数学建模读书笔记

数学建模是通过对实际问题进行抽象、简化，反复探索，构件一个能够刻划客观原形的本质特征的数学模型，并用来分析、研究和解决实际问题的一种创新活动过程。

数学建模的几个过程:

模型准备：了解问题的实际背景，明确其实际意义，掌握对象的各种信息。用数学语言来描述问题。

模型假设：根据实际对象的特征和建模的目的，对问题进行必要的简化，并用精确的语言提出一些恰当的假设。

模型建立：在假设的基础上，利用适当的数学工具来刻划各变量之间的数学关系，建立相应的数学结构。（尽量用简单的数学工具）

模型求解：利用获取的数据资料，对模型的所有参数做出计算（估计）。

模型分析：对所得的结果进行数学上的分析。

模型检验：将模型分析结果与实际情形进行比较，以此来验证模型的准确性、合理性和适用性。如果模型与实际较吻合，则要对计算结果给出其实际含义，并进行解释。如果模型与实际吻合较差,则应该修改假设，在次重复建模过程。

模型应用：应用方式因问题的性质和建模的目的而异

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，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。

数学模型的分类

（1）按模型的应用领域分类：

生物数学模型，医学数学模型，地质数学模型，数量经济学模型，数学社会学模型等。（2）按是否考虑随机因素分类：

确定性模型与随机性模型

（3）按是否考虑模型的变化分类：

静态模型与动态模型

（4）按应用离散方法或连续方法分类：

离散模型与连续模型

（5）按建立模型的数学方法分类：

几何模型，微分方程模型，图论模型，规划论模型，马氏链模型等。

（6）按人们对是物发展过程的了解程度分类：

白箱模型：指那些内部规律比较清楚的模型。如力学、热学、电学以及相关的工程技术问题。灰箱模型：指那些内部规律尚不十分清楚，在建立和改善模型方面都还不同程度地有许多工作要做的问题。如气象学、生态学经济学等领域的模型。

黑箱模型：指一些其内部规律还很少为人们所知的现象。如生命科学、社会科学等方面的问题。但由于因素众多、关系复杂，也可简化为灰箱模型来研究。

数学建模方法

（一）、机理分析法从基本物理定律以及系统的结构数据来推导出模型。

1. 比例分析法--建立变量之间函数关系的最基本最常用的方法。

2. 代数方法--求解离散问题（离散的数据、符号、图形）的主要方法。

3. 逻辑方法--是数学理论研究的重要方法，对社会学和经济学等领域的实际问题，在决策，对策等学科中得到广泛应用。

4. 常微分方程--解决两个变量之间的变化规律，关键是建立"瞬时变化率"的表达式。

5. 偏微分方程--解决因变量与两个以上自变量之间的变化规律。

（二）、数据分析法从大量的观测数据利用统计方法建立数学模型。

1. 回归分析法--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，由于处理的是静态的独立数据，故称为数理统计方法。

2. 时序分析法--处理的是动态的相关数据，又称为过程统计方法。

3. 回归分析法--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，由于处理的是静态的独立数据，故称为数理统计方法。

4. 时序分析法--处理的是动态的相关数据，又称为过程统计方法。

（三）、仿真和其他方法

1. 计算机仿真（模拟）--实质上是统计估计方法，等效于抽样试验。①离散系统仿真--有一组状态变量。②连续系统仿真--有解析表达式或系统结构图。

2. 因子试验法--在系统上作局部试验，再根据试验结果进行不断分析修改，求得所需的模型结构。

3. 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标，并考虑到系统有关因素的可能变化，人为地组成一个系统。

微分方程模型

微分方程是表达事物发展过程的一种很有用的工具，它能更全面、更深刻地揭示实际事物内在的动态关系。建立起这样的模型，可以帮助我们去解释各种有关的现象，做出相应的决策或者对未来的发展进行某种预测。建立数学模型的第一步，是把对一个实际问题的描述翻译成数学语言，翻译的过程同中学时解“应用题”的过程很相似，根据问题中给出的已知条件和要求达到的目的，设定若干变量，有时还需要添加或补充一些假设

条件，由此推导并建立起变量间的用等式描述的关系。所不同的是，微分方程中的等式关系是微观的、瞬时的关系。

建立微分方程模型的一般过程 我们知道解应用题是没有通用法则可循的，必须具体问题具体分析，建立微分方程模型也是如此。下面只是列出在建模过程中通常需要注

意的一些地方。在刚开始学习构造微分方程模型时，总是习惯地用代数方程来思考 ，

仅仅考虑问题中各个量之间的静态关系，而不注意它们与其变化率之间的关系 ．

事实上，需要特别关注实际问题中表示“导数”的常用词，如物理问题中的“速率”、生物学或人口学问题中的“增长率”、放射性问题中的“衰变率”等一些涉及变化率的词 ， 或者“在单位时间里，某个量改变了多少”一类的字样。围绕这些变化的量。设法利用所涉及的原则或现有的物理定律，或者根据问题中给出的条件推导出合适的关系式。在多数一阶微分方程的建模问题中，往往可以套用这样一种模式 ：变化率=输入率 －输出率 ，其中变化率一般表示成导数的符号 X ′。这个微分方程应该是在每一时刻都成立的瞬时表达式，而等号右边的输入率和输出率则是需要根据题意写出的 X 和 T 的函数 ． 方程中的每一项都应该有相同的物理量纲，以保证等式的合理性。以方程（１唱３）为例，X D ／T D 的单位是个／秒、个／年等，表示单位时间里群体变化的数量，一般是瞬时值，0R 的单位为 １／S ，１／A 等，是单位时间单一个体的增长率（生殖率 －死亡率）；而１ － X ／XM 是无量纲的，纯粹是一个比率。这样，这个方程两边的单位相同。在建模时，除了建立瞬时表达式外我们还需要知道一些有关特定时刻的额外信息，它们与微分方程无关，但可用来帮助确定微分方程中的系数和解中的积分常数。这些参数也是数学模型中不可缺少的部分，合理地选择这些参数是建模成功的关键之

一。额外信息是通过有关问题的背景领域的专业知识、相关的实验数据或者我们的日常经验等提取出来的。再用这些信息来推导、选择方程中的参数，并从不同的方面加以验证。用数学语言描述实际问题，或者说将实际问题翻译成数学语言， 必须有合理的符合实际的假设，以假设的方式给出所涉及的物理定律或有关领域的某些规律 ． 但是实际世界往往十分复杂，互相影响的量相当多，或者所研究的问题还没有现成的规律可依（往往对非物理领域的问题）。在实际的翻译中免不了要有一定的近似，需要对问题有一定的简化，因此，提出合理的假设是建好数学模型的首要关键 ， 它是整个建模过程的基础，必须引起足够的重视。一方面，我们要求假设符合实际情况，能够反映所研究的问题的基本特征和基本行为。在前面的例子中，各种假设尽可能地满足生物生态学上的具体要求。对所作的假设必须有足够的根据，应做出定性或者定量的分析。如果假设条件太严格，就使得推导出来的数学模型描述的对象过分简单，与实际情况相去甚远，或者解决的问题范围十分狭窄， 计算结果的误差太大。但是，如果假设条件过分宽松，往往得不出数学描述，即使能得到也因为太复杂而使数学处理非常困难。因此另一方面，我们还要作一些简化假设，如消除次要项、把某些变量限制为常数或者线性化等。数学模型是实际世界的一种近似，建模目的不同，或者感兴趣的方面不同，就有不同的简化假设，比如为了预测变化的未来时刻的状态，为了解释某种现象的发生机理或者为了优化、控制某个动态系统，等等。在不同的精度要求下，也会有不同的简化，我们必须审慎取舍，在这两个方面采取一种合适的折中办法，才能得出准确而实用的数学模型。只

有有了合适的假设，才有可能写出理想的微分方程．求解微分方程也是建模的重要组成部分，在微分方程的有关教材中介绍过许多求解的方法，在此不再详细讨论了，其实，许多模型比较复杂，需要作进一步的简化才能求得分析解；我们也经常用数值方法计算那些方程的解；有时干脆不去求具体的解，直接讨论微分方程的性质，比如它们的稳定性、渐衡、周期解等．最后一个重点是，要根据计算的结果用语言去解释有关的现象。通常，实际问题是由有关领域的专家或工作人员提出来的，他们一般不关心数学推理求解的过程，而只希望知道问题的结论。从这个意义上讲，真正好的数学模型，是该领域的专家认可的模型。只有让数学上的结果回答了实际的问题，才是一个完整的建模过程。当然，正如我们在前面看到的那样，模型建立的过程是不断改进、逐步完善的过程。因此，只有坚持不懈地努力，才能构造出与实际吻合得更好的模型来。

差分模型与经验模型

差分方程就是针对要解决的目标，引入系统或过程中的离散变量，根据实际背景的规律、性质、平衡关系，建立离散变量所满足的平衡关系等式，从而建立差分方程。通过求出和分析方程的解，或者分析得到方程解的特别性质（平衡性、稳定性、渐近性、振动性、周期性等），从而把握这个离散变量的变化过程的规律，进一步再结合其他分析，得到原问题的解。

2、应用：差分方程模型有着广泛的应用。实际上，连续变量可以用离散变量来近似和逼近，从而微分方程模型就可以近似于某个差分方程模型。差分方程模型有着非常广泛的实际背景。在经济金融保险领域、生物种群的数量结构规律分析、疾病和病虫害的控制与防治、遗传规律的研究等许许多多的方面都有着非常重要的作用。可以这样讲，只要牵涉到关于变量的规律、性质，就可以适当地用差分方程模型来表现与分析求解。

3、差分方程建模：在实际建立差分方程模型时，往往要将变化过程进行划分，划分成若干时段，根据要解决问题的目标，对每个时段引入相应的变量或向量，然后通过适当假设，根据事物系统的实际变化规律和数量相互关系，建立每两个相邻时段或几个相邻时段或者相隔某几个时段的量之间的变化规律和运算关系（即用相应设定的变量进行四则运算或基本初等函数运算或取最运算等）等式（可以多个并且应当充分全面反映所有可能的关系），从而建立起差分方程。或者对事物系统进行划分，划分成若干子系统，在每个子系统中引入恰当的变量或向量，然后分析建立起子过程间的这种量的关系等式，从而建立起差分方程。在这里，过程时段或子系统的划分方式是非常非常重要的，应当结合已有的信息和分析条件，从多种可选方式中挑选易于分析、针对性强的划分，同时，对划分后的时段或子过程，引入哪些变量或向量都是至关重要的，要仔细分析、选择，尽量扩大对过程或系统的数量感知范围，包括对已有的、已知的若干量进行结合运算、取最运算等处理方式，目的是建立起简洁、深刻、易于求解分析的差分方程。在后面我们所举的实际例子中，这方面的内容应当重点体会。

差分方程模型作为一种重要的数学模型，对它的应用也应当遵从一般的数学建模的理论与方法原则。同时注意与其它数学模型方法结合起来使用，因为一方面建立差分方程模型所用的数量、等式关系的建立都需要其他的数学分析方式来进行；另一方面，

由差分方程获得的结果有可以进一步进行优化分析、满意度分析、分类分析、相关分析等等。

●数学规划模型

数学规划是运筹学的一个重要分支，它起源于工业生产组织管理的决策问题，广泛应用于最优化设计、工农业生产、国防建设、交通运输、决策管理与规划等领域。

它又分为线性规划、非线性规划、多目标规划和动态规划等几大类。

●概率模型

●层次分析模型

层次分析模型主要应用于日常工作、生活中的决策问题，尤其涉及经济、社会等方面的因素和作比较判断时人的主观选择起相当大的作用，各因素的重要性难以量化时。

●数理统计模型

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）