㈠ 选择三种数学建模方法,介绍其内容并说明其适用的问题类型，并举例
摘要 对于大家来说，建模是大家觉得比较难的内容。那么如何进行有效的建模呢?今天，沪江小编就为大家分享几种常用的数学建模方法，一起来看看吧!
㈡ 建立数学模型的方法和步骤
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"。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。
㈢ 数学建模的七个步骤
数学建模（mathematical modeling）就是通过建立数学模型来解决各种实际问题的方法。数学建模没有固定的格式和标准，也没有明确的方法，通常有6个步骤：
明确问题
合理假设
搭建模型
求解模型
分析检验
模型解释
1、明确问题
数学建模所处理的问题通常是各领域的实际问题，这些问题本身往往含糊不清，难以直接找到关键所在，不能明确提出该用什么方法。因此建立模型的首要任务是辨明问题，分析相关条件和问题，一开始尽可能使问题简单，然后再根据目的和要求逐步完善。
2、合理假设
作出合理假设，是建模的一个关键步骤。一个实际问题不经简化、假设，很难直接翻译成数学问题，即使可能也会因其过于复杂而难以求解。因此，根据对象的特征和建模的目的，需要对问题进行必要合理地简化。
合理假设的作用除了简化问题，还对模型的使用范围加以限定。
作假设的依据通常是出于对问题内在规律的认识，或来自对数据或现象的分析，也可以是两者的综合。作假设时，既要运用与问题相关的物理、化学、生物、经济、机械等专业方面的知识，也要充分发挥想象力、洞察力和判断力，辨别问题的主次，尽量使问题简化。
为保证所作假设的合理性，在有数据的情况下应对所作的假设及假设的推论进行检验，同时注意存在的隐含假设。
3、搭建模型
搭建模型就是根据实际问题的基本原理或规律，建立变量之间的关系。
要描述一个变量随另一个变量的变化而变化，最简单的方法是作图，或者画表格，还可以用数学表达式。在建模中，通常要把一种形式转换成另一种形式。将数学表达式转换成图形和表格较容易，反过来则比较困难。
用一些简单典型函数的组合可以组成各种函数形式。使用函数解决具体的实际问题，还比须给出各参数的值，寻求这些参数的现实解释，往往可以抓住问题的一些本质特征。
4、求解模型
对模型的求解往往涉及不同学科的专业知识。现代计算机科学的发展提供了强有力的辅助工具，出现了很多可进行工程数值计算和数学推导的软件包和仿真工具，熟练掌握数学建模的仿真工具可大大增强建模能力。
不同数学模型的求解难易不同，一般情况下很多实际问题不能求出解析解，因此需要借助计算机用数值的方法来求解，在编写代码之前要明确算法和计算步骤，弄清初始值、步长等因素对结果的影响。
5、分析检验
在求出模型的解后，必须对模型和“解”进行分析，模型和解的适用范围如何，模型的稳定性和可靠性如何，是否到达建模目的，是否解决了问题？
数学模型相对于客观实际不可避免地会带来一定误差，一方面要根据建模的目的确定误差的允许范围，另一方面要分析误差来源，想办法减小误差。
一般误差有以下几个来源，需要小心分析检验：
模型假设的误差：一般来说模型难以完全反映客观实际，因此需要做不同的假设，在对模型进行分析时，需要对这些假设小心检验，分析比较不同假设对结果的影响。
求近似解方法的误差：一般来说很难得到模型的解析解，在采用数值方法求解时，数值计算方法本身也会有误差。这类误差许多是可以控制的。
计算工具的舍入误差：在用计算器或计算机进行数值计算时，都不可避免由于机器字长有限而产生舍入误差，如果进行了大量运算，这些误差的积累是不可忽视的。
数据的测量误差：在用传感器、调查问卷等方法获得数据时，应注意数据本身的误差。
6、模型解释
数学建模的最后阶段是用现实世界的语言对模型进行翻译，这对使用模型的人深入了解模型的结果是十分重要的。模型和解是否有实际意义，是否与实际证据相符合。这一步是使数学模型有实际价值的关键一步。
相关阅读
数学模型和数学建模介绍
数学建模常用的
㈣ 数学建模有哪些方法
一、机理分析法 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 从大量的观测数据利用统计方法建立数学模型。
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。
三、仿真和其他方法
1. 计算机仿真（模拟）--实质上是统计估计方法，等效于抽样试验
① 离散系统仿真--有一组状态变量。
② 连续系统仿真--有解析表达式或系统结构图。
2. 因子试验法--在系统上作局部试验，再根据试验结果进行不断分析修改，求得所需的模型结构。
3. 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标，并考虑到系统有关因素的可能变化，人为地组成一个系统。
㈤ 数学建模主要有哪些分析方法
2常用的建模方法(I)初等数学法。主要用于一些静态、线性、确定性的模型。例如，席位分配问题，学生成绩的比较，一些简单的传染病静态模型。(2)数据分析法。从大量的观测数据中，利用统计方法建立数学模型，常见的有：回归分析法，时序分析法。(3)仿真和其他方法。主要有计算机模拟(是一种统计估计方法，等效于抽样试验，可以离散系统模拟和连续系统模拟)，因子试验法(主要是在系统上做局部试验，根据试验结果进行不断分析修改，求得所需模型结构)，人工现实法(基于对系统的了解和所要达到的目标，人为地组成一个系统)。(4)层次分析法。主要用于有关经济计划和管理、能源决策和分配、行为科学、军事科学、军事指挥、运输、农业、教育、人才、医疗、环境等领域，以便进行决策、评价、分析、预测等。该方法关键的一步是建立层次结构模型。
㈥ 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。
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。
（三）、仿真和其他方法
1、计算机仿真（模拟）：实质上是统计估计方法，等效于抽样试验。①离散系统仿真，有一组状
态变量。②连续系统仿真，有解析表达式或系统结构图。
2、因子试验法：在系统上作局部试验，再根据试验结果进行不断分析修改，求得所需的模型结构
。
3、人工现实法：基于对系统过去行为的了解和对未来希望达到的目标，并考虑到系统有关因素的
可能变化，人为地组成一个系统。
㈦ 数学建模的几种方法
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
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。
㈧ 常见的建立数学模型的方法有哪几种
—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
㈨ 数学建模的方法有哪些
这是网上来的，写得还不错：
要重点突破：
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 ；
6 用到软件：matlab lindo （lingo） excel ；
7 比赛前写几篇数模论文。
这是每年参赛的赛提以及获奖作品的解法，你自己估量着吧……
赛题 解法
93A非线性交调的频率设计 拟合、规划
93B足球队排名 图论、层次分析、整数规划
94A逢山开路 图论、插值、动态规划
94B锁具装箱问题 图论、组合数学
95A飞行管理问题 非线性规划、线性规划
95B天车与冶炼炉的作业调度 动态规划、排队论、图论
96A最优捕鱼策略 微分方程、优化
96B节水洗衣机 非线性规划
97A零件的参数设计 非线性规划
97B截断切割的最优排列 随机模拟、图论
98A一类投资组合问题 多目标优化、非线性规划
98B灾情巡视的最佳路线 图论、组合优化
99A自动化车床管理 随机优化、计算机模拟
99B钻井布局 0-1规划、图论
00A DNA序列分类 模式识别、Fisher判别、人工神经网络
00B钢管订购和运输 组合优化、运输问题
01A血管三维重建 曲线拟合、曲面重建
01B 工交车调度问题 多目标规划
02A车灯线光源的优化 非线性规划
02B彩票问题 单目标决策
03A SARS的传播 微分方程、差分方程
03B 露天矿生产的车辆安排 整数规划、运输问题
04A奥运会临时超市网点设计 统计分析、数据处理、优化
04B电力市场的输电阻塞管理 数据拟合、优化
05A长江水质的评价和预测 预测评价、数据处理
05B DVD在线租赁 随机规划、整数规划
算法的设计的好坏将直接影响运算速度的快慢，建议多用数学软件（
Mathematice,Matlab,Maple, Mathcad,Lindo,Lingo,SAS 等），这里提供十种数学
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）