数学建模算法分类
数学建模算法
数学建模算法数学建模算法概述数学建模算法是指在一定条件下，将模型转化为数学模型，通过对模型进行求解，得出所需的决策或预测结果。
其实现过程包括建立模型、求解模型、验证模型和应用模型等步骤。
数学建模算法适用于各个领域的问题，如工业、科研、金融、医学等，旨在找到一个最优或最优解，以达到提高效率、降低成本、改善生产等目的。
分类数学建模算法可以分为静态建模和动态建模两类。
静态建模静态建模是指在固定的条件下进行建模和求解，即没有时间的概念。
其主要包括线性规划、整数规划、非线性规划、动态规划等。
其中，线性规划是指在约束条件下，求解目标函数的最大值或最小值的问题。
整数规划则是线性规划的一种特殊形式，即决策变量的取值必须为整数。
非线性规划是指在约束条件下，求解目标函数的最大值或最小值，但目标函数或约束条件中存在非线性关系的问题。
动态规划是一种处理有时间序列的优化问题的数学方法，其目标是在每个阶段进行决策，以达到最优化的目的。
动态建模动态建模包括多目标规划、随机规划、模拟退火、遗传算法等。
其主要特点是考虑了时间变化的因素。
其中，多目标规划是指在多个决策变量和多个目标函数约束下，找到一组最优解，以满足不同目标的要求。
随机规划则是指在随机变量的作用下，求解约束条件下的最大（小）值。
模拟退火是一种随机优化算法，它通过“跳跃”或“震荡”调整决策变量的值，以寻找最优解。
遗传算法则是一种模拟生物进化的优化算法，通过模拟生物群体的交配、变异、适应度等操作，生成新种群，并不断筛选，最终找到最优解。
求解方法求解数学建模问题的方法主要有三种：解析方法、迭代法和基于搜索的方法。
其中，解析方法是指通过数学公式分析来解决问题。
例如，对于简单的线性规划问题，可以使用单纯形法或内点法来解决。
迭代法是指通过根据规则来不断逼近最优解的过程，以求解目标函数的最大（小）值。
常用的迭代方法包括牛顿法、梯度下降法等。
基于搜索的方法是指通过对决策空间的搜索来找到最优解的过程。
数学建模中常用的十种算法
数学建模中常用的十种算法在数学建模中，有许多种算法可以用来解决不同类型的问题。
下面列举了数学建模中常用的十种算法。
1.线性规划算法：线性规划是一种优化问题，目标是找到一组线性约束条件下使目标函数最大或最小的变量的值。
常用的线性规划算法包括单纯形法、内点法和对偶法等。
2.非线性规划算法：非线性规划是一种目标函数或约束条件中存在非线性项的优化问题。
常见的非线性规划算法有牛顿法、拟牛顿法和遗传算法等。
3.整数规划算法：整数规划是一种线性规划的扩展，约束条件中的变量必须为整数。
常用的整数规划算法包括分支定界法、割平面法和混合整数线性规划法等。
4.动态规划算法：动态规划是一种通过将问题分解为更小的子问题来解决的算法。
它适用于一类有重叠子问题和最优子结构性质的问题，例如背包问题和最短路径问题。
5.聚类算法：聚类是一种将数据集划分为不同群组的算法。
常见的聚类算法有K均值算法、层次聚类法和DBSCAN算法等。
6.回归分析算法：回归分析是一种通过拟合一个数学模型来预测变量之间关系的算法。
常见的回归分析算法有线性回归、多项式回归和岭回归等。
7.插值算法：插值是一种通过已知数据点推断未知数据点的数值的算法。
常用的插值算法包括线性插值、拉格朗日插值和样条插值等。
8.数值优化算法：数值优化是一种通过改变自变量的取值来最小化或最大化一个目标函数的算法。
常见的数值优化算法有梯度下降法、共轭梯度法和模拟退火算法等。
9.随机模拟算法：随机模拟是一种使用概率分布来模拟和模拟潜在结果的算法。
常见的随机模拟算法包括蒙特卡洛方法和离散事件仿真等。
10.图论算法：图论是一种研究图和网络结构的数学理论。
常见的图论算法有最短路径算法、最小生成树算法和最大流量算法等。
以上是数学建模中常用的十种算法。
这些算法的选择取决于问题的特性和求解的要求，使用合适的算法可以更有效地解决数学建模问题。
数学建模十大算法部分带有源代码综述
• • •ห้องสมุดไป่ตู้• • • • • • •
蒙特卡罗算法 数据处理算法 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 三大非经典算法 网格算法和穷举法 连续离散化方法 数值分析算法 图象处理算法
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，是比赛时必 用的方法
现在假设需要识别出这一伪币。把两个或三个硬币的情况作 为不可再分的小问题。注意如果只有一个硬币，那么不能判 断出它是否就是伪币。在一个小问题中，通过将一个硬币分 别与其他两个硬币比较，最多比较两次就可以找到伪币。这 样，1 6硬币的问题就被分为两个8硬币（A组和B组）的问题。 通过比较这两组硬币的重量，可以判断伪币是否存在。如果 没有伪币，则算法终止。否则，继续划分这两组硬币来寻找 伪币。假设B是轻的那一组，因此再把它分成两组，每组有4 个硬币。称其中一组为B1，另一组为B2。比较这两组，肯定 有一组轻一些。如果B1轻，则伪币在B1中，再将B1又分成两 组，每组有两个硬币，称其中一组为B1a，另一组为B1b。比 较这两组，可以得到一个较轻的组。由于这个组只有两个硬 币，因此不必再细分。比较组中两个硬币的重量，可以立即 知道哪一个硬币轻一些。较轻的硬币就是所要找的伪币。
例2-1 [找出伪币] 给你一个装有1 6个硬币 的袋子。1 6个硬币中有一个是伪造的，并 且那个伪造的硬币比真的硬币要轻一些。你 的任务是找出这个伪造的硬币。为了帮助你 完成这一任务，将提供一台可用来比较两组 硬币重量的仪器，利用这台仪器，可以知道 两组硬币的重量是否相同。
比较硬币1与硬币2的重量。假如硬币1比硬币 2轻，则硬币1是伪造的；假如硬币2比硬币1 轻，则硬币2是伪造的。这样就完成了任务。 假如两硬币重量相等，则比较硬币3和硬币4。 同样，假如有一个硬币轻一些，则寻找伪币 的任务完成。假如两硬币重量相等，则继续 比较硬币5和硬币6。按照这种方式，可以最 多通过8次比较来判断伪币的存在并找出这一 伪币。
数学建模10种常用算法
数学建模10种常用算法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，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进行处参数估计C.F.20世纪60年代,随着电子计算机的。
参数估计有多种方法，有最小二乘法、极大似然法、极大验后法、最小风险法和极小化极大熵法等。
数学建模方法分类
数学建模方法分类数据分析法：通过对量测数据的统计分析，找出与数据拟合最好的模型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。
2数学建模方法一层次分析法比较合适于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。
其用法是构造推断矩阵，求出其最大特征值。
及其所对应的特征向量W，归一化后，即为某一层次指标关于上一层次某相关指标的相对重要性权值。
层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后得用求解推断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。
3数学建模方法二回归分析：对具有相关关系的现象，依据其关系形态，选择一个合适的数学模型，用来近似地表示变量间的平均变化关系的一种统计方法(一元线性回归、多元线性回归、非线性回归)，回归分析在一组数据的基础上研究这样几个问题：建立因变量与自变量之间的回归模型(经验公式);对回归模型的可信度进行检验;推断每个自变量对因变量的影响是否显著;推断回归模型是否合适这组数据;利用回归模型对进行预报或控制。
相对应的有线性回归、多元二项式回归、非线性回归。
逐步回归分析：从一个自变量开始，视自变量作用的显著程度，从大到地依次逐个引入回归方程：当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉;引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步;关于每一步都要进行值检验，以保证每次引入新的显著性变量前回归方程中只包涵对作用显著的变量;这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。
数学建模方法大汇总
数学建模方法大汇总数学建模是数学与实际问题相结合，通过建立数学模型来解决实际问题的一种方法。
在数学建模中，常用的方法有很多种，下面将对常见的数学建模方法进行大汇总。
1.描述性统计法：通过总结、归纳和分析数据来描述现象和问题，常用的统计学方法有平均值、标准差、频率分布等。
2.数据拟合法：通过寻找最佳拟合曲线或函数来描述和预测数据的规律，常用的方法有最小二乘法、非线性优化等。
3.数理统计法：通过样本数据对总体参数进行估计和推断，常用的方法有参数估计、假设检验、方差分析等。
4.线性规划法：建立线性模型，通过线性规划方法求解最优解，常用的方法有单纯形法、对偶理论等。
5.整数规划法：在线性规划的基础上考虑决策变量为整数或约束条件为整数的情况，常用的方法有分支定界法、割平面法等。
6.动态规划法：通过递推关系和最优子结构性质建立动态规划模型，通过计算子问题的最优解来求解原问题的最优解，常用的方法有最短路径算法、最优二叉查找树等。
7.图论方法：通过图的模型来描述和求解问题，常用的方法有最小生成树、最短路径、网络流等。
8.模糊数学法：通过模糊集合和隶属函数来描述问题，常用的方法有模糊综合评价、模糊决策等。
9.随机过程法：通过概率论和随机过程来描述和求解问题，常用的方法有马尔可夫过程、排队论等。
10.模拟仿真法：通过构建系统的数学模型，并使用计算机进行模拟和仿真来分析问题，常用的方法有蒙特卡洛方法、事件驱动仿真等。
11.统计回归分析法：通过建立自变量与因变量之间的关系来分析问题，常用的方法有线性回归、非线性回归等。
12.优化方法：通过求解函数的最大值或最小值来求解问题，常用的方法有迭代法、梯度下降法、遗传算法等。
13.系统动力学方法：通过建立动力学模型来分析系统的演化过程，常用的方法有积分方程、差分方程等。
14.图像处理方法：通过数学模型和算法来处理和分析图像，常用的方法有小波变换、边缘检测等。
15.知识图谱方法：通过构建知识图谱来描述和分析知识之间的关系，常用的方法有图论、语义分析等。
数学建模十大经典算法
数学建模十大经典算法数学建模是将现实问题转化为数学模型，并利用数学方法进行求解的过程。
下面是数学建模中常用的十大经典算法：1.线性规划（Linear Programming）：通过确定一组线性约束条件，求解线性目标函数的最优解。
2.整数规划（Integer Programming）：在线性规划的基础上，要求变量取整数值，求解整数目标函数的最优解。
3.非线性规划（Nonlinear Programming）：目标函数或约束条件存在非线性关系，通过迭代方法求解最优解。
4.动态规划（Dynamic Programming）：通过分阶段决策，将复杂问题分解为多个阶段，并存储中间结果，以求解最优解。
5.蒙特卡洛模拟（Monte Carlo Simulation）：通过随机抽样和统计分析的方法，模拟系统的行为，得出概率分布或数值近似解。
6.遗传算法（Genetic Algorithm）：模拟生物进化过程，通过选择、交叉和变异等操作，寻找最优解。
7.粒子群算法（Particle Swarm Optimization）：模拟鸟群或鱼群的行为，通过个体间的信息交流和集体协作，寻找最优解。
8.模拟退火算法（Simulated Annealing）：模拟金属退火的过程，通过控制温度和能量变化，寻找最优解。
9.人工神经网络（Artificial Neural Network）：模拟生物神经网络的结构和功能，通过训练网络参数，实现问题的分类和预测。
10.遗传规划（Genetic Programming）：通过定义适应性函数和基因编码，通过进化算子进行选择、交叉和变异等操作，求解最优模型或算法。
这些算法在不同的数学建模问题中具有广泛的应用，能够帮助解决复杂的实际问题。
数学建模常用的十大算法
数学建模常用的十大算法一、线性回归算法线性回归算法（linear regression）是数学建模中最常用的算法之一，用于研究变量之间的线性关系。
它可以将变量之间的关系建模为一个线性方程，从而找出其中的关键因素，并预测未来的变化趋势。
二、逻辑回归算法逻辑回归算法（logistic regression）是一种用于建立分类模型的线性回归算法。
它可用于分类任务，如肿瘤疾病的预测和信用评级的决定。
逻辑回归利用某个事件的概率来建立分类模型，这个概率是通过一个特定的函数来计算的。
三、决策树算法决策树算法（decision tree）是一种非参数化的分类算法，可用于解决复杂的分类和预测问题。
它使用树状结构来描述不同的决策路径，每个分支表示一个决策，而每个叶子节点表示一个分类结果。
决策树算法的可解释性好，易于理解和解释。
四、k-均值聚类算法k-均值聚类算法（k-means clustering）是无监督学习中最常用的算法之一，可用于将数据集分成若干个簇。
此算法通过迭代过程来不断优化簇的质心，从而找到最佳的簇分类。
k-均值聚类算法简单易用，但对于高维数据集和离群值敏感。
五、支持向量机算法支持向量机算法（support vector machine）是一种强大的分类和回归算法，可用于解决复杂的非线性问题。
该算法基于最大化数据集之间的间隔，找到一个最佳的超平面来将数据分类。
支持向量机算法对于大型数据集的处理效率较高。
六、朴素贝叶斯算法朴素贝叶斯算法（naive bayes）是一种基于贝叶斯定理的分类算法，用于确定不同变量之间的概率关系。
该算法通过使用先验概率来计算各个变量之间的概率，从而预测未来的变化趋势。
朴素贝叶斯算法的处理速度快且适用于高维数据集。
七、随机森林算法随机森林算法（random forest）是一种基于决策树的分类算法，它利用多个决策树来生成随机森林，从而提高预测的准确性。
该算法通过随机化特征选择和子决策树的训练，防止过度拟合，并产生更稳定的预测结果。
数学建模分类方法大全
最优化
模拟退火法
神经网络
遗传算法
分治算法
差分进化
蚁行算法
粒子群
不确定
模型
灰色系统
数理统计
模糊数学
聚类分析
无分类
模型名称
所在目录
1，国有企业业绩分化的数学模型
2，打假问题的机理数学分析
3，足球比赛排名问题
4，大象群落的稳定性分析
5，火车便餐最有价格方案
6，影院最优设计方案
7，国有企业业绩分化的数学模型
196
冲突目标
Minmax与maxmin
机会约束
约束满足概率性>P
矛盾约束
约束相互矛盾
单纯形法
木匠生产模型
注意步骤性。
215
组合模型
参数模型
动态规划
决策法
背包问题
排序问题程优化
黄金分割搜索法
还有二分搜索法
233
网络流
最大树
最大流
最短路
关键路线法
网络计划
布点问题
中心问题
重心问题
8，打假问题的机理数学分析
9，足球比赛排名问题
10，大象群落的稳定性分析
11，火车便餐最有价格方案
12，施肥效果分析
13，迷宫问题
14，锁具装箱问题
15，密码问题
16，席位分配模型
初等模型
17，双重玻璃窗功效模型
18，储存模型
优化模型
19，森林救火模型
20，消费者均衡模型
21，加工奶制品模型
数学规划模型
155
港口系统模型
改变参数时，改善情况的分析
164
离散概率模型
马尔可夫链
数学建模竞赛算法
数学建模竞赛算法
数学建模竞赛算法，一般指参赛者在数学建模竞赛中解题所使用的算法。
数学建模竞赛通常涉及到复杂的实际问题，参赛者需要运用数学理论和方法对问题进行分析、建模和求解。
以下是一些常用的数学建模竞赛算法：
1. 基于解析和数值方法的数学模型求解算法：参赛者通过构建数学模型，并运用解析和数值方法求解，如线性规划算法、整数规划算法、非线性规划算法、插值算法、差分方程算法等。
2. 图论算法：将问题抽象为图论问题，然后运用图论算法来求解，如最短路径算法（Dijkstra算法、Floyd算法）、最小生成树算法（Prim算法、Kruskal算法）、最大流算法（Ford-Fulkerson算法、Edmonds-Karp算法）等。
3. 构造性算法：通过构造一种特定的模型或方法来解决问题，如启发式算法、贪心算法、分支定界法、回溯算法等。
4. 数值优化算法：通过数值优化方法来寻找使得目标函数取得最优值的解，如梯度下降法、共轭梯度法、牛顿法等。
5. 概率统计算法：通过概率统计方法来分析和预测问题，如蒙特卡洛方法、马尔可夫链蒙特卡洛方法、贝叶斯网络等。
以上算法只是其中的一部分，实际数学建模竞赛中的问题多种多样，需要根据具体问题选择合适的建模方法和算法。
参赛者
需要具备扎实的数学基础和对问题的深入分析能力，以及对相关算法的理解和应用能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
优化与控制
①线性规划、整数规划、0-1规划（有约束，确定的目标）
②非线性规划与智能优化算法
③多目标规划和目标规划（柔性约束，目标含糊，超过）
④动态规划
⑤网络优化（多因素交错复杂）
⑥排队论与计算机仿真
⑦模糊规划（范围约束）
⑧灰色规划（难）
涉及到的数学建模方法
集合理论、线性代数、微积分、组合概率、统计（回归）分析、优化方法（规划）、图论与网络优化、综合评价、插值与拟合、差分计算、微分方程、排队论、模糊数学、随机决策、多目标决策、随机模拟、灰色系统理论、神经网络、时间序列、机理分析等方法。
④数据包络(DEA)分析法：优化问题，对各省发展状况进行评判
⑤秩和比综合评价法：评价各个对象并排序，指标间关联性不强
⑥优劣解距离法（TOPSIS法）
⑦投影寻踪综合评价法：糅合多种算法，比如遗传算法、最优化理论
⑧方差分析、协方差分析等
方差分析：看几类数据之间有无差异，差异性影响，例如：元素对麦子的产量有无影响，差异量的多少；（1992年作物生长的施肥问题）
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）
⑤时间序列预测（必须掌握）
与马尔科夫预测互补，至少有2个点需要信息的传递，ARMA模型，周期模型，季节模型等。
⑥小波分析预测
⑦神经网络预测
⑧混沌序列预测
评价与决策
①模糊综合评判：评价一个对象优、良、中、差等层次评价，评价一个学校等，不能排序
②主成分分析：评价多个对象的水平并排序，指标间关联性很强。
③层次分析法：做决策，通过指标，综合考虑做决定
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。
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。）
关联与因果
①灰色关联分析方法（样本点的个数较少）
②Superman或kendall等级相关分析
③Person相关（样本点的个数比较多）
④Copula相关（比较难，金融数学，概率密度）
⑤典型相关分析（因变量Y1234,自变量组X1234，各自变量组相关性比较强，问哪一个因变量与哪一个自变量关系比较紧密？）
协方差分析：有几个因素，我们只考虑一个因素对问题的影响，忽略其他因素，但注意初始数据的量纲以及初始情况。（2006年，艾滋病疗法的评价以及预测问题）
分类与判别
①距离聚类（系统聚类）常用
②关联性聚类（常用）
③层次聚类
④密度聚类
⑤其他聚类
⑥贝叶斯判别（统计判பைடு நூலகம்方法）
⑦费舍尔判别（训练的样本比较少）
⑧模糊识别（分好类的数据点比较少）
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。）
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，通过公式推导转化为原始数据之间的关系。
③回归分析预测（必须掌握）
求一个因变量与若干自变量之间的关系，若自变量变化之后，求因变量如何变化；
样本点的个数有要求：
a自变量之间协方差比较小，最好趋于零，自变量间的关系小；
b样本点的个数n>3k+1，k为自变量的个数；
c因变量要符合正态分布
④马尔科夫预测（备用）
一个序列之间没有信息的传递，前后没有联系，数据与数据之间随机性强，相互不影响；今天的温度与昨天、后天没有直接联系，预测后天温度高、中、低的概率，只能得到概率