工程技术中常用的数学建模方法概述
- 格式:doc
- 大小:282.50 KB
- 文档页数:3
数学建模的主要建模方法数学建模是指运用数学方法和技巧对复杂的实际问题进行抽象、建模、分析和求解的过程。
它是解决实际问题的一个重要工具,在科学研究、工程技术和决策管理等领域都有广泛的应用。
数学建模的主要建模方法包括数理统计法、最优化方法、方程模型法、概率论方法、图论方法等。
下面将分别介绍这些主要建模方法。
1.数理统计法:数理统计法是基于现有的数据进行概率分布的估计和参数的推断,以及对未知数据的预测。
它适用于对大量数据进行分析和归纳,提取有用的信息。
数理统计法可以通过描述统计和推断统计两种方式实现。
描述统计主要是对数据进行可视化和总结,如通过绘制直方图、散点图等图形来展示数据的分布特征;推断统计则采用统计模型对数据进行拟合,进行参数估计和假设检验等。
2.最优化方法:最优化方法是研究如何在给定的约束条件下找到一个最优解或近似最优解的方法。
它可以用来寻找最大值、最小值、使一些目标函数最优等问题。
最优化方法包括线性规划、非线性规划、整数规划、动态规划等方法。
这些方法可以通过建立数学模型来描述问题,并通过优化算法进行求解。
3.方程模型法:方程模型法是通过建立数学方程或函数来描述问题,并利用方程求解的方法进行求解。
这种方法适用于可以用一些基本的方程来描述的问题。
方程模型法可以采用微分方程、代数方程、差分方程等不同类型的方程进行建模。
通过求解这些方程,可以得到问题的解析解或数值解。
4.概率论方法:概率论方法是通过概率模型来描述和分析不确定性问题。
它可以用来处理随机变量、随机过程和随机事件等问题。
概率论方法主要包括概率分布、随机变量、概率计算、条件概率和贝叶斯推理等内容。
利用概率论的方法,可以对问题进行建模和分析,从而得到相应的结论和决策。
5.图论方法:图论方法是研究图结构的数学理论和应用方法。
它通过把问题抽象成图,利用图的性质和算法来分析和求解问题。
图论方法主要包括图的遍历、最短路径、最小生成树、网络流等内容。
数学建模的基本步骤与方法数学建模是利用数学方法和技巧对实际问题进行数学化描述和分析的一门学科。
它在现代科学和工程领域有着广泛的应用。
本文将介绍数学建模的基本步骤与方法。
一、问题的分析与理解在进行数学建模之前,首先要对问题进行充分的分析与理解。
这包括对问题的背景、目标和约束条件的明确,以及对问题所涉及的各个因素和变量的了解。
只有充分理解问题,才能设计合理的数学模型。
二、建立数学模型建立数学模型是数学建模的核心步骤。
模型是对实际问题的一种抽象和简化,通过数学表达来描述问题的关系和规律。
建立数学模型的关键是要确定问题的输入、输出和中间变量,以及它们之间的函数关系或约束条件。
在建立数学模型时,可以使用各种数学方法和技巧。
例如,可以利用微分方程描述物理过程的变化,利用优化方法求解最优化问题,利用概率统计模型描述随机现象的规律等。
根据具体问题的特点和要求,选择合适的数学方法是十分重要的。
三、模型的求解与分析建立数学模型后,需要对模型进行求解和分析。
这包括利用数值方法或解析方法求解模型,得到问题的解析解或近似解。
在模型求解的过程中,可能需要编写计算程序、进行数值计算和统计分析等。
模型求解过程中,还需要对模型的解进行评估和分析。
例如,可以对模型的稳定性、收敛性、误差估计等进行分析,以确定模型的可行性和有效性。
四、模型的验证与应用在对模型进行求解和分析之后,需要对模型进行验证和应用。
验证是指将模型的结果与实际数据进行比较,以检验模型的准确性和可靠性。
如果模型的结果与实际数据吻合较好,说明模型是可信的。
模型的应用是指将模型的结果用于解决实际问题或做出决策。
根据模型的目标和应用场景,可以对模型的结果进行解释和解读,提出合理的建议和决策。
五、模型的改进与扩展建立数学模型是一个动态的过程,模型的改进与扩展是不可缺少的环节。
通过对模型的不断改进和扩展,可以提高模型的准确性和适用性,更好地描述和解决实际问题。
模型的改进与扩展可以从多个方面入手。
数学建模介绍1.1 数学模型及其分类数学建模作为用数学方法解决问题的第一步,它与数学本身有着同样悠久的历史。
一个羊倌看着他的羊群进入羊圈,为了确信他的羊没有丢失,他在每只羊进入羊圈时,则在旁边放一颗小石子,如果每天羊全部入圈而他那堆小石子刚好全部放完,则表示他的羊和以前一样多。
究竟羊倌数的是石子还是羊,那是毫无区别的,因为羊的数目同石子的数目彼此相等。
这实际上就使石子与羊“联系”起来,建立了一个使石子与羊一一对应的数学模型。
(1)什么是数学模型人们在认识研究现实世界里的客观对象时,常常不是直接面对那个对象的原形,有些是不方便,有些甚至是不可能直接面对原形,因此,常常设计、构造它的各种各样的模型。
如各式各样的玩具模型、展览厅里的三峡大坝模型、化学上的分子结构模型等。
这些模型都是人们为了一定目的,对客观事物的某一部分进行简化、抽象、提炼出来的原形替代物,集中反映了原形中人们需要的那一部分特征,因而有利于人们对客观对象的认识。
数学模型也是反映客观对象特征的,只不过它刻画的是事物在数量方面的特征或数学结构及其变化规律。
数学模型是人们为了认识客观对象在数量方面的特征、定量地分析对象的内在规律、用数学的语言和符号去近似地刻画要研究的那一部分现象时,所得到的一个数学表述。
建立数学模型的过程称为数学建模。
(2) 数学模型的重要作用进入20世纪以来,数学以空前的广度和深度向一切领域渗透,作为数学的应用,数学建模也越来越受到人们的重视。
在一般工程技术领域,数学模型仍是工程技术人员定量研究有关工程技术问题的重要工具;而随着数学与其他学科领域诸如经济、人口、生态、地质等所谓非物理领域的渗透,一些交叉学科如计量经济学、人口控制论、数学生态学、数学地质学等应运而生;计算机的发展给数学及作为数学应用的数学建模带来了前所未有的机遇和挑战。
计算机改变了人类的生活方式、思考方式和研究方式,极大地提高了人们的计算能力、搜索和分析海量数据和信息的能力。
数学建模技术在工程设计中的应用数学建模技术是指将现实问题转化为数学问题,并通过数学方法进行分析和求解的过程。
它已经成为解决实际问题的一种重要手段。
在工程设计中,数学建模技术发挥着不可替代的作用,可以提高设计效率、降低开发成本、提高产品竞争力。
一、数学建模技术在工程设计中的应用介绍1. 非线性优化模型非线性优化模型是数学建模技术中经常使用的一种模型。
在工程设计中,非线性优化模型可以应用于产品设计、工艺设计、资源配置等方面。
例如,有一个生产线需要进行最优的设备配置,此时可以使用非线性优化模型对设备的数量、型号、排列方式进行优化,使得生产线的生产效率最大化。
2. 计算机辅助设计(CAD)计算机辅助设计(CAD)是一种在计算机的帮助下进行图形化设计的技术。
CAD广泛应用于机械设计、建筑设计、电子设计等领域。
在工程设计领域中,CAD可以通过数学建模技术实现对复杂结构进行辅助设计,实现三维模型的自动生成,提高设计的质量和效率。
3. 数据分析与回归分析数据分析与回归分析是指对数据进行收集、分析、解释和预测的过程。
在工程设计中,数据分析与回归分析可以进行产品设计和市场预测。
例如,对于新产品的市场销售预测,可以通过数据分析和回归分析来预测其销售量,进而提供更为准确的市场预测结果。
二、数学建模技术在工程设计中的应用案例1. 飞机机翼设计飞机机翼的设计是一项复杂的工作,涉及到多个因素的影响。
在飞机机翼设计中,数学建模技术可以应用于翼型的优化设计、翼面上的空气流动分析、机翼的力学强度分析等方面。
通过数学建模技术的应用,可以提高机翼的设计性能,并且减少机翼的重量,从而提高飞机的飞行效率。
2. 铁路运输系统优化设计铁路运输是一种大众化的交通方式,对换乘效率和列车安全性有着极高的要求。
在铁路运输系统的优化设计中,数学建模技术可以应用于列车调度优化、铁路运输线路优化、列车制动力学分析等方面。
通过数学建模技术的应用,可以提高铁路系统的效率和安全性,减少列车运行成本。
在数学建模中常用的方法数学建模是一种利用数学模型来描述和解决实际问题的方法。
它在科学研究、工程技术和经济管理等领域具有广泛的应用。
在数学建模中,常用的方法包括线性规划、非线性规划、动态规划、离散事件模拟、蒙特卡洛方法等。
下面将对这些方法进行详细介绍。
1.线性规划:线性规划是一种在给定的约束条件下最大化或最小化线性目标函数的方法。
它适用于有着线性关系的问题,包括生产计划、资源分配、运输问题等。
线性规划的主要方法是使用线性规划模型将问题转化为数学形式,并通过线性规划算法求解最优解。
2.非线性规划:非线性规划是一种在给定的约束条件下最大化或最小化非线性目标函数的方法。
它适用于有着非线性关系的问题,包括优化设计、模式识别、经济决策等。
非线性规划的主要方法是使用非线性规划模型将问题转化为数学形式,并通过非线性规划算法求解最优解。
3.动态规划:动态规划是一种通过将复杂问题分解为子问题,并利用最优子结构的性质求解问题的方法。
它适用于有着重叠子问题的问题,包括最短路径问题、背包问题、机器调度问题等。
动态规划的主要方法是建立递推关系,通过填表或递归的方式求解最优解。
4.离散事件模拟:离散事件模拟是一种通过模拟系统状态的变化,以评估系统性能的方法。
它适用于有着离散事件发生和连续状态变化的问题,包括排队论、制造过程优化、金融风险评估等。
离散事件模拟的主要方法是建立事件驱动的模拟模型,并通过统计分析得到系统性能的估计。
5.蒙特卡洛方法:蒙特卡洛方法是一种基于概率统计的模拟方法,通过生成随机样本来估计问题的解。
它适用于有着随机性质的问题,包括随机优化、风险分析、可靠性评估等。
蒙特卡洛方法的主要思想是基于大数定律,通过大量的随机模拟次数来逼近问题的解。
除了上述方法外,在数学建模中还可以使用图论、拟合分析、概率论和统计方法等。
图论可用于描述网络结构和路径问题;拟合分析可用于对实际数据进行曲线或曲面拟合;概率论和统计方法可用于建立概率模型和对数据进行统计分析。
数学建模的方法和步骤数学建模(Mathematical modeling)是指运用数学方法及理论来描述某一实际问题,并在此基础上构建数学模型,进而对问题进行分析和求解的过程。
数学建模是一个综合应用学科,它将数学、物理、化学、工程、统计学、计算机科学等学科有机结合起来,用数学语言对现实世界进行描述,可用于各种领域的问题求解,如经济、金融、环境、医学等多个领域。
下面我将从数学建模的方法和步骤两方面来探讨这一学科。
一、数学建模的方法数学建模方法是指解决某一具体问题时所采用的数学建模策略和概念。
数学建模方法可分为以下几类:1.现象模型法:这种方法总是从某一实际问题的具体现象入手,把事物之间的关系量化为一种数学模型。
2.实验模型法:这种方法通过一些特定的实验,首先收集实验数据,然后通过分析数据建立一种数学模型,模型中考虑实验误差的影响。
3.参数优化法:这种方法通常是指通过找到最优参数的一种方法建立一个数学模型。
4.时间序列模型法:这种方法主要是通过观察时间内某一变量的变化,构建该变量的时间序列特征,从而建立一个时间序列模型。
二、数学建模的步骤数学建模步骤是指解决一个实际问题时所采用的数学建模过程,根据一些经验和规律推导出一个可行的模型。
数学建模步骤通常分为以下几步:1.钟情问题的主要方面并进行分析:首先要分析问题的背景和主要的影响因素,以便制定一个可行的局部策略。
2.建立初步模型:通过向原问题中引入某些常数或替换一些符号为某一特定变量,以使模型更方便或更加精确地描述问题。
3.策略选择和评估:要选择一个最优的策略,需要在模型的基础上进行评估,包括确定哪个方案更优等。
4.内容不断完善:在初步模型的基础上,不断加深对问题的理解,以逐步提高模型描述问题的准确度和逼真度。
5.模型的验证和验证:要验证模型,需要将模型应用到一些简单问题中,如比较不同方案的结果,并比较模型结果与实际情况。
总之,数学建模是一种复杂的、长期的、有启发性的过程,它要求从一个模糊的、自由的问题开始,通过有计划、有方法的工作,构建出一个能够解决实际问题的数学模型。
数学建模的基本方法与实例数学建模是一种通过数学模型来解决实际问题的方法。
它在现代科学研究和工程实践中扮演着重要的角色。
本文将介绍数学建模的基本方法,并通过实例来详细说明。
一、问题分析在进行数学建模之前,首先需要对问题进行分析和理解。
这包括明确问题的背景、确定问题的目标以及收集问题所需数据等。
通过充分了解问题,我们可以更加准确地进行建模和求解。
二、建立模型在问题分析的基础上,我们需要建立适当的数学模型来描述和解决问题。
数学模型是对实际问题的抽象和简化,它包括变量、参数、约束条件和目标函数等要素。
常见的数学模型包括线性规划模型、非线性规划模型、动态规划模型等。
以线性规划模型为例,其数学形式为:Max/Min Z = c₁x₁ + c₂x₂ + ... + cₙxₙSubject to:a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ ≤ b₁a₂₁x₁ + a₂₂x₂ + ... + a₂ₙxₙ ≤ b₂...aₙ₁x₁ + aₙ₂x₂ + ... + aₙₙxₙ ≤ bₙ其中,c₁、c₂、...、cₙ分别为模型的目标函数系数,x₁、x₂、...、xₙ为决策变量,a₁₁、a₁₂、...、aₙₙ为约束条件的系数,b₁、b₂、...、bₙ为约束条件的右侧常数。
三、求解模型建立完数学模型后,下一步是求解模型以得到问题的最优解。
对于不同类型的模型,可以使用不同的数学方法和工具来求解。
常见的方法包括线性规划的单纯形法、非线性规划的梯度法、动态规划的最优控制理论等。
四、模型验证与分析求解完模型后,需要对结果进行验证和分析。
这包括检验模型的可行性、灵敏度分析以及结果的解释和实际应用等。
通过对模型结果的分析,可以判断模型的有效性和可靠性。
接下来,让我们通过一个实例来具体说明数学建模的过程。
实例:某物流公司的货物配送问题某物流公司需要合理安排货物的配送路线,以最小化配送时间并满足客户的需求。
假设有n个客户需要送货,每个客户的货物量不同,同时每个客户的配送时间窗口也不同。
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。
三、仿真和其他方法1.计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验。
①离散系统仿真--有一组状态变量。
②连续系统仿真--有解析达式或系统结构图。
2.因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构。
数学建模的基本步骤及方法数学建模是一种应用数学的方法,通过数学模型来描述、解释和预测现实世界中的问题。
它在科学研究、工程技术、经济管理等领域有着广泛的应用。
本文将介绍数学建模的基本步骤及方法,以帮助读者更好地理解和应用数学建模。
一、问题定义数学建模的第一步是明确问题,并对问题进行定义、限定和分析。
要做到具体明确,确保问题的可行性和实际性。
同时,在问题定义阶段,需要理解问题所处的背景和条件,收集所需的数据和信息。
二、建立数学模型在问题定义的基础上,需要选择合适的数学工具和方法,建立数学模型。
数学模型是通过数学符号和方程来描述问题的规律和关系。
常见的数学模型包括线性模型、非线性模型、动态模型等。
根据实际情况,选择适合的模型形式,并进行相关的假设和简化。
三、模型求解通过数学方法,对建立的数学模型进行求解。
求解的过程中,可以运用数值计算、优化算法、数值逼近等方法。
根据问题的具体要求,选择合适的求解方法,并编写相应的程序进行计算。
四、模型验证模型求解完成后,需要对求解结果进行验证。
验证的目的是检验模型的有效性和准确性。
可以通过与实际数据的对比,对模型的预测能力进行评估。
如果模型与实际结果相符合,说明模型具有较好的预测能力。
五、结果分析与应用在模型验证的基础上,对求解结果进行分析和解释。
通过对结果的分析,可以得到对于问题本质的深刻理解。
同时,根据分析结果,可以制定相应的决策和策略,在实际问题中得到应用和推广。
六、模型优化和调整数学建模是一个循环迭代的过程,在实际应用中,可能会遇到新的情况和问题。
为了提高模型的稳定性和预测能力,需要对模型进行优化和调整。
可以通过改变模型的参数、调整模型的结构、增加新的变量等方式来优化模型。
七、模型评价对建立的数学模型进行评价是数学建模的重要环节。
评价的指标包括模型的准确性、稳定性、可靠性等。
通过评价,可以发现模型的不足和改进的空间,并为进一步应用提供指导和参考。
综上所述,数学建模是一个系统而复杂的过程,需要综合运用数学、计算机、统计学、优化算法等多个学科的知识和方法。
工程问题中的建模与仿真方法研究引言:工程问题的建模和仿真是解决复杂问题的重要方法。
它们帮助工程师有效地分析和预测系统行为,为设计和优化提供决策支持。
本文将探讨工程问题建模与仿真的方法研究,介绍常用的建模方法和仿真工具,并讨论其在不同领域的应用。
一、工程问题建模方法研究1. 数学建模方法数学建模是一种基于数学原理和公式的建模方法。
它通过建立数学模型来描述和分析系统的行为。
常用的数学建模方法包括微分方程、优化理论、概率统计等。
例如,在流体力学领域,可以使用Navier-Stokes方程模拟流体的流动行为;在机械工程领域,可以使用运动学和动力学方程描述机械系统的运动。
2. 物理建模方法物理建模是一种基于物理原理和规律的建模方法。
它通过建立物理模型来分析和预测系统的行为。
物理建模方法可以使用物理实验和理论分析相结合的方式,准确地描述系统的行为。
例如,在电力系统中,可以使用Ohm定律和电磁场理论建立电路模型,分析电流和电压的关系。
3. 统计建模方法统计建模是一种基于统计原理和方法的建模方法。
它通过分析和处理数据来建立模型,预测系统的行为。
统计建模方法常用于数据分析、预测和优化。
例如,在市场调研领域,可以使用统计学方法分析市场数据,预测销售趋势。
4. 人工智能建模方法人工智能建模是一种基于机器学习和模式识别等算法的建模方法。
它通过学习和训练数据来建立模型,预测系统的行为。
人工智能建模方法在图像识别、语音识别和智能控制等领域有广泛的应用。
例如,在自动驾驶领域,可以使用深度学习算法建立模型,实现车辆的自主行驶。
二、工程问题仿真方法研究1. 数值仿真数值仿真是一种基于数值计算的仿真方法。
它通过将问题转化为数学模型,利用数值计算方法求解模型的数值近似解,以获得系统的行为信息。
数值仿真方法常用于电路仿真、结构仿真和流体力学仿真等领域。
例如,在风洞试验中,可以使用有限元法对飞机的结构进行仿真,分析其受力和变形情况。
2. 实时仿真实时仿真是一种基于实时计算的仿真方法。
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
以解决。
举例:某一信托投资公司,考虑投资1600万元,建造一座星际饭店,经预测,该饭店建成后每年可获利600万元,试问三年内能否把全部投资收回?假设银行每年复利计息,利率为15%,若需要三年内收回全部投资,每年至少应获利多少?
建模分析:本例可以建立数列模型,设每年投资额为A,年利率为R,当年投资额为Q,则n年后这笔投资额的实际额为,n年收益的总额为=A,若n年恰好还清投资额,则有数列模型:
解:当n=3,A=600,R=15%代入上式,有Q=1370万元,所以三年之后不能全部把投资收回。
当Q=1600时,可由上式算得A=701万元,即每年至少应收益701万元,才能在三年后收回全部投资。
(4)建立几何模型法
当应用问题涉及空间概念时,可通过分析空间图形的位置关系和数量关系,建立起立体几何模型;对于涉及桥梁,放光灯,人造卫星,炮弹轨迹,工程设计,用料裁剪等实际问题,可转化为解析几何问题来解决[4]。
(5)类比法建模
当实际应用问题看似无从下手时,可考,虑把问题转化为已经有确切研究成果的问题,即为类比法,这也是建模中常用的一种方法。
此外,还有不等式模型,排列组合模型,线性规划模型,概率统计模型等多种建模法。
总之由于数学应用问题具有丰富的社会信息,多视角的横向联系和多层次的能力要求,要求模型建立者具备扎实的数学知识,熟悉其他学科知识,同时要了解信息,重视应用,积累经验,掌握规律,以便提高求解应用问题的能力。
参考文献
[1] 李永文.数学学科知识与信息技术的整合[J].读写算:教育教学研究,2011,(23):51-55.
[2] 吴建国.数学建模案例精编[M].北京:中国水利水电出版社,2005:117-119.
[3] 陈恩爱.数控应用数学[M].上海:上海交通大学出版社,2015:55.
[4] 王兵团.数学建模基础[M].北京:清华大学出版社,2004:101.
陈恩爱(1976-),男,籍贯:浙江杭州,学历:大学本科,职称:讲师,工作单位:杭州职业技术学院,研究方向:高等数学。