1402 A题

挑战赛组委会

2010第三届数学建模网络挑战赛第二阶段论文

双调

嗯嗯，不错

1990zhu

dingding!!!!!

lnsz_dzg

1234567890

lnsz_dzg

没兴趣了，死吧！

lnsz_dzg

1234657890

lnsz_dzg

加油!
加油!加油!
加油!加油!加油!
3 l2 V3 b, ~1 Q* S/ s8 s

lnsz_dzg

加油!
加油!加油!
4 [$ C# D+ e9 @加油!加油!加油!

lnsz_dzg

数学与幽默（转）
做数论的人
从实用的观点来判断，我的数学生涯的价值等于零。         ——Hardy


6 j6 {/ }2 |( X+ m: l+ k  B1．Lev Landau这位**最伟大的物理学家惊叹道：“为什么素数要相加呢？素数是用来相乘而不是相加的。”据说这是Landau看了Goldbach(哥德**)猜想之后的感觉。术业有专攻呀......
9 P* I  x! K, `, R
, S- q/ [9 Q( h' N% l) V2．Graham说：“我知道一数论学家，他仅在素数的日子和妻子**：在月初，这是挺不错的，2，3，5，7；但是到月终的日子就显得难过了，先是素数变稀，19，23，然后是一个大的间隙，一下子就蹦到了29，……”

  W" c) g; k! R6 e' M
6 @, c) H4 J3 I/ }. m3．由于Fermat大定理的名声，在New York的地铁车站出现了乱涂在墙上的话：x^n + y^n = z^n 没有解对此我已经发现了一种真正美妙的证明，可惜我现在没时间写出来，因为我的火车正在开来。

$ r( _) S" ^1 z- t+ Z) Y- q' u
/ @5 e  l! \8 c7 z4.  Hilbert曾有一个学生，给了他一篇论文来证明Riemann猜想，尽管其中有个无法挽回的错误，Hilbert还是被深深地吸引了。第二年，这个学生不知道怎么回事死了，Hilbert要求在葬礼上做一个演说。那天，风雨瑟瑟，这个学生的家属们哀不胜收。Hilbert开始致词，首先指出，这样的天才这么早离开我们实在是痛惜呀，众人同感，哭得越来越凶。接下来，Hilbert说，尽管这个人的证明有错，但是如果按照这条路走，应该有可能证明Riemann猜想，再接下来，Hilbert继续热烈的冒雨讲道：“事实上，让我们考虑一个单变量的复函数.....”众人皆倒。
) c& h. r% L! j5 Q" f
$ e  ~3 \+ `' t$ k% t5 p5．有一个人叫做Paul Wolfskehl,大学读过数学，痴狂的迷恋一个漂亮的女孩子，令他沮丧的是他被无数次被拒绝。感到无所依靠，于是定下了禁用词语的日子，决定在午夜钟声响起的时候，告别这个世界，再也不理会尘世间的事。Wolfskehl在剩下的日子里依然努力的工作，当然不是数学，而是一些商业的东西，最后一天，他写了遗嘱，并且给他所有的朋友亲戚写了信。由于他的效率比较高的缘故，在午夜之前，他就搞定了所有的事情，剩下的几个小时，他就跑到了图书馆，随便翻起了数学书。很快,被Kummer解释Cauchy等前人做Fermat大定理为什么不行的一篇论文吸引住了。那是一篇伟大的论文，适合要禁用词语的数学家最后的时刻阅读。Wolfskehl竟然发现了Kummer的一个bug，一直到黎明的时候，他做出了这个证明。他自己狂骄傲不止，于是一切皆成烟云……这样他重新立了遗嘱，把他财产的一大部分设为一个奖，讲给第一个证明Fermat定理的人10万马克……这就是Wolfskehl奖的来历。
# [* [0 c' ]4 g& d

lnsz_dzg

数学建模不要忘记的几个问题
1.解释。大家都很关注数学模型的建立和求解过程。这也是最富有技术性的部分。但在建立和求解以后，一定要做出合理的解释。把数学结果翻译成实际问题的语言。而且即使是在一些技术细节上，如果能做出和实际相符的解释，也会使模型变得可靠和有意义。有的手段，无论输入什么数据，都能得到某些结果。比如拟合，比如神经网络，比如计算机仿真。但是否有真实意义，这需要“解释”来揭示和验证。设想一个最简单的预测问题，如果搞一个高次多项式，一定可以把现有的数据拟合得天衣无缝。但这又能说明什么呢？
& Q( h8 i" h5 h3 j' A" M
# ?  [  p2 K& @6 n4 |& j% `( W
0 L" \( A& {3 `7 V& W8 I: T: k7 s2.检验。上面所说，有许多建模中常用的手段，无论什么数据输进去，都能输出一些结果。而这些结果是否真的可信，往往需要检验。事实上，凡是从特殊的事例推到一般情况时，结论是否可靠，都需要进行检验。例如给了一系列数据(x,y)，我们通过某种手段，找到了x与y之间的关系（当然这往往是近似的）。我们就应当事先保留一些没用过的数据，最后用于模型的检验，如果检验的结果是吻合得相当不错，那我们的模型是可靠的。这个步骤不要忽略，在许多建模问题中，至少有30%的数据是专门用来检验模型结论的。
1 ~4 x4 ~. f- q6 h8 O

3.灵敏度分析和可靠性评估。粗略地讲，灵敏度是指模型的结论与初始条件之间的关系是否非常敏感。模型总要做许多假设，这些假设不总是万无一失的。模型也总是要输入一些初始的数据，无论是调查还是测量得来，数据总会有误差。如果初始条件有微小的偏差，结果就有显著的变化，那这个模型可以说是毫无意义的。所以低灵敏度在某种意义上意味着高可靠性。传统上，狭义的灵敏度分析就是指输入数据的误差，引起结果的变化，这有许多成型的方法来进行分析。而对广义的，由于假设不够准确而引起结果的变化，很难有系统的方法来分析。但是，总之对模型的灵敏度和可靠性要通过各种角度，做出全面的分析，这是建模工作是否完善的重要标志。
# W3 Y' o/ w, F+ r
/ }; ~% B1 R5 f# u; ^
4.评价。模型的评价不要流于空泛。“本模型结果可信，效果良好，有许多因素还没有考虑到，一些方面还有不足”此类评价事实上毫无意义。评价不是为了做结论，而是为了对模型做进一步的研究。模型的意义，可信程度，精度，可能的问题，改进方案，都是需要认真思考的方面。只有认真地对模型做研究，才能认识清楚模型的优点和不足，才能够针对不足之处进行改进。模型都是需要锤炼才能完善的。