- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 81
- 收听数
- 1
- 能力
- 120 分
- 体力
- 540810 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167621
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5324
- 主题
- 5250
- 精华
- 18
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
数学建模笔记1 算法总结
7 L7 T0 j7 x5 n7 N% N5 f! G建模步骤:
6 O9 |1 ]! F* m& ?- w' Z& O! `: Y- k1 U1 X
1.赛题分析/ r6 k2 c$ k; Z/ E! M
+ j3 \& W4 ^ b0 _$ D: w0 [: D
2.模型假设7 L( G& m* {9 E; B2 t1 R( P
7 b& r2 @' Z- ?( X- b; k2 p% v' ]$ W
3.模型建立, ?1 e7 b' U- w: o D# J3 F7 a
8 `, c! ?7 `3 C( h4.模型求解(重点是代码) ; w, g$ `0 \9 V0 R
* S$ O$ y" q+ r8 R v& h. ~5.模型分析0 S9 \% D; C, N
# u! ~8 y! \0 V* a; y* h6.模型检验:检验算法是否是对的,比如用原来数据预测现在的已知数据,若符合,那么这个模型精度还是比较高的。
, {1 L, p& c% p2 @+ A9 Y+ B: H, r7 X/ E4 c
7.模型应用:写四五行,美赛要写,以后这个模型还能用于什么地方。5 u5 R. I$ E0 @8 [. [/ g+ j
& o/ u @& @+ b6 L7 p( w, ^
数学建模有哪些问题?(重点)3 K0 b/ C3 c/ ?: ^
! O4 X9 r- T( C+ m' ?$ U, E①数据处理/ Z4 v* k/ O; }1 }# f( n3 S
( r! f! t. z x$ p8 c" @' v7 D②关联与分析 N! v) C: \; k+ M" `4 g+ l- M# ?' p5 _
& H) T j. j' H1 j
③分类与判别
* U1 ?; C. c+ z4 @. f4 M) `' L# ^' w' e( `: P
④评价与决策
& M8 L# T3 l7 }& R1 V" }
) f, D% L# S) T+ a7 L9 w⑤预测与预报
3 Z& }+ M M$ S h0 x
0 W+ n6 G4 G+ L⑥优化与控制
8 l5 o: X, P8 e9 I5 O7 ?. ]; T+ o9 E) g
(一)数据处理:/ l% K9 n9 \5 t- n
1 L u% C% ]3 q0 ?9 ~9 K b1.差值拟合
9 y( X3 ?& e" A; m% q- ^0 ~
8 H0 I. l2 O9 {; N主要用于对数据的补全和基本的趋势分析1 f2 n- v% o0 ~3 W9 `5 [+ b
- f3 B! A, k2 z- X9 _
2.小波分析,聚类分析(高斯混合聚类,K-均值聚类等等)
0 l5 `% s! F Z$ [- s7 R4 L
) z9 E/ J8 d( ^/ y8 B: I主要用于诊断数据异常值并进行剔除
9 M% z+ Q+ O$ N* g8 |
: f; O. W7 i6 L3.主成分分析、线性判别分析、局部保留投影等. h* p! R, f# L# u b' x+ J
1 C P7 m; N+ w' }主要用于多维数据的降维处理,减少数据冗余' v# R' S& Y: s$ n- w+ _7 \' ~
( b# o0 i! h% E5 h2 [! g/ @, Y# Z4.均值、方差分析、协方差分析等统计方法
& e3 J* Q: B/ \4 D6 v
" k7 H' n0 p- E$ G7 ~主要用于数据截取或者特征选择
5 j3 _' _8 `: k( @6 @7 W4 y' H8 [3 f. e7 ]# m( }
(二)关联与因果
4 W, b0 W8 @* J' H9 c1 p4 e G6 b. C2 U% X9 K$ Q2 I: o
一般给出明显的多维数据,给出输入和输出,求关联因素,分什么原因导致,哪些因素影响哪些因素+ w" E1 |$ F- g5 z% O7 ^
5 s8 \7 |& G4 S4 [/ I' l
1.灰色关联分析方法(样本点个数较少)
% ]8 T6 Q+ W% @7 ]
8 G* t0 X: Y9 X% i) S' O2.superman或kendall等级相关分析
0 g: _, p' V% q+ m* |# w! q
( ^0 K! k# Z) q; V; j$ ^3.Person相关(样本点个数较多)
4 k* y n3 H2 S h: K2 ]# S0 o; \/ |6 D. W# K5 {
4.copula相关(比较难,金融数学,概率密度)
8 s$ ?+ ?+ E" [7 C8 s4 ~; X! H) L0 C7 c1 a% M- r
5.典型相关分析(因变量Y1234,自变量X1234,各自变量组相关性比较强,问哪一个因变量与哪一个自变量关系比较紧密)1 p- i: O8 q: M- Y
0 y: J) M- |8 M+ A/ X: j
第一种和第五种常用。$ h. u0 f5 y! |3 i
; U0 w# S% X h; a0 c拟合也可以进行因果分析。; R) X, e; p6 T" T, ] D# A3 j3 Z
& L% m" L( E( }1 ?(三)分类与判别# F! {% ?- Y+ z% C5 s; i: j" A4 s) K
. X* Z: ~. E9 ~: Y4 }. f主要用高斯混合聚类等等,觉得难度不够也可以用SOM神经网络聚类
9 ~/ y* c/ X/ e( ~% v+ h# N
5 l' s5 O3 B/ T0 W+ J0 j; b e1.距离聚类(系统聚类)常用% ^8 J. Q9 b0 a2 }! m* C
1 z9 U. @* _" z! O2.关联性聚类 常用
* H9 r; ^! }/ f
! V/ j. G* G0 V; |& Q7 H9 ]7 M' V3.层次聚类
+ I6 ~# U4 R4 L9 x/ R+ L& v% r& J M, L9 y" x
4.密度聚类6 \4 P: J* M. N! ]1 [
, Q3 G; q6 w$ u2 f d' o5.其他聚类
1 w( l8 j; k% p x, m/ ?- d o9 V& W& v/ d( @9 z
6.贝叶斯判别(统计判别方法)6 r: K7 | S8 |1 f- M- ?
( j J7 I( M) ~6 D1 @3 p* n& \' |7.费舍尔判别(训练样本比较少)
1 [8 a$ B! y, @
% T2 g& C& o" h* X; G' X8.模糊识别(分好类的数据点较少)$ c: J/ @$ D3 e* \8 m- {
' S: L7 _) Q* |: D
(四)评价与决策
2 O, L1 P1 m/ R4 N. Q: w: x7 }1 h/ k7 w: }/ N; E' e
哪个方案更好?在哪修路更好?综合分析全球水资源?
2 v1 t6 P5 z8 m% H+ T! M, ]1 V# o0 H" H) ?8 l5 f
1.模糊综合评价6 O2 }3 Q5 l! y* R9 ?
Y7 O( A2 I* T评价一个对象优良中差等层次评价,评价一个学校等等,不能排序,较为模糊。
6 l$ k- K& E7 Q. u/ O
( g) y3 Z- K8 P, ^, t2.主成分分析* X( T9 d4 D/ H; |
3 B0 l4 V) \9 v$ n& F$ ^4 K8 V5 T1 Z
评价多个对象的水平并排序,指标关联性很强
% s5 D; ?" Q0 ~5 _3 f6 Y; v+ o# R( Q6 \- C: ?: g3 _2 l
3.层次分析法:线性相关性强
9 P3 `' k* |8 I' j1 R* H! u4 a
/ \! h4 [& q! L8 o# t做决策,通过指标,综合考虑决定(太低端,尽量不使用)
( p5 L8 h, w) h& P, @
; |4 P- @5 k J4.数据包络(DEA)分析法
" A. D" f! K6 ^1 N
# C$ @8 U3 q1 p8 L2 z% s优化问题,对各省发展状况进行评判$ n' ` H9 y- Z# y/ k
7 L; y+ d) t% D) |' A
5.秩和比综合评价法
3 a% O6 g7 \6 t6 V2 S; R, F. G5 V, o9 Q9 N9 F
评价各个对象并排序,指标间关联性不强
' b5 ~- `' P2 D" H
/ o" @8 {( @3 q% t$ t- P8 j* N* l6.神经网络评价(什么都能用神经网络预测)" F. i. [* N0 O$ V, j
/ A: G7 C7 n1 H适用于多指标非线性关系明确的评价9 h% Z5 v% S t/ G g# O/ M
, x' Q/ Y1 a8 }1 ~7.TOPSIS法(优劣解距离法)8 X4 t# h4 \0 s, i: t5 i
1 }1 A5 }! N$ l. t, [" M% b8.投影寻踪评价法0 c- K& |% ]+ l7 A& Q- M
! h {9 ?0 Y- ]! v9 J糅合多种算法,比如遗传算法,最优化理论, {4 g4 H) Y1 T5 M
6 m. P3 _3 v; ?6 {$ {* i9.方差分析、协方差分析3 I, A# ^" l; u
4 [$ r& \1 E% P! g
方差分析:看几类数据之间有无差异,差异性影响,例如:元素对麦子产量有无影响,差异量多少;, M) ~ Q: |) z1 z
4 k9 {( t* L" b5 H. r4 U: x协方差分析:有几个因素,我们只考虑一个因素对问题的影响,忽略其他因素,但是注意初始数据量纲以及初始情况。- F7 ~. o/ s) R8 F0 m5 j8 f/ T
1 V" ~0 F, u* B$ f7 p3 b
(五)预测与预报
* @: E9 s/ O# \, {
+ x3 s$ X3 f/ `五种:
8 g" ~+ x, C, V, Q3 U1 k" s0 E) {2 `, |( o. k/ C5 `
小样本内部预测(样本小,少了一两个数,差值拟合出来)不会用9 r* j2 G* G" n5 M( \
+ }& |" J9 t: I* V2 {! S% a6 p# j
大样本内部预测 和上面不会用
4 G4 y/ G3 ~" R6 H( P
( A: |6 V4 c" P& x) u( o小样本未来预测 给了很少数据,预测未来1 _" @# T. d9 X' G8 J
8 g: O- ^ Y6 P J7 I大样本未来预测
( D! M( ?) ^& r* o( i9 e+ o+ Z, b, Q* t7 n) a( C6 B# r
大样本随机因素或周期特征未来预测 随机因素多预测未来的数据
0 a0 p/ Z+ l: K" t9 x0 O& _: q8 `$ j: z
) P5 L- S- H" a$ d7 Z( W1.灰色预测(必备)
2 L* E* y4 y7 l9 v. s4 o* }+ s8 ]+ p& A9 f7 e9 Y
:用于小样本未来预测, H2 f8 Z' \# L5 J2 t4 U; k8 e
2 W0 ]. F0 O' i7 J满足两个条件可用:4 g) ~& X, ^5 c9 X j
+ O9 N% d+ b& } Ca数据样本点个数少,6-15个
+ B" S6 k4 |1 Q6 I7 Y6 p; `9 D- p3 D2 g+ E
b数据呈现指数或曲线的形式1 z0 O5 M9 N1 e2 Q# w3 ]
, q' c5 R- u: x
2.微分方程预测(备用)
3 r4 g) ?! S; Y+ W: z# n8 a' a0 j' A' t: V1 b
无法直接找到原始数据之间的关系,但可以找到原始数据变化速度之间的关系,通过公式推导原始数据之间的关系。5 n# |6 p5 S- ^
/ F. q! e: V1 J( e$ R) x3.回归分析预测(必备)$ R5 y Z5 j, Q- ~, x- E
. L$ K* y! c( ^求一个因变量与若干自变量之间的关系,若自变量变化后,求因变量如何变化7 Q5 L( H: ~* M2 Z0 k$ z& G
6 {3 {7 v: }" o4 R" `
样本点个数要求# ?. z; L+ r' T/ C# ?
9 P+ U& e. E; x" \4 P. G0 m" Ea自变量之间协方差较小,最好趋近于零,自变量间关系小3 h8 ^7 C' W. T9 v
, d. ~/ ^* B5 M$ e/ F9 H- c: }b样本的个数n>3k+1,k为自变量个数7 R* M; A/ [% O
6 h, s% o% |/ t( }/ E3 T/ Fc因变量符合正态分布
/ @2 |) O8 [$ G( `; G- V% V l5 m9 Z
用于小样本或大样本内部预测,比如十年数据少了一个,可以拟合出来然后看出来
2 w9 [9 E# Z) `, Q: G8 V1 t! s4 C( f! P+ [( w* N0 {: \6 c8 X
4.马尔科夫预测(备用)6 e9 ]$ h1 K! a$ F: Y* n
& K/ ~ F. a% m2 l7 }用于大样本随机因素或周期特征未来预测。9 r* N# H7 ]0 Z' N9 ~; i
# X' v/ k' l( L7 p5 ~
一个序列之间没有信息的传递,前后没有联系,数据与数据之间随机性强,相互不影响;今天的温度与昨天、后天没有直接联系,预测后天的温度高、中、低的概率,只能的到概率
) }/ q9 o& M: N$ P0 J( [' T2 m2 Y7 [
5.时间序列预测(必备)
8 l7 G9 l& J5 x3 `( t% A! e$ K, g
$ s' |$ U- j0 ?与马尔科夫预测互补,至少有两个点需要信息的传递,ARMA模型,周期模型,季节模型等。* B* m& Y q5 J- L$ F" ^
9 b& X n& D1 Z* ~
6.小波分析预测 2 _3 f( v, t) ]4 m' P: n
- W# i! F) n6 r; W$ W" I: m
7.神经网络预测$ K- T1 n! j4 n2 e, h. o
" s8 }* b% D) x7 \3 E3 h8.混沌序列预测
# ~* g1 E: }3 Q- }+ G, N9 m; k: L, N$ t# i) `4 a0 s
大样本
2 s* d! ^. b; j: m" c
( o/ ]% b1 N7 Y0 V(六)优化与控制
8 {: t3 r& B8 w
' l1 w# R/ D3 j; l C7 s3 w+ `1 a例如生产线最优,公交车调度,选址问题,美赛运钢问题
$ a7 V6 A% M3 r4 }5 v- ~$ n- C2 Q
1.线性规划、整数规划、0-1规划
0 `$ q; r6 R0 u
3 Z/ [+ P. Y& H5 ?有约束,确定的目标
! n5 V: j$ J2 h5 m! C4 A' `5 `& }1 m& |6 S
2.非线性规划与智能优化算法: l4 |3 ]; O4 o: V1 ]
% v, s& E* v, d3.多目标规划和目标规划
8 j0 q* C/ k4 D# H& l5 g9 u+ Z/ d! a0 H$ D' Y
柔性约束,目标含糊,超过
2 ]: @& o) ]% W g; X
2 q$ U3 b! l: d( r4.动态规划
8 z' x7 q2 n8 G- h2 O0 h! c
7 O z/ v. P8 O5.图论、网络优化1 {. b- h" C$ }7 a+ P7 E
5 E( W" V& q+ z: d7 K7 Y
多因素交错复杂,给你一个图,选址等等
/ x9 r: d7 i5 s: I' S
- d& e+ d0 R' O/ W5 s" [! Y+ Q6.排队论与计算机仿真
2 u8 }: p* |) e6 K8 ^2 r" a& V& a4 \7 t2 j) L# Q$ d
7.模糊规划+ ^- ~. f& e$ `" K8 q/ }
3 Y! A% D: R# l. u: I2 z8.灰色规划2 n% H, E2 P! e8 c# m' r
- ^6 e( x8 _' t* g" u
# m1 ^3 j4 D' y) j
! ?. \7 Y8 R$ K, ?几个智能算法4 D- i k1 o' \8 C7 _9 r# X8 _% i
0 a3 r6 X6 d# Q) F/ q; g# ~- E
求最大值或者最小值都可以用智能算法/ N0 X4 r$ @: G: @1 ^. p
- F# b5 r5 l6 z6 ^2 [ x
还有bp神经网络求最优等等
x# ?% O* J/ g' B/ `5 F1 q* p( y5 K9 x, y
遗传算法8 x/ [" S+ n) G% z+ f, B
+ e5 X* g- [* j) N3 M I, j$ C8 ~
模拟退火
1 }7 }" E8 k. g6 _# ]1 q5 [! ] V. y$ ~4 Z/ t# `
粒子群算法
7 ?( X1 x$ y/ Z3 g# s————————————————" i. W( g9 R6 z; U/ i5 {9 ]# `9 O
原文链接:https://blog.csdn.net/mxb1234567/article/details/86608827: t* Q9 q$ g3 j* m) u) O% _! U/ P
7 k2 E- ~5 a* @ O! q1 z
U; A- o8 B+ l6 |; i |
zan
|