当前位置：文档之家 › matlab在数学建模中的应用

matlab在数学建模中的应用

  • 格式：doc
  • 大小：239.00 KB
  • 文档页数：25

Matlab在数学建模中的应用

数学建模是通过对实际问题的抽象和简化，引入一些数学符号、变量和参数，用数学语言和方法建立变量参数间的内在关系，得出一个可以近似刻画实际问题的数学模型，进而对其进行求解、模拟、分析检验的过程。它大致分为模型准备、模型假设、模型构成、模型求解、模型分析、模型检验及应用等步骤。这一过程往往需要对大量的数据进行分析、处理、加工，建立和求解复杂的数学模型，这些都是手工计算难以完成的，往往在计算机上实现。在目前用于数学建模的软件中，matlab 强大的数值计算、绘图以及多样化的工具箱功能，能够快捷、高效地解决数学建模所涉及的众多领域的问题，倍受数学建模者的青睐。

1 Matlab在数学建模中的应用

下面将联系数学建模的几个环节，结合部分实例，介绍matlab在数学建模中的应用。

1.1 模型准备阶段

模型准备阶段往往需要对问题中的给出的大量数据或图表等进行分析，此时matlab的数据处理功能以及绘图功能都能得到很好的应用。

1.1.1 确定变量间关系

例1 已知某地连续20年的实际投资额、国民生产总值、物价指数的统计数据（见表），由这些数据建立一个投资额模型，根据对未来国民生产总值及物价指数的估计，预测未来的投资额。

表1 实际投资额、国民生产总值、物价指数的统计表

年份投资额国民生产总值物价指数年份投资额国民生产总值物价指数190.9596.70.716711229.81326.41.0575297.4637.70.727712228.71434.21.15083113.5691.10.743613206.11549.21.25794125.77560.767614257.917181.32345122.87990.790615324.11918.31.40056133.3873.40.825416386.62163.91.50427149.39440.8679174232417.81.63428144.2992.70.914518401.92631.61.78429166.41077.60.960119474.92954.71.9514101951185.9120424.530732.0688

记该地区第t年的投资为z(t)，国民生产总值为x(t)，物价指数为y(t)。

赋值：

z=[90.9 97.4 113.5 125.7 122.8 133.3 149.3 144.2 166.4 195

229.8 228.7 206.1 257.9 324.1 386.6 423 401.9 474.9 424.5]'

x=[596.7 637.7 691.1 756 799 873.4 944 992.7 1077.6 1185.9

1326.4 1434.2 1549.2 1718 1918.3 2163.9 2417.8 2631.6 2954.7

3073]'

y=[0.7167 0.7277 0.7436 0.7676 0.7906 0.8254 0.8679 0.9145

0.9601 1 1.0575 1.1508 1.2579 1.3234 1.4005 1.5042 1.6342

1.7842 1.9514 2.0688]'

先观察x与z之间，y与z之间的散点图

plot(x,z,'*')

plot(y,z,'*') 由散点图可以看出，投资额和国民生产总值与物价指数都近似呈线性关系，因此可以建立多元线性回归模型

012zxy

直接利用统计工具箱直接计算

[b,bint,r,rint,stats]=regress(z,X,alpha)

输入

z：n维数据向量

X:[ones(20,1) x y]，这里的1是个向量，元素全为常数1，即为ones(n,1)

Alpha:置信水平,一般为0.05

输出

b：的估计值

bint:b的置信区间

r :残差向量z-Xb

rint: r的置信区间

Stats:检验统计量2R,F, p

代入上述公式

[b,bint,r,rint,stats]=regress(z,X,0.05)

有b =

322.8

0.4168

-859.2 即

322.75630.61850.859.479zxy

由

stats =

0.2672 920.7 0

知z的99.085%可由模型确定，F远超过F检验的临界值 ，p远小于=0.05 .

bint =

224. 421.7

0.0184 0.8151

-1121. -597.5

b的置信区间不包含零点，x,y对z影响都是显著的。

z=[90.9 97.4 113.5 125.7 122.8 133.3 149.3 144.2 166.4

195 229.8 228.7 206.1 257.9 324.1 386.6 423 401.9 474.9 424.5]';

x=[596.7 637.7 691.1 756 799 873.4 944 992.7 1077.6 1185.9

1326.4 1434.2 1549.2 1718 1918.3 2163.9 2417.8 2631.6 2954.7

3073]';

y=[0.7167 0.7277 0.7436 0.7676 0.7906 0.8254 0.8679 0.9145

0.9601 1 1.0575 1.1508 1.2579 1.3234 1.4005 1.5042 1.6342

1.7842 1.9514 2.0688]';

>> X=[ones(20,1) x y];

>> [b,bint,r,rint,stats]=regress(z,X,0.05)

b =

322.7563

0.6185

-859.5792

bint =

1.0e+003 *

0.2244 0.4211

0.0005 0.0008

-1.1215 -0.5977

r =

15.1352

5.7314

2.4699 -4.8419

-14.5678

-20.1721

-11.3072

-6.4726

2.4121

-1.6760

-4.3518

8.0709

6.4024

10.0992

18.6839

18.4146

9.5185

-14.8835

1.9954

-20.6605

rint =

-8.7701 39.0405 -19.9490 31.4118

-23.6775 28.6173

-30.8377 21.1539

-39.6068 10.4712

-44.0093 3.6652

-37.0101 14.3956

-32.8144 19.8691

-24.2139 29.0382

-28.3542 25.0022

-30.0489 21.3453

-18.4680 34.6097

-16.3235 29.1283

-15.2378 35.4362

-6.1337 43.5015

-4.5227 41.3519

-13.6047 32.6417

-38.9498 9.1828

-22.0553 26.0461

-38.2783 -3.0427

stats =

0.9909 920.4761 0 161.5988

>>

1.1.2 求数字特征

例2 已知50个数据x=[451.42 43.895 27.185 312.69 12.863

383.97 683.1 292.842 35.338 612.4 608.54 15.76 16.355 190.07

586.92 57.581 367.57 631.45 717.63 692.67 84.079 454.36 441.83

353.25 153.61 675.64 699.21 727.51 478.38 554.84 121.05 450.75

715.88 892.84 273.1 254.77 865.6 232.35 804.87 908.4 231.89

239.31 49.754 78.384 640.82 190.89 843.87 173.9 170.79 994.3]，计算其数字特征。

输入数据，利用下列提供的函数可以求得各数字特征。

min(x): 向量x的元素的最小值

max(x): 向量x的元素的最大值

mean(x): 向量x的元素的算术平均值

geomean(x):向量x的元素的几何平均值

（n个正数的连乘积的n次算术根叫做这n个数的几何平均数）

median(x): 向量x的元素的中位数

var(x):向量x的元素的方差

std(x): 向量x的元素的标准差

diff(x): 向量x的相邻元素的差

sort(x): 对向量x的元素进行排序（Sorting） length(x): 向量x的元素个数

sum(x): 向量x的元素总和

prod(x): 向量x的元素总乘积

1.2 模型的求解分析与检验

1.2.1 拟合数据做预测

例3 以下是美国1790年至2000年的人口统计数据（单位：百万），建立人口发展模型并预测2010年美国的人口数目。

年17901800181018201830184018501860187018801890人口3.95.37.29.612.917.123.231.438.650.262.9年19001910192019301940195019601970198019902000人口7692106.5123.2131.7150.7179.3204226.5251.4281.4根据分析，第t年的人口x满足

0rtxxe （指数增长模型）

将上式两边取对数，得

yrta，lnyx，0lnax

由t=0:21,x=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9

76 92 106.5 123.2 131.7 150.7 179.3 204 226.5 251.4 281.4]

y=log(x);f=polyfit(t,y,1),得到

r=0.2022，0x=1.7992aee=6.045

x(22)=516.770百万

1.2.2 绘制误差条图

将模型得出的结果与真实结果作比较，绘制出对比图和误差条图，反应模型与实际的吻合程度。如上例，模型结果与实际人口数的

合集下载

数学建模实验二：微分方程模型Matlab求解与分析

数学建模实验二：微分方程模型Matlab求解与分析

实验二： 微分方程模型Matlab求解与分析

一、实验目的

[1] 掌握解析、数值解法，并学会用图形观察解的形态和进行解的定性分析；

[2] 熟悉MATLAB软件关于微分方程求解的各种命令；

[3] 通过范例学习建立微分方程方面的数学模型以及求解全过程；

[4] 熟悉离散 Logistic模型的求解与混沌的产生过程。

二、实验原理

1. 微分方程模型与MATLAB求解

解析解

用MATLAB命令dsolve(‘eqn1’,’eqn2’, ...) 求常微分方程（组）的解析解。其中‘eqni'表示第i个微分方程，Dny表示y的n阶导数,默认的自变量为t。

（1） 微分方程

例1 求解一阶微分方程 21ydxdy

(1) 求通解

输入：

dsolve('Dy=1+y^2')

输出：

ans =

tan(t+C1)

（2）求特解

输入：

dsolve('Dy=1+y^2','y(0)=1','x')

指定初值为1，自变量为x

输出：

ans =

tan(x+1/4*pi)

例2 求解二阶微分方程 221()04(/2)2(/2)2/xyxyxyyy

原方程两边都除以2x，得211(1)04yyyxx

输入:

dsolve('D2y+(1/x)*Dy+(1-1/4/x^2)*y=0','y(pi/2)=2,Dy(pi/2)=-2/pi','x')

ans =

- (exp(x*i)*(pi/2)^(1/2)*i)/x^(1/2) +

(exp(x*i)*exp(-x*2*i)*(pi/2)^(3/2)*2*i)/(pi*x^(1/2))

试试能不用用simplify函数化简

输入: simplify(ans)

ans =

2^(1/2)*pi^(1/2)/x^(1/2)*sin(x)

（2）微分方程组

例3 求解 df/dx=3f+4g; dg/dx=-4f+3g。

MATLAB仿真与建模技术详解

MATLAB仿真与建模技术详解

MATLAB仿真与建模技术详解

一、概述

在现代科技的发展中，仿真与建模技术扮演着重要的角色。MATLAB作为一种强大的科学计算软件，被广泛应用于各个领域的仿真与建模工作中。本文将详细介绍MATLAB的仿真与建模技术，包括其概念、工作原理以及实际应用。

二、MATLAB仿真技术的概念

1. 什么是仿真

仿真是指利用计算机模拟现实世界的过程或系统，以便更好地理解、研究和预测其行为。MATLAB仿真技术通过数学建模和计算分析，可以模拟各种现实情境，如物理系统、电路、信号处理等。

2. MATLAB仿真的优势

MATLAB具有简单易学、丰富的工具箱、高效的数值计算和可视化能力等优势。它提供了一种快速、准确、灵活的仿真环境，能够满足不同领域的仿真需求。

三、MATLAB仿真技术的工作原理

1. 数学建模

MATLAB仿真技术的第一步是进行数学建模，即将现实世界的问题转化为数学表达式。在MATLAB中，可以利用符号计算工具箱进行数学公式的推导和符号计算，得到准确的数学模型。

2. 模型参数设置 在进行仿真之前，需要设置模型的参数。MATLAB提供了丰富的工具箱，如控制系统工具箱、信号处理工具箱等，可以方便地设置参数，并对其进行优化和调整。

3. 仿真运行

设置好参数后，就可以进行仿真运行了。MATLAB提供了强大的计算和数值分析功能，可以对模型进行求解、优化和优化。仿真结果可以以图形、表格等形式展示，以帮助用户更好地理解系统的行为。

四、MATLAB建模技术的概念

1. 什么是建模

建模是指将现实世界的问题抽象成数学模型的过程。MATLAB建模技术通过将问题的关键部分进行抽象和简化，构建数学模型，从而对问题进行分析和求解。

2. MATLAB建模的应用领域

MATLAB建模技术广泛应用于各个领域，如控制系统、信号处理、电机设计等。通过建模，可以把复杂的系统简化为数学模型，方便进行分析和优化。

五、MATLAB建模技术的实际应用

matlab数学建模100例

matlab数学建模100例

matlab数学建模100例

Matlab是一种强大的数学建模工具，广泛应用于科学研究、工程设计和数据分析等领域。在这篇文章中，我们将介绍100个使用Matlab进行数学建模的例子，帮助读者更好地理解和应用这个工具。

1. 线性回归模型：使用Matlab拟合一组数据点，得到最佳拟合直线。

2. 多项式拟合：使用Matlab拟合一组数据点，得到最佳拟合多项式。

3. 非线性回归模型：使用Matlab拟合一组数据点，得到最佳拟合曲线。

4. 插值模型：使用Matlab根据已知数据点，估计未知数据点的值。

5. 数值积分：使用Matlab计算函数的定积分。

6. 微分方程求解：使用Matlab求解常微分方程。

7. 矩阵运算：使用Matlab进行矩阵的加减乘除运算。

8. 线性规划：使用Matlab求解线性规划问题。

9. 非线性规划：使用Matlab求解非线性规划问题。

10. 整数规划：使用Matlab求解整数规划问题。

11. 图论问题：使用Matlab解决图论问题，如最短路径、最小生成树等。

12. 网络流问题：使用Matlab解决网络流问题，如最大流、最小费用流等。 13. 动态规划：使用Matlab解决动态规划问题。

14. 遗传算法：使用Matlab实现遗传算法，求解优化问题。

15. 神经网络：使用Matlab实现神经网络，进行模式识别和预测等任务。

16. 支持向量机：使用Matlab实现支持向量机，进行分类和回归等任务。

17. 聚类分析：使用Matlab进行聚类分析，将数据点分成不同的类别。

18. 主成分分析：使用Matlab进行主成分分析，降低数据的维度。

19. 时间序列分析：使用Matlab进行时间序列分析，预测未来的趋势。

20. 图像处理：使用Matlab对图像进行处理，如滤波、边缘检测等。

21. 信号处理：使用Matlab对信号进行处理，如滤波、频谱分析等。

22. 控制系统设计：使用Matlab设计控制系统，如PID控制器等。

Matlab与数学建模

Matlab与数学建模

Matlab与数学建模

⼀、学习⽬标。

（1）了解Matlab与数学建模竞赛的关系。

（2）掌握Matlab数学建模的第⼀个⼩实例—评估股票价值与风险。

（3）掌握Matlab数学建模的回归算法。⼆、实例演练。

1、谈谈你对Matlab与数学建模竞赛的了解。

Matlab在数学建模中使⽤⼴泛：MATLAB 是公认的最优秀的数学模型求解⼯具，在数学建模竞赛中超过 95% 的参赛队使⽤ MATLAB 作为求解⼯具，在国家奖队伍中，MATLAB

的使⽤率⼏乎 100%。虽然⽐较知名的数模软件不只 MATLAB。

⼈们喜欢使⽤Matlab去数学建模的原因：

（1）MATLAB 的数学函数全，包含⼈类社会的绝⼤多数数学知识。

（2）MATLAB ⾜够灵活，可以按照问题的需要，⾃主开发程序，解决问题。

（3）MATLAB易上⼿，本⾝很简单，不存在壁垒。掌握正确的 MATLAB 使⽤⽅法和实⽤的⼩技巧，在半⼩时内就可以很快地变成 MATLAB ⾼⼿了。

正确且⾼效的 MATLAB 编程理念就是以问题为中⼼的主动编程。我们传统学习编程的⽅法是学习变量类型、语法结构、算法以及编程的其他知识，因为学习时候是没有⽬标的，

也不知道学的知识什么时候能⽤到，收效甚微。⽽以问题为中⼼的主动编程，则是先找到问题的解决步骤，然后在 MATLAB 中⼀步⼀步地去实现。在每步实现的过程中，遇到问

题，查找知识（互联⽹时代查询知识还是很容易的），定位⽅法，再根据⽅法，查询 MATLAB 中的对应函数，学习函数⽤法，回到程序，解决问题。在这个过程中，知识的获取

都是为了解决问题的，也就是说每次学习的⽬标都是⾮常明确的，学完之后的应⽤就会强化对知识的理解和掌握，这样即学即⽤的学习⽅式是效率最⾼，也是最有效的⽅式。最重

要的是，这种主动的编程⽅式会让学习者体验到学习的成就感的乐趣，有成就感，⾃然就强化对编程的⾃信了。这种内⼼的⾃信和强⼤在建模中会发挥意想不到的⼒量，所为信念