数学建模中什么是数学规划

A. 数学建模都应该学些什么

首先是数学建模方面的知识，大师级的一些优秀书籍必须是要看几本的：
(1) 数学模型 姜启源、谢金星、 叶俊 高等教育出版社
(2) 数学建模案例选集 姜启源、 谢金星 高等教育出版社
(3) 实用运筹学：模型、方法与计算 韩中庚 主编/2007年12月/清华大学出版社

模型的求解方面，需要用到Matlab、lingo等数学软件， 现在Matlab书籍很多，适合数学建模的，下面几本还不错：

(1) MATLAB 7.0从入门到精通（修订版） 刘保柱，苏彦华，张宏林 编着/2010年05月/人民邮电出版社
(2) 优化建模LINDO/LINGO软件 谢金星，薛毅 编着/2005年07月/清华大学出版社

还有一本新书，觉得对参加数学建模竞赛还是很给力的：

matlab在数学建模中的应用 卓金武，魏永生，秦健，李必文编着 北航出版社出版

这几位作者都是参加过建模竞赛的，书中有经验介绍，有很多实际建模竞赛中开发的Matlab源程序，还有原版的获奖论文，觉得对参加数学建模竞赛的应该还是很有启发的。

B. 数学建模的方法有哪些

1. 预测模块：灰色预测、时间序列预测、神经网络预测、曲线拟合（线性回归）；
   

2. 归类判别：欧氏距离判别、fisher判别等 ；
   

3. 图论：最短路径求法 ；
   

4. 最优化：列方程组 用lindo 或 lingo软件解 ；
   

5. 其他方法：层次分析法 马尔可夫链 主成分析法 等 。

建模常用算法，仅供参考：

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，同时间=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）。
    

C. 数学建模的思路是什么

说就是把实际问题用数学语言抽象概括，从数学角度来反映或近似地反映实际问题，得出的关于实际问题的数学描述。其形式是多样的，可以是方程（组）、不等式、函数、几何图形等等。

在数学建模中常用思想和方法：类比法、二分法、量纲分析法、差分法、变分法、图论法、层次分析法、数据拟合法、回归分析法、数学规划、机理分析、排队方法、对策方法、决策方法、模糊评判方法、时间序列方法、灰色理论方法、现代优化算法。

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。以数学思想来包容问题的精髓，数学思路贯穿问题的全过程，进而用数学语言来描述问题。要求符合数学理论，符合数学习惯，清晰准确。

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

D. 数学建模具体有些什么内容如何进行

一、定义
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、简化建立能近似刻画并"解决"实际问题的一种强有力的数学手段.
数学建模就是用数学语言描述实际现象的过程.这里的实际现象既包涵具体的自然现象比如自由落体现象,也包涵抽象的现象比如顾客对某种商品所取的价值倾向.这里的描述不但包括外在形态,内在机制的描述,也包括预测,试验和解释实际现象等内容.
我们也可以这样直观地理解这个概念：数学建模是一个让纯粹数学家（指只懂数学不懂数学在实际中的应用的数学家）变成物理学家,生物学家,经济学家甚至心理学家等等的过程.
数学模型一般是实际事物的一种数学简化.它常常是以某种意义上接近实际事物的抽象形式存在的,但它和真实的事物有着本质的区别.要描述一个实际现象可以有很多种方式,比如录音,录像,比喻,传言等等.为了使描述更具科学性,逻辑性,客观性和可重复性,人们采用一种普遍认为比较严格的语言来描述各种现象,这种语言就是数学.使用数学语言描述的事物就称为数学模型.有时候我们需要做一些实验,但这些实验往往用抽象出来了的数学模型作为实际物体的代替而进行相应的实验,实验本身也是实际操作的一种理论替代.
二、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.
模型求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,再次重复建模过程.
模型应用：应用方式因问题的性质和建模的目的而异.

E. 常见30种数学建模模型是什么

1、蒙特卡罗算法。

2、数据拟合、参数估计、插值等数据处理算法。

3、线性规划、整数规划、多元规划、二次规划等规划类问题。

4、图论算法。

5、动态规划、回溯搜索、分治算法、分支定界等计算机算法。

6、最优化理论的三大非经典算法。

7、网格算法和穷举法。

8、一些连续离散化方法。

9、数值分析算法。

10、图象处理算法。

应用数学去解决各类实际问题时，建立数学模型是十分关键的一步，同时也是十分困难的一步。建立教学模型的过程，是把错综复杂的实际问题简化、抽象为合理的数学结构的过程。

要通过调查、收集数据资料，观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题。

(5)数学建模中什么是数学规划扩展阅读：

数学建模是一个让纯粹数学家（指只研究数学，而不关心数学在实际中的应用的数学家）变成物理学家、生物学家、经济学家甚至心理学家等等的过程。这里的实际现象既包涵具体的自然现象比如自由落体现象，也包含抽象的现象比如顾客对某种商品所取的价值倾向。这里的描述不但包括外在形态、内在机制的描述，也包括预测、试验和解释实际现象等内容。

F. 数学建模规划问题

可以分为：按是否线性可分为线性规划和非线性规划，一次是线性的，其他就是非线性的，按是否份过程阶段 分动态规划和非动态规划，按目标函数的多少分，可以分单目标规划和多目标规划 。
线性和非线性的比较常见，我说说其他的吧。
动态规划(dynamic programming)是运筹学的一个重要分支,它是解决多阶段决策问题的一种有效的数量化方法.动态规划是由美国学者贝尔曼(R.Bellman)等人所创立的.1951年贝尔曼首先提出了动态规划中解决多阶段决策问题的最优化原理,并给出了许多实际问题的解法.1957年贝尔曼发表了《动态规划》一书,标志着运筹学这一重要分支的诞生.
动态规划从创立到现在五十多年来,无论在工程技术,企业管理还是在工农业生产及军事等部门都有广泛的应用,并获得了显着的效果.在管理方面,动态规划可用于资源分配问题,最短路径问题,库存问题,背包问题,设备更新问题,最优控制问题等等.所以动态规划是现代管理学中进行科学决策不可缺少的工具.
动态规划的优点在于,它把一个多维决策问题转化为若干个一维最优化(optimization)问题,而对一维最优化问题一个一个地去解.这种方法是许多求极值方法所做不到的,它几乎优于所有现存的优化方法.除此之外,动态规划能求出全局极大或极小,这一点也优于其他优化方法.需要指出的是,动态规划是求解最优化问题的一种方法,是解决问题的一种途径,而不是一种新的算法.在前面我们学习了用单纯形解线性规划问题,凡是具有线性规划问题那样统一的数学模型都可以用单纯形法去求解,而动态规划问题的求解却没有统一的方法(类似于单纯形法).因此在用动态规划求解最优化问题中,必须对具体问题具体分析,针对不同的问题,使用动态规划的最优化原理(optimization principle)和方法,建立起与其相应的数学模型,然后再用动态规划方法去求解.根据动态规划这些特点,要求我们在学好动态规划的基本原理和方法的同时,还应具有丰富的想象力,只有这样才能建好模型求出问题的最优解.
可根据时间变量是离散的还是连续的,把动态规划问题的模型分为离散决策过程和连续决策过程,根据决策过程的演变是确定性的还是随机性的,动态规划问题的模型又可分为确定性的决策过程和随机性的决策过程,即离散确定性,离散随机性,连续确定性,连续随机性四种决策过程模型.我们主要研究离散确定性模型.

2.随机规划和模糊规划是处理随机和模糊优化问题的两大数学规划工具，称之为不确定规划。主要目的是为不确定环境中的优化理论奠定一个基础。不确定规划理论由三大类组成：期望值模型，机 会约束规划和相关机会规划。
3.随机规划的概念比较少见
可以参考一下运筹学的分支
数学规划的研究对象是计划管理工作中有关安排和估值的问题，解决的主要问题是在给定条件下，按某一衡量指标来寻找安排的最优方案。它可以表示成求函数在满足约束条件下的极大极小值问题。

数学规划和古典的求极值的问题有本质上的不同，古典方法只能处理具有简单表达式，和简单约束条件的情况。而现代的数学规划中的问题目标函数和约束条件都很复杂，而且要求给出某种精确度的数字解答，因此算法的研究特别受到重视。

这里最简单的一种问题就是线性规划。如果约束条件和目标函数都是呈线性关系的就叫线性规划。要解决线性规划问题，从理论上讲都要解线性方程组，因此解线性方程组的方法，以及关于行列式、矩阵的知识，就是线性规划中非常必要的工具。

线性规划及其解法—单纯形法的出现，对运筹学的发展起了重大的推动作用。许多实际问题都可以化成线性规划来解决，而单纯形法有是一个行之有效的算法，加上计算机的出现，使一些大型复杂的实际问题的解决成为现实。

非线性规划是线性规划的进一步发展和继续。许多实际问题如设计问题、经济平衡问题都属于非线性规划的范畴。非线性规划扩大了数学规划的应用范围，同时也给数学工作者提出了许多基本理论问题，使数学中的如凸分析、数值分析等也得到了发展。还有一种规划问题和时间有关，叫做“动态规划”。近年来在工程控制、技术物理和通讯中的最佳控制问题中，已经成为经常使用的重要工具。

排队论是运筹学的又一个分支，它有叫做随机服务系统理论。它的研究目的是要回答如何改进服务机构或组织被服务的对象，使得某种指标达到最优的问题。比如一个港口应该有多少个码头，一个工厂应该有多少维修人员等。

排队论最初是在二十世纪初由丹麦工程师艾尔郎关于电话交换机的效率研究开始的，在第二次世界大战中为了对飞机场跑道的容纳量进行估算，它得到了进一步的发展，其相应的学科更新论、可靠性理论等也都发展起来。

因为排队现象是一个随机现象，因此在研究排队现象的时候，主要采用的是研究随机现象的概率论作为主要工具。此外，还有微分和微分方程。排队论把它所要研究的对象形象的描述为顾客来到服务台前要求接待。如果服务台以被其它顾客占用，那么就要排队。另一方面，服务台也时而空闲、时而忙碌。就需要通过数学方法求得顾客的等待时间、排队长度等的概率分布。

排队论在日常生活中的应用是相当广泛的，比如水库水量的调节、生产流水线的安排，铁路分成场的调度、电网的设计等等。

对策论也叫博弈论，前面讲的田忌赛马就是典型的博弈论问题。作为运筹学的一个分支，博弈论的发展也只有几十年的历史。系统地创建这门学科的数学家，现在一般公认为是美籍匈牙利数学家、计算机之父——冯·诺依曼。

最初用数学方法研究博弈论是在国际象棋中开始的——如何确定取胜的着法。由于是研究双方冲突、制胜对策的问题，所以这门学科在军事方面有着十分重要的应用。近年来，数学家还对水雷和舰艇、歼击机和轰炸机之间的作战、追踪等问题进行了研究，提出了追逃双方都能自主决策的数学理论。近年来，随着人工智能研究的进一步发展，对博弈论提出了更多新的要求。

搜索论是由于第二次世界大战中战争的需要而出现的运筹学分支。主要研究在资源和探测手段受到限制的情况下，如何设计寻找某种目标的最优方案，并加以实施的理论和方法。在第二次世界大战中，同盟国的空军和海军在研究如何针对轴心国的潜艇活动、舰队运输和兵力部署等进行甄别的过程中产生的。搜索论在实际应用中也取得了不少成效，例如二十世纪六十年代，美国寻找在大西洋失踪的核潜艇“打谷者号”和“蝎子号”，以及在地中海寻找丢失的氢弹，都是依据搜索论获得成功的。

运筹学有广阔的应用领域，它已渗透到诸如服务、库存、搜索、人口、对抗、控制、时间表、资源分配、厂址定位、能源、设计、生产、可靠性、等各个方面。

应该排队论和随机规划是比较接近的
具体的还希望你问一下专业的老师
希望对你有帮助

G. 数学建模中规划的分类

可以分为 按是否线性 分为线性规划 和 非线性规划 一次是线性的 其他就是非线性的 按是否份过程阶段 分动态规划 非动态规划 按目标函数的多少分 可以分单目标规划 和 多目标规划

H. 数学建模需要哪些知识

数学建模需要的知识：

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）。

I. 什么叫做数学建模

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、简化建立能近似刻画并"解决"实际问题的一种强有力的数学手段。 数学建模就是用数学语言描述实际现象的过程。这里的实际现象既包涵具体的自然现象比如自由落体现象，也包含抽象的现象比如顾客对某种商品所取的价值倾向。这里的描述不但包括外在形态，内在机制的描述，也包括预测，试验和解释实际现象等内容。 我们也可以这样直观地理解这个概念：数学建模是一个让纯粹数学家（指只懂数学不懂数学在实际中的应用的数学家）变成物理学家，生物学家，经济学家甚至心理学家等等的过程。 数学模型一般是实际事物的一种数学简化。它常常是以某种意义上接近实际事物的抽象形式存在的，但它和真实的事物有着本质的区别。要描述一个实际现象可以有很多种方式，比如录音，录像，比喻，传言等等。为了使描述更具科学性，逻辑性，客观性和可重复性，人们采用一种普遍认为比较严格的语言来描述各种现象，这种语言就是数学。使用数学语言描述的事物就称为数学模型。有时候我们需要做一些实验，但这些实验往往用抽象出来了的数学模型作为实际物体的代替而进行相应的实验，实验本身也是实际操作的一种理论替代。
数学建模掌握的十类算法
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 进行处理）

J. 数学建模的概念是什么

数学建模就是用数学语言描述实际现象的过程。这里的实际现象既包涵具体的自然现象比如自由落体现象，也包涵抽象的现象比如顾客对某种商品所取的价值倾向。这里的描述不但包括外在形态，内在机制的描述，也包括预测，试验和解释实际现象等内容。
我们也可以这样直观地理解这个概念：数学建模是一个让纯粹数学家（指只懂数学不懂数学在实际中的应用的数学家）变成物理学家，生物学家，经济学家甚至心理学家等等的过程。
数学模型一般是实际事物的一种数学简化。它常常是以某种意义上接近实际事物的抽象形式存在的，但它和真实的事物有着本质的区别。要描述一个实际现象可以有很多种方式，比如录音，录像，比喻，传言等等。为了使描述更具科学性，逻辑性，客观性和可重复性，人们采用一种普遍认为比较严格的语言来描述各种现象，这种语言就是数学。使用数学语言描述的事物就称为数学模型。有时候我们需要做一些实验，但这些实验往往用抽象出来了的数学模型作为实际物体的代替而进行相应的实验，实验本身也是实际操作的一种理论替代。
数学是研究现实世界数量关系和空间形式的科学，在它产生和发展的历史长河中，一直是和各种各样的应用问题紧密相关的。数学的特点不仅在于概念的抽象性、逻辑的严密性，结论的明确性和体系的完整性，而且在于它应用的广泛性，进入20世纪以来，随着科学技术的迅速发展和计算机的日益普及，人们对各种问题的要求越来越精确，使得数学的应用越来越广泛和深入，特别是在即将进入21世纪的知识经济时代，数学科学的地位会发生巨大的变化，它正在从国或经济和科技的后备走到了前沿。经济发展的全球化、计算机的迅猛发展，数学理伦与方法的不断扩充使得数学已经成为当代高科技的一个重要组成部分和思想库，数学已经成为一种能够普遍实施的技术。培养学生应用数学的意识和能力已经成为数学教学的一个重要方面。
应用数学去解决各类实际问题时，建立数学模型是十分关键的一步，同时也是十分困难的一步。建立教学模型的过程，是把错综复杂的实际问题简化、抽象为合理的数学结构的过程。要通过调查、收集数据资料，观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题。这就需要深厚扎实的数学基础，敏锐的洞察力和想象力，对实际问题的浓厚兴趣和广博的知识面。数学建模是联系数学与实际问题的桥梁，是数学在各个领械广泛应用的媒介，是数学科学技术转化的主要途径，数学建模在科学技术发展中的重要作用越来越受到数学界和工程界的普遍重视，它已成为现代科技工作者必备的重要能力之。为了适应科学技术发展的需要和培养高质量、高层次科技人才，数学建模已经在大学教育中逐步开展，国内外越来越多的大学正在进行数学建模课程的教学和参加开放性的数学建模竞赛，将数学建模教学和竞赛作为高等院校的教学改革和培养高层次的科技人才的个重要方面，现在许多院校正在将数学建模与教学改革相结合，努力探索更有效的数学建模教学法和培养面向21世纪的人才的新思路，与我国高校的其它数学类课程相比，数学建模具有难度大、涉及面广、形式灵活，对教师和学生要求高等特点，数学建模的教学本身是一个不断探索、不断创新、不断完善和提高的过程。为了改变过去以教师为中心、以课堂讲授为主、以知识传授为主的传统教学模式，数学建模课程指导思想是：以实验室为基础、以学生为中心、以问题为主线、以培养能力为目标来组织教学工作。通过教学使学生了解利用数学理论和方法去分析和解决问题的全过程，提高他们分析问题和解决问题的能力；提高他们学习数学的兴趣和应用数学的意识与能力，使他们在以后的工作中能经常性地想到用数学去解决问题，提高他们尽量利用计算机软件及当代高新科技成果的意识，能将数学、计算机有机地结合起来去解决实际问题。数学建模以学生为主，教师利用一些事先设计好问题启发，引导学生主动查阅文献资料和学习新知识，鼓励学生 积极开展讨论和辩论，培养学生主动探索，努力进取的学风，培养学生从事科研工作的初步能力，培养学生团结协作的精神、形成一个生动活泼的环境和气氛，教学过程的重点是创造一个环境去诱导学生的学习欲望、培养他们的自学能力，增强他们的数学素质和创新能力，提高他们的数举素质，强调的是获取新知识的能力，是解决问题的过程，而不是知识与结果。接受参加数学建模竞赛赛前培训的同学大都需要学习诸如数理统计、最优化、图论、微分方程、计算方法、神经网络、层次分析法、模糊数学，数学软件包的使用等等“短课程”（或讲座），用的学时不多，多数是启发性的讲一些基本的概念和方法，主要是靠同学们自己去学，充分调动同学们的积极性，充分发挥同学们的潜能。培训中广泛地采用的讨论班方式，同学自己报告、讨论、辩论，教师主要起质疑、答疑、辅导的作用，竞赛中一定要使用计算机及相应的软件，如Mathemathmatica,Matlab,Mapple，甚至排版软件等。
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，再次重复建模过程。
模型应用：应用方式因问题的性质和建模的目的而异。