内容摘要
随着计算机技术的迅速发展，对油藏各种特征进行三维空间定量描述和预测的综合技术，即油藏描述技术得到了很大的发展，而建立三维定量模型是现代油藏描述的核心。油藏模型研究是20世纪80年代中后期兴起的一项用于油藏描述和油藏物性分布预测的复合学科理论和方法体系，它是集数学地质、地质统计学、油层物理学等方法于一体，最大限度应用计算机技术进行油气藏及内部结构精细解剖，揭示油气分布规律，建立能够描述油气分布状况和流动特征的地质的，岩石物理的等油气参数地质模型。一般所说的地质模型指储层地质模型，且主要是建立储层孔隙度、渗透率的三维空间定量分布模型。目前，储层建模技术的发展趋势是由定性向定量发展、单学科建模研究向多学科综合建模发展、静态资料建模向动静态资料结合建模发展。其方法主要分为两类：确定性建模和随机建模。本篇主要是简介目前可行的确定性建模的方法、优缺点及适用范围。
关键词：确定性建模储层沉积储层地震克里格
一、确定性建模方法
确定性建模是对井间未知区给出确定性的预测结果,即从已知确定性资料的控制点(如井点)出发,推测出点间(如井间)确定的、惟一的和真实的储层参数。传统地质方法的内插编图、克里格作图和一些数学地质方法作图都属于这一类建模方法。目前,确定性建模所应用的储层预测方法主要有3种。
1.1储层地震学方法
储层地震学方法主要是应用地震资料研究储层的几何形态、岩性及参数的分布,即从已知井点出发,应用地震横向预测技术进行井间参数预测,并建立储层的三维地质模型。该方法主要包括三维地震和井间地震方法。
（1）三维地震方法。三维地震资料具有覆盖面广、横向采集密度大的优点。应用三维地震资料(主要是利用地震属性参数,如层速度、波阻抗、振幅等),结合井资料和VSP资料,可在油藏评价阶段建立油组或砂组规模的储层地质模型,主要确定地层格架、断层特征、砂体的宏观格架及储层参数的宏观展布。
(2)井间地震方法。由于井间地震方法采用了井下震源及邻井多道接收,因而比地面地震(如三维地震)具有更多的优点:有较高的信噪比、增加了地震信息的分辨率、利用地震波的初至可准确地重建速度场,从而大大提高了井间储层参数的解释精度。
1.2 储层沉积学方法
储层沉积学方法主要是在高分辨率等时地层对比及沉积模式基础上,通过井间砂体对比建立储层结构模型。
井间砂体对比是在沉积模式和单井相分析的基础上进行的。传统对比方法主要依据井间测井曲线的相似性或差异性来进行井间砂体解释。实际上,科学的井间砂体对比应是利用多学科方法(层序地层学原理、沉积学原理、高分辨率地震勘探资料及地层测试资料等)进行综合一体化的解释过程。
1.3克里格方法
克里格方法是以变差函数为工具进行井间插值而建立的储层参数模型。井间插值是建立确定性储层参数分布模型的常用方法。该方法大致可以分为传统的统计学插值方法和地质统计学估值方法(主要是克里格方法)。由于传统的数理统计学插值方法(如反距离平方法)只考虑观测点与待估点之间的距离,而不考虑地质规律所造成的储层参数在空间上的相关性,因此插值精度较低。为了提高对储层参数的估值精度,人们广泛应用克里格方法来进行井间插值。克里格法估值是根据待估点周围的若干已知信息,应用变异函数所特有的性质对估点的未知值做出最优(即估计方差最小)、无偏(即估计值的均值和观测值的均值相等)估计，基本的克里格方法包括简单克里格、普通克里格、具有各种趋势模型的克里格、协同
克里格和指示克里格等。
二、确定性建模的优缺点及适用范围
(1)确定性建模是局部最优估计,它只考虑局部估计值的精度,而未考虑估计值的空间相关性。
(2)确定性建模给出观测值间的平滑估值,而削弱了观测数据的离散性,忽略了井间的细微变化。
(3)确定性建模只产生一个模型。
（4）确定性建模掩盖了非均质程度(即离散性),特别是离散性明显的储层参数(如渗透率)的非均质程度,因而不适用于渗透率非均质性的表征。而对于一些离散性不大的储层参数,如孔
隙度,应用克里格插值方法研究其空间分布,并用于估计储量,亦表现出方便、快速、准确的优越性。
（5）储层建模的对象是各种地质特征,如沉积相分布和相应的特征参数空间分布。其实储层本身是确定的,但是,在资料不完善以及储层结构空间配置和储层参数空间变化复杂的情况下,人们难于掌握任一尺度下储层的确定的且真实的特征或性质,也就是说,在确定性模型中存在着不确定性,亦即随机性。
（6）确定性建模可以很好地和地质模式结合,从而较容易满足地质规律。值得一提的是近几年来,对确定性建模方法,尤其是把测井、地震和地质模式结合的研究也逐渐在发展。确定性建模在克服了其原有的缺点后,优点也开始突出出来。（7）利用确定性储层地质建模系统可以描述地下复杂的地质环境,将复杂的地质构造情况、地质体的形态和结构以图形的形式表现出来,从而使地质技术人员和管理人员能够真实、直观的认识各种地质现象,这是解决各类地质问题的重要手段。确定性储层地质建模系统可以有效地应用于矿产资源勘查、油气勘探开发、煤田地质勘探、矿山生产和管理、地质灾害治理、水文地质与工程地质、城市环境地质等地质科学各个领域,具有重要的理论和实际意义。
参考文献
[1]张婷徐守余. 储层地质建模技术研究与展望[J]. 长春理工大学学报(高教版),2009,4(4):1.
[2]解伟. 储层建模方法研究[J].黑龙江科技信息：1.
[3]胡向阳熊琦华吴胜和. 石油大学学报(自然科学版)[J],2010,25(1):1-2.
[4]汤军.对储层建模的研究[J]. 石油天然气学报(江汉石油学院学报),2006,28(3):1.
[5]宋海渤黄旭日.油气储层建模方法综述[J].天然气勘探与开发，31（3）：1-2.
[6]王维斌武骞. 储层确定性地质建模系统实现方法的探讨[J]. 内蒙古石油化工,2009,2:3.
数学建模知识——之新手上路 一、数学模型的定义现在数学模型还没有一个统一的准确的定义，因为站在不同的角度可以有不同的定义。不过我们可以给出如下定义：“数学模型是关于部分现实世界和为一种特殊目的而作的一个抽象的、简化的结构。”具体来说，数学模型就是为了某种目的，用字母、数学及其它数学符号建立起来的等式或不等式以及图表、图像、框图等描述客观事物的特征及其内在联系的数学结构表达式。一般来说数学建模过程可用如下框图来表明：数学是在实际应用的需求中产生的，要解决实际问题就必需建立数学模型，从此意义上讲数学建模和数学一样有古老历史。例如，欧几里德几何就是一个古老的数学模型，牛顿万有引力定律也是数学建模的一个光辉典范。今天，数学以空前的广度和深度向其它科学技术领域渗透，过去很少应用数学的领域现在迅速走向定量化，数量化，需建立大量的数学模型。特别是新技术、新工艺蓬勃兴起，计算机的普及和广泛应用，数学在许多高新技术上起着十分关键的作用。因此数学建模被时代赋予更为重要的意义。二、建立数学模型的方法和步骤 1. 模型准备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。 2. 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。 3. 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。 4. 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。 5. 模型分析 对模型解答进行数学上的分析。“横看成岭侧成峰，远近高低各不同”，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。例题：一个笼子里装有鸡和兔若干只，已知它们共有 8 个头和 22 只脚，问该笼子中有多少只鸡和多少只兔？解：设笼中有鸡 x 只，有兔 y 只，由已知条件有 x+y=8 2x+4y=22 求解如上二元方程后，得解 x=5,y=3，即该笼子中有鸡 5 只，有兔 3 只。将此结果代入原题进行验证可知所求结果正确。根据例题可以得出如下的数学建模步骤： 1）根据问题的背景和建模的目的做出假设（本题隐含假设鸡兔是正常的，畸形的鸡兔除外） 2）用字母表示要求的未知量 3）根据已知的常识列出数学式子或图形（本题中常识为鸡兔都有一个头且鸡有 2 只脚，兔有 4 只脚） 4）求出数学式子的解答 5）验证所得结果的正确性这就是数学建模的一般步骤三、数模竞赛出题的指导思想传统的数学竞赛一般偏重理论知识，它要考查的内容单一，数据简单明确，不允许用计算器完成。对此而言，数模竞赛题是一个“课题”，大部分都源于生产实际或者科学研究的过程中，它是一个综合性的问题，数据庞大，需要用计算机来完成。其答案往往不是唯一的（数学模型是实际的模拟，是实际问题的近似表达，它的完成是在某种合理的假设下，因此其只能是较优的，不唯一的），呈报的成果是一篇论文。由此可见“数模竞赛”偏重于应用，它是以数学知识为引导计算机运用能力及文章的写作能力为辅的综合能力的竞赛。四、竞赛中的常见题型赛题题型结构形式有三个基本组成部分： 1. 实际问题背景涉及面宽——有社会，经济，管理，生活，环境，自然现象，工程技术，现代科学中出现的新问题等。一般都有一个
系统建模方法 2、1系统抽象与数学描述 2、1、1 实际系统的抽象 本质上讲,系统数学模型就是从系统概念出发的关于现实世界的一小部分或几个方面的抽象的“映像”。 为此,系统数学模型的建立需要建立如下抽象:输入、输出、状态变量及其间的函数关系。这种抽象过程称为模型构造。抽象中,必须联系真实系统与建模目标,其中描述变量起着很重要的作用,它可观测,或不可观测。 从外部对系统施加影响或干扰的可观测变量称为输入变量。 系统对输入变量的响应结果称为输出变量。 输入、输出变量对的集合,表征着真实系统的“输入-输出”性状(关系)。 综上述,真实系统可视为产生一定性状数据的信息源,而模型则就是产生与真实系统相同性状数据的一些规则、指令的集合,抽象在其中则起着媒介作用。系统数学建模就就是将真实系统抽象成相应的数学表达式(一些规则、指令的集合)。
2、1、2 系统模型的一般描述及描述级(水平) 2、1、2、1 系统模型的一般描述: 一个系统的数学模型可以用如下七元组集合来描述: (可观测) 输出变量 (可观测) 输入变量 黑箱 灰箱 白箱 ω(t t ) ω(t )、ρ(t )---输入输出变量对 真实系统建模的抽象过程
2、1、2、2 系统模型描述级(水平): 按照系统论的观点,实际系统可在某种级(水平)上被分解,因此系统的数学模型可以有不同的描述级(水平): ⑴ 性状描述级 性状描述级或称为行为描述级(行为水平)。在此级上描述系统就是将系统堪称黑箱,并施加输入信号,同时测得输出响应,结果就是得出一个输入-输出对:(ω,ρ) 及其关系R s ={(ω,ρ):Ω,ω,ρ}。 因此,系统的性状级描述只给出输入-输出观测结果。其模型为五元组集合结构: S=(T ,X ,Ω,Y , R ) 当ω,ρ满足ρ =f (ω)函数关系时,其集合结构变为: ()λδ,,,,,,Y Q X T S Ω= 其中： :T 时间基，描述系统变化的时间坐标，T 为整数则称为离散时间系统，为实数则称为连续时间系统； :X 输入集，代表外部环境对系统的作用。 :Ω输入段集，描述某个时间间隔内的输入模式，是()T X ,的一个子集。 :Q 内部状态集，描述系统内部状态量，是系统内部结构建模的核心。 :δ状态转移函数，定义系统内部状态是如何变化的，是一个映射。 :Y 输出集，系统通过它作用于环境。 :λ输出函数，是一个映射，给出了一个输出段集。
建立数学模型的方法、步骤、特点及分类 [学习目标] 1.能表述建立数学模型的方法、步骤； 2.能表述建立数学模型的逼真性、可行性、渐进性、强健性、可转移性、非 预制性、条理性、技艺性和局限性等特点；； 3.能表述数学建模的分类； 4.会采用灵活的表述方法建立数学模型； 5.培养建模的想象力和洞察力。 一、建立数学模型的方法和步骤 —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.测试分折将研究对象视为一个“黑箱”系统，内部机理无法直接寻求，可以测量系统的输人输出数据、并以此为基础运用统计分析方法，按照事先确定的准则在某一类模型中选出一个与数据拟合得最好的模型。这种方法称为系统辨识(System Identification)．将这两种方法结合起来也是常用的建模方法。即用机理分析建立模型的结构，用系统辨识确定模型的参数． 可以看出，用上面的哪一类方法建模主要是根据我们对研究对象的了解程度和建模目的决定的．如果掌握了机理方面的一定知识，模型也要求具有反映内部特性的物理意义。那么应该以机理分析方法为主．当然,若需要模型参数的具体数值，还可以用系统辨识或其他统计方法得到．如果对象的内部机理基本上没掌握，模型也不用于分析内部特性,譬如仅用来做输出预报，则可以系统辩识方法为主．系统辨识是一门专门学科，需要一定的控制理论和随机过程方面的知识．以下所谓建模方法只指机理分析。 建模要经过哪些步骤并没有一定的模式，通常与实际问题的性质、建模的目的等有关，从 §16.2节的几个例子也可以看出这点．下面给出建模的—般步骤，如图16-5所示． 图16-5 建模步骤示意图 模型准备首先要了解问题的实际背景，明确建模的目的搜集建模必需的各种信息如现象、数据等，尽量弄清对象的特征,由此初步确定用哪一类模型，总之是做好建模的准备工作．情况明才能方法对，这一步一定不能忽视，碰到问题要虚心向从事实际工作的同志请教，尽量掌握第一手资料. 模型假设根据对象的特征和建模的目的，对问题进行必要的、合理的简化，用精确的语言做出假设，可以说是建模的关键一步．一般地说，一个实际问题不经过简化假设就很难翻译成数学问题，即使可能，也很难求解．不同的简化假设会得到不同的模型．假设作得不合理或过份简单，会导致模型失败或部分失败，于是应该修改和补充假设；假设作得过分详细，试图把复杂对象的各方面因素都考虑进去，可能使你很难甚至无法继续下一步的工作．通常，作假设的依据，一是出于对问题内在规律的认识，二是来自对数据或现象的分析，也可以是二者的综合．作假设时既要运用与问题相关的物理、化学、生物、经济等方面的知识，又要充分发挥想象力、洞察力和判断力，善于辨别问题的主次，果断地抓住主要因素，舍弃次要因素，尽量将问题线性化、均匀化．经验在这里也常起重要作用．写出假设时，语言要精确，就象做习题时写出已知条件那样．
§15.4锁具装箱问题 [学习目标] 1.能表述锁具装箱问题的分析过程； 2.能表述模型的建立方法； 3.会利用排列组合来计算古典概型； 4.会利用Mathematica求解锁具装箱问题。 一、问题 某厂生产一种弹子锁具，每个锁具的钥匙有5个槽，每个槽的高度从{1，2，3，4，5，6}6个数（单位从略）中任取一数。由于工艺及其它原因，制造锁具时对5个槽的高度有两个要求：一是至少有3个不同的数；二是相邻两槽的高度之差不能为5。满足上述两个条件制造出来的所有互不相同的锁具称为一批。销售部门在一批锁具中随意地抽取，每60个装一箱出售。 从顾客的利益出发，自然希望在每批锁具中不能互开（“一把钥匙开一把锁”）。但是，在当前工艺条件下，对于同一批中两个锁具是否能够互开，有以下实验结果：若二者相对应的5个槽的高度中有4个相同，另一个槽的高度差为1，则可能互开；在其它情况下，不可能互开。 团体顾客往往购买几箱到几十箱，他们会抱怨购得的锁具中出现互开的情形。现请回答以下问题： 1．每批锁具有多少个，能装多少箱？ 2．按照原来的装箱方案，如何定量地衡量团体顾客抱怨互开的程度（试对购买一、二箱者给出具体结果）。 二、问题分析与建立模型 因为弹子锁具的钥匙有5个槽，每个槽的高度从{1，2，3，4，5，6}这6个数中任取一数，且5个槽的高度必须满足两个条件：至少有3个不同的数；相邻两槽的高度之差不能为5。所以我们在求一批锁具的总数时，应把问题化为三种情况，即5个槽的高度由5个不同数字组成、由4个不同数字组成、由3个不同数字组成，分别算出各种情况的锁具个数，然后相加便得到一批锁具的总个数。在分别求这三种情况锁具个数的时候，先求出满足第1个条件的锁具个数再减去不满足第2个条件的锁具个数。在求这三种情况锁具个数的时候，主要依靠排列组合的不尽相异元素的全排列公式。 下面用一个5元数组来表示一个锁具： Key=（h1，h2，h3，h4，h5） 其中h i表示第i个槽的高度，i=1，2，3，4，5。此5元数组表示一把锁，应满足下述条件： 条件1：h i∈{1，2，3，4，5，6}，i = 1，2，3，4，5。
1、1多元回归 1、 方法概述： 在研究变量之间的相互影响关系模型时候，用到这类方法,具体地说:北可以定量地描述某一现象与某些因素之间 的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。 2、 分类 分为两类:多元线性回归与非线性线性回归;其中非线性回归可以通过一定的变化转化为线性回归，比如:y=lnx 可 以转化为y=u u=lnx 来解决;所以这里主要说明多元线性回归应该注意的问题。 3、 注意事项 在做回归的时候,一定要注意两件事： (1) 回归方程的显著性检验(可以通过sas 与spss 来解决) (2) 回归系数的显著性检验(可以通过sas 与spss 来解决) 检验就是很多学生在建模中不注意的地方，好的检验结果可以体现出您模型的优劣，就是完整论文的体现?所以这 点大家一定要注意。 4、 使用步骤： (1) 根据己知条件的数据?通过预处理得出图像的大致趋势或者数据之间的大致关系； (2) 选取适当的回归方程； (3) 拟合回归参数； (4) 回归方程显著性检验及回归系数显著性检验 (5) 进行后继研究(如:预测等) 这种模型的的特点就是直观，容易理解。 这体现在:动态聚类图可以很直观地体现出来！ 当然，这只就是直观的一个方而！ 2、 分类 聚类有两种类型： (1) Q 型聚类:即对样本聚类； (2) R 型聚类:即对变量聚类； 聚类方法： 最短距离法 最长距离法 中间距离法 重心法 (5) 类平均法 (6) 可变类平均法 (7) 可变法 (8) 利差平均与法 在具体做题中，适当选取方法； 3、 注意事项 在样本量比较大时，要得到聚类结果就显得不就是很容易，这时需要根据背景知识与相关的其她方法辅助处理。 还需要注意的就是:如果总体样本的显著性差异不就是特別大的时候，使用的时候也要注意！ 4、 方法步骤 (1) 首先把每个样本自成一类； 2)选取适当的衡量标准，得到衡量矩阵，比如说:距离矩阵或相似性矩阵.找到矩阵中最小的元素，将该元素对应的两 个类归为一类， (4)重复第2步,直到只剩下一个类； (4)重复第2步,直到只剩下一个类； 补充:聚类分析就是一种无监督的分类,下而将介绍有监督的“分类”。 我简单说明下，无监督学习与有监督学习就是什么 无监督学习:发现的知识就是未知的 )< 12 3 4
§6 决策树法 对较为复杂的决策问题，特别是需要做多个阶段决策的问题，最常用的方法是决策树法。决策树法是把某个决策问题未来发展情况的可能性和可能结果所做的预测用树状图画出来。其步骤如下： 1、用方框表示决策点。从决策点画出若干条直线或折线，每条线代表一个行动方案，这样的直线或折线称为方案枝。 2、在各方案枝的末端画一个园圈，称为状态点，从状态点引出若干直线或折线，每条线表示一个状态，在线的旁边标出每个状态的概率，称为概率枝。 3、把各方案在各个状态下的损益期望值算出标记在概率枝的末端。 4、把计算得到的每个方案的损益期望值标在状态点上，然后通过比较，选出损益期望值最小的方案为最优方案。 例1某厂准备生产一种新产品，产量可以在三种水平n1、n2、n3中作决策。该产品在市场上的销售情况可分为畅销、一般和滞销三种情况，分别为S1、S2、S3。通过调查，预测市场处于这三种情况的概率分别为0.5、0.3、0.2。三种决策在各种不同市场情况下的利润见下表： 表1 基于各种决策的各种市场情况的利润表（万元） 我们可以计算每种决策下利润的期望值： 实行在水平n1下生产的利润的期望值为：90×0.5+30×0.3-60×0.2=42 实行在水平n2下生产的利润的期望值为：60×0.5+50×0.3-10×0.2=43 实行在水平n3下生产的利润的期望值为：10×0.5+9×0.3-6×0.2=6.5 由于在水平n2下生产利润的期望值最大，因而应选择产量水平n2生产。 可以应用决策树帮助解决这样的决策问题，把各种决策和情况画在图1上： 图1
图中的方框（□）称为决策点，圆圈（○）称为状态点，从方框出发的线段称为对策分支，表示可供选择的不同对策。在圆圈下面的线段称为概率分支，表示在此种对策下可能出现的各种情况。在概率分支上注明了该情况出现的概率。在每一个概率分支的末端注明了对应对策和对应情况下的收益（利润）。在计算时，我们把相应的期望值写在相应的状态点旁边，再由比较大小后选择最优决策，在图上用∥表示舍弃非最优的对策，并在决策点上注明最优决策所对应的期望利润。 图2 利用决策树还可以解决多阶段的决策问题。 例2 某公司在开发一种新产品前通过调查推知，该产品未来的销售情况分前三年和后三年两种情况。因此生产该产品有两种可供选择的方案：建造大厂和建造小厂。如果建造大厂，投资费用5000万元，当产品畅销时，每年可获利2000万元，当产品滞销时，每年要亏损120万元。如果建造小厂，投资费用1000万元，当产品畅销时，每年可获利300万元，当产品滞销时，每年仍可获利150万元。若产品畅销可考虑在后三年再扩建，扩建投资需2000万元，随后三年每年可获利1000万元；也可不再扩建。预测这六年该产品畅销的概率为0.6，滞销的概率为0.4。试分析该公司开发新产品应如何决策？ 根据问题的各种情况可以画出决策树如下：这是一个两阶段的决策问题。注意到图中有两个决策点，反映建小厂的方案中可以分成前三年和后三年两个阶段，并在后三年还要做出一次决策。 图3 把各种数据填到图适当的位置后，由后向前计算获利的期望值。由图可见应采用决策：建造大厂。 500 900 1000*3=3000 300*3=900 6.5
数学建模常用的十种解题方法 摘要 当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上，用数学的符号和语言，把它表述为数学式子，也就是数学模型，然后用通过计算得到的模型结果来解释实际问题，并接受实际的检验。这个建立数学模型的全过程就称为数学建模。数学建模的十种常用方法有蒙特卡罗算法；数据拟合、参数估计、插值等数据处理算法；解决线性规划、整数规划、多元规划、二次规划等规划类问题的数学规划算法；图论算法；动态规划、回溯搜索、分治算法、分支定界等计算机算法；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；网格算法和穷举法；一些连续离散化方法；数值分析算法；图象处理算法。 关键词：数学建模；蒙特卡罗算法；数据处理算法；数学规划算法；图论算法 一、蒙特卡罗算法 蒙特卡罗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。在工程、通讯、金融等技术问题中, 实验数据很难获取, 或实验数据的获取需耗费很多的人力、物力, 对此, 用计算机随机模拟就是最简单、经济、实用的方法; 此外, 对一些复杂的计算问题, 如非线性议程组求解、最优化、积分微分方程及一些偏微分方程的解⑿, 蒙特卡罗方法也是非常有效的。 一般情况下, 蒙特卜罗算法在二重积分中用均匀随机数计算积分比较简单, 但精度不太理想。通过方差分析, 论证了利用有利随机数, 可以使积分计算的精度达到最优。本文给出算例, 并用MA TA LA B 实现。 1蒙特卡罗计算重积分的最简算法-------均匀随机数法 二重积分的蒙特卡罗方法(均匀随机数) 实际计算中常常要遇到如()dxdy y x f D ??,的二重积分, 也常常发现许多时候被积函数的原函数很难求出, 或者原函数根本就不是初等函数, 对于这样的重积分, 可以设计一种蒙特卡罗的方法计算。 定理 1 )1( 设式()y x f ,区域 D 上的有界函数, 用均匀随机数计算()??D dxdy y x f ,的方法: (l) 取一个包含D 的矩形区域Ω,a ≦x ≦b, c ≦y ≦d , 其面积A =(b 一a) (d 一c) ; ()j i y x ,,i=1,…,n 在Ω上的均匀分布随机数列,不妨设()j i y x ,, j=1，…k 为落在D 中的k 个随机数, 则n 充分大时, 有
案例分析1: 自行车外胎的使用寿命 问题： 目前，自行车在我国是一种可缺少的交通工具。它小巧、灵活、方便、易学，而且价格适中，给广大居民带来了不小的益处。但是，自行车也有令人头痛的地方，最常见的问题莫过于扎胎了。扎胎的原因有很多，但相当一部分是由于外胎磨损，致使一些玻璃碴、小石子很容易侵入、扎破内胎。为了减少不必要的麻烦，如何估计自行车外胎的寿命，及时更换? 分析： 分析角度：由于题目里未明确指出我们是应从厂家角度，还是应从用户角度来考虑这个问题，因此需要我们自己做出合理判断。若从厂家角度，我们面对的应当是一大批自行车外胎的平均寿命的估计。这样的估计要求一定精确度和相对明确的使用环境；而从用户角度来说，面对的仅是个人的一辆车，不需要很高的精确度，这样的寿命估计更简单，易于随时了解，下面仅从用户角度进行分析。 产品的使用者需要了解产品的寿命，是基于安全性及更换的费用来考虑的。我们将这两个标准作为主要标准来分析，首先值得注意的两个关键性问题是如何定义寿命、何时为寿命的终止。寿命的定义要做到科学，直观，有可比性，在航空工业中航天飞机的使用寿命是用重复使用的次数来衡量，而工厂机器设备的寿命则以连续工作的时间来定义。本题外胎的寿命亦可用时间来表征，但由于外胎的寿命直接与其磨损速度相关；而磨损速度又与使用频率及行驶速度相互联系，致使外胎的寿命不一定与使用时间成正比(这种非正比关系使我们不能拿一辆—天跑200公里的自行车与一天只跑1公里的自行车进行寿命比较)，降低了可比性。如换成自行车的路程寿命来比较，就好得多。产品寿命是在安全性和更换费用相互制约下达到的一个点，在这个点上，外胎的安全系数降到用户不可接受的最低值，更换费用(寿命越长，在一定意义上更换费用越低)也达到了最大限度的节省。 弄清了上面两个问题后，我们继续明确建立模型需要解决哪些问题及建立模型的重点难点。 自行车使用过程中，一来影响因素多，二来这些因素之间彼此相关，十分复杂，要做到比较准确地估计使用寿命，不但要对外胎的性能有相当的了解，而且对使用环境更不能忽视。当然我们由于是站在用户角度上来考虑的，相对地就可忽略一些次要的影响因素。 这样的数学模型面对着两个主要问题。一、自行车使用寿命与外胎厚度的关系，二、外胎能够抵御小石子破坏作用的最小厚度。后者可处理得相对简略些(如只考虑一块具有一般特征的小石子对外胎的破坏作用)，而重点(也是难点)是第一个问题。车重、人重、轮胎性质(力学的、热学的、甚至化学的)和自行车使用频率等都左右着它们的关系。这么多相关因素，不必一一都加以考虑(用户是不会在意这么多的)，有些因素，可以先不考虑，在模型的改进部分再作修改，采取逐步深入的方法，如：摩擦损耗有滑动摩擦和滚动摩擦损耗两种，由于滚动摩擦占用的时间(或路程)显然占绝对优势，因此可重点考虑。但滑动摩擦造成的一次损坏又比滚动摩擦大，在刹车使用过频的情况下，就不能不考虑了。 最后，需对得出的结果用简单清晰的文字进行说明，以供用户参考。 案例分析2：城市商业中心最优位置分析 问题： 城市商业中心是城市的基本构成要素之一。它的形成是一个复杂的定位过程。商业中心的选址涉及到各种因素制约，但其中交通条件是很重要的因素之一。即商业中心应位于城市“中心”，如果太偏离这一位置，极有可能在城市“中心”地带又形成一个商业区，造成重复建设。 某市对老商业中心进行改建规划，使居民到商业中心最方便。如果你是规划的策划者，如何建立一个数学模型来解决这个问题。
数学建模的基本步骤 一、数学建模题目 1）以社会，经济，管理，环境，自然现象等现代科学中出现的新问题为背景，一般都有一个比较确切的现实问题。 2）给出若干假设条件： 1. 只有过程、规则等定性假设； 2. 给出若干实测或统计数据； 3. 给出若干参数或图形等。 根据问题要求给出问题的优化解决方案或预测结果等。根据问题要求题目一般可分为优化问题、统计问题或者二者结合的统计优化问题，优化问题一般需要对问题进行优化求解找出最优或近似最优方案，统计问题一般具有大量的数据需要处理，寻找一个好的处理方法非常重要。 二、建模思路方法 1、机理分析根据问题的要求、限制条件、规则假设建立规划模型，寻找合适的寻优算法进行求解或利用比例分析、代数方法、微分方程等分析方法从基本物理规律以及给出的资料数据来推导出变量之间函数关系。 2、数据分析法对大量的观测数据进行统计分析，寻求规律建立数学模型，采用的分析方法一般有： 1）. 回归分析法(数理统计方法)-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。 2）. 时序分析法--处理的是动态的时间序列相关数据，又称为过程统计方法。 3）、多元统计分析（聚类分析、判别分析、因子分析、主成分分析、生存数据分析）。 3、计算机仿真（又称统计估计方法）：根据实际问题的要求由计算机产生随机变量对动态行为进行比较逼真的模仿，观察在某种规则限制下的仿真结果（如蒙特卡罗模拟）。 三、模型求解： 模型建好了，模型的求解也是一个重要的方面，一个好的求解算法与一个合
适的求解软件的选择至关重要，常用求解软件有matlab，mathematica，lingo，lindo，spss，sas等数学软件以及c/c++等编程工具。 Lingo、lindo一般用于优化问题的求解，spss，sas一般用于统计问题的求解，matlab，mathematica功能较为综合，分别擅长数值运算与符号运算。 常用算法有：数据拟合、参数估计、插值等数据处理算法,通常使用spss、sas、Matlab作为工具. 线性规划、整数规划、多元规划、二次规划、动态规划等通常使用Lindo、Lingo,Matlab软件。 图论算法,、回溯搜索、分治算法、分支定界等计算机算法, 模拟退火法、神经网络、遗传算法。 四、自学能力和查找资料文献的能力： 建模过程中资料的查找也具有相当重要的作用，在现行方案不令人满意或难以进展时，一个合适的资料往往会令人豁然开朗。常用文献资料查找中文网站：CNKI、VIP、万方。 五、论文结构： 0、摘要 1、问题的重述，背景分析 2、问题的分析 3、模型的假设，符号说明 4、模型的建立（局部问题分析，公式推导，基本模型，最终模型等） 5、模型的求解 6、模型检验:模型的结果分析与检验，误差分析 7、模型评价:优缺点，模型的推广与改进 8、参考文献 9、附录 六、需要重视的问题 数学建模的所有工作最终都要通过论文来体现，因此论文的写法至关重要：
《统计建模》复习题 1.统计建模的主要步骤有哪些？ 1明确问题 2数据收集 3数据预处理 4模型构建 5模型估计 6模型检验 7结果分析8撰写论文 2.试列举至少5个常用的统计数据库？例如，中经网统计数据库。 1国家统计数据库2中国经济网数据中心3 OECD数据库4国研网数据库5国家发改委6世界银行7中国统计年鉴、WIND数据库、BvD数据库 3.试列举至少4项国内广泛使用的微观数据库？并简要说明。 1．CHIP数据（中国农村和城市居民家庭收入分配） 2．CHNS（中国健康与营养调查） 3．CHARLS（中国健康与养老追踪调查） 4．CFPS（中国家庭动态调查） 5．CHFS（China Health and Fertility Survey ）中国健康与生育调查 4.常见的模型估计方法有哪些？试列举之。 最小二乘（OLS）法、极大似然估计、广义矩（GMM）法、分位数回归方法、贝叶斯估计 5.在完成统计模型的参数估计后，通常需要进行哪几类检验？试列举之。 定性检验，T检验，f检验，拟合优度检验，预测精度检验 6.著名统计学家博克斯（George Box）说过：所有的模型都是错的，但其中有一些 模型是有用的！你对这句话如何理解？ 模型只能是客观世界的一种近似，是现实的简单化或理想化。有用的模型能抓住并凸显现象中与分析目的最相关的特征，能抓住问题的本质。 7.简述结构方程模型和普通回归模型的区别？ 结构方程模型，是一种建立、估计和检验多个变量之间的因果关系模型的方法。 模型中既包含有可观测的显变量，也可能包含无法直接观测的潜变量。 普通回归模型属于单方程模型方法，结构方程模型属于联立方程模型方法，回归分析只能处理显性变量，而结构方程模型可以发现潜在变量。普通回归一般只有一个因变量，而且是单向的，SEM则是可单，可双，普通回归是基础，SEM是后来的发展和完善 8.和普通回归模型相比，结构方程模型有哪些优点？ 1允许回归方程的自变量含有测量误差 2可以同时处理多个因变量 3.可以在一个模型中同时处理因素的测量和因素之间的结构。 4.允许更具弹性的模型设定。
系统建模与仿真 开课对象：工业工程开课学期：6 学分：2学分；总学时：48学时；理论课学时：40学时； 实验学时：0 学时；上机学时：8学时 先修课程：概率论与数理统计 教材：系统建模与发展，齐欢，王小平编著，清华大学出版社，2004.7 参考书： 【1】离散事件系统建模与仿真，顾启泰，清华大学出版社 【2】现代系统建模与仿真技术，刘兴堂，西北工业大学出版社 【3】离散事件系统建模与仿真，王维平，国防科技大学出版社 【4】系统仿真导论，肖田元，清华大学出版社 【5】建模与仿真，王卫红，科学出版社 【6】仿真建模与分析(Simulaton Modeling and Analysis)(3rd eds.)，Averill M. Law, W.David Kelton，清华大学出版社/McGraw-Hill 一、课程的性质、目的和任务 建模与仿真是当代现代科学技术的主要内容，其技术已渗透到各学科和工程技术领域。本课程以一般系统理论为基础，让学生掌握适用于任何领域的建模与仿真的一般理论框架和基本方法。 本课程的目的和任务是使学生： 1．掌握建模基本理论； 2．掌握仿真的基本方法； 3．掌握一种仿真语言及仿真软件； 4．能够运用建模与仿真方法分析、解决工业工程领域的各种常见问题。 二、课程的基本要求 1．了解建模与仿真的作用和发展，理解组成要素。 2．掌握建模的几种基本方法，及模型简化的技术手段。 3．掌握建模的一般系统理论，认识随机数的产生的原因及统计控制方式。 4．能对离散事件进行仿真，并能分析运行结果。 三、课程的基本内容及学时分配 第一章绪论（3学时） 1．系统、模型、仿真的基本概念
数学建模常用方法 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M a t l a b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L i n d o、L i n g o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M a t l a b进行处理） 一、在数学建模中常用的方法： 1.类比法 2.二分法 3.量纲分析法 4.差分法 5.变分法 6.图论法 7.层次分析法 8.数据拟合法 9.回归分析法 10.数学规划（线性规划、非线性规划、整数规划、动态规划、目标规划） 11.机理分析 12.排队方法
第十章 插值与拟合方法建模 在生产实际中，常常要处理由实验或测量所得到的一批离散数据，插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。相应的理论和算法是数值分析的内容，这里不作详细介绍，请参阅有关的书籍。 §1 数据插值方法及应用 在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。与此有关的一类问题是当原始数据 ),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段 多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。 1、分段线性插值 这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。如果 b x x x a n =<<<= 10 那么分段线性插值公式为 n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11 1 11 =≤<--+--= ----- 可以证明，当分点足够细时，分段线性插值是收敛的。其缺点是不能形成一条光滑曲线。 例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。 根据地图的比例，18 mm 相当于40 km 。
数据建模目前有两种比较通用的方式1983年，数学建模作为一门独立的课程进入我国高等学校，在清华大学首次开设。1987年高等教育出版社出版了国内第一本《数学模型》教材。20多年来，数学建模工作发展的非常快，许多高校相继开设了数学建模课程，我国从1989年起参加美国数学建模竞赛，1992年国家教委高教司提出在全国普通高等学校开展数学建模竞赛，旨在“培养学生解决实际问题的能力和创新精神，全面提高学生的综合素质”。近年来，数学模型和数学建模这两个术语使用的频率越来越高，而数学模型和数学建模也被广泛地应用于其他学科和社会的各个领域。本文主要介绍了数学建模中常用的方法。 一、数学建模的相关概念 原型就是人们在社会实践中所关心和研究的现实世界中的事物或对象。模型是指为了某个特定目的将原型所具有的本质属性的某一部分信息经过简化、提炼而构造的原型替代物。一个原型，为了不同的目的可以有多种不同的模型。数学模型是指对于现实世界的某一特定对象，为了某个特定目的，进行一些必要的抽象、简化和假设，借助数学语言，运用数学工具建立起来的一个数学结构。 数学建模是指对特定的客观对象建立数学模型的过程，是现实的现象通过心智活动构造出能抓住其重要且有用的特征的表示，常常是形象化的或符号的表示，是构造刻画客观事物原型的数学模型并用以分析、研究和解决实际问题的一种科学方法。 二、教学模型的分类 数学模型从不同的角度可以分成不同的类型，从数学的角度，按建立模型的数学方法主要分为以下几种模型：几何模型、代数模型、规划模型、优化模型、微分方程模型、统计模型、概率模型、图论模型、决策模型等。 三、数学建模的常用方法 1.类比法 数学建模的过程就是把实际问题经过分析、抽象、概括后，用数学语言、数学概念和数学符号表述成数学问题，而表述成什么样的问题取决于思考者解决问题的意图。类比法建模一般在具体分析该实际问题的各个因素的基础上，通过联想、归纳对各因素进行分析，并且与已知模型比较，把未知关系化为已知关系，
数学建模常用方法以及常见题型 核心提示： 数学建模方法一、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 数学建模方法 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。 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，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。
数学建模方法详解--三种最常用算法 一、层次分析法 层次分析法[1] (analytic hierarchy process，AHP)是美国著名的运筹学家T．L．Saaty教授于20世纪70年代初首先提出的一种定性与定量分析相结合的多准则决策方法[2，3，4]．该方法是社会、经济系统决策的有效工具，目前在工程计划、资源分配、方案 排序、政策制定、冲突问题、性能评价等方面都有广泛的应用． (一) 层次分析法的基本原理 层次分析法的核心问题是排序，包括递阶层次结构原理、测度原理和排序原理[5]．下面分别予以介绍． 1．递阶层次结构原理 一个复杂的结构问题可以分解为它的组成部分或因素，即目标、准则、方案等．每一个因素称为元素．按照属性的不同把这 些元素分组形成互不相交的层次，上一层的元素对相邻的下一层的全部或部分元素起支配作用，形成按层次自上而下的逐层支配 关系．具有这种性质的层次称为递阶层次． 2．测度原理 决策就是要从一组已知的方案中选择理想方案，而理想方案一般是在一定的准则下通过使效用函数极大化而产生的．然而对 于社会、经济系统的决策模型来说，常常难以定量测度．因此，层次分析法的核心是决策模型中各因素的测度化．3．排序原理
层次分析法的排序问题，实质上是一组元素两两比较其重要性，计算元素相对重要性的测度问题．(二) 层次分析法的基本步骤 层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一致的[1] ． 1．成对比较矩阵和权向量 为了能够尽可能地减少性质不同的诸因素相互比较的困难，提高结果的准确度．T ．L ．Saaty 等人的作法，一是不把所有因 素放在一起比较，而是两两相互对比，二是对比时采用相对尺度． 假设要比较某一层n 个因素n C C ,,1对上层一个因素O 的影响，每次取两个因素i C 和j C ，用ij a 表示i C 和j C 对O 的影响之比， 全部比较 结 果 可 用 成 对 比 较 阵 1 ,0,ij ij ji n n ij A a a a a 表示，A 称为正互反矩阵．一般地，如果一个正互反阵 A 满足： , ij jk ik a a a ,,1,2,,i j k n （1） 则A 称为一致性矩阵，简称一致阵．容易证明n 阶一致阵A 有下列性质： ①A 的秩为1，A 的唯一非零特征根为n ；②A 的任一列向量都是对应于特征根 n 的特征向量． 如果得到的成对比较阵是一致阵，自然应取对应于特征根n 的、归一化的特征向量（即分量之和为1）表示诸因素n C C ,, 1对 上层因素O 的权重，这个向量称为权向量．如果成对比较阵A 不是一致阵，但在不一致的容许范围内，用对应于A 最大特征根(记
数学建模常用统计方法 1.1多元回归 1、方法概述: 在研究变量之间的相互影响关系模型时候，用到这类方法，具体地说:其可以定量地描述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。 2、分类 分为两类:多元线性回归和非线性线性回归;其中非线性回归可以通过一定的变化转化为线性回归，比如:y=lnx 可以转化为 y=u u=lnx来解决;所以这里主要说明多元线性回归应该注意的问题。 3、注意事项 在做回归的时候，一定要注意两件事: (1) 回归方程的显著性检验(可以通过sas和spss来解决) (2) 回归系数的显著性检验(可以通过sas和spss来解决) 检验是很多学生在建模中不注意的地方，好的检验结果可以体现出你模型的优劣，是完整论文的体现，所以这点大家一定要注意。 4、使用步骤: (1)根据已知条件的数据，通过预处理得出图像的大致趋势或者数据之间的大致关系; (2)选取适当的回归方程; (3)拟合回归参数; (4)回归方程显著性检验及回归系数显著性检验 (5)进行后继研究(如:预测等)
这种模型的的特点是直观，容易理解。 这体现在:动态聚类图可以很直观地体现出来～ 当然，这只是直观的一个方面～ 2、分类 聚类有两种类型: (1) Q型聚类:即对样本聚类; (2) R型聚类:即对变量聚类; 聚类方法: (1) 最短距离法 (2) 最长距离法 (3) 中间距离法 (4) 重心法 (5) 类平均法 (6) 可变类平均法 (7) 可变法 (8) 利差平均和法 在具体做题中，适当选取方法; 3、注意事项 在样本量比较大时，要得到聚类结果就显得不是很容易，这时需要根据背景知识和 相关的其他方法辅助处理。 还需要注意的是:如果总体样本的显著性差异不是特别大的时候，使用的时候也要 注意～
工程技术中常用的数学建模方法概述 摘要对目前工程和管理研究领域所涉及的数学建模方法作了简要分析，指出不同的问题所需用到的建模方法，并通过举例说明建模的方法和步骤。 关键词数学建模；建模方法；模型；建模；数学应用 在现实社会生产实践中，随着科学研究的进步，多学科交叉运用越来越多。数学建模就是一种解决实际应用问题的有效方法，当然要在充分了解问题的实际背景的基础上，把实际问题抽象成数学问题，建立起数学模型，利用数学知识对数学模型进行分析探求，得到数学结果，得出应用问题的解。即通过对问题的数学化，模型构建和求解检验[1]。 其一般步骤可分成如下几点： （1）模型准备：了解问题的实际背景，搜集建模必需的各种信息，明确建模目的。 （2）建模：对问题进行必要合理的简化和假设，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（变量和常量）之间的关系或其他数学结构。 （3）求模：根据数学知识和方法，求解数学模型，得到数学问题的结果。求模时要注意灵活运用各种数学方法，包括matlab等工程软件[2]。 （4）回归：把数学问题的结果回归到实际问题中，通過分析，判断，验证，得到实际问题的结果。 下面谈谈几种常用的数学建模法，限于篇幅，不便举太多例子。 （1）建立函数模型法 有关成本最低，效益最大，用料或费用最省等应用问题，可考虑建立相应函数关系式，并把实际问题转化为求最值的问题。 （2）建立三角形模型法 有关涉及几何、测量、航海等应用问题可考虑转化为三角问题来解决[3]。 （3）建立数列模型法 对于一些产量增长，细菌繁殖，存款利率，物价调节，人口探测等应用问题，往往需要通过观察分析，归纳抽象，建立出数列模型，然后用数列的有关知识加