数学建模定性分析方法解析

合集下载

(完整版)数学建模之层次分析法

层次分析法层次分析法是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。

该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。

缺点：（1）层次分析法的主观性太强，模型的搭建，判断矩阵的输入都是决策者的主观判断，往往会因为决策者的考虑不周、顾此失彼而造成失误。

（2）层次分析法模型的内部结构太过理想化，完全分离、彼此独立的层次结构在实践中很难做到。

（5）层次分析法只能从给定的决策方案中去选择，而不能给出新的、更优的策略。

1.模型的应用用于解决多目标的复杂问题的定性与定量相结合的决策分析。

（1）公司选拔人员，（2）旅游地点的选取，（3）产品的购买等，（4）船舶投资决策问题（下载文档），（5）煤矿安全研究，（6）城市灾害应急能力，（7）油库安全性评价，（8）交通安全评价等。

2.步骤①建立层次结构模型首先明确决策目标，再将各个因素按不同的属性从上至下搭建出一个有层次的结构模型，模型如下图所示。

目标层准则层方案层目标层：表示解决问题的目的，即层次分析要达到的总目标。

通常只有一个总目标。

准则层：表示采取某种措施、政策、方案等实现预定总目标所涉及的中间环节。

方案层：表示将选用的解决问题的各种措施、政策、方案等。

通常有几个方案可选。

注意：（1）任一元素属于且仅属于一个层次；任一元素仅受相邻的上层元素的支配，并不是任一元素与下层元素都有联系；（2）虽然对准则层中每层元素数目没有明确限制，但通常情况下每层元素数最好不要超过 9 个。

这是因为，心理学研究表明，只有一组事物在 9 个以内，普通人对其属性进行判别时才较为清楚。

当同一层次元素数多于 9 个时，决策者对两两重要性判断可能会出现逻辑错误的概率加大，此时可以通过增加层数，来减少同一层的元素数。

②构造判断（成对比较）矩阵以任意一个上一层的元素为准则，对其支配的下层各因素之间进行两两比a重要程度的衡量用Santy的1—9较。

数学建模常用各种检验方法

数学建模常用各种检验方法数学建模是利用数学方法解决实际问题的过程。

在进行数学建模时，需要对模型的合理性进行检验，以确保模型的可靠性和准确性。

本文将介绍数学建模中常用的各种检验方法。

1.残差分析方法残差（residual）是指观测值与模型预测值之间的差异。

残差分析可以通过比较残差的大小、分布和形态，来检验模型的合理性。

常用的残差分析方法包括：正态性检验、稳定性检验、独立性检验和同方差性检验。

2.敏感性分析方法敏感性分析（sensitivity analysis）用于分析参数对模型结果的影响程度。

通过改变参数的值，并观察输出结果的变化，可以评估参数对模型的敏感性。

常用的敏感性分析方法包括：单参数敏感性分析、多参数敏感性分析和全局敏感性分析。

3.假设检验方法假设检验（hypothesis testing）用于判断模型的假设是否成立。

通过对模型的假设进行检验，可以评估模型的合理性和拟合优度。

常用的假设检验方法包括：t检验、F检验和卡方检验。

4.误差分析方法误差分析（error analysis）用于评估模型的误差水平。

通过比较实际观测值与模型预测值之间的误差，可以评估模型的准确性和精度。

常用的误差分析方法包括：平均绝对误差（MAE）、均方根误差（RMSE）和平均百分比误差（MAPE）。

5.稳定性分析方法稳定性分析（stability analysis）用于评估模型的稳定性和鲁棒性。

通过对模型进行参数扰动或输入扰动，并观察输出结果的变化，可以评估模型的稳定性和可靠性。

常用的稳定性分析方法包括：参数扰动分析、输入扰动分析和鲁棒性分析。

6.验证方法验证（validation）用于评估模型的预测能力和适用范围。

通过对模型进行验证，可以判断模型在不同情况下的预测效果和适用性。

常用的验证方法包括：留一验证（leave-one-out validation）、交叉验证（cross-validation）和外部验证（external validation）。

数学建模的相关问题求解方法

数学建模的相关问题求解方法：1.量纲分析法是在物理领域建立数学模型的一种方法，主要是依据物理定律的量纲齐次原则来确定个物理量之间的关系，量纲齐次原则是指一个有意义的物理方程的量纲必须一致的，也就是说方程的两边必须具有相同的量纲，即： dim左=dim右并且，方程中每一边的每一项都必须有相同的量纲。

例子见书《数学建模方法与实践》P17—P232.线性规划法线性规划法是运筹学的一个重要分支应用领域广泛。

从解决各种技术领域中的优化问题，到工农业生产、商业经济、交通运输、军事等的计划和管理及决策分析。

线性规划所解决的问题具有以下共同的特征：（1）每一个问题都有一组未知数（x1,x2,……，xn）表示某一方案；这些未知数的一组定值就代表一个具体方案。

由于实际问题的要求，通常这些未知数取值都是非负的。

（2）存在一定的限制条件（即约束条件），这些条件是关于未知数的一组线性等式或线性不等式来表示。

（3）有一个目标要求，称为目标函数。

目标函数可表示为一组未知数的线性函数。

根据问题的需要，要求目标函数实现最大化或最小化。

例子见书《数学建模方法与实践》P26—P303.0—1规划法用于解决指派问题，是线性规划的特殊情况。

例子见书《数学建模方法与实践》P314.图解法用于求解二维线性规划的一种几何方法，其方法步骤见书《数学建模方法与实践》P345.单纯形法也是一种求解线性规划的常用方法，其基本原理和方法见书《数学建模方法与实践》P37——P39，计算步骤P40。

6.非线性规划法在目标函数和（或）约束条件很难用线性函数表示时，如果目标函数或约束条件中，有一个或多个是变量的非线性函数，则称这种规划问题为非线规划问题。

例子见书《数学建模方法与实践》P44——P457.最短路及狄克斯特拉算法狄克斯特拉算法是图论中用于计算最短路的一种方法，详见书《数学建模方法与实践》P588.克罗斯克尔算法克罗斯克尔算法是用来求解一个连通的赋权图的最小生成树的方法，详见书《数学建模方法与实践》P599.普莱姆算法同上10.欧拉回路及弗洛来算法欧拉回路是指若存在一条回路。

高中数学数学建模教程

高中数学数学建模教程一、引言数学建模是指利用数学工具和方法，对实际问题进行建立数学模型、分析和求解的过程。

它在高中教育中起到了重要的作用，不仅能够培养学生的数学思维能力，还能够锻炼他们的动手能力和团队协作精神。

本文将介绍高中数学数学建模的基本概念、方法和实践操作，帮助读者更好地理解和应用数学建模。

二、数学建模的基本概念1. 数学建模的定义数学建模是指将实际问题抽象为数学模型，通过分析和求解模型得到问题的解决方案的过程。

它需要结合具体问题的背景知识和数学方法，将问题转化为适合求解的数学形式。

2. 数学建模的分类数学建模可以分为定性建模和定量建模两种类型。

定性建模主要关注问题的质的变化，如分析问题的发展趋势、判断问题的稳定性等；而定量建模则关注问题的数量特征，如数值计算、统计分析等。

三、数学建模的基本方法1. 问题抽象与描述首先，需要对给定的实际问题进行准确的抽象和描述。

将问题中涉及的各种因素和变量以及它们之间的关系用数学语言进行表达和建模。

例如，可以用方程、不等式、图表等形式来描述问题。

2. 建立数学模型在问题抽象的基础上，根据问题的性质和要求，选择适当的数学方法和工具建立模型。

常见的建模方法包括函数建模、几何建模、统计建模等。

3. 模型求解与分析通过运用数学工具和方法，对建立的模型进行求解和分析。

通过数值计算、图形分析等手段，得出问题的解决方案或结论。

在求解过程中，需要注意对结果的合理性和准确性进行验证。

四、数学建模的实践操作1. 实际问题的选取选择适当的实际问题进行数学建模实践。

可以选择与学科知识相关的问题，如物理、化学、经济等方面的问题，也可以选择与生活经验相关的问题，如交通、环境、健康等方面的问题。

2. 数据的采集与分析在建模过程中，需要收集与问题相关的数据，并对数据进行整理和分析。

通过统计方法和图表工具，找出数据中的规律和趋势。

3. 模型的建立与求解根据实际问题的特点，选择合适的数学方法和工具，建立数学模型，并进行求解。

2023年全国数学建模a题第一题

2023年全国数学建模A题第一题一、概述在2023年全国数学建模比赛中，A题的第一题是一个涉及到矩阵运算和线性代数知识的题目。

该题目具有一定的挑战性和实用性，要求参赛选手能够灵活运用数学知识解决实际问题，展现出扎实的数学建模能力。

二、题目要求本题要求选手根据给定的矩阵运算规则，进行定性分析和定量分析，并给出相应的理论模型。

1. 给定一个m×n的实矩阵A=[本人j]，其中1≤i≤m，1≤j≤n。

对矩阵A中的每个元素进行如下的操作：若本人j是正数，则将本人j的值减半；若本人j是负数，则将本人j取绝对值。

2. 对经过上述操作后的矩阵A进行转置得到矩阵B，即B=A^T。

3. 给定一个m×n的实矩阵C=[cij]，其中1≤i≤m，1≤j≤n。

对矩阵C 中的每个元素进行如下的操作：若cij是正数，则将cij的值加倍；若cij是负数，则将cij取相反数。

4. 对经过上述操作后的矩阵C进行转置得到矩阵D，即D=C^T。

5. 求证：矩阵B与矩阵D的乘积得出的矩阵E满足以下性质：矩阵E 是一个对称矩阵。

三、解题思路针对题目要求，参赛选手需要按照以下步骤进行解题：1. 对给定矩阵A进行定性分析，分析经过操作后的矩阵B的特点和性质。

2. 对给定矩阵C进行定量分析，计算经过操作后的矩阵D的数值。

3. 推导并证明矩阵B与矩阵D的乘积得出的矩阵E是一个对称矩阵。

四、解题方法针对题目要求，可以采用以下解题方法：1. 对矩阵A进行定性分析，可以根据给定的操作规则，通过数学推导和分析，得出矩阵B的特点和性质，包括矩阵B的元素取值规律、矩阵B的转置性质等。

2. 对矩阵C进行定量分析，可以利用线性代数知识，计算经过操作后的矩阵D的数值，并对矩阵D的元素取值规律进行分析。

3. 推导并证明矩阵B与矩阵D的乘积得出的矩阵E是一个对称矩阵，可以通过矩阵乘法运算和对称矩阵的性质进行推导和证明。

五、解题过程针对题目要求，参赛选手可以按照以下步骤进行解题过程的详细描述：1. 对矩阵A进行定性分析，包括对矩阵A中每个元素进行操作后的取值规律的推导和分析，以及矩阵B的转置性质的分析。

数学建模常见模型的解法

一、权重的确定方法在统计理论和实践中，权重是表明各个评价指标（或者评价项目）重要性的权数，表示各个评价指标在总体中所起的不同作用。

权重有不同的种类，各种类别的权重有着不同的数学特点和经济含义，一般有以下几种权重。

按照权重的表现形式的不同，可分为绝对数权重和相对数权重。

相对数权重也称比重权数，能更加直观地反映权重在评价中的作用。

按照权重的形成方式划分，可分为人工权重和自然权重。

自然权重是由于变换统计资料的表现形式和统计指标的合成方式而得到的权重，也称为客观权重。

人工权重是根据研究目的和评价指标的内涵状况，主观地分析、判断来确定的反映各个指标重要程度的权数，也称为主观权重。

按照权重形成的数量特点的不同划分，可分为定性赋权和定量赋权。

如果在统计综合评价时，采取定性赋权和定量赋权的方法相结合，获得的效果更好。

按照权重与待评价的各个指标之间相关程度划分，可分为独立权重和相关权重。

独立权重是指评价指标的权重与该指标数值的大小无关，在综合评价中较多地使用独立权重，以此权重建立的综合评价模型称为“定权综合”模型。

相关权重是指评价指标的权重与该指标的数值具有函数关系，例如，当某一评价的指标数值达到一定水平时，该指标的重要性相应的减弱；或者当某一评价指标的数值达到另一定水平时，该指标的重要性相应地增加。

相关权重适用于评价指标的重要性随着指标取值的不同而发生变化的条件下，基于相关权重建立的综合评价模型被称为“变权模型”。

比如评估环境质量多采用“变权综合”模型。

确定权重的方法较多，这里介绍统计平均法、变异系数法和层次分析法，这些也是实际工作种常用的方法。

(一) 统计平均法统计平均数法（Statistical average method）是根据所选择的各位专家对各项评价指标所赋予的相对重要性系数分别求其算术平均值，计算出的平均数作为各项指标的权重。

其基本步骤是：第一步，确定专家。

一般选择本行业或本领域中既有实际工作经验、又有扎实的理论基础、并公平公正道德高尚的专家；第二步，专家初评。

数学建模模型常用的四大模型及对应算法原理总结

数学建模模型常用的四大模型及对应算法原理总结四大模型对应算法原理及案例使用教程：一、优化模型线性规划线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，在线性回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。

如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

案例实操非线性规划如果目标函数或者约束条件中至少有一个是非线性函数时的最优化问题叫非线性规划问题，是求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。

建立非线性规划模型首先要选定适当的目标变量和决策变量，并建立起目标变量与决策变量之间的函数关系，即目标函数。

然后将各种限制条件加以抽象，得出决策变量应满足的一些等式或不等式，即约束条件。

整数规划整数规划分为两类：一类为纯整数规划，记为PIP，它要求问题中的全部变量都取整数；另一类是混合整数规划，记之为MIP，它的某些变量只能取整数，而其他变量则为连续变量。

整数规划的特殊情况是0-1规划，其变量只取0或者1。

多目标规划求解多目标规划的方法大体上有以下几种：一种是化多为少的方法，即把多目标化为比较容易求解的单目标，如主要目标法、线性加权法、理想点法等；另一种叫分层序列法，即把目标按其重要性给出一个序列，每次都在前一目标最优解集内求下一个目标最优解，直到求出共同的最优解。

目标规划目标规划是一种用来进行含有单目标和多目标的决策分析的数学规划方法，是线性规划的特殊类型。

目标规划的一般模型如下：设xj是目标规划的决策变量，共有m个约束条件是刚性约束，可能是等式约束，也可能是不等式约束。

设有l个柔性目标约束条件，其目标规划约束的偏差为d+, d-。

设有q个优先级别，分别为P1, P2, …, Pq。

在同一个优先级Pk中，有不同的权重，分别记为[插图], [插图]（j=1,2, …, l）。

数学建模的主要建模方法

主要建模方法1、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，在不同的对象或完全不相关的对象中找出同样的或相似的关系，用已知模型的某些结论类比得到解决该“类似”问题的数学方法，最终建立起解决问题的模型2、量纲分析是在经验和实验的基础上，利用物理定律的量纲齐次性，确定各物理量之间的关系。

它是一种数学分析方法，通过量纲分析，可以正确地分析各变量之间的关系，简化实验和便于成果整理。

在国际单位制中，有七个基本量：质量、长度、时间、电流、温度、光强度和物质的量，它们的量纲分别为M、L、T、I、H、J和N，称为基本量纲。

量纲分析法常常用于定性地研究某些关系和性质，利用量纲齐次原则寻求物理量之间的关系，在数学建模过程中常常进行无量纲化，无量纲化是根据量纲分析思想，恰当地选择特征尺度将有量纲量化为无量纲量，从而达到减少参数、简化模型的效果。

3.差分法差分法的数学思想是通过taylor级数展开等方法把控制方程中的导数用网格节点上的函数值的差商代替进行离散，从而建立以网格节点上的值为未知数的方程组，将微分问题转化为代数问题，是建立离散动态系统数学模型的有效方法。

构造差分的方法有多种形式，目前主要采用的是泰勒级数展开方法。

其基本的差分表达式主要有以下几种形式：一阶向前差分、一阶向后差分、一阶中心差分和二阶中心差分等，其中前两种格式为一阶计算精度，后两种格式为二阶计算精度。

通过对时间和空间这几种不同差分格式的组合，可以组合成不同的差分计算格式。

差分法的解题步骤为：建立微分方程；构造差分格式；求解差分方程；精度分析和检验4、变分法较少5、图论法数学建模中的图论方法是一种独特的方法，图论建模是指对一些抽象事物进行抽象、化简，并用图来描述事物特征及内在联系的过程。

图论是研究由线连成的点集的理论。

一个图中的结点表示对象，两点之间的连线表示两对象之间具有某种特定关系(先后关系、胜负关系、传递关系和连接关系等)。

常用数学建模方法数学建模方法的流程图

常用数学建模方法数学建模方法的流程图数学建模少见微积分方法以及常见题型核心提示：数学建模方法一、机理分析法从基本磁学物理定律以及系统内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分析方法，对社会学和经济学等教育领域领域的实际缺陷，在决策，对策等重新得到学科中曾得到广泛应用。

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--逐步解决因变量与两个以上自数学建模方法一、机理分析法以及基本物理定律从系统的结构数据来推导出模型1. 比例分析法--建立变量之间函数隔阂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--是数学理论研的关键性方法，人类学对社会学和经济学等领域的实际难题，在决策，对策等学科中所得到广泛应用。

4. 常微分方程--解决两个变量之间的癸日变化规律，关键是建立" 瞬时变化率" 的表达式。

5. 偏微分方程--解决因变量与四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资料，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，又称为原核细胞统计方法。

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，于处理统合的是静态的分立数据，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，又称为过程统计数据方法。

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。

工作报告的定量和定性数据分析方法

工作报告的定量和定性数据分析方法工作报告是组织机构或个人对工作进展和成果的总结和展示，它承载着实际工作的数据和信息。

为了更好地评估和分析工作报告，人们常常采用定量和定性数据分析方法。

本文将探讨工作报告中的定量和定性数据分析方法，并介绍它们的应用。

一、定量数据分析方法定量数据是指可以用数值来表示的数据，如销售额、利润、生产数量等。

定量数据分析方法主要包括统计分析和数学建模。

1. 统计分析统计分析是通过对数据进行收集、整理和分析，得出结论和推断的方法。

常用的统计分析方法包括描述统计、推断统计和回归分析。

描述统计是对数据进行总结和描述的方法，可以通过计算平均值、中位数、标准差等指标来了解数据的分布情况。

推断统计是通过对样本数据进行分析，推断总体数据的特征和差异。

回归分析是通过建立数学模型，研究自变量和因变量之间的关系。

2. 数学建模数学建模是将实际问题转化为数学模型，通过数学方法求解问题的过程。

在工作报告中，数学建模可以用于预测、优化和决策等方面。

例如，可以使用线性规划模型来优化资源配置，使用时间序列模型来预测销售趋势。

二、定性数据分析方法定性数据是指无法用数值来表示的数据，如用户反馈、市场调研结果、专家评价等。

定性数据分析方法主要包括内容分析和主题分析。

1. 内容分析内容分析是对文本、图像或音频等内容进行分析和解释的方法。

在工作报告中，可以通过对文字描述、图片和图表等进行内容分析，了解工作进展和成果。

内容分析可以通过编码和分类的方式进行，以获取有关主题、情感、观点等方面的信息。

2. 主题分析主题分析是对定性数据中的主题和模式进行识别和分析的方法。

主题分析可以通过文本挖掘、机器学习等技术实现。

在工作报告中，可以通过主题分析方法来挖掘用户需求、市场趋势等关键信息，为工作决策提供支持。

三、定量和定性数据分析方法的应用定量和定性数据分析方法在工作报告中有着广泛的应用。

通过定量数据分析方法，可以对工作报告中的数字数据进行统计和推断，了解工作的实际情况和趋势。

数学建模的分析方法

数学建模的分析方法
数学建模的分析方法可以分为以下几个方面：
1. 归纳法：通过观察问题的特征和规律，找出问题中的一般性质和规律，并结合数学工具对其进行证明。

2. 推理法：通过逻辑推理和数学推导，从已知条件出发，通过合理的推理和演绎，推导出与问题相关的数学模型和结论。

3. 分析法：通过定性和定量的分析方法，对问题进行综合分析，明确问题的目标和限制条件，并从中提取出相关的数学关系，建立数学模型。

4. 统计法：通过收集、整理和分析实际数据，运用统计学原理和方法，揭示数据的规律性和相关性，并运用统计模型对问题进行预测和决策。

5. 微积分方法：通过微积分的知识和技巧，对问题中的变化趋势、极值、积分等进行分析和计算，并建立相应的数学模型。

6. 优化方法：通过优化理论和方法，对问题中的最大值、最小值、最优解等进行求解和优化，达到最优的目标。

7. 随机过程方法：对于具有不确定性和随机性的问题，可以采用随机过程的方
法，建立相应的数学模型，并对问题进行分析、估计和决策。

以上仅是数学建模分析方法的一部分，实际上，数学建模并不局限于以上方法，具体分析方法的选择应根据问题的特点和要求来确定。

同时，数学建模中的分析方法往往需要综合运用多种数学工具和技术，结合实际问题进行分析和求解。

数学建模综合评价方法(定)

所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面．从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标．从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4) 区间型指标是指标值取在某个区间内为最好的指标．例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标．在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换8.2.4 评价指标的预处理方法一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理．1．指标的一致化处理所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异．(1) 极小型指标化为极大型指标对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数：1j jx x '=，或做平移变换：j j j x M x '=-，其中1 max{}j ij i nM x ≤≤=，即n 个评价对象第j 项指标值ij x 最大者．(2) 居中型指标化为极大型指标对居中型指标j x ，令1 max{}j ij i nM x ≤≤=，1 min{}j ij i nm x ≤≤=，取2(),;2 2(),.2j j j j j j j j j j j j j j jj j x m M m m x M m x M x M m x M M m -+⎧≤≤⎪-⎪'=⎨-+⎪≤≤⎪-⎩就可以将j x 转化为极大型指标．(3) 区间型指标化为极大型指标对区间型指标j x ，j x 是取值介于区间[,]j j a b 内时为最好，指标值离该区间越远就越差．令1 max{}j ij i nM x ≤≤=，1 min{}j ij i nm x ≤≤=， max{,},j j j j j c a m M b =--取1,;1, ; 1,.j jj j j j j j j j jj j j a x x a c x a x b x bx b c -⎧-<⎪⎪⎪'=≤≤⎨⎪-⎪->⎪⎩就可以将区间型指标j x 转化为极大型指标．类似地，通过适当的数学变换，也可以将极大型指标、居中型指标转化为极小型指标．2．指标的无量纲化处理所谓无量纲化，也称为指标的规范化，是通过数学变换来消除原始指标的单位及其数值数量级影响的过程．因此，就有指标的实际值和评价值之分．—般地，将指标无量纲化处理以后的值称为指标评价值．无量纲化过程就是将指标实际值转化为指标评价值的过程．对于n 个评价对象12,,,n S S S L ，每个评价对象有m 个指标，其观测值分别为(1,2,,;1,2,,)ij x i n j m ==L L ．(1) 标准样本变换法令* (1,1).ij jij jx x x i n j m s -=≤≤≤≤其中样本均值11n j ij i x x n ==∑，样本均方差j s =*ij x 称为标准观测值．特点：样本均值为0，方差为1；区间不确定，处理后各指标的最大值、最小值不相同；对于指标值恒定(0j s =)的情况不适用；对于要求指标评价值*0ij x >的评价方法(如熵值法、几何加权平均法等)不适用．(2) 线性比例变换法对于极大型指标，令*11 (max 0, 1, 1).max ij ij ij i niji nx x x i n j m x ≤≤≤≤=≠≤≤≤≤对极小型指标，令*1min (1,1).iji nijijx x i n j m x ≤≤=≤≤≤≤或*111 (max 0, 1, 1).max ij ijij i niji nx x x i n j m x ≤≤≤≤=-≠≤≤≤≤该方法的优点是这些变换方式是线性的，且变化前后的属性值成比例．但对任一指标来说，变换后的*1ij x =和*0ij x =不一定同时出现．特点：当0ij x ≥时，*[0,1]ij x ∈；计算简便，并保留了相对排序关系．(3) 向量归一化法对于极大型指标，令* (1,1).ij x x i n j m =≤≤≤≤对于极小型指标，令*1,1).ij x x i n j m =≤≤≤≤优点：当0ij x ≥时，*[0,1]ijx ∈，即*21()1nij i x ==∑．该方法使*01ij x ≤≤，且变换前后正逆方向不变；缺点是它是非线性变换，变换后各指标的最大值和最小值不相同．(4) 极差变换法对于极大型指标，令*111min (1, 1).max min ij iji nijij iji ni nx x x i n j m x x ≤≤≤≤≤≤-=≤≤≤≤-对于极小型指标，令*111max (1, 1).max min ij iji nijij iji ni nx x x i m j n x x ≤≤≤≤≤≤-=≤≤≤≤-其优点为经过极差变换后，均有*01ij x ≤≤，且最优指标值*1ij x =，最劣指标值*0ij x =．该方法的缺点是变换前后的各指标值不成比例，对于指标值恒定(0j s =)的情况不适用．(5) 功效系数法令*111min (1,1).max min ij iji nijij iji ni nx x x c d i n j m x x ≤≤≤≤≤≤-=+⨯≤≤≤≤-其中,c d 均为确定的常数．c 表示“平移量”，表示指标实际基础值，d 表示“旋转量”，即表示“放大”或“缩小”倍数，则*[,]ij x c c d ∈+．通常取60,40c d ==，即*111min 6040 (1,1).max min ij iji nijij iji ni nx x x i n j m x x ≤≤≤≤≤≤-=+⨯≤≤≤≤-则*ij x 实际基础值为60，最大值为100，即*[60,100]ij x ∈．特点：该方法可以看成更普遍意义下的一种极值处理法，取值范围确定，最小值为c ，最大值为c d +．3．定性指标的定量化在综合评价工作中，有些评价指标是定性指标，即只给出定性地描述，例如：质量很好、性能一般、可靠性高、态度恶劣等．对于这些指标，在进行综合评价时，必须先通过适当的方式进行赋值，使其量化．一般来说，对于指标最优值可赋值10.0，对于指标最劣值可赋值为0.0．对极大型和极小型定性指标常按以下方式赋值．(1) 极大型定性指标量化方法对于极大型定性指标而言，如果指标能够分为很低、低、一般、高和很高等五个等级，则可以分别取量化值为1.0,3.0,5.0,7.0和9.0，对应关系如图8-2所示．介于两个等级之间的可以取两个分值之间的适当数值作为量化值．图８-2 极大型定性指标量化方法(2) 极小型定性指标量化方法对于极小型定性指标而言，如果指标能够分为很高、高、一般、低和很低等五个等级，化值为1.0,3.0,5.0,7.0和9.0，对应关系如图8-3所示．介于两个等级之间的可以取两个分值之间的适当数值作为量化值．模糊综合评价方法在客观世界中，存在着许多不确定性现象，这种不确定性有两大类：一类是随机性现象，即事物对象是明确的，由于人们对事物的因果律掌握不够，使得相应结果具有不可预知性，例如晴天、下雨、下雪，这是明确的，但出现规律不确定；另一类是模糊性现象，即某些事物或概念的边界不清楚，使得事物的差异之间存在着中间过渡过程或过渡结果，例如年轻与年老、高与矮、美与丑等，这种不确定性现象不是人们的认识达不到客观实际所造成的，而是事物的一种内在结构的不确定属性，称为模糊性现象．模糊数学就是用数学方法研究和处理具有“模糊性”现象的一个数学分支．而模糊综合评价就是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，进行综合评价的一种方法．．隶属度函数的确定方法隶属度的思想是模糊数学的基本思想，确定符合实际的隶属函数是应用模糊数学方法建立数学模型的关键，然而这是至今尚未完全解决的问题．下面介绍几种常用的确定隶属函数的方法．⑴ 模糊统计法模糊统计法是利用概率统计思想确定隶属度函数的一种客观方法，是在模糊统计的基础上根据隶属度的客观存在性来确定的．下面以确定青年人的隶属函数为例来介绍其主要过程．① 以年龄为论域X ，在论域X 中取一固定样本点027x =．② 设*A 为论域X 上随机变动的普通集合，°A 是青年人在X 上以*A 为弹性边界的模糊集，对*A 的变动具有制约作用．其中°0x A ∈，或°0x A ∉，使得0x 对°A 的隶属关系具有不确定性．然后进行模糊统计试验，若n 次试验中覆盖0x 的次数为n m ，则称nm n为0x 对于°A 的隶属频率．由于当试验次数n 不断增大时，隶属频率趋于某一确定的常数，该常数就是0x 属于°A 的隶属度，即 °0()lim .n An m x nμ→∞=比如在论域X 中取027x =，选择若干合适人选，请他们写出各自认为青年人最适宜最恰当的年龄区间(从多少岁到多少岁)，即将模糊概念明确化．若n 次试验中覆盖27岁的年龄区间的次数为m ，则称mn为27岁对于青年人的隶属频率，表8-4是抽样调查统计的结果．由于27岁对于青年人的隶属频率稳定在0．78附近，因此可得到027x =属于模糊集°A 的隶属度°(27)0.78Aμ=．试验次数n 1020 30 40 50 60 70 80 90 100110 120 129 隶属次数m6 1423 31 39 47 53 62 6876 85 95 101隶属频率m n0.60 0.70 0.77 0.78 0.78 0.76 0.76 0.78 0.76 0.76 0.75 0.79 0.78③ 在论域X 中适当的取若干个样本点12,,,n x x x L ，分别确定出其隶属度°()(1,2,,)i Ax i n μ=L ，建立适当坐标系，描点连线即可得到模糊集°A 的隶属函数曲线．将论域X 分组，每组以中值为代表分别计算各组隶属频率，连续地描出图形使得到青年人的隶属函数曲线，见表8-5与图8-5所示．确定模糊集合隶属函数的模糊统计方法，重视实际资料中包含的信息，采用了统计分析手段，是一种应用确定性分析揭示不确定性规律的有效方法．特别是对一些隶属规律不清楚的模糊集合，也能较好地确定其隶属函数．分组频数隶属频率分组频数隶属频率13.5~14.5 2 0.016 25.5~26.5 103 0.798 14.5~15.5 27 0.210 26.5~27.5 101 0.783 15.5~16.5 51 0.395 27.5~28.5 99 0.767 16.5~17.5 67 0.519 28.5~29.5 80 0.620 17.5~18.5 124 0.961 29.5~30.5 77 0.597 18.5~19.5 125 1.00 30.5~31.5 27 0.209 19.5~20.5 129 1.00 31.5~32.5 27 0.209 20.5~21.5 129 1.00 32.5~33.5 26 0.202 21.5~22.5 129 1.00 33.5~34.5 26 0.202 22.5~23.5 129 1.00 34.5~35.5 26 0.202 23.5~24.5 129 1.00 35.5~36.5 10.008 24.5~25.5128 0.992⑵ 三分法三分法也是利用概率统计中思想以随机区间为工具来处理模糊性的的一种客观方法．例如建立矮个子°1A ，中等个子°2A ，高个子°3A 三个模糊概念的隶属函数．设3{}P =矮个子,中等个子,高个子，论域X 为身高的集合，取(0,3)X =(单位：m)．每次模糊试验确定X 的一次划分，每次划分确定一对数(,)ξη，其中ξ为矮个子与中等个子的分界点，η为中等个子与高个子的分界点，从而将模糊试验转化为如下随机试验：即将(,)ξη看作二图8-5 年轻人的隶属函数曲线维随机变量，进行抽样调查，求得ξ、η的概率分布()P x ξ、()P x η后，再分别导出°1A 、°2A 和°3A 的隶属函数±1()A x μ、±2()A x μ和±3()Ax μ，相应的示意图如图8-6所示． ±1()(),A x x P t dt ξμ+∞=⎰ ±3()(),A xx P t dt ημ+∞=⎰±±±213()1()().A A A x x x μμμ=--通常ξ和η分别服从正态分布211(,)N a σ和222(,)N a σ，则°1A 、°2A 和°3A 的隶属函数分别为±111()1,Ax a x μσ⎛⎫-=-Φ ⎪⎝⎭±322()1,A x a x μσ⎛⎫-=-Φ ⎪⎝⎭ ±22121().Ax a x a x μσσ⎛⎫⎛⎫--=Φ-Φ ⎪ ⎪⎝⎭⎝⎭其中22().t xx dt -Φ=⎰⑶ 模糊分布法根据实际情况，首先选定某些带参数的函数，来表示某种类型模糊概念的隶属函数（论域为实数域），然后再通过实验确定参数．在客观事物中，最常见的是以实数集作论域的情形．若模糊集定义在实数域R 上，则模糊集的隶属函数便称为模糊分布．下面给出几种常用的模糊分布，在以后确定隶属函数时，就可以根据问题的性质，选择适当(即符合实际情况)模糊分布，根据测量数据求出分布中所含的参数，从而就可以确定出隶属函数了．为了选择适当的模糊分布，首先应根据实际描述的对象给出选择的大致方向．偏小型模糊分布适合描述像“小”、“冷”、“青年”以及颜色的“淡”等偏向小的一方的模糊现象，其隶属函数的一般形式为°1, ;()(),.Ax a x f x x a μ≤⎧=⎨>⎩偏大型模糊分布适合描述像“大”、“热”、“老年”以及颜色的“浓”等偏向大的一方的模糊现象，其隶属函数的一般形式为°0, ;()(),.Ax a x f x x a μ<⎧=⎨≥⎩中间型模糊分布适合描述像“中”、“暖和“、“中年”等处于中间状态的模糊现象，其隶属面数可以通过中间型模糊分布表示．图8-6 由概率分布确定模糊集隶属函数①矩形(或半矩形)分布(a)偏小型(b)偏大型(c)中间型°1,; ()0,.Ax a xx aμ≤⎧=⎨>⎩°0,;()1,.Ax axx aμ<⎧=⎨≥⎩°0,;()1,;0,.Ax ax a x bx bμ<⎧⎪=≤≤⎨⎪>⎩此类分布是用于确切概念．矩形(或半矩形)分布相应的示意图如图8-7所示．图8-7矩形(或半矩形)分布示意图②梯形(或半梯形)分布(a)偏小型(b)偏大型(c)中间型°1,;(),;0,.Ax ab xx a x bb ax bμ<⎧⎪-⎪=≤≤⎨-⎪⎪>⎩°0,;(),;1,.Ax ax ax a x bb ax bμ<⎧⎪-⎪=≤≤⎨-⎪⎪>⎩°0,,;,;()1,;,;Ax a x dx aa x bb axb x cd xc x dd cμ<≥⎧⎪-⎪≤<⎪-=⎨≤<⎪⎪-≤<⎪-⎩梯形(或半梯形)分布的示意图如图8-8所示．③抛物形分布(a)偏小型(b)偏大型(c)中间型°1,;(),;0,.kAx ab xx a x bb ax bμ<⎧⎪⎪-⎛⎫=≤≤⎨ ⎪-⎝⎭⎪⎪>⎩°0,;(),;1,.kAx ax ax a x bb ax bμ<⎧⎪⎪-⎛⎫=≤≤⎨ ⎪-⎝⎭⎪⎪>⎩°0,,;,;()1,;,;kAkx a x dx aa x bb axb x cd xc x dd cμ<≥⎧⎪-⎛⎫⎪≤<⎪⎪-⎪⎝⎭=⎨≤<⎪⎪-⎛⎫⎪≤<⎪-⎪⎝⎭⎩抛物形分布的示意图如图8-9所示．(a)偏小型(b)偏大型(c)中间型(a)偏小型(b)偏大型(c)中间型图8-8梯形(或半梯形)分布示意图④ 正态分布(a)偏小型(b)偏大型(c)中间型°21, ;(),.x a A x a x e x a σμ-⎛⎫- ⎪⎝⎭≤⎧⎪=⎨⎪>⎩°20, ;()1,.x a A x a x e x a σμ-⎛⎫- ⎪⎝⎭<⎧⎪=⎨⎪-≥⎩ °2().x a Ax e σμ-⎛⎫- ⎪⎝⎭=正态分布的示意图如图8-10所示．(a)偏小型(b)偏大型(c)中间型°1, ;()1,.1() (0,0)Ax a x x a x a βμααβ≤⎧⎪=⎨>⎪+-⎩>> °0, ;()1,.1() (0,0)Ax a x x a x a βμααβ-≤⎧⎪=⎨>⎪+-⎩>> °1(),1()(0,).Ax x a βμααβ=+->为正偶数柯西形分布的示意图如图8-11所示．(a)偏小型(b)偏大型(c)中间型°()1, ;(),.k x a Ax a x e x a μ--≤⎧=⎨>⎩°()0, ;()1,.k x a Ax a x ex a μ--≤⎧=⎨->⎩°()(),;()1, ;,.k x a Ak b x e x a x a x b ex b μ----⎧<⎪=≤<⎨⎪≥⎩ (a)偏小型 (b)偏大型 (c)中间型图8-9 抛物形分布示意图(a)偏小型 (b)偏大型 (c)中间型图8-10 正态分布示意图 (a) 偏小型 (b)偏大型 (c)中间型图8-11 柯西分布示意图k>．Γ型分布的示意图如图8-12所示．其中0(a) 偏小型(b)偏大型(c)中间型图8-12 Γ型分布示意图。

数学建模综合评价方法

别
称
方法次序法来排序与策者、多指标、因素的对
评价
动态的对象
象
4.运筹数据包以相对效率为基可以评价多输只表明评评价经济学中生产
学方法络分析础,按多指标投入多输出的大价单元的函数的技术、规模有
(狭义) 模型入和多指标产系统，并可用相对发展效性,产业的效益评
出,对同类型单 “窗口”技术指标,无法价、教育部门的有效
好
on 法告诉决策者来评
价结果。如果认
为已经满意则迭
代停止；否则再
根据决策者意见
进行修改和再计
算,直到满意为
止
9．智能基于 BP 模拟人脑智能化网络具有自适精度不高, 应用领域不断扩大, 化评价人工神处理过程的人工应能力、可容需要大量涉及银行贷款项目、
方法经网络神经网络技术, 错性,能够处的训练样股票价格的评估、城
的评价通过 BP 算法, 理非线形、非本等
市发展综合水平的
学习或训练获取局域性与非凸
评价等
方法类方法名方法描述
优点
别
称
知识,并存储在性的大型复杂
神经元的权值
系统
中,通过联想把
相关信息复现。
能够“揣摩”“提
炼”评价对象本
身的客观规律,
进行对相同属性
评价对象的评价
缺点
适用对象
如表所示，各种方法都有自身的优缺点以及适用的范围。
等指标
的对象
经济分通过可行性分
析法析、可靠性评价
等
3.多属多属性通过化多为少、对评价对象描刚性的评优化系统的评价与
性决策和多目分层序列、直接述比较精确, 价,无法涉决策 ,应用领域广

数学建模方法详解--三种最常用算法

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 nijA 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(记作λ)的特征向量（归一化后）作为权向量w ，即w 满足：Aw w λ= （2）直观地看，因为矩阵A 的特征根和特征向量连续地依赖于矩阵的元素ij a ，所以当ij a 离一致性的要求不远时,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．2．比较尺度当比较两个可能具有不同性质的因素i C 和j C 对于一个上层因素O 的影响时，采用Saaty 等人提出的91-尺度，即ij a 的取值范围是9,,2,1 及其互反数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λ的特征向量作为被比较因素的权向量，其不一致程度应在容许范围内．若已经给出n 阶一致阵的特征根是n ，则n 阶正互反阵A 的最大特征根n λ≥，而当n λ=时A 是一致阵．所以λ比n 大得越多，A 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n λ-数值的大小衡量A 的不一致程度．Saaty将1nCI n λ-=- (3)定义为一致性指标．0CI =时A 为一致阵；CI 越大A 的不一致程度越严重．注意到A 的n 个特征根之和恰好等于n ，所以CI 相当于除λ外其余1n -个特征根的平均值．为了确定A 的不一致程度的容许范围，需要找到衡量A 的一致性指标CI 的标准，又引入所谓随机一致性指标RI ，计算RI 的过程是：对于固定的n ，随机地构造正互反阵A '，然后计算A '的一致性指标CI ．n 1 2 3 4 5 6 7 8 9 10 11表1 随机一致性指标RI 的数值表中1,2n =时0RI =，是因为2,1阶的正互反阵总是一致阵．对于3n ≥的成对比较阵A ，将它的一致性指标CI 与同阶（指n 相同）的随机一致性指标RI 之比称为一致性比率CR ，当0.1CICR RI=< (4) 时认为A 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．对于A 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，或对已有的A 进行修正． 4．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s 层，则第k 层对第一层（设只有1个因素）的组合权向量满足：()()()1,3,4,k k k w W w k s -== （5）其中()kW 是以第k 层对第1k -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:()()()()()132s s s w W W W w -= （6）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p 层的一致性指标为()()p n p CI CI ,,1 (n 是第1-p 层因素的数目)，随机一致性指标为RI 0 0 0．58 0．90 1．12 1．24 1．32 1．41 1．45 1．49 1．51()()1,,p p nRI RI ，定义 ()()()()11,,P p p p n CI CI CI w -⎡⎤=⎣⎦ ()()()()11,,p p p p n RI RI RI w-⎡⎤=⎣⎦ 则第p 层的组合一致性比率为:()()(),3,4,,p p p CI CRp s RI== (7) 第p 层通过组合一致性检验的条件为()0.1pCR <．定义最下层(第s 层)对第一层的组合一致性比率为：()2*sP p CR CR ==∑ (8)对于重大项目，仅当*CR 适当地小时，才认为整个层次的比较判断通过一致性检验．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1个因素，最下层通常为方案或对象层，中间可以有1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9个）应进一步分解出子准则层．(2) 构造成对比较阵从层次结构模型的第2层开始，对于从属于上一层每个因素的同一层诸因素，用成对比较法和91-比较尺度构造成对比较阵，直到最下层．(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CR较大的成对比较阵．(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A （A 的所有元素为正数） 1）A 的最大特征根是正单根λ；2）λ对应正特征向量w （ω的所有分量为正数）；3）w IA I I A k k k =T ∞→lim ，其中()T=1,1,1 I ，w 是对应λ的归一化特征向量．定理2 n 阶正互反阵A 的最大特征根n λ≥；当n λ=时A 是一致阵．定理2和前面所述的一致阵的性质表明,n 阶正互反阵A 是一致阵的充要条件为 A 的最大特征根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n 维归一化初始向量()0wb ．计算()()1,0,1,2,k k w Aw k +==c ．()1k w+ 归一化,即令()()()∑=+++=ni k ik k ww1111~~ωd ．对于预先给定的精度ε,当 ()()()1||1,2,,k k i i i n ωωε+-<= 时,()1k w +即为所求的特征向量；否则返回be. 计算最大特征根()()111k n i k i in ωλω+==∑这是求最大特征根对应特征向量的迭代法,()0w 可任选或取下面方法得到的结果．(2) 和法步骤如下：a. 将A 的每一列向量归一化得1nij ij iji a aω==∑b ．对ij ω按行求和得1ni ij j ωω==∑ c ．将i ω归一化()*121,,,ni i n i w ωωωωωωT===∑ 即为近似特征向量． d. 计算()11n ii iAw n λω==∑，作为最大特征根的近似值．这个方法实际上是将A 的列向量归一化后取平均值，作为A 的特征向量．(3) 根法步骤与和法基本相同，只是将步骤b 改为对ij ω按行求积并开n 次方，即11nn i ij j ωω=⎛⎫= ⎪⎝⎭∏ ．根法是将和法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A 是一致阵时,ij a 与权向量()T=n w ωω,,1 的关系满iij ja ωω=,那么当A 不是一致阵时，权向量w 的选择应使得ij a 与ijωω相差尽量小．这样,如果从拟合的角度看确定w 可以化为如下的最小二乘问题： ()21,,11min i nniij i n i j j a ωωω===⎛⎫- ⎪ ⎪⎝⎭∑∑ (9) 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i ω的非线性方程组，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：()21,,11min ln ln i nn iij i n i j j a ωωω===⎛⎫- ⎪ ⎪⎝⎭∑∑ (10) 则化为求解关于ln i ω的线性方程组．可以验证，如此解得的i ω恰是前面根法计算的结果．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？一般地，由残缺阵()ij A a =构造修正阵()ij Aa = 的方法是令,,0,,1,ij ij ij ij i i a a i j a a i jm m i i jθθθ≠≠⎧⎪==≠⎨⎪+=⎩ 为第行的个数, (11)θ表示残缺．已经证明，可以接受的残缺阵A 的充分必要条件是A 为不可约矩阵． (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2 肉、面包、蔬菜三类食品所含的营养成分及单价食品维生素A/(IU/g) 维生素B/(mg/g) 热量/(kJ/g) 单价/（元/g ）肉面包蔬菜0.3527 025 0.0021 0.00060.0020 11.93 11.511.04 0.02750.0060. 0.007该人体重为55kg ，每天对各类营养的最低需求为：维生素A 7500国际单位 (IU)维生素B 1.6338mg热量 R 8548.5kJ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WD ED 13 E311max 2λ=，10CI =，100.1CR =<，主特征向量()0.75,0.25W T=故第二层元素排序总权重为()10.75,0.25W T=每日需求W营养D 蔬菜支出E维生素B 肉价格F面包维生素A 热量R表4 比较判断矩阵D ABRA 1 1 2 B112R 5.05.01111max 1113,0,0,0.58CI CR RI λ==== ，主特征向量()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E 的总权重为：()()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W 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 0.44680.4872 0.1051 面包 0.0000 0.1277 0.4702 0.4819 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：()3320.2376,0.2293,0.5331W P W T==，结果表明，按这个人的偏好，肉、面包和蔬菜的比例取0.2376:0.2293:0.5331较为合适．引入参数变量，令10.2376x k =，20.2293x k =，30.5331x k =，代入()1LP123min 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k f 0116.0min =()13.411375000.0017 1.6338..26.02828548.50k k s t LP k k ≥⎧⎪≥⎪⎨≥⎪⎪≥⎩容易求得1418.1k =，故得最优解()*336.9350,325.1650,755.9767x T=；最优值 *16.4497f =，即肉336.94g ，面325.17g ，蔬菜755.98g ，每日的食品费用为16.45元．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第一，研究模糊数学的理论，以及它和精确数学、随机数学的关系；第二，研究模糊语言和模糊逻辑，并能作出正确的识别和判断；第三，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()12,,,m b b b b = ,其中， 01j b <<，m 为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11max 1,1njj j nj bb ≤≤===∑时，最大隶属原则最有效；而在()1max 01,jj nbc c ≤≤=<< 1nj j b nc ==∑时，最大隶属原则完全失效，且1max jj nb ≤≤越大（相对于1nj j b =∑而言），最大隶属原则也越有效．由此可认为，最大隶属原则的有效性与1max jj nb ≤≤在1njj b =∑中的比重有关，于是令：11max njjj nj b b β≤≤==∑ (12)显然，当11max 1,1njj j nj bb ≤≤===∑时，则1β=为β的最大值，当()1max 01jj nb c c ≤≤=<<,1njj bnc==∑时，有1n β=为β的最小值，即得到β的取值范围为:11n β≤≤．由于在最大隶属原则完全失效时，1n β=而不为0，所以不宜直接用β值来判断最大隶属原则的有效性．为此设：()()11111n n n n βββ--'==-- (13)则β'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j nj b ≤≤1sec （jnj b ≤≤1sec 的含义是向量b 各分量中第二大的分量）的大小有很大关系，于是我们定义：11sec njjj nj b bγ≤≤==∑ (14)可见：当()1,1,0,0,,0b = 时，γ取得最大值12．当()0,1,0,0,,0b = 时，γ取得最小值0．即γ的取值范围为012γ≤≤，设()02120γγγ-'==-．一般地，β'值越大最大隶属原则有效程度越高；而γ'值越大，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：()112121n n n n βββαγγγ'--⎛⎫=== ⎪'--⎝⎭ (15) 使用α指标能更准确地表明实施最大隶属原则的有效性．2. α指标的使用从α指标的计算公式看出α与γ成反比，与β成正比．由β与γ的取值范围，可以讨论α的取值范围：当γ取最大值，β取最小值时，α将取得最小值0；当γ取最小值，β取最大值时，α将取得最大值：因为 0lim γα→=+∞，所以可定义0γ=时，α=+∞．即：0α≤<+∞．由以上讨论，可得如下结论：当α=+∞ 时，可认定施行最大隶属原则完全有效；当1α≤<+∞时，可认为施行最大隶属原则非常有效；当0.51α≤<时，可认为施行最大隶属原则比较有效，其有效程度即为α值；当00.5α<<时可认为施行最大隶属原则是最低效的；而当0α=时，可认定施行最大隶属原则完全无效．有了测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β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α值．根据α与β之间的关系，当0.7β≥，且4n >时，一定存在1α>．通常评价等级数取4和9之间，所以4n >这一条件往往可以忽略，只要0.7β≥就可免算α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．b ．如果对()12,,,m b b b b = 进行归一化处理而得到b '，则可直接根据b '进行最大隶属原则的有效度测量． (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(),,,D V A c ω=是一个带出发点s v 和收点t v 的容量-费用网络，对于任意(),ijv v A ∈，ijc表示弧(),i j v v 上的容量，ij ω表示弧(),i j v v 上通过单位流量的费用，0v 是给定的非负数，问怎样制定运输方案使得从s v 到t v 恰好运输流值为0v 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s v 到t v 运送的流的值恰好为0v ；(2)总运输费用最小;(3)在容量ij c 大的弧(),i j v v 上适当多运输．如果仅考虑条件(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 Av 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A 上的一个模糊子集A ，定义其隶属函数μ：[]0,1A →为：()()00,0,1,ij ij ij i j A d c c v ij c c v v e c cμμ--≤≤⎧⎪==⎨->⎪⎩其中 ()1,i j ij v v c A c -⎡⎤⎢⎥=⎢⎥⎣⎦∑ （平均容量）()()()()()()21,2211,,0,1lg ,1i j i j i j ij v v A ij ij v v A v v A A c c d A c c A c c -∈--∈∈⎧⎡⎤⎪⎢⎥-≤⎪⎢⎥⎣⎦⎪=⎨⎡⎤⎡⎤⎪⎢⎥⎢⎥-->⎪⎢⎥⎢⎥⎪⎣⎦⎣⎦⎩∑∑∑建立ij μ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ij c 大的弧(),i j v v ，人为地降低运价ij ω，形成“虚拟运价”ij ω，其中ij ω满足：ij c 越大，相应的ij ω的调整幅度也越大．选取ij ω为()1kij ij ij ωωμ=-，(),i j v v A ∈．其中k 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)，k 取值越小；当k 取值足够大时，便可忽略条件(3) ．一般情况下，合适的k 值最好通过使用一定数量的实际数据进行模拟、检验和判断来决定．最后，用ij ω代替原模型M 中的ij ω，得到一个新的模型M '．用现有的方法求解这个新的规划问题，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()k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，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<< 4．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(){}0k x ()1,2,,k n = 进行一次累加生成序列()()101kk i i x x =⎧⎫=⎨⎬⎩⎭∑()1,2,,k n =（2）对0x 数列进行光滑性检验：00,k λ∀>∃，当0k k >时：()()()()0011101k k k k i i x x x x λ--==<∑文献[11]进一步指出只要()()0101k k i i x x -=∑为k 的递减函数即可．（3）对1x 作紧邻生成：()()()()1111*1*,2,3,,k k k Z x x k n αα-=+-=。

数学建模的方法

数学建模的方法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。

数学建模的方法 1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。

数学建模的方法 31.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，在不同的对象或完全不相关的对象中找出同样的或相似的关系，用已知模型的某些结论类比得到解决该“类似”问题的数学方法，最终建立起解决问题的模型。

数学建模方法概述

这一步骤也是从高到低逐层进行的。
层次分析法的应用：
企业合理利用资金问题；填报志愿；选择外出旅游的理想交通工具等
基本思想：
先将n个样本各自看成一类，共有n类，然后规定样本之间的距离和类与类之间的距离。开始时，由于n个样本各自成一类，故类与类之间的距离就是样本间的距离，将距离最小的一对并成一个新类，计算新类与其他类的距离，再将距离最近的类合并。
点击添加文本
建模步骤：
1.建立模型：找出目标函数及相应的限定条件
点击添加文本 2.模型的求解：可利用Lingo 软件进行求解模型。
3.结果分析
4.灵敏度分析：改变个别相关系数观察最优解是否会发生变化。
点击添加文本
非线性规划问题可看作是线性规划问题的一种自然推广，凡是目标函数和约束条件中包含有非线性函数的数学规划问题都称为非线性规划问题。主要分为有约束非线性规划和无约束线性规划。
D(r, k ) min{d (r, k ) r Gr , k Gk , k r} min{d ( j, k ) j Gp Gq , k Gk , k j} min{min{d ( j, k ) j Gp , k Gk }, min{d ( j, k ) j Gq , k Gk }} min{D( p, k ), D(q, k )}
统计聚类模型
原理关键词：相似系数距离
聚类步骤：
步骤1：定义样本间的距离（如取最简单的欧几里得距离）。开始时，每个样本看作一类，有 d (i, j) D(i, j) 步骤2：选择 {D(i, j)} 中最小者设为为一个新类，得新类 Gr Gp Gq 步骤3：计算新类与其他类的距离点击添加文本

建立数学模型的方法、步骤、特点及分类

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、并以此为根底运用统计分析方法，按照事先确定的准那么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,假设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根本上没掌握，模型也不用于分析内部特性,譬如仅用来做输出预报，那么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，这一步一定不能无视，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，会导致模型失败或局部失败，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，善于区分问题的主次，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，就象做习题时写出条件那样．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(常量和变量)之间的等式(或不等式)关系或其他数学结构．这里除需要一些相关学科的专门知识外，还常常需要较广阔的应用数学方面的知识，以开拓思路.当然不能要求对数学学科门门精通,而是要知道这些学科能解决哪一类问题以及大体上怎样解决．相似类比法，即根据不同对象的某些相似性，借用领域的数学模型，也是构造模型的一种方法．建模时还应遵循的一个原那么是，尽量采用简单的数学工具，因为你建立的模型总是希望能有更多的人了解和使用,而不是只供少数专家欣赏.模型求解可以采用解方程、画图形、证明定理、逻辑运算、数值计算等各种传统的和近代的数学方法，特别是计算机技术．模型分析对模型解答进行数学上的分析，有时要根据问题的性质分析变量间的依赖关系或稳定状况，有时是根据所得结果给出数学上的预报，有时那么可能要给出数学上的最优决策或控制，不管哪种情况还常常需要进行误差分析、模型对数据的稳定性或灵敏性分析等．模型检验把数学上分析的结果翻译回到实际问题，并用实际的现象、数据与之比拟，检验模型的合理性和适用性．这一步对于建模的成败是非常重要的，要以严肃认真的态度来对待．当然，有些模型如核战争模型就不可能要求接受实际的检验了．模型检验的结果如果不符合或者局部不符合实际，问题通常出在模型假设上，应该修改、补充假设，重新建模．有些模型要经过几次反复，不断完善，直到检验结果获得某种程度上的满意．模型应用应用的方式自然取决于问题的性质和建模的目的，这方面的内容不是本书讨论的范围。

数学建模定性分析方法解析

定性研究数据采集定量研究往往具有足够样本量支持，丰富的统计分析技术，可以得出具有一定代表性的结论，但对于某个问题消费者为何如此回答，其所给解释是否是其真实想法，这样的问题便显得有些束手无策了。

相对而言，定性技术对数理性的要求低一些，但对消费者动机的深层挖掘要求却更高，更具针对性，因而与定量研究形成互补。

常规定性研究的方法主要是个别深度访谈与座谈会访谈。

其中深度访谈是深层次地挖掘个体的表现特征与背后的原因，而座谈会是利用几个人一起进行头脑风暴（brainstorming）的优势，相互激发、相互启迪，从而挖掘出深层次的原因。

座谈会（FDG）座谈会的成功依赖于两个系统，一个是主持人培训系统，一个是被访者约访系统。

华通现代建立起专职主持人与研究员水平主持人两个体系。

一方面保持几个专职主持人，以利于他们不断提高公司在座谈会主持方面的技术水平，适应一些难度非常大的主持项目；另一方面又更鼓励一部分研究人员掌握主持技巧，完成常规项目中必须的座谈会需求。

专职主持人的特点是主持技巧水平较高，缺点是研究设计、分析能力弱。

必须要研究人员与主持人的高度配合才能够拿出高水平的研究报告。

研究员水平的主持人对于一些特别复杂的技巧没有专职主持人那么强，但由于自己完全参与项目设计、数据分析、报告撰写等过程，容易对消费者有特别深入的理解、对数据的理解也会有独到的方面，比较容易出好的研究报告。

深层访谈（In-depth Interview）深访是一种无结构的、直接的、一对一的访问，在访问过程中，由掌握高级访谈技巧的调查员对调查对象进行深入的访谈，用以揭示对某一问题的潜在动机、态度和情感，此方法最适合于做探测性调查。

深层访谈的优点是更能深入地了解被调查者的内心想法和态度；便于对一些保密性、敏感性问题进行调查；能够自由地交换信息，常常会取得一些意外的资料。

缺点是调查的无结构性使得这种方法首调查员自身素质高低的影响很大；深层访谈结果的数据常难以解释和分析；这种访问的时间长，需要的经费较多，使该法在实际应用中受到一定的限制。