。 第二步：確定幾個基本量和基本的科學概念，用以反映研究對象的狀態(tài)。
這需要根據(jù)已有的科學理論或假說及實驗信息資料的分析確定。例如在力學系統(tǒng)的研究中，首先確定的摹本物理量是質(zhì)主（m）、速度（v）、加速度（α）、時間（t）、位矢（r）等。
必須注意確定的基本量不能過多，否則未知數(shù)過多，難以簡化成可能數(shù)學模型，因此必須詵擇出實質(zhì)性、關鍵性物理量才行。 第三步：抓住主要矛盾進行科學抽象。
現(xiàn)實研究對象是復雜的，多種因素混在一起，因此，必須變復雜的研究對象為簡單和理想化的研究對象，做到這一點相當困難，關鍵是分清主次。如何分清主次只能具體問題具體分析，但也有兩條基本原則：一是所建數(shù)學模型一定是可能的，至少可給出近似解；二是近似解的誤差不能超過實際問題所允許的誤差范圍。
第四步：對簡化后的基本量進行標定，給出它們的科學內(nèi)涵。即標明哪些是常量，哪些是已知量，哪些是待求量，哪些是矢量，哪些是標量，這些量的物理含義是什么？ 第五步：按數(shù)學模型求出結果。
第六步：驗證數(shù)學模型。驗證時可根據(jù)情況對模型進行修正，使其符合程度更高，當然這以求原模型與實際情況基本相符為原則。
