数学建模方法及其应用

一、层次分析法

层次分析法[1] (analytic hierarchy process，AHP)是美国著名的运筹学家T．L．Saaty教授于20世纪70年代初首先提出的一种定性与定量分析相结合的多准则决策方法[2，3，4]．该方法是社会、经济系统决策的有效工具，目前在工程计划、资源分配、方案排序、政策制定、冲突问题、性能评价等方面都有广泛的应用．(一) 层次分析法的基本原理

层次分析法的核心问题是排序，包括递阶层次结构原理、测度原理和排序原理[5]．下面分别予以介绍．1．递阶层次结构原理

一个复杂的结构问题可以分解为它的组成部分或因素，即目标、准则、方案等．每一个因素称为元素．按照属性的不同把这些元素分组形成互不相交的层次，上一层的元素对相邻的下一层的全部或部分元素起支配作用，形成按层次自上而下的逐层支配关系．具有这种性质的层次称为递阶层次．

2．测度原理

决策就是要从一组已知的方案中选择理想方案，而理想方案一般是在一定的准则下通过使效用函数极大化而产生的．然而对于社会、经济系统的决策模型来说，常常难以定量测度．因此，层次分析法的核心是决策模型中各因素的测度化．

3．排序原理

层次分析法的排序问题，实质上是一组元素两两比较其重要性，计算元素相对重要性的测度问题． (二) 层次分析法的基本步骤

层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一致的[1]． 1． 成对比较矩阵和权向量

为了能够尽可能地减少性质不同的诸因素相互比较的困难，提高结果的准确度．T ．L ．Saaty 等人的作法，一是不把所有因素放在一起比较，而是两两相互对比，二是对比时采用相对尺度．

假设要比较某一层n 个因素n C C ,,1 对上层一个因素O 的影响，每次取两个因素i C 和j C ，用ij a 表示i C 和j C 对

O

的

影响之比，全部比较结果可用成对比较阵

()

1

,0,ij ij ji n n

ij

A a a a a ?=>=

表示，A 称为正互反矩阵． 一般地，如果一个正互反阵A 满足：

,ij jk ik a a a ?= ,,1,2,

,i j k n = （1）

则A 称为一致性矩阵，简称一致阵．容易证明n 阶一致阵A 有下列性质： ①A 的秩为1，A 的唯一非零特征根为n ；

②A 的任一列向量都是对应于特征根n 的特征向量．

如果得到的成对比较阵是一致阵，自然应取对应于特征根n 的、归一化的特征向量（即分量之和为1）表示

诸因素n C C ,,1 对上层因素O 的权重，这个向量称为权向量．如果成对比较阵A 不是一致阵，但在不一致的容许范围内，用对应于A 最大特征根(记作λ)的特征向量（归一化后）作为权向量w ，即w 满足： Aw w λ= （2）

直观地看，因为矩阵A 的特征根和特征向量连续地依赖于矩阵的元素ij a ，所以当ij a 离一致性的要求不远时,A 的特征根和特征向量也与一致阵的相差不大．（2）式表示的方法称为由成对比较阵求权向量的特征根法．

2． 比较尺度

当比较两个可能具有不同性质的因素i C 和j C 对于一个上层因素O 的影响时，采用Saaty 等人提出的91-尺度，即ij a 的取值范围是9,,2,1 及其互反数91,,21,1 ．

3． 一致性检验

成对比较阵通常不是一致阵，但是为了能用它的对应于特征根λ的特征向量作为被比较因素的权向量，其不一致程度应在容许范围内．

若已经给出n 阶一致阵的特征根是n ，则n 阶正互反阵A 的最大特征根n λ≥，而当n λ=时A 是一致阵．所以λ比n 大得越多，A 的不一致程度越严重，用特征向量作为权向量引起的判断误差越大．因而可以用n λ-数值的大小衡量A 的不一致程度．Saaty 将

1

n

CI n λ-=

- (3)

定义为一致性指标．0CI =时A 为一致阵；CI 越大A 的不一致程度越严重．注意到A 的n 个特征根之和恰好等于

n ，所以CI 相当于除λ外其余1n -个特征根的平均值．

为了确定A 的不一致程度的容许范围，需要找到衡量A 的一致性指标CI 的标准，又引入所谓随机一致性指标RI ，计算RI 的过程是：对于固定的n ，随机地构造正互反阵A '，然后计算A '的一致性指标CI ．

表1 随机一致性指标RI 的数值

表中1,2n =时0RI =，是因为2,1阶的正

互反阵总是一致阵． 对于3n ≥的成对比较阵A ，将它

的一致性指标CI 与同阶（指n 相同）的随机一致性指标RI 之比称为一致性比率CR ，当

0.1CI

CR RI

=

< (4) 时认为A 的不一致程度在容许范围之内，可用其特征向量作为权向量．

对于A 利用(3)，(4)式和表1进行检验称为一致性检验．当检验不通过时，要重新进行成对比较，或对已有的A 进行修正．

4． 组合权向量

由各准则对目标的权向量和各方案对每一准则的权向量，计算各方案对目标的权向量，称为组合权向量．一

般地，若共有s 层，则第k 层对第一层（设只有1个因素）的组合权向量满足：

()()(

)

1,3,4

,k

k

k w W w k s -== （5）

其中()k W 是以第k 层对第1k -层的权向量为列向量组成的矩阵．于是最下层对最上层的组合权向量为:

()()()

()()132s s s w W W W w -= （6）

5． 组合一致性检验

在应用层次分析法作重大决策时，除了对每个成对比较阵进行一致性检验外，还常要进行所谓组合一致性检验，以确定组合权向量是否可以作为最终的决策依据．

组合一致性检验可逐层进行．如第p 层的一致性指标为()()p n p CI CI ,,1 (n 是第1-p 层因素的数目)，随机一致性

指标为()()

1,,p p n RI RI ，定义

()()

()()

11,,P p p p n CI CI CI w -??=?? ()()()()11,,p p p p n RI RI RI w

-??=?

? 则第p 层的组合一致性比率为:

()

()

(),3,4,,p p p CI CR

p s RI

== (7)

第p 层通过组合一致性检验的条件为()0.1p CR <．

定义最下层(第s 层)对第一层的组合一致性比率为：

()2*s

P p CR CR ==∑ (8)

对于重大项目，仅当*CR 适当地小时，才认为整个层次的比较判断通过一致性检验．

层次分析法的基本步骤归纳如下:

(1) 建立层次结构模型 在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次．同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用，而同一层的各因素之间尽量相互独立．最上层为目标层，通常只有1个因素，最下层通常为方案或对象层，中间可以有1个或几个层次，通常称为准则或指标层，当准则过多时（比如多于9个）应进一步分解出子准则层．

(2) 构造成对比较阵 从层次结构模型的第2层开始，对于从属于上一层每个因素的同一层诸因素，用成对比较法和91-比较尺度构造成对比较阵，直到最下层．

(3) 计算权向量并做一致性检验 对于每一个成对比较阵计算最大特征根及对应特征向量，利用一致性指标，随机一致性指标和一致性比率做一致性检验．若检验通过，特征向量（归一化后）即为权向量；若不通过，重新构造成对比较阵．

(4) 计算组合权向量并做组合一致性检验 利用公式计算最下层对目标的组合权向量，并酌情作组合一致

性检验．若检验通过，则可按照组合权向量表示的结果进行决策，否则需重新考虑模型或重新构造那些一致性比率CR较大的成对比较阵．

(三) 层次分析法的优点

1．系统性层次分析把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具．

2．实用性层次分析把定性和定量方法结合起来，能处理许多用传统的最优化技术无法着手的实际问题，应用范围很广．同时，这种方法将决策者与决策分析者相互沟通，决策者甚至可以直接应用它，这就增加了决策的有效性．

3．简洁性具有中等文化程度的人即可了解层次分析的基本原理和掌握它的基本步骤，计算也非常简便，且所得结果简单明确，容易为决策者了解和掌握．

(四) 层次分析法的局限性

层次分析法的局限性可以用囿旧、粗略、主观等词来概括．

第一，它只能从原有的方案中选优，不能生成新方案；

第二，它的比较、判断直到结果都是粗糙的，不适于精度要求很高的问题；

第三，从建立层次结构模型到给出成对比较矩阵，人的主观因素的作用很大，这就使得决策结果可能难以

为众人接受．当然，采取专家群体判断的方法是克服这个缺点的一种途径． (五) 层次分析法的若干问题

层次分析法问世以来不仅得到广泛的应用而且在理论体系、计算方法等方面都有很大发展，下面从应用的角度讨论几个问题．

1． 正互反阵最大特征根和对应特征向量的性质

成对比较阵是正互反阵．层次分析法中用对应它的最大特征根的特征向量作为权向量，用最大特征根定义一致性指标进行一致性检验．这里人们碰到的问题是：正互反阵是否存在正的最大特征根和正的特征向量；一致性指标的大小是否反映它接近一致阵的程度，特别，当一致性指标为零时，它是否就为一致阵．下面两个定理可以回答这些问题．

定理1 对于正矩阵A （A 的所有元素为正数） 1）A 的最大特征根是正单根λ；

2）λ对应正特征向量w （ω的所有分量为正数）；

3）w I

A I I A k k k =T ∞→lim ，其中()T

=1,1,1 I ，w 是对应λ的归一化特征向量． 定理2 n 阶正互反阵A 的最大特征根n λ≥；当n λ=时A 是一致阵．

定理2和前面所述的一致阵的性质表明,n 阶正互反阵A 是一致阵的充要条件为 A 的最大特征根n λ=．

2． 正互反阵最大特征根和特征向量的实用算法

众所周知，用定义计算矩阵的特征根和特征向量是相当困难的，特别是矩阵阶数较高时．另一方面，因为成对比较阵是通过定性比较得到的比较粗糙的量化结果，对它精确计算是不必要的，下面介绍几种简单的方法． (1) 幂法 步骤如下：

a ．任取n 维归一化初始向量()0w

b ．计算()()1,0,1,2,k k w Aw k +=

= c ．()

1k w

+归一化,即令()

()

()

∑=+++=n

i k i

k k w

w

1

111~~ω

d ．对于预先给定的精度ε,当 ()()()1||1,2,,k k i i i n ωωε+-<=时,()1k w +即为所求的特征向量；否则返回b

e. 计算最大特征根()

()1

11k n i k i i

n ωλω+==∑

这是求最大特征根对应特征向量的迭代法,()0w 可任选或取下面方法得到的结果． (2) 和法 步骤如下：

a. 将A 的每一列向量归一化得1

n

ij ij ij

i a a

ω==∑

b ．对ij ω按行求和得1n

i ij j ωω==∑

c ．将i ω归一化()*121

,,,n

i i

n i w ωωωωωωT

===∑即为近似特征向量．

d. 计算()11n i

i i

Aw n λω==∑，作为最大特征根的近似值．

这个方法实际上是将A 的列向量归一化后取平均值，作为A 的特征向量．

(3) 根法 步骤与和法基本相同，只是将步骤b 改为对ij ω按行求积并开n 次方，即11n

n i ij j ωω=??

= ???

∏．根法是将和法

中求列向量的算术平均值改为求几何平均值．

3． 为什么用成对比较阵的特征向量作为权向量

当成对比较阵A 是一致阵时,ij a 与权向量()T =n w ωω,,1 的关系满i

ij j

a ωω=,那么当A 不是一致阵时，权向量w 的选择应使得ij a 与

i

j

ωω相差尽量小．这样,如果从拟合的角度看确定w 可以化为如下的最小二乘问题： ()2

1,,11min i n

n

i

ij i n i j j a ωω

ω===??

- ? ??

?

∑∑ (9) 由(9)式得到的最小二乘权向量一般与特征根法得到的不同．因为(9)式将导致求解关于i ω的非线性方程组，计算复杂，且不能保证得到全局最优解,没有实用价值．

如果改为对数最小二乘问题：

()2

1,,11min ln ln i n

n

i ij i n i j j a ωωω===??

- ? ???

∑∑ (10) 则化为求解关于ln i ω的线性方程组．可以验证，如此解得的i ω恰是前面根法计算的结果．

特征根法解决这个问题的途径可通过对定理2的证明看出． 4． 成对比较阵残缺时的处理

专家或有关学者由于某种原因无法或不愿对某两个因素给出相互比较的结果，于是成对比较阵出现残缺．应如何修正,以便继续进行权向量的计算呢？

一般地，由残缺阵()ij A a =构造修正阵()ij A a =的方法是令,

,0,

,1,

ij ij ij ij i i a a i j a a i j

m m i i j

θθθ≠≠??

==≠??

+=?为第行的个数,

(11)

θ表示残缺．已经证明，可以接受的残缺阵A 的充分必要条件是A 为不可约矩阵．

(六) 层次分析法的广泛应用

层次分析法在正式提出来之后，由于它在处理复杂的决策问题上的实用性和有效性，很快就在世界范围内得到普遍的重视和广泛的应用．从处理问题的类型看，主要是决策、评价、分析、预测等方面． 这个方法在

20世纪80年代初引入我国，很快为广大的应用数学工作者和有关领域的技术人员所接受，得到了成功的应用．层次分析法在求解某些优化问题中的应用[5]

举例假设某人在制定食谱时有三类食品可供选择：肉、面包、蔬菜．这三类食品所含的营养成分及单价如表所示

表2肉、面包、蔬菜三类食品所含的营养成分及单价

该人体重为55kg

维生素A 7500国际单位 (IU)

维生素B 1.6338mg

热量 R 8548.5kJ

考虑应如何制定食谱可使在保证营养需求的前提下支出最小？

用层次分析法求解最优化问题可以引入包括偏好等这类因素．具体的求解过程如下：①建立层次结构

② 根据偏好建立如下两两比较判断矩阵

表3 比较判断矩阵

max 2λ=，10CI =，100.1CR =<，主特征向量()0.75,0.25

W =

故第二层元素排序总权重为()10.75,0.25W T

=

表4 比较判断矩阵

111max 1113,0,0,0.58CI CR RI λ==== ，主特征向量0.4,0.4,0.2W =

故相对权重()2

10.4,0.4,0.2,0P T

=

③ 第三层组合一致性检验问题

因为()()2111211112120;0.435CI CI CI W RI RI RI W ====,212200.1CR CR CI RI =+=<

故第三层所有判断矩阵通过一致性检验，从而得到第三层元素维生素A 、维生素B 、热量Q 及支出E 的总权重为：

()()221221120.3,0.3,0.15,0.25W P W P P W T

===

求第四层元素关于总目标W 的排序权重向量时，用到第三层与第四层元素的排序关系矩阵，可以用原始的营养成分及单价的数据得到．注意到单价对人们来说希望最小，因此应取各单价的倒数，然后归一化．其他营养成分的数据直接进行归一化计算，可得表5

表5 各营养成分数据的归一化

则最终的第四层各元素的综合权重向量为：3320.2376,0.2293,0.5331W P W ==，结果表明，按这个人的偏好，肉、面包和蔬菜的比例取0.2376:0.2293:0.5331较为合适．引入参数变量，令10.2376x k =，20.2293x k =，30.5331x k =，代入()1LP

123min 0.02750.0060.007f x x x =++

13123

1231230.352725.07500

0.00210.00060.002 1.6338..(1)11.930011.5100 1.048548.5,,,0

x x x x x s t LP x x x x x x +≥??++≥??

++≥??≥?

则得

k f 0116.0min =

()13.411375000.0017 1.6338..26.02828548.50

k k s t LP k k ≥??≥??

≥??≥?

容易求得1418.1k =，故得最优解()*336.9350,325.1650,755.9767x T

=；最优值 *16.4497f =，即肉336.94g ，面325.17g ，蔬菜755.98g ，每日的食品费用为16.45元．

总之，对含有主、客观因素以及要求与期望是模糊的优化问题，用层次分析法来处理比较适用．

二、模糊数学法

模糊数学是1965年美国控制论专家 L．A．Zadeh创立的．模糊数学作为一门新兴学科，它已初步应用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判等各方面．在气象、结构力学、控制、心理学方面已有具体的研究成果．

(一) 模糊数学的研究内容

第一，研究模糊数学的理论，以及它和精确数学、随机数学的关系；

第二，研究模糊语言和模糊逻辑，并能作出正确的识别和判断；

第三，研究模糊数学的应用．

(二) 模糊数学在数学建模中应用的可行性

1．数学建模的意义在于将数学理论应用于实际问题[6]．而模糊数学作为一种新的理论，本身就有其巨大的应用背景，国内外每年都有大量的相关论文发表，解决了许多实际问题．目前在数学建模中较少运用模糊数学方法的原因不在于模糊数学理论本身有问题，而在于最新的研究成果没有在第一时间进入数学建模的教科书中，就其理论本身所具有的实用性的特点而言，模糊数学应该有助于我们解决建模过程中的实际问题．2．数学建模的要求是模型与实际问题尽可能相符．对实际问题有这样一种分类方式：白色问题、灰色问题和黑色问题．毫无疑问，引进新的方法对解决这些问题大有裨益．在灰色问题和黑色问题中有很多现象是用

“模糊”的自然语言描述的．在这种情况下，用模糊的模型也许更符合实际．

3． 数学建模活动的目的之一是培养学生的创新精神．用新理论、新方法解题应该受到鼓励．近年来，用神经网络法、层次分析法等新方法建立模型的论文屡有获奖，这也说明了评审者对新方法的重视．我们相信，模糊数学方法应该很好，同样能够写出优秀的论文． (三) 模糊综合评判法中的最大隶属原则有效度

在模糊统计综合评判中，如何利用综合评判结果向量()12,,

,m b b b b =

,其中， 01j b <<，m

为

可能出现的评语个数，提供的信息对被评判对象作出所属等级的判断，目前通用的判别原则是最大隶属原则

[7]

．在实际应用中很少有人注意到最大隶属原则的有效性问题，在模糊综合评判的实例中最大隶属原则无一例

外地被到处搬用，然而这个原则并不是普遍适用的． 最大隶属原则有效度的测量

1． 有效度指标的导出

在模糊综合评判中，当11

max 1,1n

j j j n j b b ≤≤===∑时，最大隶属原则最有效；而在()1max 01,j j n

b c c ≤≤=<< 1

n

j

j b

nc ==∑时，最大隶属原则完全失效，且1max j j n

b ≤≤越大（相对于

1

n

j

j b

=∑而言），最大隶属原则也越有效．由此可

认为，最大隶属原则的有效性与1max j j n

b ≤≤在1

n

j

j b

=∑中的比重有关，于是令：

11

max n

j

j

j n

j b b

β≤≤==∑ (12)

显然，当11

max 1,1n

j j j n j b b ≤≤===∑时，则1β=为β的最大值，当()1max 01j j n

b c c ≤≤=<<, 1

n

j j b nc ==∑时，有1n β=为β的最小值，即得到β的取值范围为:11n β≤≤．由于在最大隶属原则完全失效时，1n β=而不为0，所以不宜直接用β值来判断最大隶属原则的有效性．为此设：

()

()

11

111n n n n βββ--'=

=

-- (13)

则β'可在某种程度上测定最大隶属原则的有效性．而最大隶属原则的有效性还与j n j b ≤≤1sec （j n

j b ≤≤1sec 的含义是向

量b 各分量中第二大的分量）的大小有很大关系，于是我们定义：

11

sec n

j

j

j n

j b b

γ≤≤==∑ (14)

从几个生活实例看数学建模及其应用

从几个生活实例看数学建模及其应用 [内容摘要] 本文通过几个生活中的事例，并运用数学建模，来分析问题，以便更方便的得出解决问题的方案。从中通过将数学建模的抽象理论实例化，生动化，我们能够更清楚看出数学在生活中无处不在，无处不用。 [关键词] 数学建模生活数学 数学，作为一门研究现实世界数量关系和空间形式的科学，与生活是息息相关的。作为用数学方法解决实际问题的第一步，数学建模自然有着与数学相当的意义。在各种不同的领域中，人们一直在运用数学建模来描绘，刻画某种生活规律或者生活现象，以便找到其中解决问题的最佳方案或得到最佳结论。例如，运用模拟近似法建模的方法，在社会科学，生物学，医学，经济些学等学科的实践中，来建立微分方程模型。在这些领域中的一些现象的规律性仍是未知的，或者问题太过复杂，所以在实际应用中总要通过一些简化，近似的模型来与实际情况比对，从而更加容易的得出规律性。 本文通过数学模型在生活中运用的几个例子，来了解，探讨数学模型的相关知识。 一、数学模型的简介 早在学习初等代数的时候，就已经碰到过数学模型了，例如在三个村庄之间建立一个粮仓，使其到三个村子的距离只和最短。我们可以通过建立方程组以及线性规划来解决该问题。

当然，真实实际问题的数学建模通常要复杂得多，但是建立数学建模的基本内容已经包含在解决这类代数应用题的过程中了。那就是：根据建立模型的目的和问题的背景作出必要的简化假设；用字母表示待求的未知量；利用相应的物理或其他规律，列出数学式子；求出数学上的解答；用这个答案解释问题；最后用实际现象来验证结果。 一般来说，数学模型可以描述为，对于现实世界的一个特定对象，为了一个特定目的，根据特有的内在规律，作出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构。 二、数学模型的意义 1）在一般工程技术领域，数学建模仍然大有用武之地。 2）在高新技术领域，数学建模几乎是必不可少的工具。 3）数学迅速进入一些新领域，为数学建模开拓了许多新的处女地。 三、数学建模实例 例1、某饲养场每天投入6元资金用于饲养、设备、人力，估计可使一头60kg重的生猪每天增重。目前生猪出售的市场价格为12元/kg，但是预测每天会降低元，问该场应该什么时候出售这样的生猪问题分析投入资金可使生猪体重随时间增长，但售价随时间减少，应该存在一个最佳的出售时机，使获得利润最大。根据给出的条件，可作出如下的简化假设。 模型假设每天投入6元资金使生猪的体重每天增加的常数为r（=）;生猪出售的市场价格每天降低常数g（=元）。

数学建模在计算机专业的应用

应用一图论算法 图论在计算机处理问题中占有重要地位，现实中的很多问题最终都可以转化成图论问题，或者要借助图结构来存储和处理。但是怎么把一图存入计算机就要涉及到数学建模的知识。 比如下面一图： 如果要求出从节点v1到节点v5的所有路径，就可以借助计算机来很轻松的解决。但前提条件是，必须要把图以一种计算机可以理解的形式存进去，即要把它抽象为数学问题。 在此，我们需要定义一些关于图的概念，以便更好的描述问题。 边与顶点的关系有如下几种典型情况： 简单图：无自回环，无重边的图。

无向图：边没有指向， 1212 e. i i i i i ψ（）={v,v}=v v此时称边e i与顶点12 i i v,v关联，称 顶点 1 i v与顶点 2 i v邻接。 有向图:边有指向， 1212 e. i i i i i ψ u u u u u r （）=（v,v）=v v 下面是具体涉及到图如何存储的问题： 1.图G(V,E)的关联矩阵x R=(r) ij n m ，若G(V,E)为无向图， 1 2 i j ij i j j i j j v e r v e e v e e ? ? =? ? ? 与不关联 与关联,为非自回环 与关联,为自回环 若G(V,E)为有向图， 1 2 i j ij i j i j v e r v e v e ? ? =? ? ? 与不关联 是的起点 是的终点 因此该图可以用关联矩阵表示出来，如下所示 1100000 1010100 0101001 0011010 0000111 R ?? ? ? ? = ? ? ? ?? 这样，我们就可以以矩阵的形式将图存入计算机

数学建模方法及其应用

一、层次分析法 层次分析法[1] (analytic hierarchy process，AHP)是美国著名的运筹学家T．L．Saaty教授于20世纪70年代初首先提出的一种定性与定量分析相结合的多准则决策方法[2，3，4]．该方法是社会、经济系统决策的有效工具，目前在工程计划、资源分配、方案排序、政策制定、冲突问题、性能评价等方面都有广泛的应用． (一) 层次分析法的基本原理 层次分析法的核心问题是排序，包括递阶层次结构原理、测度原理和排序原理[5]．下面分别予以介绍．1．递阶层次结构原理 一个复杂的结构问题可以分解为它的组成部分或因素，即目标、准则、方案等．每一个因素称为元素．按照属性的不同把这些元素分组形成互不相交的层次，上一层的元素对相邻的下一层的全部或部分元素起支配作用，形成按层次自上而下的逐层支配关系．具有这种性质的层次称为递阶层次． 2．测度原理 决策就是要从一组已知的方案中选择理想方案，而理想方案一般是在一定的准则下通过使效用函数极大化而产生的．然而对于社会、经济系统的决策模型来说，常常难以定量测度．因此，层次分析法的核心是决策模型中各因素的测度化．

3． 排序原理 层次分析法的排序问题，实质上是一组元素两两比较其重要性，计算元素相对重要性的测度问题． (二) 层次分析法的基本步骤 层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一致的[1]． 1． 成对比较矩阵和权向量 为了能够尽可能地减少性质不同的诸因素相互比较的困难，提高结果的准确度．T ．L ．Saaty 等人的作法，一是不把所有因素放在一起比较，而是两两相互对比，二是对比时采用相对尺度． 假设要比较某一层n 个因素n C C ,,1 对上层一个因素O 的影响，每次取两个因素i C 和j C ，用ij a 表示i C 和j C 对 O 的影响之比，全部比较结果可用成对比较阵 ()1 ,0,ij ij ji n n ij A a a a a ?=>= 表示，A 称为正互反矩阵． 一般地，如果一个正互反阵A 满足： ,ij jk ik a a a ?=,,1,2, ,i j k n = （1） 则A 称为一致性矩阵，简称一致阵．容易证明n 阶一致阵A 有下列性质：

建立数学模型的方法、步骤、特点及分类

建立数学模型的方法、步骤、特点及分类 [学习目标] 1.能表述建立数学模型的方法、步骤； 2.能表述建立数学模型的逼真性、可行性、渐进性、强健性、可转移性、非 预制性、条理性、技艺性和局限性等特点；； 3.能表述数学建模的分类； 4.会采用灵活的表述方法建立数学模型； 5.培养建模的想象力和洞察力。 一、建立数学模型的方法和步骤 —般说来建立数学模型的方法大体上可分为两大类、一类是机理分析方法，一类是测试分析方法．机理分析是根据对现实对象特性的认识、分析其因果关系，找出反映内部机理的规律,建立的模型常有明确的物理或现实意义.测试分折将研究对象视为一个“黑箱”系统，内部机理无法直接寻求，可以测量系统的输人输出数据、并以此为基础运用统计分析方法，按照事先确定的准则在某一类模型中选出一个与数据拟合得最好的模型。这种方法称为系统辨识(System Identification)．将这两种方法结合起来也是常用的建模方法。即用机理分析建立模型的结构，用系统辨识确定模型的参数． 可以看出，用上面的哪一类方法建模主要是根据我们对研究对象的了解程度和建模目的决定的．如果掌握了机理方面的一定知识，模型也要求具有反映内部特性的物理意义。那么应该以机理分析方法为主．当然,若需要模型参数的具体数值，还可以用系统辨识或其他统计方法得到．如果对象的内部机理基本上没掌握，模型也不用于分析内部特性,譬如仅用来做输出预报，则可以系统辩识方法为主．系统辨识是一门专门学科，需要一定的控制理论和随机过程方面的知识．以下所谓建模方法只指机理分析。 建模要经过哪些步骤并没有一定的模式，通常与实际问题的性质、建模的目的等有关，从 §16.2节的几个例子也可以看出这点．下面给出建模的—般步骤，如图16-5所示． 图16-5 建模步骤示意图 模型准备首先要了解问题的实际背景，明确建模的目的搜集建模必需的各种信息如现象、数据等，尽量弄清对象的特征,由此初步确定用哪一类模型，总之是做好建模的准备工作．情况明才能方法对，这一步一定不能忽视，碰到问题要虚心向从事实际工作的同志请教，尽量掌握第一手资料. 模型假设根据对象的特征和建模的目的，对问题进行必要的、合理的简化，用精确的语言做出假设，可以说是建模的关键一步．一般地说，一个实际问题不经过简化假设就很难翻译成数学问题，即使可能，也很难求解．不同的简化假设会得到不同的模型．假设作得不合理或过份简单，会导致模型失败或部分失败，于是应该修改和补充假设；假设作得过分详细，试图把复杂对象的各方面因素都考虑进去，可能使你很难甚至无法继续下一步的工作．通常，作假设的依据，一是出于对问题内在规律的认识，二是来自对数据或现象的分析，也可以是二者的综合．作假设时既要运用与问题相关的物理、化学、生物、经济等方面的知识，又要充分发挥想象力、洞察力和判断力，善于辨别问题的主次，果断地抓住主要因素，舍弃次要因素，尽量将问题线性化、均匀化．经验在这里也常起重要作用．写出假设时，语言要精确，就象做习题时写出已知条件那样．

数学建模在工程中的应用

模糊分析法解足球队排名问题 余科（数理学院122112 ） 苏博飞（数理学院122111） 王有元（数理学院122111） 过思甸（公管学院023112） 摘要：本文解答了93年全国大学生数学建模竞赛B题，运用模糊聚类分析法，讨论了足球队比赛的排名问题。首先，我们将数据进行预处理，求出每队的胜,负,平以及总场数，归一化处理后作为建模的影响因子，然后由相似系数构建模糊相似矩阵，最后构建模糊等价矩阵截取进行排名，并将得到的结果从12支队推广到了N支队的情况。本文中所用的方法经过验证，得到的结果合理，可信。 关键词：模糊分析法，相似系数，比赛排名 一问题分析 根据题目所给的表格，我们能得到的数据是残缺和不整齐对称的，这样就给排名造成了困难。例如在图表中，T1队和T2队打了三场比赛，和T5只打了一场比赛，和T11没打比赛。这样如果只是单纯的利用胜利的场数来进行排名，所得到的结果必定是不完善的，同时也是不准确的。因此为了得到较完善的结果，我们可以先将每个队所参加的比赛中，胜，负和平的场数列表如下，得到每个队实力的大概了解。

表一 场数 队T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 T11 T12 胜10 5 8 1 2 2 13 6 7 6 1 2 负 5 4 4 12 5 3 1 8 8 5 6 3 平 4 6 3 6 2 0 3 3 2 6 2 4 总19 15 15 19 9 5 17 17 17 17 9 9 接着，我们分析各队在每场比赛中的平均进球数，失球数和进失球数差数，这些数据也有助于我们进一步了解各队的实力。列表如下： 表二 T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 T11 T12 进球数1.41 2 0.8 1.33 3 0.63 2 1 0.6 2.05 9 0.94 1 0.64 7 0.88 2 0.77 8 0.66 7 失球数0.94 1 0.66 7 0.8 1.68 4 1.44 4 1.2 0.58 8 0.82 4 1 1 1.55 6 1 进失球差0.47 1 0.43 3 0.53 3 -1.05 2 -0.44 4 -0.6 1.47 1 0.11 8 -0.35 3 -0.11 8 -0.77 8 -0.33 3 通过表一，二的分析，我们可以确定T7是最好的，T4是最差的，但是对于其他的球队仅以上述数据还是无法得出准确可信的排名。 为了得出合理可信的排名，我们还应该考虑，Ti与其余各队的比赛成绩，由于有的对和其余的对没有比赛，其成绩难以确定。为了解决这个难题，我们准备先制定一个规则，为各队定义一组特征数据，同时计算各队之间的模糊相似度。最后综合表一二，即可得出合理的排名出来。

数学建模常用软件选讲1

数学建模常用软件选讲 第3章 lingo 的使用 LINGO 是Linear Interactive and General Optimizer 的缩写，即“交互式的线性和通用优化求解器”，由美国LINDO 系统公司（Lindo System Inc.）推出的，可以用于求解非线性规划，也可以用于一些线性和非线性方程组的求解等，功能十分强大，是求解优化模型的最佳选择。其特色在于内置建模语言，提供十几个内部函数，可以允许决策变量是整数(即整数规划，包括 0-1 整数规划)，方便灵活，而且执行速度非常快。 3.1 Lingo 程序特点： （1）目标函数必须由“min =”或“max =”开头； （2）每条语句后必须使用分号“；”结束。 （3）变量与其系数间要有乘号。 3.2 线性规划问题 例 如何在LINGO 中求解如下的LP 问题： ,6002100 350. .32min 21211 212 1≥≤+≥≥++x x x x x x x t s x x 在模型窗口中输入如下代码： min=2*x1+3*x2; x1+x2>=350; x1>=100; 2*x1+x2<=600; 然后点击工具条上的按钮 即可。

3.3 二次规划问题 目标函数是二次函数，约束条件是线性的规划问题 例如： ?? ? ??<=+>++-+=7.011.19.02.1..4.03min 22y y x y x t s y xy y x f min=3*x^2+y^2-x*y+0.4*y; 1.2*x+0.9*y>1.1; x+y=1; y<0.7; 3.4 非线性规划问题 《数学模型》（第三版）（姜启源等编）第四章第三节例1中,解法三得到一个非线性规划模型: 123max 234z x x x =++ 123.. 1.535600s t x x x ++≤ 12328025040060000x x x ++≤ 11(80)0x x -≥ 22(80)0x x -≥ 33(80)0x x -≥ 123 , , x x x 均为整数 输入lingo:

第二讲数学建模的基本方法和步骤

第二讲 数学建模的基本方法与步骤 数学建模面临的实际问题就是多种多样的,建模的目的不同、分析的方法不同、采用的数学工具不同,所得模型的类型也不同,我们不能指望归纳出若干条准则,适用于一切实际问题的数学建模方法。下面所谓基本方法不就是针对具体问题而就是从方法论的意义上讲的。(注:用最初等的方法解决,越受人尊重) 一 数学建模的基本方法 一般说来数学建模的方法大体上可分为机理分析与测试分析两种。 ????????????? 机理分析： 是根据对客观事物特性的认识，找出反映内部机理的数 量规律，建立的数学模型常有明确的物理或现实意义。 建模方法测试分析： 将研究对象看作一个“黑箱”（意思是内部机理看不清 楚），通过对测量数据的统计分析，找出与数据拟合最 好的模型。 面对于一个实际问题用哪一种方法建模,主要取决于人们对研究对象的了解程度与建模目的。如果掌握了一些内部机理的知识,模型也要求具有反映内部特征的物理意义,建模就应以机理分析为主。而如果对象的内部机理规律基本上不清楚,模型也不需要反映内部特征,那么可以用测试分析。对于许多实际问题也常常将两种方法结合起来,用机理分析建立模型结构,用测试分析确定模型的参数。 二 数学建模的一般步骤 建模要经过哪些步骤并没有一定的模式,通常与问题性质与建模的目的等有关。下面给出建模的一般步骤,如图1、2所示。 ⑴ 模型准备:了解实际背景,明确建模目的,搜索必要信息,弄清对象的主要特征,形成一个比较清晰的“问题”(即问题的提出)。情况明才能方法对,在这个阶段要深入调查研究,虚心向实际工作者请教,尽量掌握第一手资料。

⑵模型假设:根据对象的特征与建模目的,抓住问题的本质,忽略次要因素,作出必要的、合理的简化假设。对于建模的成败这就是非常重要与困难的一步。假设不合理或太简单,会导致错误的或无用的模型;假设作得过分详细,试图把复杂对象的众多因素都考虑进去,会使您很难或无法继续下一步的工作。常常需要在合理与简化之间作出恰当的折衷,要不段积累经验,并注意培养与充分发挥对事物的洞察力与判断力。 ⑶模型的建立:根据假设,用数学的语言、符号描述对象的内在规律,得到一个数学结构。这里除了需要一些相关的专门知识外,还常常需要较为广阔的应用数学方面的知识,要善于发挥想象力,注意使用类比法,分析对象与熟悉的其她对象的共性,借用已有的数学模型。建模时还应遵循的一个原则就是尽量采用简单数学工具,因为您的模型总希望更多的人了解与使用,而不就是只供少数专家欣赏。 ⑷模型求解:使用各种数学方法、数学软件与计算机技术对模型求解。 ⑸模型分析:对求解结果进行数学上的分析,如对结果进行误差分析,分析模型对数据的稳定性或灵敏性等。 ⑹模型检验:把求解与分析结果翻译回到实际问题,与实际现象、数据进行比较,检验模型的合理性与适用性。如果结果与实际不符,问题常常出现在模型假设上,应该修改或补充假设,重新建模。这一步对于模型就是否真的有用就是非常关键的,要以严肃认真的态度对待。 ⑺模型应用:这与问题的性质、建模的目的以及最终结果有关,一般不属于本书讨论的范围。 应该指出,并不就是所有问题的建模都要经过这些步骤,有时各步骤之间的界限也不那么分明,建模时不要拘泥于形式上的按部就班。 三数学建模的全过程 数学建模的全过程可分为表述、求解、解释、验证几个阶段,并且通过这些阶段完成从现实对象到数学模型,再从数学模型回到现实对象的循环,如图1、3所示。 表述就是根据建模目的与信息将实际问题“翻译”成数学问题,即将现实问题“翻译”成抽象的数学问题,属于归纳法。数学模型的求解选择适当的数学方

数学建模在生活中的应用

数学建模在生活中的应用 【摘要】 本文通过数学模型在实际生活中应用的讨论，阐述数学建模理论的重要性，研究其在实践中的重要价值，并把抽象的数学知识放到大家看得见、摸得着、听得到的生活情境中，从而让人们感受到生活中处处有数学，生活中处处要用数学。 【关键词】数学建模；生活；应用；重要性 最早的数学建模教材出现在公元1世纪我国古代的《九章算术》一书中，由此可见，数学建模是人才培养和社会发展的需要。同时，数学建模也是教育改革的需要，现代数学教育改革中越来越强调“问题解决”，而“问题解决”恰恰体现了数学在实际生活应用的重要性，由于数学建模是问题解决的主要形式，所以数学建模在实际生活中发挥着重要的作用。 一、数学建模 数学建模是指根据具体问题，在一定的假设下找出解决这个问题的数学框架，求出模型的解，并对它进行验证的全过程。由此可见，数学建模是一个“迭代”的过程，此过程我们可以用下图表示： 二、生活中的数学建模实例 赶火车的策略 现有12名旅客要赶往40千米远的一个火车站去乘火车，离开车时间只有3小时了，他们步行的速度为每小时4千米，靠步行是来不及了，唯一可以用的交通工具是一辆小汽车，但这辆小汽车连司机在内至多只能乘坐5人，汽车的速度为每小时60千米。问这12名旅客能赶上火车吗？ 【分析】 题中没有规定汽车载客的方法，因此针对不同的搭乘方法，答案会不一样，一般有三种情况：（1）不能赶上；（2）勉强赶上；（3）最快赶上 模型准备 模型假设 模型求解 模型建立 模型分析 模型验证 模型应用

方案1 不能赶上 用汽车来回送12名旅客要分3趟，汽车往返就是3+2=5趟，汽车走的总路程为 5×40=200（千米）， 所需的时间为 200÷60=10/3（小时）>3（小时） 因此，单靠汽车来回接送旅客是无法让12名旅客全部赶上火车的。 方案2 勉强赶上的方案 如果汽车来回接送一趟旅客的同时，让其他旅客先步行，则可以节省一点时间。 第一趟，设汽车来回共用了X小时，这时汽车和其他旅客的总路程为一个来回，所以 4X+60X=40×2 解得X=1.25（小时）。此时，剩下的8名旅客与车站的距离为 40-1.25×4=35（千米） 第二趟，设汽车来回共用了Y小时，那么 4Y+60Y=35×2 解得Y=35/32≈1.09（小时） 此时剩下的4名旅客与车站的距离为 35-35/32×4=245/8≈30.63（千米） 第三趟，汽车用了30.63÷60~0.51（小时） 因此，总共需要的时间约为 1.25+1.09+0.51= 2.85（小时） 用这种方法，在最后4名旅客赶到火车站时离开车还有9分钟的时间，从理论上说，可以赶得上。但是，我们在计算时忽略了旅客上下车以及汽车调头等所用的时间，因此，赶上火车是很勉强的。 方案3 最快方案 先让汽车把4名旅客送到中途某处，再让这4名旅客步行（此时其他8名旅客也在步行）；接着汽车回来再送4名旅客，追上前面的4名旅客后也让他们下车一起步行，最后回来接剩下的4名旅客到火车站，为了省时，必须适当选取第一批旅客的下车地点，使得送最后一批旅客的汽车与前面8名旅客同时到达火车站。 解法1 设汽车送第一批旅客行驶X千米后让他们下车步行，此时其他旅客步行的路程为 4×X/60=X/15（千米） 在以后的时间里，由于步行旅客的速度都一样，所以两批步行旅客之间始终相差14/15X千米，而汽车要在这段时间里来回行驶两趟，每来回一趟所用的时间为 由于汽车来回两趟所用的时间恰好是第一批旅客步行（40-X）千米的时间， 故 2×X/32=40-X/4 解得X=32（千米） 所需的总时间为 32/60+（40-32）/4≈2.53（小时） 这个方案可以挤出大约28分钟的空余时间，足以弥补我们计算时间所忽略的一些时间。

数学建模竞赛中常用软件的操作

数学建模竞赛中常用软件的操作本节主要介绍数学建模竞赛中常用软件MATLAB和Lingo的一些基本操作。 一、Desktop简介 在桌面双击MA TLABb图标，或双击安装目录C:\Program Files\MATLAB\R2012a\bin下的MA TLAB文件。启动后默认界面如下图。 图1 Desktop操作桌面的外貌 1. Command Window 该窗口是进行MATLAB各种操作的主要窗口。在该窗内可以输入各类指令、函数、表达式；显示除了图形外所有的运算结果，错误时，给出相关出错提示。 指令输入完后只有按回车键【Enter】才能执行；如果输入的指令不含赋值号，计算结果被赋于默认的变量ans。 变量名和函数名对大小写敏感，变量第一个字符必须是英文字母，最多包含63个字符（英文、数字和下划线），不能包括空格、标点、运算符；不能使MA TLAB的关键词和自用的变量名（eps,pi等）函数名（sin,exp等）、文件夹名（rwt,toolbox等）。 在Matlab中有一些固定变量，例如 (1) ans：在没有定义变量名时，系统默认变量名为ans； (2) eps：容许误差，非常小的数； (3) pi：即圆周率 ； (4) i, j：虚数单位；

(5) inf：表示正无穷大，由1/0运算产生； (6) NaN（Not A Number）：表示不定值，由inf/inf或0/0运算产生； (7) nargin：函数的输入变量数目； (8) nargout：函数的输出变量数目。 在MA TLAB中，控制流关键字if, for, end等用蓝色字体表示；输入指令中的非控制指令、数字显示为黑色字体；字符串显示为紫色字体；注释为绿色字体；警告信息为红色字体。 2 工作空间浏览器 工作空间（Workspace）窗口用于浏览MATLAB中的变量。在工作空间窗口内，用户可以方便地查看、编辑存储的数据变量。 表1 工作空间浏览器主要功能及其操作方法 工作空间常用的管理指令有： （1）who及whos：查询指令 （2）clear：清除工作空间中的所有变量 clear var1 var2：清除工作空间中的变量var1和var2 （3）saveFileName ：把全部内存变量保存为Filename.mat文件

初中数学建模方法及应用

龙源期刊网 https://www.wendangku.net/doc/d9619706.html, 初中数学建模方法及应用 作者：肖永刚 来源：《新课程·中学》2017年第03期 摘要：在新课标中要求培养学生的创新能力，在初中数学教学中培养学生的建模能力， 是培养数学创新能力的重要方法，也能增强学生利用数学知识解决问题的能力。对培养初中生数学建模方法及应用进行了论述。 关键词：初中数学；建模思想；数学应用 利用数学建模的方法是学习初中数学的新方法，是素质教育和新课标的要求，能为学生的数学能力发展提供全新途径，提高学生运用数学工具解决问题的能力，让学生在用数学工具解决问题中体会到数学学习的意义，从而提高数学学习兴趣。 一、数学建模的概念 数学建模就是对具体问题分析并简化后，运用数学知识，找出解决方法并利用数学式子来求解，从而使问题得以解决。数学建模方法有以下几个步骤：一是对具体问题分析并简化，然后用数学知识建立关系式（模型），二是求解数学式子，三是根据实际情况检验并选出正确答案。初中阶段数学建模常用方法有：函数模型、不等式模型、方程模型、几何模型等。 二、数学建模的方法步骤 要培养学生的数学建模方法，可按以下方法步骤进行： 1.分析问题题意为建模做准备。对具体问题包含的已知条件和数量关系进行分析，根据问题的特点，选择使用数学知识建立模型。 2.简化实际问题假设数学模型。对实际问题进行一定的简化，再根据问题的特征和要求以及解题的目的，对模型进行假设，要找出起关键作用的因素和主要变量。 3.利用恰当工具建立数学模型。通过建立恰当的数学式子，来建立模型中各变量之间的关系式，以此来完成数学模型的 建立。 4.解答数学问题找出问题答案。通过对模型中的数学问题进行解答，找出实际问题的答案。

数学建模的基本步骤

数学建模的基本步骤 一、数学建模题目 1）以社会，经济，管理，环境，自然现象等现代科学中出现的新问题为背景，一般都有一个比较确切的现实问题。 2）给出若干假设条件： 1. 只有过程、规则等定性假设； 2. 给出若干实测或统计数据； 3. 给出若干参数或图形等。 根据问题要求给出问题的优化解决方案或预测结果等。根据问题要求题目一般可分为优化问题、统计问题或者二者结合的统计优化问题，优化问题一般需要对问题进行优化求解找出最优或近似最优方案，统计问题一般具有大量的数据需要处理，寻找一个好的处理方法非常重要。 二、建模思路方法 1、机理分析根据问题的要求、限制条件、规则假设建立规划模型，寻找合适的寻优算法进行求解或利用比例分析、代数方法、微分方程等分析方法从基本物理规律以及给出的资料数据来推导出变量之间函数关系。 2、数据分析法对大量的观测数据进行统计分析，寻求规律建立数学模型，采用的分析方法一般有： 1）. 回归分析法(数理统计方法)-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。 2）. 时序分析法--处理的是动态的时间序列相关数据，又称为过程统计方法。 3）、多元统计分析（聚类分析、判别分析、因子分析、主成分分析、生存数据分析）。 3、计算机仿真（又称统计估计方法）：根据实际问题的要求由计算机产生随机变量对动态行为进行比较逼真的模仿，观察在某种规则限制下的仿真结果（如蒙特卡罗模拟）。 三、模型求解： 模型建好了，模型的求解也是一个重要的方面，一个好的求解算法与一个合

适的求解软件的选择至关重要，常用求解软件有matlab，mathematica，lingo，lindo，spss，sas等数学软件以及c/c++等编程工具。 Lingo、lindo一般用于优化问题的求解，spss，sas一般用于统计问题的求解，matlab，mathematica功能较为综合，分别擅长数值运算与符号运算。 常用算法有：数据拟合、参数估计、插值等数据处理算法,通常使用spss、sas、Matlab作为工具. 线性规划、整数规划、多元规划、二次规划、动态规划等通常使用Lindo、Lingo,Matlab软件。 图论算法,、回溯搜索、分治算法、分支定界等计算机算法, 模拟退火法、神经网络、遗传算法。 四、自学能力和查找资料文献的能力： 建模过程中资料的查找也具有相当重要的作用，在现行方案不令人满意或难以进展时，一个合适的资料往往会令人豁然开朗。常用文献资料查找中文网站：CNKI、VIP、万方。 五、论文结构： 0、摘要 1、问题的重述，背景分析 2、问题的分析 3、模型的假设，符号说明 4、模型的建立（局部问题分析，公式推导，基本模型，最终模型等） 5、模型的求解 6、模型检验:模型的结果分析与检验，误差分析 7、模型评价:优缺点，模型的推广与改进 8、参考文献 9、附录 六、需要重视的问题 数学建模的所有工作最终都要通过论文来体现，因此论文的写法至关重要：

数学模型的应用

数学建模 数模作业（第一章） P21 第一章 6、利用节药物中毒施救模型确定对于孩子(血液容量为2000ml)以及成人(血液容量为 4000ml)服用氨茶碱能引起严重中毒和致命的最小剂量。 解：设孩子服用氨茶碱能引起严重中毒的最小剂量为1A ，则由节中的药物中毒施救模型可知: 在胃肠道中药物的量为 0.13861()t x t A e -=，而在血液系统中药物的量为 0.11550.13861()6() t t y t A e e --=-，再令0.11550.13861()()/6()t t y t y t A e e --==-再做出()y t 的图像如下： 《 ; 由图可知()y t 具有最大值，设在这个最大值max ()y t 在孩子血液中容量的比例为严重中 毒的比例100/g ml μ以及致命的比例200/g ml μ即为孩子服用氨茶碱的最小剂量。于是可以去求这个最小剂量。由上图可知最大值位于8t h =左右, 利用Mathematics 去找出这个最大值。求得max ()=0.0669y t ，而7.892t h =。于是孩子服用氨茶碱引起严重中毒的最小剂

量1A 有式子1max 6()/2000100/A y t ml g ml μ=，从而得此时1498256.1A g μ=同理可以求的孩子服用氨茶碱致命的最小剂量为996512.2g μ。而成人服用氨茶碱严重中毒与致命的最小剂量分别为996512.21993024.4g g μμ、。 7、对于节的模型，如果采用的是体外血液透析的办法，求解药物中毒施救模型的血液中药量的变化并作图。 解：由题可算得： t=0:2:20 y=275*exp*t)+*exp*t) plot(t,y,'b:') 第二章 3、根据节中的流量数据(表2)和(2)式作插值的数值积分，按照连续模型考虑均流池的容量(用到微积分的极值条件)。 解：可以将表2中的数据建立散点图以及平均值，如下： h=0:1:23 ， y=[,,,,,,,,,,,,,,,279,,,,,,,,] x1=0::23; t=sum(y)/24; plot(h,y,'-',x1,t) hold on 02468101214161820 50100150200250300350 400

数学建模的方法和步骤

数学建模的方法和步骤 建立数学模型没有固定的模式，通常它与实际问题的性质、建模的目的等有关.当然，建模的过程也有共性，一般来说大致可以分为以下的几个步骤： 1.形成问题 要建立现实问题的数学模型，首先要对所要解决的问题有一个十分明晰的提法.只有明确问题的背景，尽量弄清对象的特征，掌握有关的数据，确切地了解建立数学模型要达到的目的，才能形成一个比较明晰的“问题”. 2.假设和简化 根据对象的特征和建模的目的，对问题进行必要的、合理的假设和简化.如前所述，现实问题通常是纷繁复杂的，我们必须紧抓住本质的因素(起支配作用的因素)，忽略次要的因素.此外，一般地说，一个现实问题不经过假设和简化，很难归结成数学问题.因此有必要对现实问题作一些简化，有时甚至是理想化. 3.模型的构建 根据所作的假设，分析对象的因果关系，用适当的数学语言刻画对象的内在规律，构建现实问题中各个量之间的数学结构，得到相应的数学模型。这里，有一个应遵循的原则：即尽量采用简单的数学工具. 4.检验和评价 数学模型能否反映原来的现实问题，必须经受多种途径的检验.这里包括：①数学结构的正确性，即有没有逻辑上自相矛盾的地方；②适合求解，即是否会有多解或无解的情况出现；③数学方法的可行性，即迭代方法是否收敛，以及算法的复杂性等.而最重要和最困难的问题是检验模型是否真正反映原来的现实问题.模型必须反映现实，但又不等同于现实；模型必须简化，但过分的简化则使模型远离现实，无法解决现实问题.因此检验模型的合理性和适用性，对于建模的成败是非常重要的.评价模型的根本是看它能否准确地解决现实问题.此外，是否容易求解也是评价模型的一个重要标准. 5.模型的改进 模型在不段检验过程中经过不断修正，逐步趋向完善，这是建模必须遵循的重要规律，一旦在检验中发现问题，人们必须重新审视在建模时所作的假设和简化的合理性，检查是否正确刻画对象内在的量之间的相互关系和服从的客观的规律.针对发现的问题作出相应的修正.然后，再重复上述检验修改的过程，直到获得某种程度的满意模型为止. 6.模型的求解 经过检验，能比较好地反映原现实问题的数学模型.最后将通过求解得到数学上的结果；再通过“翻译”回到现实问题，得到相应的结论.模型若能获得解的确切表达式固然最好，但现实中多数场合需依靠电子计算机数值求解.电子计算技术的飞速发展，使数学模型这一有效的工具得以发扬光大.

数学建模模型与应用

Mathematica软件常用功能 【实验目的】 1. 用Mathematica软件进行各种数学处理; 2. 用Mathematica软件进行作图; 3. 用Mathematica软件编写程序. 【注意事项】 Mathematica中大写小写是有区别的，如Name、name、NAME等是不同的变量名或函数名。 系统所提供的功能大部分以系统函数的形式给出，内部函数一般写全称，而且一定是以大写英文字母开头，如Sin[x],Conjugate[z]等。 乘法即可以用*，又可以用空格表示，如2 3＝2*3＝6 ,x y,2 Sin[x]等；乘幂可以用“^”表示，如x^0.5,Tan[x]^y。 自定义的变量可以取几乎任意的名称，长度不限，但不可以数字开头。当你赋予变量任何一个值，除非你明显地改变该值或使用Clear[变量名]或“变量名=.”取消该值为止，它将始终保持原值不变。 一定要注意四种括号的用法：()圆括号表示项的结合顺序，如 (x+(y^x+1/(2x)));[]方括号表示函数，如Log[x],BesselJ[x,1]；{}大括号表示一个“表”(一组数字、任意表达式、函数等的集合)，如 {2x,Sin[12 Pi],{1+A,y*x}}；[[]]双方括号表示“表”或“表达式”的下标，如a[[2,3]]、{1,2,3}[[1]]=1。 Mathematica的语句书写十分方便，一个语句可以分为多行写，同一行可以写多个语句（但要以分号间隔）。当语句以分号结束时，语句计算后不做输出（输出语句除外），否则将输出计算的结果。 命令行“Shift+Enter”才是执行这个命令。

数学建模案例分析插值与拟合方法建模1数据插值方法及应用

第十章 插值与拟合方法建模 在生产实际中，常常要处理由实验或测量所得到的一批离散数据，插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。相应的理论和算法是数值分析的内容，这里不作详细介绍，请参阅有关的书籍。 §1 数据插值方法及应用 在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。与此有关的一类问题是当原始数据 ),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段 多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。 1、分段线性插值 这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。如果 b x x x a n =<<<= 10 那么分段线性插值公式为 n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11 1 11 =≤<--+--= ----- 可以证明，当分点足够细时，分段线性插值是收敛的。其缺点是不能形成一条光滑曲线。 例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。

数学建模常用方法

数学建模常用方法 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M a t l a b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L i n d o、L i n g o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M a t l a b进行处理） 一、在数学建模中常用的方法： 1.类比法 2.二分法 3.量纲分析法 4.差分法 5.变分法 6.图论法 7.层次分析法 8.数据拟合法 9.回归分析法 10.数学规划（线性规划、非线性规划、整数规划、动态规划、目标规划） 11.机理分析 12.排队方法

数学建模(常用软件+基本算法)

主要用到的软件有：Matlab、Mathmatic、Lingo/LinDo、SAS、SPSS。其中前两个主要为计算软件（也可做优化），中间的那个为优化软件，最后两个为统计分析软件。 十类算法的详细说明 1、蒙特卡罗算法： 在大多数建模赛题中都离不开计算机的仿真，随机性模拟是非常常见的算法之一。 举个例子就是97年的A题，每个零件都有自己的标定值，也都有自己的容差等级，而求解最优的组合方案将要面对着的是一个极其复杂的公式和108种容差选取方案，根本不可能去解析求解的，那如何去找到最优的方案呢？随机性模拟搜索最优方案就是其中的一种方法，在每个零件可行的区间中按照正态分布随机的选取一个标定值和选取一个容差值作为一种方案，然后通过蒙特卡罗算法仿真出大量的方案，从中选取一个最佳的。另一个例子就是去年的彩票第二问，要求设计一种更好的方案，首先方案的优劣决定于很多复杂的因素，同样不可能刻画出一个模型进行求解，只能靠随机仿真模拟。 2、数据拟合、参数估计、插值等算法： 数据拟合在很多赛题中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是98年美赛A题，生物组织切片的三维插值处理，94年A题逢山开路，山体海拔高度的插值计算，还有吵的沸沸扬扬可能会考的非典问题也要用到数据拟合算法，观察数据的走向进行处理。此类问题在Matlab中有很多数据处理现成的函数可以调用，熟悉Matlab，这些方法都能游刃有余的做好。 3、规划类问题算法： 竞赛中很多问题都和数学规划有关，可以说不少的模型都可以归结为一组不等式组作为约束条件、几个函数表达式作为目标函数的问题，遇到这类问题，求解就是关键了，比如98B，用很多不等式完全可以把问题刻画清楚，因此列举出规划后用Lindo、Lingo等软件来进行解决比较方便，所以还需要熟悉这两个软件。 4、图论问题： 98B、00B、95锁具装箱等问题体现了图论问题的重要性，这类问题算法有很多，包括：Dijkstra、Floyd、Prim、Bellman-Ford，最大流，二分匹配等问题。每一个算法认真的话都应该写一遍，否则到比赛时再写就晚了。 5、计算机算法设计中的问题： 计算机算法设计包括很多内容：动态规划、回溯搜索、分治算法、分支定界。比如92B用分支定界法，97B是典型的动态规划问题，此外98B体现了分治算法。这方面问题和acm 中的问题类似，推荐的书籍有《计算机算法设计与分析》电子工业出版社等与计算机算法有关的书。 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。这十几年来最优化理论有了飞速发展，这三类算法发展很快，近几年的赛题越来越复杂，很多问题没有什么很好的模型可以借鉴，于是这三类算法很多时候可以派上用场，比如：97A的模拟退火算法、00B的神经网络分类算法、象01B 这种难题也可以使用神经网络、还有美国竞赛89A也和BP算法有关系，当时是86年刚提出BP算法，89年就考了，说明赛题可能是当今前沿科技的抽象体现。03B伽马刀问题也是目前研究的课题，目前算法最佳的是遗传算法。 7、网格算法和穷举算法： 网格算法和穷举法一样，只是网格法是连续问题的穷举。比如要求在N个变量情况下的最

数学建模方法和步骤

数学建模的主要步骤: 第一、模型准备 首先要了解问题的实际背景,明确建模目的,搜集必需的各种信息,尽量弄清对象的特征. 第二、模型假设 根据对象的特征和建模目的,对问题进行必要的、合理的简化,用精确的语言作出假设,是建模至关重要的一步.如果对问题的所有因素一概考虑,无疑是一种有勇气但方法欠佳的行为,所以高超的建模者能充分发挥想象力、洞察力和判断力,善于辨别主次,而且为了使处理方法简单,应尽量使问题线性化、均匀化. 第三、模型构成 根据所作的假设分析对象的因果关系,利用对象的内在规律和适当的数学工具,构造各个量间的等式关系或其它数学结构.这时,我们便会进入一个广阔的应用数学天地,这里在高数、概率老人的膝下,有许多可爱的孩子们,他们是图论、排队论、线性规划、对策论等许多许多,真是泱泱大国,别有洞天.不过我们应当牢记,建立数学模型是为了让更多的人明了并能加以应用,因此工具愈简单愈有价值. 第四、模型求解 可以采用解方程、画图形、证明定理、逻辑运算、数值运算等各种传统的和近代的数学方法,特别是计算机技术.一道实际问题的解决往往需要纷繁的计算,许多时候还得将系统运行情况用计算机模拟出来,因此编程和熟悉数学软件包能力便举足轻重. 第五、模型分析 对模型解答进行数学上的分析."横看成岭侧成峰,远近高低各不?quot;,能否对模型结果作出细致精当的分析,决定了你的模型能否达到更高的档次.还要记住,不论那种情况都需进行误差分析,数据稳定性分析. 数学建模采用的主要方法有： （一）、机理分析法：根据对客观事物特性的认识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：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.