- 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
- 540729 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167597
- 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
& i2 j! j; |( S9 q8 o建模步骤:1 j4 n- B4 X9 z8 ^8 n9 M
: Q% J2 O/ T) |0 z6 @% S( o% A1.赛题分析
4 A/ y8 R' f' b, G" S4 u; p! `* m( ^% Y+ p9 ^/ f3 ?3 X
2.模型假设
1 u: E5 n8 ]" c0 g; h' p& P& v5 {& l% [2 d
3.模型建立
" V p; ^& _) ?1 w* Z4 B3 |2 b1 Z# t& S0 A7 [
4.模型求解(重点是代码) ( _. b6 L3 k+ R' P. ^. a
- ]' ~* V" b; o( V
5.模型分析: \/ h* G8 Z; t
& k. u( o1 T# `) H4 ?) C. z8 V
6.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。
7 [& d$ W' o; }2 R8 W1 i! j. G5 a a- ]. m1 Y
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。( M1 C* U! `" i0 }2 P h9 n' }3 t5 C) b
7 H: l o4 F A7 l h1 \+ I数学建模有哪些问题?(重点)4 i$ x) L$ \$ y! W
5 a# A2 e: \6 x6 V8 t) V
①数据处理
: U( P1 j/ p; D) k- v% O `: e! J3 ~/ d( b& E0 q" }- J2 a5 F! S
②关联与分析6 E# H& Y% O/ r
: ?. A5 w- r$ c
③分类与判别
/ {5 C# c. z5 |4 R9 Y! m- E& P! q* e/ \6 H$ ?0 j
④评价与决策
# \! [# ?! M" e$ g- i/ o
' l6 N& y, O. |. t# x7 {4 L⑤预测与预报, Q" l* H) V/ o `* I2 S/ R0 U" f
$ i6 G) x: y! V/ n. R, d2 _$ K⑥优化与控制
5 z( G. u: ]; e% H! Y2 M7 T: M$ c5 e: g: O2 o+ D% e& o5 p& _ Q
(一)数据处理:
) S1 U% T5 r! \( m+ p
) H' b3 s; A3 V/ Z' @1 R, d1.差值拟合% t) z X. F0 z6 C' Y/ k
' S, z9 j9 T' F; R9 g8 K主要用于对数据的补全和基本的趋势分析
/ W: ^1 B0 i E: W8 X% a/ [; t0 M7 G9 j9 f3 K0 e( S
2.小波分析,聚类分析(高斯混合聚类,K-均值聚类等等)6 |# f, j8 |: ?8 _
; l* U$ u# j D
主要用于诊断数据异常值并进行剔除" ]% F! t7 e) V2 Y d. \/ L
7 Q+ \5 A" |- L8 v0 j( Q3.主成分分析、线性判别分析、局部保留投影等
1 |5 t1 E9 m- T M
5 L$ C V* J# f主要用于多维数据的降维处理,减少数据冗余 d8 F5 o( G. A" X( U; j4 s9 B
2 U2 K; ]. }! P# b) p3 P x
4.均值、方差分析、协方差分析等统计方法, n8 }" z3 {( P/ f1 u- W
c# b# |# l0 O
主要用于数据截取或者特征选择
' E- P; J. q7 t) x0 h
, R6 |* p% _8 h; S) g* ~6 z(二)关联与因果- w+ D q1 ]6 Y, `$ I( s/ t+ O" i
( \8 ]) F. D5 h7 m9 f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( @8 `6 ?1 v6 a2 O
* T) s: n+ d! X+ ]1.灰色关联分析方法(样本点个数较少)
8 V* T& M; @2 Q/ l" o6 ?5 L* M% D
2.superman或kendall等级相关分析
: u5 s D4 m x0 ~$ v, c$ y
/ h2 N5 @" E; M* S6 Q3.Person相关(样本点个数较多)
$ O$ D2 D; E; ^. b( ^$ s* {% A+ @5 G) F8 u4 P) L2 n3 G
4.copula相关(比较难,金融数学,概率密度)
! X. M9 M' f6 i H1 Q
0 M) \1 a% w& ?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)4 {8 Y; X* }/ N7 u
3 s: z! x4 F7 w$ }
第一种和第五种常用。
2 u* c1 [6 y! \# E+ C4 U& _. d% {" ^6 X( p! C3 I# x
拟合也可以进行因果分析。
0 I, h* \! C# u' K. i/ R( ~# O' R g) |, {; k, P
(三)分类与判别* m! e: f* f- [5 o: D
* o8 z7 i( U7 s9 h
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
6 C5 e# z, n9 h
0 x& A& {& x( V& y" H! Y1.距离聚类(系统聚类)常用( Y/ c8 H% ?7 y' M& p
! `2 @2 X- ?6 `) d0 Q9 o: X
2.关联性聚类 常用: Q; |3 }8 ^, z6 h% D& q
9 H' g9 a: r( |/ L0 _# T3.层次聚类: X9 W& a# K% |5 B% r
* \% f) z7 U1 ]; v
4.密度聚类 \' E n, p- V0 P, [( K
# M: r4 `# O' P) Z5.其他聚类% c: z, u u8 y. _+ ]+ ]) N/ P& X
2 \5 y/ A0 i) ^9 X. f6.贝叶斯判别(统计判别方法)
' Y7 z1 l% _1 N- x
( l' e6 D) s# G1 v7.费舍尔判别(训练样本比较少)% U2 k* p" I/ U: W7 L8 A) @
9 M" e/ c. v# Q! R' q- l0 e' R8.模糊识别(分好类的数据点较少)& z# _3 d% t8 r
# e$ c$ u& s# J9 m, H5 I9 q. J(四)评价与决策" P) b0 G+ H" ]1 D+ u+ F5 t
& |4 ]4 V4 t% S5 S" R哪个方案更好?在哪修路更好?综合分析全球水资源?
4 t/ v7 k4 S2 Y5 P6 h* I8 g1 ~( Y
/ C" G: z8 L- J; n1.模糊综合评价- q8 i! u# B' c- V% x
- H# J- y D9 c) D6 Q8 l5 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。
9 A! ?! Q1 ~7 {' r4 `6 o% R
$ z9 M3 w9 P7 T% W7 X2.主成分分析
8 W C$ ?2 I* E4 {6 b0 g3 e7 Y/ Q' G
评价多个对象的水平并排序,指标关联性很强 m2 M% n+ c# H. ~, j
5 v/ c5 Y' u" V% E0 c
3.层次分析法:线性相关性强' O, a8 P( J+ R
( a0 y4 Z; E4 L3 s) s* H) i, K做决策,通过指标,综合考虑决定(太低端,尽量不使用)
% w2 o, }7 B$ L. ^7 u z5 }) m1 O. U9 o# N
4.数据包络(DEA)分析法/ L! \6 A- D+ \: c
! I! Q0 j' R! ]9 e0 O优化问题,对各省发展状况进行评判+ T- i( \2 X2 p- M6 c
* l1 c% E! u4 D+ `0 b$ D* m5.秩和比综合评价法6 s; ~# Z; ~5 H+ k% H6 c) e& `
0 A$ T# K" ]" ^9 e评价各个对象并排序,指标间关联性不强
+ [3 s9 X* O* ?
, v* }( `; R" T3 Y0 i/ h/ F6.神经网络评价(什么都能用神经网络预测). J% |+ i) \3 r# @4 s
0 n+ j7 q1 K2 L& {1 {适用于多指标非线性关系明确的评价
8 s" n9 \. W# a" b- o* Y- s& P* y( N9 {5 v, f) J
7.TOPSIS法(优劣解距离法)
( L: a! m9 u( P% | x3 m- i M. r( q; j; S( x1 Q
8.投影寻踪评价法
1 x) j8 O+ P! B* X5 z+ s2 L: z6 a& i" J. [+ ~* K$ S( J' K
糅合多种算法,比如遗传算法,最优化理论# x0 p" v* s9 t4 k L' a+ k! [
# V6 v" K% {7 `: j# w
9.方差分析、协方差分析, V0 _- I! k8 D) @% g- }2 M) W3 v
1 q3 Q! V! `- O2 Y4 @# v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;
! i1 P9 g+ i( P4 o; Z/ u2 P& h/ Q) ~. h+ Z# ^- S8 b! W
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。, ?: V0 }. J+ k& {( ?
9 Q& \0 S6 P) U6 L% Q6 S+ }
(五)预测与预报, H ^6 u( w1 o9 [
" R l! i: a& B q" T0 E
五种:: s; M; a3 ^1 {. ]# @
& g$ u9 v" B, ]0 G9 j1 u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& R- I0 f7 a7 K2 T* X3 o
# N0 b/ c2 k9 ]% ?% F) H
大样本内部预测 和上面不会用
* c5 A, g7 ~3 P5 y* {
4 y: Y5 S+ H) e+ ^1 }小样本未来预测 给了很少数据,预测未来
% j; F, x- l# H8 y0 \
7 T) R P; n1 a' a大样本未来预测
. j5 n# N% S* j$ h
5 R8 q9 M# n1 D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
a5 O% {* U0 g! b1 L5 m5 |; x4 b! j6 J* X) f3 k0 r
1.灰色预测(必备)2 B# c( d4 y. |8 q9 s; T
8 ^" ?: N0 {- ~8 i3 F
:用于小样本未来预测' I* m: @2 R) h- R
( t; @1 A+ C+ C& y: |3 u& Q
满足两个条件可用:
* I# P! a& N8 b$ L
8 i- c N8 T; d y, @a数据样本点个数少,6-15个
3 d& B9 J% L; A; R" G, B' t( g- h( G9 W2 I# Q) ~8 w
b数据呈现指数或曲线的形式
5 o% H2 k' O7 W" a! x8 C1 c+ S0 H9 |3 i. v; d2 Y
2.微分方程预测(备用)* ]: {% a& D1 {# X
4 T4 \, z1 ^8 D7 _8 `
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。
2 H0 W8 t4 x5 x9 \" ]0 j
( t" M0 W- Z, O2 w" H! V3.回归分析预测(必备)
, ~: f$ h. _. i
R' W! y4 s. m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
: j% I$ @& T& R' ]- M2 T S
3 h- z* e. W" l9 h, [3 j样本点个数要求
% d* i1 V0 n1 u( e- N
7 B$ R- g8 m! T5 z a+ R& `- @a自变量之间协方差较小,最好趋近于零,自变量间关系小
% `6 h* H6 m7 K0 k% a
9 k' H0 E9 l- q6 v, r ub样本的个数n>3k+1,k为自变量个数6 j1 g# z2 F1 v* H* T
" k6 @# `3 n# j' N* r
c因变量符合正态分布4 Z2 H9 n8 m& t _5 @
' |/ ?0 V$ w% L0 L6 f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/ s; s2 i5 z; G/ e: `! F, k
% [4 F. s* J' S9 e9 x% `+ l4.马尔科夫预测(备用)' u$ i8 h3 V+ M' i
1 {% S$ M* J* a1 e& `$ X用于大样本随机因素或周期特征未来预测。
( z f J, U4 i) P/ y9 y" b+ [. y* w1 a1 i5 v) Z7 K7 f3 t" t/ B- ?
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
* O; ^ A' R5 O; I1 F" |% R8 S# W# I+ m( q: O
5.时间序列预测(必备)
3 |3 D {7 S! K, l1 S
+ I" X* O6 B% i; [6 n2 n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。
4 F) q5 g- U3 T" \. ]9 ]; D H" u% t1 [* P
6.小波分析预测 / L* v7 a" g0 y. N
2 R+ b+ O3 @+ R. ] V7 c: c, k% C: y
7.神经网络预测, }! p; L; \3 \! z {' ]/ A
- X/ |* E. X; k1 A* y0 P/ u' z. X& \) N8.混沌序列预测
+ g+ p% c% D! i3 E: J
3 a3 o8 ]- i8 `大样本' J3 g7 s+ o: a. Q/ [. ^; P* k+ M1 ^: w
0 _" t1 F2 D. T% V(六)优化与控制
, ^ e8 I) Q" w6 ^$ Z# C4 d% J6 a1 k; y. }: D. y: S
例如生产线最优,公交车调度,选址问题,美赛运钢问题5 X$ A& |/ d+ S6 t1 O
) o9 A2 ^& B6 ^: g1.线性规划、整数规划、0-1规划
* ?* J. x- O3 O. y! w, d4 u4 {% U- w
有约束,确定的目标
4 m% x2 M0 D5 c$ i5 A2 {
; q I/ X9 g% l2.非线性规划与智能优化算法9 p9 n' _. ~ W8 S8 z J0 o) j
1 `% G+ G$ g1 l9 T/ o: b( i8 c' k
3.多目标规划和目标规划
* D) d4 x# S( s/ e; g) _' [% L
% r3 Y8 w2 g; N- k7 l( V) M: e柔性约束,目标含糊,超过) Q2 Z; ]9 t/ U7 z" T# M
9 t9 L, f3 ?& s5 W/ F/ V x: I
4.动态规划5 x/ m p+ B* W. Q
+ p, ? V/ u+ C$ y/ B& m7 s5.图论、网络优化/ l0 t7 l C; \" u$ K7 \1 H: ~) D
( I3 W- p5 r: _% ~! Z4 j4 f多因素交错复杂,给你一个图,选址等等
/ D4 R( i& Y/ F# {* X [4 S9 W, q; O6 M, i5 Q G7 |
6.排队论与计算机仿真
$ l: ]" }+ _( m* ~ l) r& G) O7 o" i6 c& F+ b
7.模糊规划
8 Z% ^: f: T: O! _- r }2 J- S- z& z0 h
8.灰色规划
9 r( C- z; G+ c+ l& P" ^" M( A
, v2 j2 ?5 Q( b, u$ G* O7 y) ?7 u+ a3 A+ P+ R: i
8 q3 J+ a/ W! L& u* T G9 q几个智能算法
6 V5 P$ Q5 H2 C7 \) E- N! \% J, [- z8 h/ A& v5 Z" n' p
求最大值或者最小值都可以用智能算法9 h; w" D6 P4 a# k
- d/ a5 ]% H3 P/ |
还有bp神经网络求最优等等
M0 ?. Y \- [1 f6 x
7 o/ B% O9 ~, |$ V* Z' D& ]遗传算法 [2 C" W# V4 N
) V- o6 _* y" V J% v4 C( l0 j" n
模拟退火& y. ]# d7 d% R5 h, s
* _& N) p+ Z" T) M2 D0 y i9 [粒子群算法0 ]- j9 C9 a% w, z7 z# @) w& S
————————————————
1 |3 T& Z5 r/ Z9 L \3 M原文链接:https://blog.csdn.net/mxb1234567/article/details/86608827
9 ?, A' H8 A0 d) i- e$ K" p/ Z- `+ ]# y: Y; j2 k b
' W2 u" y. B/ m4 q1 M
|
zan
|