十大经典数学模型

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Matlab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Lindo、Lingo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）元胞自动机

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Matlab进行处理）

以上为各类算法的大致介绍，下面的内容是详细讲解，原文措辞详略得当，虽然不是面面俱到，但是已经阐述了主要内容，简略之处还望大家多多讨论。

1、蒙特卡罗方法（MC）（Monte Carlo）：

蒙特卡罗（Monte Carlo）方法，或称计算机随机模拟方法，是一种基于“随机数”的计算方法。这一方法源于美国在第二次世界大战进行研制原子弹的“曼哈顿计划”。该计划的主持人之一、数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法，为它蒙上了一层神秘色彩。

蒙特卡罗方法的基本原理及思想如下：

当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。这就是蒙特卡罗方法的基本思想。蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。

可以把蒙特卡罗解题归结为三个主要步骤：

构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。

例：蒲丰氏问题

为了求得圆周率π值，在十九世纪后期，有很多人作了这样的试验：将长为2l的一根针任意投到地面上，用针与一组相间距离为2a（ l＜a）的平行线相交的频率代替概率P，再利用准确的关系式：

求出π值：

其中Ｎ为投计次数，n为针与平行线相交次数。这就是古典概率论中著名的蒲丰氏问题。一些人进行了实验，其结果列于下表：

设针投到地面上的位置可以用一组参数（x,θ）来描述，x为针中心的坐标，θ为针与平行线的夹角，如图所示。

任意投针，就是意味着x与θ都是任意取的，但x的范围限于〔0，a〕，夹角θ的范围限于〔0，π〕。在此情况下，针与平行线相交的数学条件是：

如何产生任意的（x,θ）？x在〔0，a〕上任意取值，表示x在〔0，a〕上是均匀分布的，其分布密度函数为：

类似地，θ的分布密度函数为：

因此，产生任意的（x,θ）的过程就变成了由f1(x)抽样x及由f2(θ)抽样θ的过程了。由此得到：

其中ξ1，ξ2均为（0,1）上均匀分布的随机变量。

每次投针试验，实际上变成在计算机上从两个均匀分布的随机变量中抽样得到（x,θ），然后定义描述针与平行线相交状况的随机变量s(x,θ)，为

如果投针Ｎ次，则

是针与平行线相交概率Ｐ的估计值。事实上，

于是有：

因此，可以通俗地说，蒙特卡罗方法是用随机试验的方法计算积分，即将所要计算的积分看作服从某种分布密度函数f(r)的随机变量ｇ(r)的数学期望

通过某种试验，得到Ｎ个观察值r1，r2，…，rN（用概率语言来说，从分布密度函数f(r)中抽取Ｎ个子样r1，r2，…，rN，），将相应的Ｎ个随机变量的值g(r1)，g(r2)，…，g(rN)的算术平均值

作为积分的估计值（近似值）。

用比较抽象的概率语言描述蒙特卡罗方法解题的步骤如下：构造一个概率空间(W ,A,P)，其中，W 是一个事件**，A是**W 的子集，P是在A上建立的某个概率测度；在这个概率空间中，选取一个随机变量q (w ), 使得这个随机变量的期望值正好是所要求的解Q ，然后用q (w )的简单子样的算术平均值作为Q 的近似值。

举个例子就是97 年的A 题，每个零件都有自己的标定值，也都有自己的容差等级，而求解最优的组合方案将要面对着的是一个极其复杂的公式和108 种容差选取方案，根本不可能去求解析解，那如何去找到最优的方案呢？随机性模拟搜索最优方案就是其中的一种方法，在每个零件可行的区间中按照正态分布随机的选取一个标定值和选取一个容差值作为一种方案，然后通过蒙特卡罗算法仿真出大量的方案，从中选取一个最佳的。

另一个例子就是2003年的彩票问题第二问，要求设计一种更好的方案，首先方案的优劣取决于很多复杂的因素，同样不可能刻画出一个模型进行求解，只能靠随机仿真模拟。

蒙特卡罗方法的计算程序：

关于蒙特卡罗方法的计算程序已经有很多，如：EGS4、FLUKA、ETRAN、ITS、MCNP、GEANT等。这些程序大多经过了多年的发展，花费了巨大的工作量。除欧洲核子研究中心（CERN）发行的GEANT主要用于高能物理探测器响应和粒子径迹的模拟外，其它程序都深入到低能领域，并被广泛应用。

2、最优化理论的三大非经典算法

这十几年来最优化理论有了飞速发展，模拟退火法、神经网络、遗传算法这三类算法发展很快。近几年的赛题越来越复杂，很多问题没有什么很好的模型可以借鉴，于是这三类算法很多时候可以派上用场，比如：97 年A 题的模拟退火算法，00 年B 题的神经网络分类算法，象01 年B 题这种难题也可以使用神经网络，还有美国竞赛89 年A 题也和BP 算法有关系，当时是86 年刚提出BP 算法，89 年就考了，说明赛题可能是当今前沿科技的抽象体现。目前算法最佳的是遗传算法。

遗传算法简介：

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法，由美国J.Holland教授提出，其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。它尤其适用于传统搜索方法难于解决的复杂和非线性问题，可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域，是21世纪有关智能计算中的关键技术之一。

在人工智能领域中，有不少问题需要在复杂和庞大的搜索空间中寻找最优解或准最优解。象货郎担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题固有知识来缩小搜索空间则会产生搜索的组合爆炸。

因此，研究能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程，从而得到最优解地通用搜索方法一直是令人瞩目地课题。遗传算法就是这种特别有效地算法。生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。遗传算法是根据生物进化思想而启发得出的一种全局优化算法。尽管遗传算法本身在理论和应用方法上仍有许多待进一步研究地问题，但它已在很多领域地应用中展现了其特色和魅力。

遗传算法的基本概念

遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。

Darwin进化论最重要的是适者生存原理。它认为每一物种在发展中越来越适应环境。物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化。在环境变化时，只有那些能适应环境的个体特征方能保留下来。

Mendel遗传学说最重要的是基因遗传原理。它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可产生更适应于环境的后代。经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。

由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念。这些概念如下：

一、串(String)

它是个体(Individual)的形式，在算法中为二进制串，并且对应于遗传学中的染色体(Chromosome)。

二、群体(Population)

个体的**称为群体，串是群体的元素

三、群体大小(Population Size)

在群体中个体的数量称为群体的大小。

四、基因(Gene)

基因是串中的元素，基因用于表示个体的特征。例如有一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。它们的值称为等位基因(Alletes)。

五、基因位置(Gene Position)

一个基因在串中的位置称为基因位置，有时也简称基因位。基因位置由串的左向右计算，例如在串S＝1101中，0的基因位置是3。基因位置对应于遗传学中的地点(Locus)。

六、基因特征值(Gene Feature)

在用串表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8。

七、串结构空间SS

在串中，基因任意组合所构成的串的**。基因操作是在结构空间中进行的。串结构空间对应于遗传学中的基因型(Genotype)的**。

八、参数空间SP

这是串空间在物理系统中的映射，它对应于遗传学中的表现型(Phenotype)的**。

九、非线性

它对应遗传学中的异位显性(Epistasis)

十、适应度(Fitness)

表示某一个体对于环境的适应程度。

遗传算法的原理

遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。

一、遗传算法的目的

典型的遗传算法CGA(Canonical Genetic Algorithm)通常用于解决下面这一类的静态最优化问题：

考虑对于一群长度为L的二进制编码bi，i＝1，2，…，n；有

bi∈{0,1}

给定目标函数f，有f(bi)，并且

0

同时

f(bi)≠f(bi+1)

求满足下式

max{f(bi)|bi∈{0,1}的bi。

很明显，遗传算法是一种最优化方法，它通过进化和遗传机理，从给出的原始解群中，不断进化产生新的解，最后收敛到一个特定的串bi处，即求出最优解。

二、遗传算法的基本原理

长度为L的n个二进制串bi(i＝1，2，…，n)组成了遗传算法的初解群，也称为初始群体。在每个串中，每个二进制位就是个体染色体的基因。根据进化术语，对群体执行的操作有三种：

1．选择(Selection)

这是从群体中选择出较适应环境的个体。这些选中的个体用于繁殖下一代。故有时也称这一操作为再生(Reproduction)。由于在选择用于繁殖下一代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生(differential reproduction)。

2．交叉(Crossover)

这是在选中用于繁殖下一代的个体中，对两个不同的个体的相同位置的基因进行交换，从而产生新的个体。

3．变异(Mutation)

这是在选中的个体中，对个体中的某些基因执行异向转化。在串bi中，如果某位基因为1，产生变异时就是把它变成0；反亦反之。

三、遗传算法的步骤

1．初始化

选择一个群体，即选择一个串或个体的**bi，i=1，2，...n。这个初始的群体也就是问题假设解的**。一般取n＝30-160。

通常以随机方法产生串或个体的**bi,i＝1，2，...n。问题的最优解将通过这些初始假设解进化而求出。

2．选择

根据适者生存原则选择下一代的个体。在选择时，以适应度为选择原则。适应度准则体现了适者生存，不适应者淘汰的自然法则。

给出目标函数f，则f(bi)称为个体bi的适应度。以

为选中bi为下一代个体的次数。

显然：

(1)适应度较高的个体，繁殖下一代的数目较多。

(2)适应度较小的个体，繁殖下一代的数目较少；甚至被淘汰。

这样，就产生了对环境适应能力较强的后代。对于问题求解角度来讲，就是选择出和最优解较接近的中间解。

选择的方法有：

适应度比例法

期望值法

排位次法

精华保存法

3．交叉

对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换；目的在于产生新的基因组合，也即产生新的个体。交叉时，可实行单点交叉或多点交叉。

例如：有个体

S1=100101

S2=010111

选择它们的左边3位进行交叉操作，则有

S1=010101

S2=100111

一般而言，交叉概率P，取值为0.25—0.75。

4．变异

根据生物遗传中基因变异的原理，以变异概率Pm对某些个体的某些位执行变异。在变异时，对执行变异的串的对应位求反，即把1变为0，把0变为1。变异概率Pm与生物变异极小的情况一致，所以，Pm的取值较小，一般取0.01-0.2。

例如：

有个体S＝101011。

对其的第1，4位置的基因进行变异，则有

S'=001111

单靠变异不能在求解中得到好处。但是，它能保证算法过程不会产生无法进化的单一群体。因为在所有的个体一样时，交叉是无法产生新的个体的，这时只能靠变异产生新的个体。也就是说，变异增加了全局优化的特质。

5．全局最优收敛(Convergence to the global optimum)

当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则算法的迭代过程收敛、算法结束。否则，用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到第2步即选择操作处继续循环执行。

遗传算法基本处理流程图如下：

二、遗传算法的应用关键

遗传算法在应用中最关键的问题有如下3个

1．串的编码方式

这本质是问题编码。一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。串长度及编码形式对算法收敛影响极大。2．适应函数的确定

适应函数(fitness function)也称对象函数(object function)，这是问题求解品质的测量函数；往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数；但有时需要另行构造。

3．遗传算法自身参数设定

遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。

群体大小n太小时难以求出最优解，太大则增长收敛时间。一般n＝30-160。交叉概率Pc太小时难以向前搜索，太大则容易破坏高适应值的结构。一般取Pc=0.25-0.75。变异概率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索。一般取Pm＝0．01—0．2。

matlab遗传算法工具箱函数及实例讲解

核心函数：

(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数

【输出参数】

pop--生成的初始种群

【输入参数】

num--种群中的个体数目

bounds--代表变量的上下界的矩阵

eevalFN--适应度函数

eevalOps--传递给适应度函数的参数

options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如

precision--变量进行二进制编码时指定的精度

F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)

2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...

termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数

【输出参数】

x--求得的最优解

endPop--最终得到的种群

bPop--最优种群的一个搜索轨迹

【输入参数】

bounds--代表变量上下界的矩阵

evalFN--适应度函数

evalOps--传递给适应度函数的参数

startPop-初始种群

opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0] termFN--终止函数的名称,如[‘maxGenTerm’]

termOps--传递给终止函数的参数,如[100]

selectFN--选择函数的名称,如[‘normGeomSelect’]

selectOps--传递给选择函数的参数,如[0.08]

xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover']

xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]

mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']

mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]

【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9

【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08

【程序清单】

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1);

eval=x+10*sin(5*x)+7*cos(4*x);

%把上述函数存储为fitness.m文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...

[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代

运算结果为：x = 7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)

注：1、遗传算法一般用来取得近似最优解，而不是最优解。

2、matlab工具箱函数必须放在工作目录下

98年全国大学生数学建模竞赛A题

投资的收益和风险

一、模型的建立

设购买Si的金额为Xi，所需的交易费ci (xi)为：

设存银行的金额为x0,显然c0(x0)=0

对si投资的净收益为Ri(xi)=rixi-ci(xi)

投资组合x=(x0,x1,…xn)的净收益为

由题意，投资的风险为Q(x)=max(qixi)

因此，问题的数学模型是一个双目标优化：

minz1=Q(x)

minz2=-R(x)

s.t

二、模型求解

对于上述双目标优化模型这类问题大多用某种方式化为单目标问题来求解，主要有以下三种：（1）固定风险水平，优化收益；（2）固定赢利水平，极小化风险；（3）确定投资者对风方法险—收益的相对偏好系数。前（1）、（2）两种方法分别是以牺牲某一目标来达到另一目标的优化，而对第三种则由于决策者很难知道偏好系数具体的值。故这三种方法都不太理想，下面我们考虑用遗传算法来解决这个问题。

由于在双目标情况下，两目标通常本质上是相互矛盾的，最优解需要替代为非劣解，即对于任何目标函数在不牺牲其它目标的情况下就不能改进的解。

三个定义

定义1：非劣解：可行解

定义2：正理想解：正理想解由所有可达到的最好的目标值构成

定义3：负理想解：负理想解由所有可达到的最坏的目标值构成

我们考虑用遗传算法产生整个非劣解的集（和谐）合，或近似的集（和谐）合，然后让决策者自己来选择最好地表达他对各个目标的权衡取舍的非劣解。对于这个双目标规划问题可采用自适应移动线技术建立一种求加权和的方法，这种方法可迫使遗传搜索去探索目标空间中非劣解的集（和谐）合。

总的步骤：

步骤1：构造染色体，产生初始种群：选用二进制编码，随机产生一组染色体xk放入**E中

步骤2：染色体交叉，对上面产生的种群按交叉概率pc

选择“个体对”进行单点交叉。一般取pc从0.25到1.00之间。

步骤3：染色体变异：为使群体保持多样性，可按变异率pm进行变异（可随机选择变异点）

步骤4：

更新**E：1）对双亲和后代的每个染色体计算两个目标的值；

（2）将新的非劣解加入E，从而更新E并从E删去劣点；

（3）确定**E 中新的特殊点

步骤5：评估：按公式计算双亲和后代的每个染色体的适值。

步骤6 ：

选择：

（1）删去所有重复的染色体；

（2）按降序排列余下的染色体；

（3）选择前pop_size 个染色体组成新的种群.

步骤7: 检查终止条件：若运行次数已达预先确定的代数目则停止，否则转步骤2

故运用该算法若干次后最终能得到一个非劣解集，供决策者参考.

遗传算法从多个初始点开始寻优，沿多路径搜索，可获全局或准全局最优解. 我们可类似地用上述算法获得多目标规划模型的非劣解**.

3、数据拟合、参数估计、插值等算法

数据拟合在很多赛题中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是98 年美国赛A 题，生物组织切片的三维插值处理，94 年A 题逢山开路，山体海拔高度的插值计算，还有吵的沸沸扬扬可能会考的“非典”问题也要用到数据拟合算法，观察数据的走向进行处理。此类问题在MATLAB中有很多现成的函数可以调用，熟悉MATLAB，这些方法都能游刃有余的用好。

4、规划类问题算法

竞赛中很多问题都和数学规划有关，可以说不少的模型都可以归结为一组不等式作为约束条件、几个函数表达式作为目标函数的问题，遇到这类问题，求解就是关键了，比如98年B 题，用很多不等式完全可以把问题刻画清楚，因此列举出规划后用Lindo、Lingo 等软件来进行解决比较方便，所以还需要熟悉这两个软件。

5、图论问题

98 年B 题、00 年B 题、95 年锁具装箱等问题体现了图论问题的重要性，这类问题算法有很多，包括：最大流，二分匹配等问题。每一个算法都应该实现一遍，否则到比赛时再写就晚了。

6、计算机算法设计中的问题

计算机算法设计包括很多内容：动态规划、回溯搜索、分治算法、分支定界。比如92 年B 题用分枝定界法，97 年B 题是典型的动态规划问题，此外98 年B 题体现了分治算法。这方面问题和ACM 程序设计竞赛中的问题类似，推荐看一下《计算机算法设计与分析》（电子工业出版社）等与计算机算法有关的书。

7、网格算法和穷举算法

网格算法和穷举法一样，只是网格法是连续问题的穷举。比如要求在N 个变量情况下的最优化问题，那么对这些变量可取的空间进行采点，计算量很大。比如97 年A 题、99 年B 题都可以用网格法搜索，这种方法最好在运算速度较快的计算机中进行，还有要用高级语言来做，最好不要用MATLAB 做网格，否则会算很久的。

8、一些连续数据离散化的方法

大部分物理问题的编程解决，都和这种方法有一定的联系。物理问题是反映我们生活在一个连续的世界中，计算机只能处理离散的量，所以需要对连续量进行离散处理。这种方法应用很广，而且和上面的很多算法有关。事实上，网格算法、蒙特卡罗算法、模拟退火都用了这个思想。

9、数值分析算法

这类算法是针对高级语言而专门设的，如果你用的是MATLAB、Mathematica，大可不必准备，因为象数值分析中有很多函数一般的数学软件是具备的

10、图象处理算法

01 年A 题中需要你会读BMP 图象、美国赛98 年A 题需要你知道三维插值计算，03 年B 题要求更高，不但需要编程计算还要进行处理，而数模论文中也有很多图片需要展示，因此图象处理就是关键。做好这类问题，重要的是把MATLAB 学好，特别是图象处理的部分。

以上就是全国大学生数学建模竞赛经常用到的数学模型，感谢指导老师提供的学习资料。

量纲分析方法的基本原理是定理

量纲分析方法的基本原理是Π定理。 设所选取的单位制中基本量的数目为m，它们是，物理量Q的量纲式为 （1） 对上式取对数，则有 （2） 若 是m维空间的“正交基矢”，则 就是“矢量”ln[Q] 在基矢量上的投影，或者说是它的“分量”。于是，量纲式可以简写为 。 所谓几个物理量的量纲独立，是指无法用它们幂次的乘积组成无量纲量。用矢量语言表达，就是代表 它们量纲的“矢量”线性无关。在m维的空间内最多有m个彼此线性无关的矢量。m 个矢量 （i =1,2, …,m）线性无关的条件是它们组成的行列式不等于0： （3） P定理表述为设某物理问题内涉及n个物理量(包括物理常量 ,而我们所选取的单位 制中有m个基本量（n>m），则由此可组成（n-m ）个无量纲的量，在物理量之间存在的函数关系式 （4） 可表示成相应的无量纲形式 （5） 或者把 解出来： （6）

n=m的情况下，有两种可能：若的量纲彼此独立，则不能由它们组成无量纲的量；若不独硫还可能组成无量纲的量。 运用P定理作量纲分析示范如下： 在力学问题中，选取质量（M）、长度（L）、和时间（T）作为基本物理量，故m=3。 例1:设一均匀细棒，长度为l，质量为m。求绕过中点O的转轴的转动惯量 J(如右图)。 解：转动惯量的量纲式为,任意形状的转动惯量可写为, 代表一组能确定其几何形状的无量纲参量，如长方形的两边长之比；三角形的底与高之比，对于几何形状相似的物体，函数是等同的，对于那些只用一个特征长度即可完全确定的几何形体，如正方体，长方体，立方体，圆，球……等，退化为一个未知常数，用k表示。所以,对细棒,转动惯量J可以写成 （7） 已知平行轴定理 （8）(这里是物体对通过其质心的某个特定轴的转动惯量，d是将此转轴平行移动距离。) 设式（7）中的J代表细棒的，即过质心o并垂直于棒的转轴的转动惯量。将转轴移至端点，则 , 按（8）式 （9）

什么是数学模型与数学建模

1. 什么是数学模型与数学建模 简单地说：数学模型就是对实际问题的一种数学表述。 具体一点说：数学模型是关于部分现实世界为某种目的的一个抽象的简化的数学结构。 更确切地说：数学模型就是对于一个特定的对象为了一个特定目标，根据特有的内在规律，做出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构。数学结构可以是数学公式，算法、表格、图示等。 数学建模就是建立数学模型，建立数学模型的过程就是数学建模的过程（见数学建模过程流程图）。数学建模是一种数学的思考方法，是运用数学的语言和方法，通过抽象、简化建立能近似刻划并"解决"实际问题的一种强有力的数学手段。 2.美国大学生数学建模竞赛的由来： 1985年在美国出现了一种叫做MCM的一年一度大大学生数学模型（1987年全称为Mathematical Competition in Modeling,1988年改全称为Mathematical Contest in Modeling,其所写均为MCM）。这并不是偶然的。在1985年以前美国只有一种大学生数学竞赛（The william Lowell Putnam mathematial Competition,简称Putman(普特南）数学竞赛），这是由美国数学协会（MAA--即Mathematical Association of America的缩写）主持，于每年12月的第一个星期六分两试进行，每年一次。在国际上产生很大影响，现已成为国际性的大学生的一项著名赛事。该竞赛每年2月或3月进行。 我国自1989年首次参加这一竞赛，历届均取得优异成绩。经过数年参加美国赛表明，中国大学生在数学建模方面是有竞争力和创新联想能力的。为使这一赛事更广泛地展开，1990年先由中国工业与应用数学学会后与国家教委联合主办全国大学生数学建模竞赛（简称CMCM），该项赛事每年9月进行。

第五章 相似原理与量纲分析

第五章 相似理论与量纲分析 5．1基本要求 本章简单阐述和实验有关的一些理论性的基本知识。其中，包括作为模型实验理论根 据的相似性原理，阐述原型和模型相互关系的模型律，以及有助于选择实验参数的量纲分析法。 5.1.1识记几何相似、运动相似、动力相似的定义，Re 、Fr 、Eu 等相似准则数的含义， 量纲的定义。 5.1.2领会流动的力学相似概念，各个相似准数的物理意义，量纲分析法的应用。 5.1.3应用量纲分析法推导物理公式，利用模型律安排模型实验。 重点：相似原理，相似准则，量纲分析法。 难点：量纲分析法，模型律。 5．2基本知识点 5．2．1相似的基本概念 为使模型流动能表现出原型流动的主要现象和特性，并从模型流动上预测出原型流动的结果，就必须使两者在流动上相似，即两个互为相似流动的对应部位上对应物理量都有一定的比例关系。具体来说，两相似流动应满足几何相似、运动相似和动力相似。原型流动用下标n 表示，模型流动用下标m 表示。 1. 几何相似 两流动的对应边长成同一比例，对应角相等。即 n n l m m L d C L d == n m θθ= 相应有 222n n A l m m A L C C A L === 333n n V l m m V L C C V L === 2. 运动相似 两流动的对应点上流体速度矢量成同一比例，即对应点上速度大小成同一比例，方向相同。 n n u m m u C u υυ== 相应有 t l l u t u C C C C C C ==或者 ， 2 u u a t l C C C C C == 3. 动力相似 两流动的对应部位上同名力矢成同一比例，即对应的受同名力同时作用在两流动上，且各同名力方向一致，大小成比例。 Im pn n In n Gn En F m m Gm pm Em F F F F F F C F F F F F F υυ====== 4. 流动相似的含义 几何相似是运动相似和动力相似的前提与依据；动力相似是决定二个流动相似的主导因素；运动相似是几何相似和动力相似的表现；凡相似的流动，必是几何相似、运动相似和动力相似的流动。

数学建模算法分类

数学模型按照不同的分类标准有许多种类： 1.按照模型的数学方法分，有几何模型，图论模型，微分方程模型。概率模型，最优控制模型，规划论模型，马氏链模型。 2.按模型的特征分，有静态模型和动态模型，确定性模型和随机模型，离散模型和连续性模型，线性模型和非线性模型。 3.按模型的应用领域分，有人口模型，交通模型，经济模型，生态模型，资源模型。环境模型。 4.按建模的目的分，有预测模型，优化模型，决策模型，控制模型等。 5.按对模型结构的了解程度分，有白箱模型，灰箱模型，黑箱模型。 数学建模的十大算法： 蒙特卡洛算法（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，比较好用的算法。） 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matlab作为工具。） 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lingo、lingdo软件实现）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。） 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） 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（这些问题时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，需谨慎使用） 网格算法和穷举法（当重点讨论模型本身而情史算法的时候，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） 一些连续离散化方法（很多问题都是从实际来的，数据可以是连续的，而计算机只认得是离散的数据，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。 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。） 图像处理算法（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matlab来处理问题。） 数学建模方法 统计：1.预测与预报2.评价与决策3.分类与判别4.关联与因果 优化：5.优化与控制 预测与预报 ①灰色预测模型（必须掌握） 满足两个条件可用： a数据样本点个数少，6-15个 b数据呈现指数或曲线的形式 ②微分方程预测（备用） 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

数学建模常用的十种解题方法

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

第一节 量纲分析方法

第一节量纲分析方法 量纲分析是物理学中常用的一种定性分析方法，也是在物理领域中建立数学模型的一个有力工具。利用这种方法可以从某些条件出发，对某一物理现象进行推断，可将这个物理现象表示为某些具有量纲的变量的方程，从而可以用此来分析个物理量之间的关系。 1.1量纲 当对一个物理概念进行定量描述时，总离不开它的一些特性，比如，时间、质量、密度、速度、力等等，这种表示不同物理特性的量，称之为具有不同的“量纲”。概括来说，将一个物理导出量用若干个基本量的乘方之积表示出来的表达式，称为该物理量的量纲式，简称量纲(dimension)（量纲又称为因次）。它是在选定了单位制之后，由基本物理量单位表达的式子。在国际单位制(I)中，七个基本物理量长度、质量、时间、电流、热力学温度、物质的量、发光强度的量纲符号分别是L、M、T、I、Q、N和J。按照国家标准（GB3101—93），物理量?的量纲记为dim?，国际物理学界沿用的习惯记为[?]。

实际中，有些物理量的量纲是基本的，成为基本量纲。系统因选定的基本单位不同，而分成绝对系统与工程系统两大类。工程系统的基本单位：质量、长度、时间、力。绝对系统的基本单位：质量、长度、时间。绝对系统以长度(length)、质量(mass)、时间(time)及温度(temperature)为基本量纲，各以符号L 、M 、T 、θ表示其量纲。其他可由基本量纲推导出的量纲称为导出量纲。但在工程系统中，除了长度L 、质量M 、时间T 及温度θ等基本量纲外，也将力定义为基本量纲，而以符号F 表示其量纲。此外在探讨热量 (heat)时，热量亦被定义为基本量纲，而以H 表示。而其他的物理量的量纲可以由这些基本量纲来表示，比如： 速度v = ds/dt 量纲：[]V =1 LT - 加速度a = dv/dt 量纲：2 []a LT -= 力F = ma 量纲：22[][][]F M LT MLT --== 压强P = F/S 量纲： 22[]P MLT L --= 21MT L --= 实际中，也有些量是无量纲的，比如,e π等，此 时记为[][]1e π==。 有量纲的物理量都可以进行无量纲化处理量纲有赖于基本量的选择，是外加的有关量的度量手段。模型所描述的规律应该独立于量纲的影响。机理模型的

数学建模中常见的十大模型

数学建模常用的十大算法==转 (2011-07-24 16:13:14) 转载▼ 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，同时可以通过模拟来检验自己模型的正确性，几乎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MA TLAB 作为工具。 3. 线性规划、整数规划、多元规划、二次规划等规划类算法。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Lindo、Lingo 软件求解。 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，竞赛中很多场合会用到。 6. 最优化理论的三大非经典算法：模拟退火算法、神经网络算法、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，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。两者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. 一些连续数据离散化方法。很多问题都是实际来的，数据可以是连续的，而计算机只能处理离散的数据，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，即使问题与图形无关，论文中也会需要图片来说明问题，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MA TLAB 进行处理。 以下将结合历年的竞赛题，对这十类算法进行详细地说明。 以下将结合历年的竞赛题，对这十类算法进行详细地说明。 2 十类算法的详细说明 2.1 蒙特卡罗算法 大多数建模赛题中都离不开计算机仿真，随机性模拟是非常常见的算法之一。 举个例子就是97 年的A 题，每个零件都有自己的标定值，也都有自己的容差等级，而求解最优的组合方案将要面对着的是一个极其复杂的公式和108 种容差选取方案，根本不可能去求解析解，那如何去找到最优的方案呢？随机性模拟搜索最优方案就是其中的一种方法，在每个零件可行的区间中按照正态分布随机的选取一个标定值和选取一个容差值作为一种方案，然后通过蒙特卡罗算法仿真出大量的方案，从中选取一个最佳的。另一个例子就是去年的彩票第二问，要求设计一种更好的方案，首先方案的优劣取决于很多复杂的因素，同样不可能刻画出一个模型进行求解，只能靠随机仿真模拟。 2.2 数据拟合、参数估计、插值等算法 数据拟合在很多赛题中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是98 年美国赛A 题，生物组织切片的三维插值处理，94 年A 题逢山开路，山体海拔高度的插值计算，还有吵的沸沸扬扬可能会考的“非典”问题也要用到数据拟合算法，观察数据的

[量纲分析]习题

习题 1、量纲是否就是单位，两者之间有什么关系？ 2、“Dimension”一词包含什么涵义？说说它的历史演变。 3、自由落体问题有哪几种提法？各有哪些基本量和导出量？ 4、从物理上分析摆锤质量与单摆周期无关的原因。 5、求谐振子的自振频率。 6、从量纲幂次式的讨论中得到的偏导数关系，求出量纲函数的最终表达式。 7、查阅基尔比契夫提出的“相似三定理”说的是什么？它与π定理的说法不同，哪种说法更 为本质？ 8、从隐函数法证明π定理。 9、求盛水容器底侧的小孔出流速度。 10、若溢洪道的断面为三角形，讨论溢洪流量。 11、分析定常管流问题中的摩擦系数和总管阻；并问什么情况下可不考虑密度的影响？说明 其物理原因。 12、能否用水洞做机翼的模型实验，或用风洞做潜艇的模型实验？如果可以，问尺寸和速度 的缩比范围？ 13、作船舶润湿面积的量纲分析。 14、轴承问题中是否应该考虑惯性力的作用？说明理由。 15、用量纲分析法求小球在粘性流体中下落最终速度和粘性阻力（结果与Stokes公式对照）。 16、什么条件下可以不考虑表面张力对水波波速的影响，从物理上做简单分析。 17、讨论两端固定的梁在分布载荷作用下的挠度。 18、讨论悬臂梁在自重作用下的最大挠度与梁长的关系。 19、讨论方形空心简支梁的挠度分布，若用实心梁来模拟，要求符合什么条件？ 20、什么样的结构物质需要考虑重力的作用？ 21、调查一下国内做结构物的重力效应实验的离心机有多大，写出主要参数。 22、求有限弹性体的固有周期。 23、弹性体中体波的传播有无色散现象，说说物理原因？ 24、杆径对杆中弹性波波速起什么物理作用？ 25、求两块平板正面相撞引起的弹性波的波速（与有关弹性波书中的结果作对比）。 26、若硬度计的压头不是锥形而是球形，可否分析硬度和强度在什么条件下成正比？ 27、什么是几何相似？什么是几何相似率？举例说明。 28、相似率是否一定要求几何相似？为什么？ 29、估计和比较几种典型金属材料中弹性变形和热传导的传播时间。 30、估计和比较含水地层中弹性变形和渗流的传播时间。 作业上交时间可能在期中的时候，请小伙伴们相互转告。

相似原理与量纲分析报告

对《粘性土地基强夯地面变形与应用的模型试验研究》的相似原理与量纲分析 包思远 摘要：实验研究是力学研究方法中的重要组成部分。量纲分析和相似原理是关于如何设计和组织实验，如何选择实验参数，如何处理实验数据等问题的指导性理论。相似原理与量纲分析的主要容为物理方程的量纲齐次性，π定理与量纲分析法，流动相似与相似准则，相似准则的确定，常用的相似准则数、相似原理与模型实验。本文主要分析和学习例文中的相似模型的建立和量纲分析方法，用相似原理和量纲分析方法解决实验中遇到的问题。 关键字模型试验，相似原理，量纲分析 1 模型实验相似原理基础 模型顾名思义是把实际工程中的原型缩小N倍，进行相应的实验，得到相应的规律，来反映原型在现实工程中的状态，起到一个指导作用。 模型试验它的优点在于小巧，轻便，易于安装和拆卸，最重要的原因是它的经济性高能够从少量的实验经费中得到较好的实验规律。回归于模型试验的本质就是相似原理，而相似理论有三个，分别为相似第一、二、三三大定理，其中相似第一定律是:彼此相似的物理现象,单值条件相同,其相似准数的数值也相同;相似第二定律，也称为π定律，即:两个物体相似，无论采用哪种相似判据，某些情况下的相似判据均可写成为无量纲方程。第二相似定理表明现象的物理方程可以转化为相似准数方程。它告诉人们如何处理模型试验的结果，即以相似准数间的关系给定的形式处理试验数据，并将试验结果推广到其它相似现象上去;相似第三定律是相似现象的充要条件。现象相似的充分和必要条件是:现象的单值条件相似,并且由单值条件导出来的相似准数的数值相等。 实际应用时,相似条件都是由无量纲形式的π数来表示的。目前推导原型与模型相似条件的方法主要有方程分析法和量纲分析法。方程分析法是根据支配现象的微分方程来推导相似关系。在使用方程分析法推导相似关系时,首先要列出支配现象的微分方程,然后取项与项之比就可以求出无量纲的二数。这种方法对实验者知识的掌握程度要求较高。而且在计算机

数学建模十种常用算法

数学建模有下面十种常用算法, 可供参考： 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Matlab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Lindo、Lingo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Matlab 进行处理）

数学建模中常见的十大模型讲课稿

数学建模中常见的十 大模型

精品文档 数学建模常用的十大算法==转 (2011-07-24 16:13:14) 转载▼ 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，同时可以通过模拟来检验自己模型的正确性，几乎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MA TLAB 作为工具。 3. 线性规划、整数规划、多元规划、二次规划等规划类算法。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Lindo、Lingo 软件求解。 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，竞赛中很多场合会用到。 6. 最优化理论的三大非经典算法：模拟退火算法、神经网络算法、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，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。两者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. 一些连续数据离散化方法。很多问题都是实际来的，数据可以是连续的，而计算机只能处理离散的数据，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，即使问题与图形无关，论文中也会需要图片来说明问题，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MATLAB 进行处理。 以下将结合历年的竞赛题，对这十类算法进行详细地说明。 以下将结合历年的竞赛题，对这十类算法进行详细地说明。 2 十类算法的详细说明 2.1 蒙特卡罗算法 大多数建模赛题中都离不开计算机仿真，随机性模拟是非常常见的算法之一。 举个例子就是97 年的A 题，每个零件都有自己的标定值，也都有自己的容差等级，而求解最优的组合方案将要面对着的是一个极其复杂的公式和108 种容差选取方案，根本不可能去求解析解，那如何去找到最优的方案呢？随机性模拟搜索最优方案就是其中的一种方法，在每个零件可行的区间中按照正态分布随机的选取一个标定值和选取一个容差值作为一种方案，然后通过蒙特卡罗算法仿真出大量的方案，从中选取一个最佳的。另一个例子就是去年的彩票第二问，要求设计一种更好的方案，首先方案的优劣取决于很多复杂的因素，同样不可能刻画出一个模型进行求解，只能靠随机仿真模拟。 2.2 数据拟合、参数估计、插值等算法 数据拟合在很多赛题中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是98 年美国赛A 题，生物组织切片的三维插值处理，94 年A 题逢山开路，山体海拔高度的 收集于网络，如有侵权请联系管理员删除

量纲分析模型

量纲分析法来构造模型 一、基本概念： 在表达一个物理量时，总是用数和量这两个概念在一起来度量该物理量的某种属性，因此，许多物理量都是有量纲的，例如： 质量的量纲是：克（g ）；千克（kg ） 速度的量纲是：厘米/秒；公里/时 热量的量纲是：卡 def ：量纲：在对物理对象进行分析时用来表示物理特性的量称之为量纲，例如：长度、密度、速度等。 用数学公式描述一个规律时，等号两端都必须保持量纲的一致。 def ：量纲分析：在量纲一致的原则下，分析物理量之间关系的一种方法称为量纲分析。例如：用数学公式描述一个物理规律时等式两边必须保持量纲的一致，同时也保持单位的一致。 def ：量纲分析法：用量纲分析法来建立数学模型的一种方法。 def ：基本量纲：在物理学或力学中有一些物理量的量纲是基本的，其他物理量的量纲可以由这些基本量纲推导出来，这些基本的量纲叫基本量纲，例如： 力学中基本量纲为：m （质量），l （长度），t （时间），分别记成：[]M ，[]L ，[]T ，其他量纲可由此推出来。例如：速度 1 [][]V LT -=；加速度 2 [][]a LT -=，力 22[][][][][][]f M a M LT MLT --=== . 有些物理常数也有量纲，例如：万有引力定律 12 2m m f K r = 中的引力常数K 的量纲也可推出来： 222132132 [][][] [][][][][] MLT K m L K M L T M L T ------=?== def ：无量纲常数α，记为0 []1, ( [])L M T αα== 二、量纲分析法建模的例子： 先从实例讨论出发，再给出一般方法。 例1：单摆运动模型： 已知：质量为m 的小球，系在长为l 的线 的一端，重力F mg =作用下作简谐运动， 求：单摆运动关于周期t 的模型。 解： 1：将可能与t 有关的物理量, , m l g 用关系式

量纲分析

1．速度为v 的风吹在迎风面积为s 的风车上，空气密度是ρ ，用量纲分析方法确定风车获得的功率P 与v 、S 、ρ的关系. 解: 设P 、v 、S 、ρ的关系为0),,,(=ρs v P f ， 其量纲表达式为: [P]=32-T ML , [v ]=1-LT ,[s ]=2L ,[ρ]=3-ML ,这里T M L ,,是基本量纲. 量纲矩阵为： A=) ??????? ???---ρ()() ()()()()(001310013212s v P T M L 齐次线性方程组为： ?? ? ??=--=+=-++0 30 32221414321y y y y y y y y 它的基本解为)1,1,3,1(-=y 由量纲i P 定理得 1 1 31ρπs v P -=， 1 1 3ρλs v P =∴ ， 其中λ是无量纲常数. 2．雨滴的速度v 与空气密度ρ、粘滞系数μ和重力加速度g 有关，其中粘滞系数的定义是：运动物体在流体中受的摩擦力与速度梯度和接触面积的乘积成正比，比例系数为粘滞 系数，用量纲分析方法给出速度v 的表达式. 解：设v , ρ,μ,g 的关系为(f v ,ρ,μ,g )=0.其量纲表达式为[v ]=LM 0T -1， [ρ]=L -3MT 0，[μ]=MLT -2（LT -1L -1）-1L -2=MLL -2T -2T=L -1MT -1，[g ]=LM 0T -2,其中L ，M ，T 是基本量纲. 量纲矩阵为 A=) ()()()()()()(210101101131g v T M L μρ??????????----- 齐次线性方程组Ay=0 ，即 ??? ??==+=+0 2y -y - y -0 y y 0y y -3y -y 431 324321 的基本解为y=(-3 ,-1 ,1 ,1) 由量纲i P 定理 得 g v μρπ1 3--=. 3 ρ μλg v =∴，其中λ是无量纲常数.

量纲分析作业

量纲作业 整理：夏伟光1、量纲是否就是单位？两者有何关系。 答:量纲不是单位。量纲表示物理量的基本属性。不同属性的物理量具有不同的量纲。单位是用来对物理量度量的标准。 2、“Dimension”一词有什么涵义（从中看出其演变）“Dimension”开始有“维数”的意思；后有“长度，尺寸”的意思，指运动学、几何学上的概念；后来出现“量纲”的涵义，用来表示物理量的基本属性。 3、自由落体问题中，什么是基本量和导出量，单位系统如何选择，选法是否唯一？ 答：自由落体问题中含有三个变量：下落行程h，下落时间t，重力加速度g。可以以h，g为基本量，t为导出量，以h，g为单位系统，也可以选t，g为基本量，h为导出量。t，g为单位系统，选法不唯一。 4、从物理上分析摆锤质量为何与单摆周期无关。 答：对于一个单摆，当摆长l一定时，摆球的位置由摆角 确定，摆球的运动由重力加速度g决定，摆球的运动是一个纯运动学的问题，与摆球的质量无关，所以摆球的周期与摆球的质量无关。 5、什么是谐振子，求自然频率。 答：把振动物体看作不考虑体积的微粒，这个振动物体称作谐振子。所谓谐振，在运动学就是简谐振动，该振动是物体在一个位置附近往复偏离该振动中心位置（叫平衡位置）进行运动，在这个振动形式下，物体受力的大小总是和他偏离平衡位置的距离成正比，并且受力方向

总是指向平衡位置。 自频率f 与弹性系数k ，微粒质量m 有关。所以 2(,)1 T f g m k M M T = 取m ，k 为基本量并作单位系统，所以 (1,1)g C f =≡∴= 6、把π定理和有的书上说的相似三定理进行比较，分析说明哪个更本质？ 答：相似三定理： 相似第一定理：彼此相似的现象其同名各相似准则数值相同。 相似第二定理：现象的各物理量之间的关系，可化为相似准则的关系。 相似第三定理：如两个现象单值条件相似，而且由单值组成的各相似准则数值相同，则两个现象相似。 相似三定理与π定理相比，显然π定理中各12,,,N k πππ- 表示由其单位组成的无量纲量，而这些无量纲量即是相似三定理中的“同名相似准则”，显然，对于同一个函数f ，f 内各无量纲量值相同后，f 值也必定唯一，即相似三定理中的“同一类现象、单值条件相似”等条件。 （1）相似第一定理：即π定理中若两个现象具有相同的函数 12(,,,)N k f ππππ-= ，则其无量纲量数值相同。 （2）相似第二定理：即π定理中一个物理现象，因变量a 是n

量纲分析法原理

量纲与谐原理 我们经常遇到许多物理量,如长度、时间、质量、力、速度、密度及动量等。它们的名称、记号与量纲如表所示。 表1 流体力学中常见物理量的量纲 速度表示单位时间内所经历的距离,它的单位就是[米/秒]。距离就是长度l ,它的量纲就是[L ],而时间t 的量纲就是[T ],故速度v 的量纲就是[1LT -]。 动量就是质量m 与速度v 之积。质量的量纲就是[M ],故动量的量纲就是[1MLT -]。 如果我们选定三个相对对立的,例如长度l 的量纲[L ]、时间t 的量纲[T ]、质量m 的量纲[M ]为基本量纲,那么其她物理量的量纲都可用这三个基本量纲来表示。如表5-1中所示,例如,加速度a 的量纲可表示为[2LT -],力F 的量纲可表示为[2LMT -]。当我们把一些物理量进行组合、分析或作比较时,用量纲表示就比较便利。 如果我们要写出一个流体微团的运动方程 F ma =∑v v 式子左边就是作用在微团的各力与,它可以包括:重力W v 、压力P v 、粘滞τv 、力弹性力E v 等;右边就是微团的惯性力ma v 。于就是得到 +++W P E ma t =v v v v v (5-1) 上式中的每项都就是力,所以各项的量纲都就是[2 LMT -]。又如,关于理想流体的伯努利方程 2 ++=2v p z H g g r 表示流管中三项能头之与保持常数,即等于总能头H 。每项的单位都就是米,故它们的量纲 都就是[L]。不仅如此,在力学上任何有物理意义的方程或关系式,每一项的量纲必定相同。这称为力学方程的量纲与谐性原理,又称为“量纲齐次性规律”。量纲与谐原理就是由傅里叶1822年提出来的,它就是量纲分析法中具有基本重要性的一个概念,也就是量纲分析法的理论基础,并可具体表达成:只有相同类型的物理量才能相加减,也就就是相同量纲的物理量才可以相加减或比较大小;不同类型的物理量相加减没有任何意义。例如,速度可以与速度相加减,但绝不可以加上粘性系数或压力。当然,相同量纲与不同单位的物理量之间就是可以相互加减与比较大小的,因为只要将其单位稍加换算即可完成。 一个量纲齐次性的方程,可以化为无量纲方程,只要用方程中的任意一项除其她各项。例如,在式(5-1)中,用惯性力项遍除其她各项,于就是各项都变成无量纲量,而各无量纲量之与

数学建模中常见的十大模型

数学建模中常见的十大 模型 Document serial number【KKGB-LBS98YT-BS8CB-BSUT-BST108】

数学建模常用的十大算法==转 (2011-07-24 16:13:14) 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，同时可以通过模拟来检验自己模型的正确性，几乎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MATLAB 作为工具。 3. 线性规划、整数规划、多元规划、二次规划等规划类算法。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Lindo、Lingo 软件求解。 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，竞赛中很多场合会用到。 6. 最优化理论的三大非经典算法：模拟退火算法、神经网络算法、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，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。两者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. 一些连续数据离散化方法。很多问题都是实际来的，数据可以是连续的，而计算机只能处理离散的数据，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，即使问题与图形无关，论文中也会需要图片来说明问题，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MATLAB 进行处理。 以下将结合历年的竞赛题，对这十类算法进行详细地说明。 以下将结合历年的竞赛题，对这十类算法进行详细地说明。 2 十类算法的详细说明 蒙特卡罗算法 大多数建模赛题中都离不开计算机仿真，随机性模拟是非常常见的算法之一。 举个例子就是97 年的A 题，每个零件都有自己的标定值，也都有自己的容差等级，而求解最优的组合方案将要面对着的是一个极其复杂的公式和108 种容差选取方案，根本不可能去求解析解，那如何去找到最优的方案呢随机性模拟搜索最优方案就是其中的一种方法，在每个零件可行的区间中按照正态分布随机的选取一个标定值和选取一个容差值作为一种方案，然后通过蒙特卡罗算法仿真出大量的方案，从中选取一个最佳的。另一个例子就是去年的彩票第二问，要求设计一种更好的方案，首先方案的优劣取决于很多复杂的因素，同样不可能刻画出一个模型进行求解，只能靠随机仿真模拟。

相似原理与量纲分析

相似原理与量纲分析

对《粘性土地基强夯地面变形与应用的模型试验研究》的相似原理与量纲分析 包思远 摘要：实验研究是力学研究方法中的重要组成部分。量纲分析和相似原理是关于如何设计和组织实验，如何选择实验参数，如何处理实验数据等问题的指导性理论。相似原理与量纲分析的主要内容为物理方程的量纲齐次性， 定理与量纲分析法，流动相似与相似准则，相似准则的确定，常用的相似准则数、相似原理与模型实验。本文主要分析和学习例文中的相似模型的建立和量纲分析方法，用相似原理和量纲分析方法解决实验中遇到的问题。 关键字模型试验，相似原理，量纲分析 1 模型实验相似原理基础 模型顾名思义是把实际工程中的原型缩小N 倍，进行相应的实验，得到相应的规律， 来反映原型在现实工程中的状态，起到一个指导作用。 模型试验它的优点在于小巧，轻便，易于安

装和拆卸，最重要的原因是它的经济性高 能够从少量的实验经费中得到较好的实验规律。回归于模型试验的本质就是相似原理，而相似理论有三个，分别为相似第一、二、三三大定理，其中相似第一定律是:彼此相似的物理现象,单值条件相同,其相似准数的数值也相同;相似第二定律，也称为π定律，即:两个物体相似，无论采用哪种相似判据，某些情况下的相似判据均可写成为无量纲方程。第二相似定理表明现象的物理方程可以转化为相似准数方程。它告诉人们如何处理模型试验的结果，即以相似准数间的关系给定的形式处理试验数据，并将试验结果推广到其它相似现象上去;相似第三定律是相似现象的充要条件。现象相似的充分和必要条件是:现象的单值条件相似,并且由单值条件导出来的相似准数的数值相等。 实际应用时,相似条件都是由无量纲形式的π数来表示的。目前推导原型与模型相似条件的方法主要有方程分析法和量纲分析法。方程分析法是根据支配现象的微分方程来推导相似关系。在使用方程分析法推导相似关系时,首先要列出支配现象的微分方程,然后取项与项之比就可以

数学建模应该掌握的十大算法(汇编)

数学建模竞赛中应当掌握的十类算法 排名如下： 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Matlab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Lindo、Lingo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Matlab进行处理） 8.1 遗传算法的概念 是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索算法，在1975年由Holland教授提出。 生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。遗传算法是根据生物进化思想而启发得出的一种全局优化算法。 遗传算法的概念最早是由Bagley J.D在1967年提出的；而开始遗传算法的理论和方法的系统性研究的是1975年，这一开创性工作是由Michigan大学的 J.H.Holland所实行。当时，其主要目的是说明自然和人工系统的自适应过程。

数学建模常用算法模型

数学模型的分类 按模型的数学方法分： 几何模型、图论模型、微分方程模型、概率模型、最优控制模型、规划论模型、马氏链模型等 按模型的特征分： 静态模型和动态模型，确定性模型和随机模型，离散模型和连续性模型，线性模型和非线性模型等 按模型的应用领域分： 人口模型、交通模型、经济模型、生态模型、资源模型、环境模型等。 按建模的目的分： 预测模型、优化模型、决策模型、控制模型等 一般研究数学建模论文的时候，是按照建模的目的去分类的，并且是算法往往也和建模的目的对应 按对模型结构的了解程度分： 有白箱模型、灰箱模型、黑箱模型等 比赛尽量避免使用，黑箱模型、灰箱模型，以及一些主观性模型。 按比赛命题方向分： 国赛一般是离散模型和连续模型各一个，2016美赛六个题目（离散、连续、运筹学/复杂网络、大数据、环境科学、政策） 数学建模十大算法 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，比较好用的算法） 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Matlab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Lindo、Lingo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 （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 （很多问题都是从实际来的，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Matlab进行处理） 算法简介 1、灰色预测模型（必掌握） 解决预测类型题目。由于属于灰箱模型，一般比赛期间不优先使用。 满足两个条件可用： ①数据样本点个数少，6-15个 ②数据呈现指数或曲线的形式 2、微分方程预测（高大上、备用） 微分方程预测是方程类模型中最常见的一种算法。近几年比赛都有体现，但其中的要求，不言而喻。学习过程中 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，通过公式推导转化为原始数据的关系。 3、回归分析预测（必掌握） 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； 样本点的个数有要求： ①自变量之间协方差比较小，最好趋近于0，自变量间的相关性小； ②样本点的个数n＞3k+1，k为自变量的个数；