HiMCM数学建模(3)---HiMCM数学模型的基本类型，方法，流程和模型假设

Celestial Lab

已于 2024-10-12 11:09:51 修改

阅读量1k

点赞数

文章标签：机器学习算法逻辑回归

于 2023-05-14 12:22:32 首次发布

本文链接： https://blog.csdn.net/a89707661/article/details/130565320

版权

本文介绍了数学建模的基本流程，包括模型准备、模型假设、模型建立、模型求解、模型分析和模型检验。重点讨论了模型的常见类型，如优化模型、预测模型、分类模型和评价模型，并举例说明模型假设的重要性。此外，还提到了最短路径算法在解决实际问题中的应用。

摘要由CSDN通过智能技术生成

创作不易，麻烦各位：点赞、收藏、关注！！！
作者：天人实验室

建模的基本流程

$\quad$ 数学建模的基本流程是《数学模型》一书中指出的。下面，我们按照具体的流程对相关步骤进行简单的讲解：

模型准备：模型准备指的是对数学模型中边缘方法的学习和介绍。比如说一个快递员配送方案的优化问题。快递配送员每天需要对多个地点的快件分多次进行配送，那么需要对一天内的快件进行分配，也就是每个快件分别在第几次配送，每次配送的快件按照什么顺序的行走路线配送效率最高。这个问题是一个典型的优化问题，除了优化模型外，还用到最短路径的知识，比如Dijkstra或者Floyd算法。最短路径算法可以用来计算任意两点之间的最短路径。因此，我们在求解这个问题时，首先需要学习相关算法并在文章中进行简单阐述。
模型假设：模型假设是对数学模型的基本条件进行合理的假设。这主要是因为我们在利用数学模型对问题进行求解时，数学模型主要考虑问题的本质的和主要的因素，而实际情况要远比数学模型中所描述的问题要复杂。比如：抛硬币问题，我们猜测硬币为正面的概率为p(1) = 0.5，但是我们需要一个合理假设，就是硬币是质量分布均匀的合格的硬币。因为，在实际中确实有可能存在不标准或者特殊的硬币，抛硬币出现正反面的概率不相等。具体的模型假设我们会在这篇博客的第3部分进行详细的描述。
模型建立。模型建立就是利用数学的符号、公式、函数对问题进行阐述，通过模型的求解来对问题进行解答。模型建立的关键在于对问题的准确描述，明确模型中的变量，对应题目中给出的已知条件（给定的信息数据），而模型的输出(因变量)则要对应题目中提出的问题。在实际生活中的各种问题，我们由许多的模型相对应，包括优化模型、分类模型、评价模型、预测模型等。具体我们会在第二部分中进行介绍。
模型求解包括两个部分：(1）计算方法，指的是求解模型的方法，简单的比如对于一元二次方程 $ax^2 + bx + c =0$ ，我们有求根公式， $\frac{-b\pm\sqrt{b^2-4ac}}{2a}$ 。这里求根公式就是就算方法。或者比如线性回归模型的求解方法——最小二乘法；（2）编程计算。在数学建模竞赛中，我们遇到的题目通常较为复杂，通过人工计算方法是不现实的，这就需要我们借助计算机编程的方法来对模型进行求解。这也是数学建模竞赛以团队形式参赛，有人擅长建模，有人擅长编程计算，有人擅长写作。
模型分析和模型检验。模型分析就是对模型计算结果的有效性、准确性、稳定性和合理性等进行分析，包括计算结果的误差分析、统计分析以及模型中参数的分析。
模型检验。模型检验是将计算结果和分析结果代入到题目中，对照题目中提出的问题，检验计算结果是否符合实际，符合题目中描述的发展规律。如果计算结果存在不合理的地方，则需要对模型的假设、逻辑进行修改，找出模型中不合理的地方，重新建立模型，使得模型结果更加合理，符合实际情况。

$\quad数学建模步骤$

数学模型的常见类型和方法

$\quad$ 广义地来说，在现实生产、生活中遇到的所有与计算方法有关的问题都可以视作数学建模问题，只不过有的问题简单，有的问题复杂。这里，我们讲解数学模型的类型。由于，现实生产生活中数学建模问题有很多，对应的数学模型类型也有很多，这里我们对一些常见的数学模型进行归纳总结，包括优化模型、预测模型、分类模型和评价模型。

优化模型。优化模型是现实生活中我们最常遇到的模型。优化模型有很鲜明特点，就是求解数值上的最大、最小问题，比如利润的最大化、行走路线总距离距离最小化、装载的货品最多等等。对应的模型有单目标优化模型，多目标优化模型，线性、非线性、整数规划，动态规划、图论、最短路算法。在优化模型中，有很多经典的问题，包括背包问题，指派问题，抽屉问题，旅行商TSP问题等。以TSP问题为例，在现实生活中，我们最常见的就是快递配送，配送员每天要去多个地点完成快件配送，那么配送员先去那个地方，后去那个地方，配送的先后顺序不同，则配送员的行走的总路程不用，效率不同。如何规划路线，使得总路程最短就是一个经典的优化问题。
预测模型。预测模型也是常见的模型之一，通常是对未来某一时刻的事物的状态进行预测，比如根据历史人口数据预测未来某一年的人口数量；根据历史气候数据预测未来的气候变化，比如温室效应下的气温变化；以及2022年HiMCM竞赛中的B题，关于CO2浓度以及年平均温度的预测问题。常见的预测模型有线性、非线性回归魔心个，神经网络预测模型、模糊预测模型等。
分类模型。分类模型主要针对数据的分类问题，比如我们在概率模型的文章中提出的基于身高、体重数据的学生性别的判断问题，就属于分类模型。在分类模型中，常见的模型方法有聚类模型、基于相似性距离的模型，线性、非线性分类器（比如SVM），神经网路分类模型等。
评价模型。评价模型在HiMCM竞赛中有着广泛的应用，比如2020年A题“Best summer Job”和B题“资助生物多样性保护”都是属于评价问题，并且在其他年份的竞赛中，评价模型都有重要的应用。常见的评价模型有：层次分析法、打分法、主成分分析、数据包络分析等。评价模型就是通过科学的方法对同一类型的多个对象的优劣和优先级顺序等进行了量化，比如2020年A题，对暑期兼职工作的选择，工作有很多，比如：收银员、清洁工、洗碗工、图书管理员、家教、保姆、办公室文职工作、数据分析、游泳馆安全员等等，根据每个人的需求，技能，偏好等，在所有的工作中选择最好的工作，就是根据每个人的实际情况，对每个工作进行评分，按照评分结果进行排序，分值最高的就是最好的工作。

上述4种类型的模型，每个类型的模型下都有不同类型的模型方法，不同的模型有不同的适用性，具体建模时，需要根据问题需求灵活运用各种类型的模型。
在这里插入图片描述
$\quad 基本数学模型分类$

模型假设

$\quad$ 对于模型假设，对高中生是一个非常陌生的东西。模型假设就是对模型与实际情况中存在的一些次要因素进行合理的假设，在模型中仅考虑影响题目结果的主要因素。这么说可能不太好理解，这里我们通过一个简单的例子来进行讲解。

$\quad$ 早期，网络贴吧上有一个比较有意思的讨论，就是下图中的问题。一个人，在下雨天从A地到B地，没有带伞，问行走的速度与淋雨多少之间的关系，是跑得快淋的雨多还是跑得慢淋的雨多？

$\quad$ 对于这个问题，我们在计算前，首先给出一些合理的假设：

假定雨一直在下。因为在实际中，确实存在雨很快停止的情况，假定A，B两地之间的距离为800m，一个学生从学校步行回家。如果雨突然停止，比如学生出发后10秒钟就停止，那么这种情况下跑的快淋的愈多。而如果雨一直在下，则跑得慢淋的雨多。对于这个题目，显然我们探讨的是雨一直下的情况下淋雨量和行走速度之间的关系。因此我们需要做出这一假设。
假定雨量在空间和时间上分布均匀。空间分布均匀指的是空间中任意位置单位时间单位面积内的降雨量是相同的。时间上分布均匀，就是单位时间单位面积内降雨量不会随着时间发生变化。
不考虑风的影响。
不考虑道路中树木，建筑物遮挡的影响，学生保持固定的路线行进。

$\quad$ 从上文中看出，模型假设就是对现实中复杂的情况进行约束，在一个理想的环境中进行建模计算。但是要主要的是，假设条件不能改变题目的意图。比如，对于这里的案例，我们不能假定学生带了雨伞。如果带了雨伞，明显跟题目要问我们的问题，也就是出题人的意图相违背了。
在这里插入图片描述