数学建模方法及其应用中的随机模型讲解部分随机模型详解演示文稿

《数学模型电子教案》PPT课件第一章：数学模型概述1.1 数学模型的定义与分类1.2 数学模型的构建步骤1.3 数学模型在实际应用中的重要性1.4 数学模型与数学建模的区别与联系第二章：数学模型建立的基本方法2.1 直观建模法2.2 解析建模法2.3 统计建模法2.4 计算机模拟建模法第三章：线性方程组与线性规划模型3.1 线性方程组的求解方法3.2 线性规划的基本概念与方法3.3 线性规划模型的应用案例3.4 线性规划模型的求解算法第四章：微分方程与差分方程模型4.1 微分方程的基本概念与分类4.2 微分方程的求解方法4.3 差分方程的基本概念与分类4.4 差分方程的求解方法与应用第五章：概率论与统计模型5.1 概率论基本概念与随机变量5.2 概率分布与数学期望5.3 统计学基本概念与推断方法5.4 统计模型的应用案例第六章：最优化方法与应用6.1 无约束最优化问题6.2 约束最优化问题6.3 最优化方法的应用案例6.4 遗传算法与优化问题第七章：概率图与贝叶斯模型7.1 概率图的基本概念7.2 贝叶斯定理及其应用7.3 贝叶斯网络与推理方法7.4 贝叶斯模型在实际应用中的案例分析第八章：时间序列分析与预测模型8.1 时间序列的基本概念与分析方法8.2 自回归模型（AR）与移动平均模型（MA）8.3 自回归移动平均模型（ARMA）与自回归积分滑动平均模型（ARIMA）8.4 时间序列预测模型的应用案例第九章：排队论与网络流量模型9.1 排队论的基本概念与模型构建9.2 排队论在服务系统优化中的应用9.3 网络流量模型的基本概念与方法9.4 网络流量模型的应用案例第十章：随机过程与排队网络模型10.1 随机过程的基本概念与分类10.2 泊松过程与Poisson 排队网络10.3 马克威茨过程与随机最优控制10.4 排队网络模型的应用案例第十一章：生态学与种群动力学模型11.1 生态学中的基本概念11.2 种群动力学模型的构建11.3 差分方程在种群动力学中的应用11.4 种群动力学模型的案例分析第十二章：金融数学模型12.1 金融市场的基本概念12.2 金融数学模型概述12.3 定价模型与风险管理12.4 金融数学模型在实际应用中的案例分析第十三章：社会经济模型13.1 社会经济系统的基本特征13.2 经济数学模型的构建方法13.3 宏观经济模型与微观经济模型13.4 社会经济模型的应用案例第十四章：神经网络与深度学习模型14.1 人工神经网络的基本概念14.2 深度学习模型的构建与训练14.3 神经网络在数学建模中的应用案例14.4 当前神经网络与深度学习的发展趋势第十五章：数学模型在工程中的应用15.1 工程问题中的数学建模方法15.2 数学模型在结构工程中的应用15.3 数学模型在流体力学中的应用15.4 数学模型在其他工程领域中的应用案例重点和难点解析本《数学模型电子教案》PPT课件涵盖了数学模型概述、建模方法、线性方程组与线性规划、微分方程与差分方程、概率论与统计、最优化方法、概率图与贝叶斯模型、时间序列分析、排队论与网络流量模型、随机过程、生态学与种群动力学模型、金融数学模型、社会经济模型、神经网络与深度学习模型以及数学模型在工程中的应用等多个领域。

化学反应动力学的数学建模分析化学反应是自然界中常见的过程之一，它涉及原子和分子之间的相互作用，由此而引起的能量和物质的转化。

对于化学反应的研究，化学反应动力学是一个非常重要的分支领域。

它主要研究反应的速率、化学反应速率与反应物浓度的关系、反应的气体动力学等方面，对于深入理解化学反应过程及其工业应用具有重要作用。

化学反应动力学是一个涉及多个学科知识的领域，其中重要的一部分就是数学建模分析。

数学建模是指根据已知的原理、概念和数据，利用数学方法，建立适当的模型，来描述所研究的现象或系统。

数学建模分析在化学反应动力学领域的应用，包括了多个方面，下面我们将逐一进行介绍。

一、手推式建模手推式建模是一种基本的方法，可以对于一些简单的化学反应模型进行模拟和分析。

手推式建模通常基于质量守恒和能量守恒原理，构建反应物浓度变化的微分方程。

比如，AB反应的模型可以写成以下形式：d[A]/dt = - k[A][B]d[B]/dt = - k[A][B]其中，k是反应的速率常数，[A]和[B]分别表示反应物A和B 的浓度。

从这个方程式中我们可以看出，当反应物A的浓度减少时，反应速率也会随之减小。

这种手推式建模方法对于一些简单的反应体系的分析非常有用，但是对于复杂体系而言，手推式建模则显得力不从心。

二、动态系统建模动态系统建模是一种可以描述化学反应中各个组分之间耦合关系的方法。

动态系统建模涉及到微分方程和控制论的知识，可通过建立反应动力学的微分方程，用数学的方法进行求解，来得到化学反应的动力学行为。

举个例子，对于单一组分分子总体达到平衡的一个反应体系，其化学反应的动态系统可以用以下控制方程来描述：dN/dt = C●N（1-N/K）其中，N是化学反应体系中分子的数目；K是达到最大平衡态时化学反应体系中分子的最大数目；C是最大化学反应速率的控制因子。

这个方程描述了组分数量随时间的变化，并考虑了反应速率与组分浓度之间的关系。

三、随机过程建模随机过程建模是一种更为复杂和跨学科的建模方法，适用于非线性或混沌系统的模拟。

数学建模方法详解数学建模是指利用数学方法来研究和分析实际问题，并通过构建数学模型来描述和解决这些问题的过程。

数学建模具有很高的理论性和广泛的应用性，可以应用于科学、工程、经济等众多领域。

下面详细介绍几种常用的数学建模方法。

一、优化建模方法优化建模方法是指在给定的约束条件下，寻求其中一种目标函数的最优解。

该方法常用于生产、运输、资源分配等问题的优化调度。

优化建模的一般步骤包括确定决策变量、建立目标函数和约束条件、制定求解算法以及分析和验证最优解。

二、动力系统建模方法动力系统建模方法是指将实际问题转化为一组微分方程或差分方程，研究系统在时间上的演化规律。

该方法可以用于描述和预测物理、生物、经济等多个领域的系统行为。

动力系统建模的关键在于建立正确的微分方程或差分方程，并选择合适的求解方法。

三、决策分析建模方法决策分析建模方法是指将决策问题转化为数学模型，并采用数学方法进行决策分析和评估。

该方法常用于风险管理、投资决策、供应链管理等领域。

决策分析建模的关键在于准确描述决策者的目标和偏好，并选择合适的决策规则进行决策分析。

四、统计建模方法统计建模方法是指利用统计学理论和方法来描述和分析实际问题。

该方法多用于数据分析、预测和模式识别等领域。

统计建模的过程包括收集数据、建立概率模型、估计模型参数以及进行模型检验和应用。

五、图论建模方法图论建模方法是指利用图论的理论和方法来描述和分析网络结构和关联关系。

该方法常用于社交网络分析、路径规划、电力网络优化等领域。

图论建模的关键在于构建网络模型，并选择适当的图算法进行分析和优化。

六、随机模型建模方法随机模型建模方法是指利用随机过程和概率论的理论和方法来描述和分析随机现象。

该方法常用于金融风险管理、信号处理、系统可靠性评估等领域。

随机模型建模的关键在于建立正确的随机过程模型，并进行概率分布和随机变量的分析。

七、模拟建模方法模拟建模方法是指利用计算机仿真技术来模拟和分析实际问题。

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1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．假设要比较某一层个因素对上层一个因素的影响，每次取两个因素和，用表示和n n C C ,,1 O i C j C ij a i C 对的影响之比，全部比较结果可用成对比较阵j C O 表示，称为正互反矩阵．()1,0,ij ij ji n nijA a a a a ⨯=>=A 一般地，如果一个正互反阵满足：A （1）,ij jk ik a a a ⋅=,,1,2,,i j k n = 则称为一致性矩阵，简称一致阵．容易证明阶一致阵有下列性质：A n A ①的秩为1，的唯一非零特征根为；A A n ②的任一列向量都是对应于特征根的特征向量．A n 如果得到的成对比较阵是一致阵，自然应取对应于特征根的、归一化的特征向量（即分量之和为1）表n示诸因素对上层因素的权重，这个向量称为权向量．如果成对比较阵不是一致阵，但在不一致的n C C ,,1 O A 容许范围内，用对应于最大特征根(记作)的特征向量（归一化后）作为权向量，即满足：A λw w （2）Aw w λ=直观地看，因为矩阵的特征根和特征向量连续地依赖于矩阵的元素，所以当离一致性的要求不远时,A ij a ij a 的特征根和特征向量也与一致阵的相差不大．（2）式表示的方法称为由成对比较阵求权向量的特征根法．A 2． 比较尺度当比较两个可能具有不同性质的因素和对于一个上层因素的影响时，采用Saaty 等人提出的尺i C j C O 91-度，即的取值范围是及其互反数．ij a 9,,2,1 91,,21,1 3． 一致性检验成对比较阵通常不是一致阵，但是为了能用它的对应于特征根的特征向量作为被比较因素的权向量，其λ不一致程度应在容许范围内．若已经给出阶一致阵的特征根是，则阶正互反阵的最大特征根，而当时是一致阵．所以n n n A n λ≥n λ=A 比大得越多，的不一致程度越严重，用特征向量作为权向量引起的判断误差越大．因而可以用数值λn A n λ-的大小衡量的不一致程度．Saaty 将A3(3)1nCI n λ-=-定义为一致性指标．时为一致阵；越大的不一致程度越严重．注意到的个特征根之和恰好等0CI =A CI A A n 于，所以相当于除外其余个特征根的平均值．n CI λ1n -为了确定的不一致程度的容许范围，需要找到衡量的一致性指标的标准，又引入所谓随机一致性指A A CI 标，计算的过程是：对于固定的，随机地构造正互反阵，然后计算的一致性指标．RI RI n A 'A 'CI 表1 随机一致性指标的数值RI 表中时，是因为阶的1,2n =0RI =2,1正互反阵总是一致阵．对于的成对比较阵，将它3n ≥A 的一致性指标与同阶（指相同）CI n 的随机一致性指标之比称为一致性比率，当RI CR (4)0.1CICR RI=<时认为的不一致程度在容许范围之内，可用其特征向量作为权向量．A 对于利用(3)，(4)式和表1进行检验称为一致性检验．当检验不通过时，要重新进行成对比较，或对已A 有的进行修正．A n1234567891011RI00．580．901．121．241．321．411．451．491．514． 组合权向量由各准则对目标的权向量和各方案对每一准则的权向量，计算各方案对目标的权向量，称为组合权向量．一般地，若共有层，则第层对第一层（设只有个因素）的组合权向量满足：s k 1 （5）()()()1,3,4,k k k w W w k s -== 其中是以第层对第层的权向量为列向量组成的矩阵．于是最下层对最上层的组合权向量为:()k W k 1k - （6）()()()()()132sss w W W W w -= 5． 组合一致性检验在应用层次分析法作重大决策时，除了对每个成对比较阵进行一致性检验外，还常要进行所谓组合一致性检验，以确定组合权向量是否可以作为最终的决策依据．组合一致性检验可逐层进行．如第层的一致性指标为(是第层因素的数目)，随机一致p ()()p n p CI CI ,,1 n 1-p 性指标为，定义()()1,,p p n RI RI ()()()()11,,P p p p n CI CI CI w -⎡⎤=⎣⎦ ()()()()11,,p p p p n RI RI RI w-⎡⎤=⎣⎦ 则第层的组合一致性比率为:p5(7)()()(),3,4,,pp p CI CRp s RI== 第层通过组合一致性检验的条件为．p ()0.1p CR <定义最下层(第层)对第一层的组合一致性比率为：s (8)()2*sP p CR CR ==∑对于重大项目，仅当适当地小时，才认为整个层次的比较判断通过一致性检验．*CR 层次分析法的基本步骤归纳如下:(1) 建立层次结构模型 在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次．同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用，而同一层的各因素之间尽量相互独立．最上层为目标层，通常只有个因素，最下层通常为1方案或对象层，中间可以有个或几个层次，通常称为准则或指标层，当准则过多时（比如多于个）应进一19步分解出子准则层．(2) 构造成对比较阵 从层次结构模型的第层开始，对于从属于上一层每个因素的同一层诸因素，用成2对比较法和比较尺度构造成对比较阵，直到最下层．91-(3) 计算权向量并做一致性检验 对于每一个成对比较阵计算最大特征根及对应特征向量，利用一致性指标，随机一致性指标和一致性比率做一致性检验．若检验通过，特征向量（归一化后）即为权向量；若不通过，重新构造成对比较阵．(4)计算组合权向量并做组合一致性检验利用公式计算最下层对目标的组合权向量，并酌情作组合一致性检验．若检验通过，则可按照组合权向量表示的结果进行决策，否则需重新考虑模型或重新构造那些一致性比率较大的成对比较阵．CR(三) 层次分析法的优点1．系统性层次分析把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具．2．实用性层次分析把定性和定量方法结合起来，能处理许多用传统的最优化技术无法着手的实际问题，应用范围很广．同时，这种方法将决策者与决策分析者相互沟通，决策者甚至可以直接应用它，这就增加了决策的有效性．3．简洁性具有中等文化程度的人即可了解层次分析的基本原理和掌握它的基本步骤，计算也非常简便，且所得结果简单明确，容易为决策者了解和掌握．(四) 层次分析法的局限性层次分析法的局限性可以用囿旧、粗略、主观等词来概括．第一，它只能从原有的方案中选优，不能生成新方案；第二，它的比较、判断直到结果都是粗糙的，不适于精度要求很高的问题；第三，从建立层次结构模型到给出成对比较矩阵，人的主观因素的作用很大，这就使得决策结果可能难以为众人接受．当然，采取专家群体判断的方法是克服这个缺点的一种途径．(五) 层次分析法的若干问题层次分析法问世以来不仅得到广泛的应用而且在理论体系、计算方法等方面都有很大发展，下面从应用的角度讨论几个问题．1．正互反阵最大特征根和对应特征向量的性质成对比较阵是正互反阵．层次分析法中用对应它的最大特征根的特征向量作为权向量，用最大特征根定义一致性指标进行一致性检验．这里人们碰到的问题是：正互反阵是否存在正的最大特征根和正的特征向量；一致性指标的大小是否反映它接近一致阵的程度，特别，当一致性指标为零时，它是否就为一致阵．下面两个定理可以回答这些问题．定理1对于正矩阵（的所有元素为正数）A A1）的最大特征根是正单根；Aλ2）对应正特征向量（的所有分量为正数）；λwω73），其中，是对应的归一化特征向量．w IA I I A k k k =T ∞→lim ()T=1,1,1 I w λ定理2 阶正互反阵的最大特征根；当时是一致阵．n A n λ≥n λ=A 定理2和前面所述的一致阵的性质表明,阶正互反阵是一致阵的充要条件为 的最大特征根．n A A n λ=2． 正互反阵最大特征根和特征向量的实用算法众所周知，用定义计算矩阵的特征根和特征向量是相当困难的，特别是矩阵阶数较高时．另一方面，因为成对比较阵是通过定性比较得到的比较粗糙的量化结果，对它精确计算是不必要的，下面介绍几种简单的方法．(1) 幂法 步骤如下：a ．任取维归一化初始向量n ()0w b ．计算()()1,0,1,2,k k wAw k +== c ．归一化,即令()1k w+ ()()()∑=+++=ni k ik k ww1111~~ωd ．对于预先给定的精度,当 时,即为所求的特征向量；否则返回bε()()()1||1,2,,k k i i i n ωωε+-<= ()1k w +e.计算最大特征根()()111k n i k i in ωλω+==∑9这是求最大特征根对应特征向量的迭代法,可任选或取下面方法得到的结果．()0w (2) 和法 步骤如下：a.将的每一列向量归一化得A 1nij ij iji a aω==∑ b ．对按行求和得ij ω1ni ij j ωω==∑ c ．将归一化即为近似特征向量．i ω()*121,,,ni i n i w ωωωωωωT===∑ d.计算，作为最大特征根的近似值．()11n ii iAw n λω==∑这个方法实际上是将的列向量归一化后取平均值，作为的特征向量．A A (3) 根法 步骤与和法基本相同，只是将步骤b 改为对按行求积并开次方，即．根法是将和法ij ω n 11nn i ij j ωω=⎛⎫= ⎪⎝⎭∏ 中求列向量的算术平均值改为求几何平均值．3． 为什么用成对比较阵的特征向量作为权向量当成对比较阵是一致阵时,与权向量的关系满,那么当不是一致阵时，权向量A ij a ()T =n w ωω,,1 iij ja ωω=A的选择应使得与相差尽量小．这样,如果从拟合的角度看确定可以化为如下的最小二乘问题：w ij a ijωωw (9)()21,,11min i nniij i n i j j a ωωω===⎛⎫- ⎪ ⎪⎝⎭∑∑ 由(9)式得到的最小二乘权向量一般与特征根法得到的不同．因为(9)式将导致求解关于的非线性方程组，i ω计算复杂，且不能保证得到全局最优解,没有实用价值．如果改为对数最小二乘问题：(10)()21,,11min ln ln i nniij i n i j j a ωωω===⎛⎫- ⎪ ⎪⎝⎭∑∑ 则化为求解关于的线性方程组．可以验证，如此解得的恰是前面根法计算的结果．ln i ωi ω特征根法解决这个问题的途径可通过对定理2的证明看出．4． 成对比较阵残缺时的处理专家或有关学者由于某种原因无法或不愿对某两个因素给出相互比较的结果，于是成对比较阵出现残缺．应如何修正,以便继续进行权向量的计算呢？11一般地，由残缺阵构造修正阵的方法是令()ij A a =()ij Aa = ,,0,,1,ij ij ij ij i i a a i j a a i j m m i i jθθθ≠≠⎧⎪==≠⎨⎪+=⎩ 为第行的个数,(11)表示残缺．已经证明，可以接受的残缺阵的充分必要条件是为不可约矩阵．θA A (六) 层次分析法的广泛应用层次分析法在正式提出来之后，由于它在处理复杂的决策问题上的实用性和有效性，很快就在世界范围内得到普遍的重视和广泛的应用．从处理问题的类型看，主要是决策、评价、分析、预测等方面． 这个方法在20世纪80年代初引入我国，很快为广大的应用数学工作者和有关领域的技术人员所接受，得到了成功的应用．层次分析法在求解某些优化问题中的应用[5]举例 假设某人在制定食谱时有三类食品可供选择：肉、面包、蔬菜．这三类食品所含的营养成分及单价如表所示表 肉、面包、蔬菜三类食品所含的营养成分及单价2食品维生素A/(IU/g)维生素B/(mg/g)热量/(kJ/g)单价/（元/g ）肉面包蔬菜0.3527250.00210.00060.002011.9311.511.040.02750.0060.0.007该人体重为kg，每天对各类营养的最低需求为：55维生素A 国际单位 (IU)7500维生素B mg1.6338热量 R kJ8548.5考虑应如何制定食谱可使在保证营养需求的前提下支出最小？用层次分析法求解最优化问题可以引入包括偏好等这类因素．具体的求解过程如下：①建立层次结构②根据偏好建立如下两两比较判断矩阵表3 比较判断矩阵13W D ED 13E311，，，主特征向量max 2λ=10CI =100.1CR =<()0.75,0.25W T=故第二层元素排序总权重为()10.75,0.25W T=表4 比较判断矩阵D ABR A 112B 112R5.05.01，主特征向量111max 1113,0,0,0.58CI CR RI λ====()0.4,0.4,0.2W T=故相对权重()210.4,0.4,0.2,0P T=③ 第三层组合一致性检验问题因为,()()2111211112120;0.435CI CI CI W RI RI RI W ====212200.1CR CR CI RI =+=<故第三层所有判断矩阵通过一致性检验，从而得到第三层元素维生素A 、维生素B 、热量Q 及支出的总权重E15为：()()221221120.3,0.3,0.15,0.25W P W P P W T===求第四层元素关于总目标的排序权重向量时，用到第三层与第四层元素的排序关系矩阵，可以用原始W 的营养成分及单价的数据得到．注意到单价对人们来说希望最小，因此应取各单价的倒数，然后归一化．其他营养成分的数据直接进行归一化计算，可得表5表5 各营养成分数据的归一化食品维生素A维生素B 热量R单价F肉0.0139 0.44680.48720.1051面包0.00000.12770.47020.4819蔬菜0.98610.42550.04260.4310则最终的第四层各元素的综合权重向量为：，结果表明，按这个人的偏好，肉、()3320.2376,0.2293,0.5331W P W T==面包和蔬菜的比例取较为合适．引入参数变量，令，，，0.2376:0.2293:0.533110.2376x k =20.2293x k =30.5331x k =代入()1LP 123min 0.02750.0060.007f x x x =++131231231230.352725.075000.00210.00060.002 1.6338..(1)11.930011.5100 1.048548.5,,,0x x x x x s t LP x x x x x x +≥⎧⎪++≥⎪⎨++≥⎪⎪≥⎩则得kf 0116.0min =()13.411375000.0017 1.6338..26.02828548.50k k s t LP k k ≥⎧⎪≥⎪⎨≥⎪⎪≥⎩容易求得，故得最优解；最优值，即肉g ，面1418.1k =()*336.9350,325.1650,755.9767x T=*16.4497f =336.94g ，蔬菜g ，每日的食品费用为元．325.17755.9816.45总之，对含有主、客观因素以及要求与期望是模糊的优化问题，用层次分析法来处理比较适用．二、模糊数学法模糊数学是1965年美国控制论专家L．A．Zadeh创立的．模糊数学作为一门新兴学科，它已初步应用于模糊控制、模糊识别、模糊聚类分析、模糊决策、模糊评判等各方面．在气象、结构力学、控制、心理学方面已有具体的研究成果．(一) 模糊数学的研究内容一一一研究模糊数学的理论，以及它和精确数学、随机数学的关系；一一一研究模糊语言和模糊逻辑，并能作出正确的识别和判断；一一一研究模糊数学的应用．(二) 模糊数学在数学建模中应用的可行性1．数学建模的意义在于将数学理论应用于实际问题[6]．而模糊数学作为一种新的理论，本身就有其巨大的应用背景，国内外每年都有大量的相关论文发表，解决了许多实际问题．目前在数学建模中较少运用模糊数学方法的原因不在于模糊数学理论本身有问题，而在于最新的研究成果没有在第一时间进入数学建模的教科书中，就其理论本身所具有的实用性的特点而言，模糊数学应该有助于我们解决建模过程中的实际问题．2．数学建模的要求是模型与实际问题尽可能相符．对实际问题有这样一种分类方式：白色问题、灰色问题和黑色问题．毫无疑问，引进新的方法对解决这些问题大有裨益．在灰色问题和黑色问题中有很多现象是17用“模糊”的自然语言描述的．在这种情况下，用模糊的模型也许更符合实际．3． 数学建模活动的目的之一是培养学生的创新精神．用新理论、新方法解题应该受到鼓励．近年来，用神经网络法、层次分析法等新方法建立模型的论文屡有获奖，这也说明了评审者对新方法的重视．我们相信，模糊数学方法应该很好，同样能够写出优秀的论文．(三) 模糊综合评判法中的最大隶属原则有效度在模糊统计综合评判中，如何利用综合评判结果向量,其中， ，为()12,,,m b b b b =01j b <<m 可能出现的评语个数，提供的信息对被评判对象作出所属等级的判断，目前通用的判别原则是最大隶属原则[7]．在实际应用中很少有人注意到最大隶属原则的有效性问题，在模糊综合评判的实例中最大隶属原则无一例外地被到处搬用，然而这个原则并不是普遍适用的．最大隶属原则有效度的测量1． 有效度指标的导出在模糊综合评判中，当时，最大隶属原则最有效；而在11max 1,1nj j j n j b b ≤≤===∑()1max 01,j j nb c c ≤≤=<<时，最大隶属原则完全失效，且越大（相对于而言），最大隶属原则也越有效．由此可1njj bnc ==∑1max j j nb ≤≤1njj b=∑19认为，最大隶属原则的有效性与在中的比重有关，于是令：1max j j nb ≤≤1njj b=∑ (12)11max njjj nj b bβ≤≤==∑显然，当时，则为的最大值，当, 时，有为11max 1,1nj j j n j b b ≤≤===∑1β=β()1max 01j j nb c c ≤≤=<<1nj j b nc ==∑1n β=的最小值，即得到的取值范围为:．由于在最大隶属原则完全失效时，而不为，所以不宜ββ11n β≤≤1n β=0直接用值来判断最大隶属原则的有效性．为此设：β (13)()()11111n n n n βββ--'==--则可在某种程度上测定最大隶属原则的有效性．而最大隶属原则的有效性还与（的含义是β'j n j b ≤≤1sec j nj b ≤≤1sec 向量各分量中第二大的分量）的大小有很大关系，于是我们定义：b (14)11sec njjj nj b bγ≤≤==∑可见： 当时，取得最大值．()1,1,0,0,,0b = γ12当时，取得最小值．()0,1,0,0,,0b = γ0即的取值范围为，设．一般地，值越大最大隶属原则有效程度越高；而值越大，γ012γ≤≤()02120γγγ-'==-β'γ'最大隶属原则的有效程度越低．因此，可以定义测量最大隶属原则有效度的相对指标：(15)()112121n n n n βββαγγγ'--⎛⎫===⎪'--⎝⎭使用指标能更准确地表明实施最大隶属原则的有效性．α2. 指标的使用α从指标的计算公式看出与成反比，与成正比．由与的取值范围，可以讨论的取值范围：ααγββγα当取最大值，取最小值时，将取得最小值；γβα0当取最小值，取最大值时，将取得最大值：因为 ，所以可定义时，．即：γβα0limγα→=+∞0γ=α=+∞．0α≤<+∞由以上讨论，可得如下结论：当 时，可认定施行最大隶属原则完全有效；当时，可认为α=+∞1α≤<+∞施行最大隶属原则非常有效；当时，可认为施行最大隶属原则比较有效，其有效程度即为值；当0.51α≤<α21时可认为施行最大隶属原则是最低效的；而当时，可认定施行最大隶属原则完全无效．有了测00.5α<<0α=量最大隶属原则有效度的指标，不仅可以判断所得可否用最大隶属原则确定所属等级，而且可以说明施行最大隶属原则判断后的相对置信程度，即有多大把握认定被评对象属于某个等级．讨论a ． 在很多情况下，可根据值的大小来直接判断使用最大隶属原则的有效性而不必计算值．根据与βαα之间的关系，当，且时，一定存在．通常评价等级数取和之间，所以这一条件往往β0.7β≥4n >1α>494n >可以忽略，只要就可免算值，直接认定此时采取最大隶属原则确定被评对象的等级是很有效的．0.7β≥αb ． 如果对进行归一化处理而得到，则可直接根据进行最大隶属原则的有效度测量．()12,,,m b b b b = b 'b '(四) 模糊数学在数学建模中的应用模糊数学有诸多分支，应用广泛．如模糊规划、模糊优化设计、综合评判、模糊聚类分析、模糊排序、模糊层次分析等等．这些方法在工业、军事、管理等诸多领域被广泛应用．举例 带模糊约束的最小费用流问题[8]问题的提出 最小费用流问题的一般提法是：设是一个带出发点和收点的容量-费用网络，(),,,D V A c ω=s v t v 对于任意，表示弧上的容量，表示弧上通过单位流量的费用，是给定的非负数，问(),i j v v A ∈ij c (),i j v v ij ω(),i j v v 0v 怎样制定运输方案使得从到恰好运输流值为的流且总费用最小？如果希望尽可能地节省时间并提高道路s v t v 0v的通畅程度，问运输方案应当怎样制定？模型和解法 问题可以归结为：怎样制定满足以下三个条件的最优运输方案？(1)从到运送的流的值恰好为；(2)总运输费用最小;(3)在容量大的弧 上适当多运输．如果仅考虑s v t v 0v ij c (),i j v v 条件(1)和(2)，易写出其数学模型为：()()()()()()()}(),0,,0,,,,min()..0,0i j s j j s t j j t i j j i ij ijv v Asj js v v A v v A tj jt v v A v v A ij ji i s t v v A v v A ij ijf f f v f f v M s t f f v V v v f c ω∈∈∈∈∈∈∈⎧-=⎪⎪-=-⎪⎪⎨⎪-=∈⎪⎪≤≤⎪⎩∑∑∑∑∑∑∑把条件(3)中的“容量大”看作上的一个模糊子集，定义其隶属函数：为：A Aμ[]0,1A →()()00,0,1,ij ij ij i j A d c c v ij c c v v e c cμμ--≤≤⎧⎪==⎨->⎪⎩其中（平均容量）()1,i j ij v v c A c -⎡⎤⎢⎥=⎢⎥⎣⎦∑:23()()()()21,21,0,11i j i j ij v v A ij v v A A c c d A c c -∈-∈⎧⎡⎤⎪⎢⎥-≤⎪⎢⎥⎣⎦⎪=⎨⎡⎤⎪⎢⎥->⎪⎢⎥⎪⎣⎦⎩∑∑::建立是为了量化“适当多运输”这一模糊概念．对条件(2)作如下处理：对容量大的弧，人为地降低ij μij c (),i j v v 运价，形成“虚拟运价”，其中满足：越大，相应的的调整幅度也越大．选取为，ij ωij ωij ωij c ij ωij ω()1k ij ij ij ωωμ=-．其中是正参数，它反映了条件(2)和条件(3)在决策者心目中的地位．决策者越看重条件(3)，取值(),ijv v A ∈k k 越小；当取值足够大时，便可忽略条件(3) ．一般情况下，合适的值最好通过使用一定数量的实际数据进k k 行模拟、检验和判断来决定．最后，用代替原模型中的，得到一个新的模型．用现有的方法求解这ij ωM ij ωM '个新的规划问题，可期望得到满足条件(3)的解．模型的评价此模型在原有的数学规划模型和解法的基础上，增加了模糊约束．新模型比较符合实际，它的解包含了原模型的解，因而它是一个较为理想的模型．隶属度的确定在模糊数学中有多种方法，可以根据不同的实际问题进行调整．同样的思想方法可以处理其他的模糊约束问题．三、灰色系统客观世界的很多实际问题，其内部结构、参数以及特征并未全部被人们了解，对部分信息已知而部分信息未知的系统，我们称之为灰色系统．灰色系统理论是从系统的角度出发来研究信息间的关系，即研究如何利用已知信息去揭示未知信息．灰色系统理论包括系统建模、系统预测、系统分析等方面．(一) 灰色关联分析理论及方法灰色系统理论[9]中的灰色关联分析法是在不完全的信息中，对所要分析研究的各因素，通过一定的数据，在随机的因素序列间，找出它们的关联性，找到主要特性和主要影响因素．计算方法与步骤：1． 原始数据初值化变换处理分别用时间序列的第一个数据去除后面的原始数据，得出新的倍数列，即初始化数列，量纲为一，()k 各值均大于零，且数列有共同的起点．2． 求关联系数()()()()()()()()()0000min min ||max max ||||max max ||k i k k i k ikiki k k i k k i k ikx x x x x x x x ρξρ-+-=-+-3． 取分辨系数01ρ<<254． 求关联度 ()()11ni k i k k r n ξ==∑(二) 灰色预测1． 灰色预测方法的特点(1) 灰色预测需要的原始数据少，最少只需四个数据即可建模；(2) 灰色模型计算方法简单，适用于计算机程序运行，可作实时预测；(3) 灰色预测一般不需要多因素数据，而只需要预测对象本身的单因素数据，它可以通过数据本身的生成，寻找系统内在的规律；(4) 灰色预测既可做短期预测，也可做长期预测，实践证明，灰色预测精度较高，误差较小．2． 灰色预测GM(1，1)模型的一点改进一些学者为了提高预测精度做出了大量的研究工作，提出了相应的方法．本文将在改善原始离散序列光滑性的基础上，进一步研究GM(1，1)预测模型的理论缺陷及改进方法[10]．问题的存在及改进方法如下：传统灰色预测GM(1，1)模型的一般步骤为：（1）1-ADO ：对原始数据序列进行一次累加生成序列(){}0k x ()1,2,,k n = ()()101kk i i x x =⎧⎫=⎨⎬⎩⎭∑()1,2,,k n =。