數學建模有什麼分類

A. 數學建模是什麼

數學建模就是根據實際問題來建立數學模型，對數學模型來進行求解，然後根據結果去解決實際問題。

當需要從定量的角度分析和研究一個實際問題時，人們就要在深入調查研究、了解對象信息、作出簡化假設、分析內在規律等工作的基礎上，用數學的符號和語言作表述來建立數學模型。

數學建模就是建立數學模型，建立數學模型的過程就是數學建模的過程。數學建模是一種數學的思考方法，是運用數學的語言和方法，通過抽象、簡化建立能近似刻畫並"解決"實際問題的一種強有力的數學手段。

(1)數學建模有什麼分類擴展閱讀：

從基本物理定律以及系統的結構數據來推導出模型。

1. 比例分析法--建立變數之間函數關系的最基本最常用的方法。

2. 代數方法--求解離散問題(離散的數據、符號、圖形)的主要方法。

3. 邏輯方法--是數學理論研究的重要方法，對社會學和經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--解決兩個變數之間的變化規律，關鍵是建立"瞬時變化率"的表達式。

5. 偏微分方程--解決因變數與兩個以上自變數之間的變化規律。

從大量的觀測數據利用統計方法建立數學模型。

1. 回歸分析法--用於對函數f(x)的一組觀測值(xi, fi)i=1,2…n，確定函數的表達式，由於處理的是靜態的獨立數據，故稱為數理統計方法。

2. 時序分析法--處理的是動態的相關數據，又稱為過程統計方法。

3. 回歸分析法--用於對函數f(x)的一組觀測值(xi, fi)i=1,2…n，確定函數的表達式，由於處理的是靜態的獨立數據，故稱為數理統計方法。

4. 時序分析法--處理的是動態的相關數據，又稱為過程統計方法。

B. 數學建模分類模型有哪些

數學建模常用模型有哪些？

1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的算

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、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要

處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具）

3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多數問題

屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、

Lingo軟體實現）

4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉

及到圖論的問題可以用這些方法解決，需要認真准備）

5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計

中比較常用的方法，很多場合可以用到競賽中）

6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些問題是

用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，但是演算法的實

現比較困難，需慎重使用）

7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽

題中有應用，當重點討論模型本身而輕視演算法的時候，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、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只

認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非

常重要的）

9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常

用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調

用）

10、圖象處理演算法（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

C. 常見30種數學建模模型是什麼

1、蒙特卡羅演算法。

2、數據擬合、參數估計、插值等數據處理演算法。

3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題。

4、圖論演算法。

5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法。

6、最優化理論的三大非經典演算法。

7、網格演算法和窮舉法。

8、一些連續離散化方法。

9、數值分析演算法。

10、圖象處理演算法。

應用數學去解決各類實際問題時，建立數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、抽象為合理的數學結構的過程。

要通過調查、收集數據資料，觀察和研究實際對象的固有特徵和內在規律，抓住問題的主要矛盾，建立起反映實際問題的數量關系，然後利用數學的理論和方法去分析和解決問題。

(3)數學建模有什麼分類擴展閱讀：

數學建模是一個讓純粹數學家（指只研究數學，而不關心數學在實際中的應用的數學家）變成物理學家、生物學家、經濟學家甚至心理學家等等的過程。這里的實際現象既包涵具體的自然現象比如自由落體現象，也包含抽象的現象比如顧客對某種商品所取的價值傾向。這里的描述不但包括外在形態、內在機制的描述，也包括預測、試驗和解釋實際現象等內容。

D. 數學建模題型之分類

What：以樣本到總體的距離為依據的直觀判別方法

How：先根據已知分類的數據，分別計算各類的重心 然後計算待判樣本與各類的距離，與哪一類距離最 近，就判待判樣本x屬於哪一類。

摘自： 

IBMlib  https://wiki.mbalib.com/wiki/%E8%B7%9D%E7%A6%BB%E5%88%A4%E5%88%AB

源程序詳見 JuLiPanBie.m

What：根據Bayes准則進行判別的方法

How：設有兩個 總體 ，它們的 先驗概率 分別為 q 1 、  q 2，各總體的密度函數為 f 1( x ) 、 f 2( x ) ，在觀測到一個 樣本x 的情況下，可用 貝葉斯公式 計算它來自第k個總體的 後驗概率 為：

一種常用判別准則是：對於待判樣本 x ，如果在所有的 P ( G k  /  x )中 P ( G h  /  x )是最大的，則判定 x 屬於第 h 總體。通常會以樣本的 頻率 作為各總體的先驗概率。

What：一種先進行高維向低位投影，再根據 距離判別 的一種方法。

How：通過將多維數據投影至某個方向上，投影的原則是將總體與總體之間盡可能分開，然後再選擇合適的判別規則，將待判的 樣本 進行分類判別。所謂的投影實際上是利用方差分析的思想構造也一個或幾個超平面，使得兩組間的差別最大，每組內的差別最小。

費歇爾判別函數和判別准則

判別函數：

判別准則：

 ， y 1 >  y 2, y  >  y 0

 ， y 1 >  y 2, y  <  y 0

 ， y 1 <  y 2, y  >  y 0

 ， y 1 <  y 2, y  <  y 0

將兩類均值及待判樣本 x 的各項 指標 代入判別函數可求得三個函數值 y 1,  y 2， y ，一般將 y 1,  y 2的加權平均值 y 0。

聚類分析的類型詳見： https://blog.csdn.net/abc200941410128/article/details/78541273

由於用matlab實現較為繁雜，故優先採用SPSS

常用方法：系統聚類、k-means聚類、兩步聚類

基本操作：打開->數據->.xls->導入->分析->分類->...聚類

分析樹狀圖、冰柱圖

樹狀圖（譜系圖）：縱向觀察引出來幾條虛線就表示分幾類

冰柱圖：冰柱是自上而下垂懸的

詳見： https://wenku..com/view/4a2640f0f90f76c661371af2.html （系統、k-means）

            https://blog.csdn.net/OYY_90/article/details/82699539 （兩步聚類）

官方文檔： https://www.ibm.com/support/knowledgecenter/zh/SSLVMB_25.0.0/statistics_mainhelp_ddita/spss/base/idh_twostep_main.html （兩步聚類）

有關概念的快速理解及matlab實現： https://blog.csdn.net/acelit/article/details/78187715

熟悉Matlab的GA工具箱及其函數

What：一種通用概率演算法，在一定時間內尋找一個很大搜尋空間中的近似最優解。

How：模擬退火的原理也和金屬退火的原理近似：我們將熱力學的理論套用到統計學上，將搜尋空間內每一點想像成空氣內的分子；分子的能量，就是它本身的動能；而搜尋空間內的每一點，也像空氣分子一樣帶有「能量」，以表示該點對命題的合適程度。演算法先以搜尋空間內一個任意點作起始：每一步先選擇一個「鄰居」，然後再計算從現有位置到達「鄰居」的概率。

主要用於圖像分類。（略）

E. 有哪些數學模型類型

用字母、數字和其他數學符號構成的等式或不等式，或用圖表、圖像、框圖、數理邏輯等來描述系統的特徵及其內部聯系或與外界聯系的模型。它是真實系統的一種抽象。數學模型是研究和掌握系統運動規律的有力工具，它是分析、設計、預報或預測、控制實際系統的基礎。數學模型的種類很多，而且有多種不同的分類方法。靜態和動態模型。靜態模型是指要描述的系統各量之間的關系是不隨時間的變化而變化的，一般都用代數方程來表達。動態模型是指描述系統各量之間隨時間變化而變化的規律的數學表達式，一般用微分方程或差分方程來表示。經典控制理論中常用的系統的傳遞函數也是動態模型，因為它是從描述系統的微分方程變換而來的（見拉普拉斯變換）。

分布參數和集中參數模型。分布參數模型是用各類偏微分方程描述系統的動態特性，而集中參數模型是用線性或非線性常微分方程來描述系統的動態特性。在許多情況下，分布參數模型藉助於空間離散化的方法，可簡化為復雜程度較低的集中參數模型。連續時間和離散時間模型。模型中的時間變數是在一定區間內變化的模型稱為連續時間模型，上述各類用微分方程描述的模型都是連續時間模型。在處理集中參數模型時，也可以將時間變數離散化，所獲得的模型稱為離散時間模型。離散時間模型是用差分方程描述的。隨機性和確定性模型：隨機性模型中變數之間關系是以統計值或概率分布的形式給出的，而在確定性模型中變數間的關系是確定的。

F. 數學模型有哪些

數學模型（mathematical model）就是用數學的語言、方法去近似地刻畫實際，描述現實問題的數學公式、圖形或演算法。

數學模型可按不同的方式進行分類。

按照模型的應用領域，可分為人口模型、生物模型、生態模型、交通模型、環境模型、作戰模型、社會模型、經濟模型、醫學模型、機械模型等。
按照建立模型的數學方法，可分為微分方程模型、幾何模型、網路模型、運籌模型、隨機模型等。
按照建模目的，可分為描述模型、分析模型、預測模型、決策模型、控制模型等。
按照對模型結構的了解程度，可分為白箱模型、灰箱模型、黑箱模型。白箱是指對所涉及問題的機理很清楚，黑箱是完全不了解問題的內部機理，灰箱則介於兩者之間。
根據模型的表現形態還可分為：靜態模型和動態模型、解析模型和數值模型、離散模型和連續模型、確定性模型和隨機性模型。
數學模型和數學建模介紹
數學建模（mathematical modeling）就是通過建立數學模型來解決各種實際問題的方法，也就是通過對實際問題的抽象、簡化，確定變數和參數，並應用某些規律建立起變數、參數之間的關系。求解該數學問題，解釋、驗證所得到的解，從而確定能否用於解決實際問題。數學建模最重要的特點在於它是一個接受實踐檢驗、多次修改、逐漸完善的過程。

數學建模沒有固定的格式和標准，也沒有明確的方法，通常由明確問題、合理假設、搭建模型、求解模型、分析檢驗等五個步驟組成。

一個理想的數學模型，應盡可能滿足以下兩個條件：

模型的可靠性：在誤差允許范圍內，能正確反映客觀實際；
模型的可解性：模型能夠通過數學計算，得到可行解。
一個實際問題往往很復雜的，影響因素也有很多，要解決實際問題，就要將實際問題抽象簡化、合理假設，確定變數和參數，建立合適的數學模型，並求解。模型的可靠性和可解性通常互相矛盾，一般總是在模型可解性的前提下力爭較滿意的可靠性。

G. 數學建模模型有哪些適合解決什麼問題

數學模型有很多類，解決的問題從基本的原料供應關繫到復雜的火箭升空、發動均可以建立模型，但是一般在大學學習的都是基本的一些定式模型，具體的你可以看書，大學數模班主要的是培訓大家的基本編程能力、英語翻譯閱讀理解翻譯和團隊協作以及基本數學知識。

H. 數學模型的分類有哪些

1、按照模型的應用領域分：人口模型、交通模型、環境模型、生態模型、城鎮規劃模型、水資源模型、再生資源利用模型、污染模型；
2、按照建立模型的數學方法分：初等模型、幾何模型、微分方程模型、統計回歸模型、數學規劃模型；
3、按照模型的表現特性分：確定性模型和隨機性模型、靜態模型和動態模型、線性模型和非線性模型、離散模型和連續模型；
4、按照建模目的分：描述模型、預報模型、優化模型、決策模型、控制模型等。