数学建模典型例题(二)
数学建模试题及优秀例题
城市常能看到交通道路“肠梗阻”的景象，从“乘车难”到“行车难”，拥堵已成为城市的一根敏感神经。
城市道路越修越多，立交桥越架越高，可车却堵得更厉害了，严重影响了城市生活质量和人居环境。
于是，人们纷纷转头将目光盯住公共交通。
在国家相关政策的推动下，城市公交加速了前进的步伐。
但公交车的利用率还是处于低谷，一项调查显示，目前部分城市的公交出行比例不升反降。
例如，天津公交承载的客流量不足10%，北京人乘坐公交车的比例也由1986年的35%下降到2004年的26%。
与之形成反差的是，一些发达国家的公交利用率达到50%至60%，东京竟达到90%，高峰期甚至是90%以上。
为此，现在我国很多城市开始实施“公交优先”政策，即在交叉口各进口道上设置公交专用进口道，且公交专用进口道尽可能的长一些，以保证公交车辆在交叉口的运行不受一般小汽车交通的影响,而且将公交专用进口道的停车线靠前,比一般交通进口道的停车线更加靠近交叉口,以使得在绿灯信号下,公交优先通过交叉口,将可能对公交的影响减少到最少。
你要回答的问题是，应在城市交叉口如何分配信号时间，（1）使得各进口道上的公交车总的延误时间最少，使得公交总体运行效率提高？（2）对于一般交通(主要指小汽车交通),应使得各相位关键进口道上车流饱和度之间的差别最小,减少拥挤现象产生的机会?
以下为相关调查数据：
表1 某路段上交叉口处公交饱和调查数据
表3 某路段上交叉口处公交与小车间流量比
图1 进口道设计示意图。
数学建模遗传算法例题
数学建模遗传算法例题数学建模中，遗传算法是一种基于进化思想的优化算法，可以应用于复杂的优化问题中。
本文将介绍一些遗传算法的例题，帮助读者更好地理解遗传算法的应用。
例题一：背包问题有一个体积为V的背包和n个物品，第i个物品的体积为vi，价值为wi。
求这个背包最多能装多少价值的物品。
遗传算法的解决步骤：1. 初始化种群：随机生成一定数量的个体作为初始种群。
2. 适应度函数：将每个个体代入适应度函数，计算其适应度值。
3. 选择：根据每个个体的适应度值，选择一定数量的个体进入下一代。
4. 交叉：对被选中的个体进行交叉操作，生成新的个体。
5. 变异：对新的个体进行变异操作，引入新的基因。
6. 重复以上步骤，直到符合终止条件。
在背包问题中，适应度函数可以定义为：背包中物品的总价值。
交叉操作可以选择单点交叉或多点交叉，变异操作可以选择随机变异或非随机变异。
例题二：旅行商问题有n个城市，旅行商需要依次经过这些城市，每个城市之间的距离已知。
求旅行商经过所有城市的最短路径。
遗传算法的解决步骤：1. 初始化种群：随机生成一定数量的个体作为初始种群，每个个体代表一种旅行路线。
2. 适应度函数：将每个个体代入适应度函数，计算其适应度值。
3. 选择：根据每个个体的适应度值，选择一定数量的个体进入下一代。
4. 交叉：对被选中的个体进行交叉操作，生成新的个体。
5. 变异：对新的个体进行变异操作，引入新的基因。
6. 重复以上步骤，直到符合终止条件。
在旅行商问题中，适应度函数可以定义为：旅行商经过所有城市的总距离。
交叉操作可以选择顺序交叉或部分映射交叉，变异操作可以选择交换或反转基因序列。
总结：遗传算法是一种强大的优化算法，可以应用于多种复杂的优化问题中。
在数学建模中，遗传算法的应用也越来越广泛。
本文介绍了背包问题和旅行商问题的遗传算法解决步骤，希望对读者有所帮助。
数学建模经典例题
1 数学建模经典例题某学校有三个系共200名学生,其中甲系100名,乙系60名,丙系40名.若学生代表会议设20各级席位,公平而又简单的席位分配方法是按学生人数的比例分配,显然甲乙丙三系分别应占有10,6,4个席位,现在丙系有6名学生转入甲乙两系,各系人数如表第二列所示,仍按比例(表中第三列)分配席位时出现了小数(表中第四列),在将取得整数的19席分配完毕后,三席同意剩下的1席参照所谓惯例分给比例中小数最大的系,于是三系分别占有10,6,4席(表中第5列)因为有20个代表会议在表决的时候可能出现10:10的局面,会议决定下一届增加一席,他们按照上述方法重新分配席位,计算结果见表6,7列,显然这个结果对丙系太不公平了.因为总席位增加一席,而丙系却由4席减为3席.按照比例并参照惯例的席位分配系别学生学生人数 20个席 20个席位 21个席位 21个席位人数的比例(% 的分配的分配的分配的分配比例分配参照惯例比例分配参照惯例的席位的结果的席位的结果甲 103 51.5 10.3 10 10.815 11乙 63 31.5 6.3 6 6.615 7丙 34 17.0 3.4 4 3.570 3总和 200 100.0 20.0 20 21.000 21要解决这个问题必须舍弃所谓惯例，找到衡量公平分配席位的指标，并由此建立新的分配分配方法解答:Pī/Nī表示第ī个单位每个代表名额代表的人数采用相对标准,引入相对不公平概念.如果P1/n1>P2/n2,则说明A方是吃亏的,或说对A方不公平.对A的相对不公平度:rA(n1,n2)=(p1/n1-p2/n2)/(p2/n2)=(p1n2)/(p2n1)-1对B的相对不公平度:rB(n1,n2)=(p2n1)/(p1n2)-1情形1:P1/(n1+1)>p2/n2,表明即使A方再增加一个名额,仍然对A方不公平,所以这个名额当然给A方情形2:P1/(n1+1)<p2/n2,表明A增加一个名额后,就对B方不公平,这时B的相对不公平度为:rB(n1+1,n2)=p2(n1+1)/p1n2-1情形3:(P1/n1)>p2/(n2+1) ,表明B增加一个名额后,就对A方不公平,这时A的相对不公平度为:rA(n1,n2+1)=p1(n2+1)/p2n1-1由以上三种情形可知,若情形1发生,名额给A方.否则须考查rB(n1+1,n2)和rA(n1,n2+1)的大小关系.如果rB<rA,则名额给方,否则给B方.由于rB(n1+1,n2)<rA(n1,n2+1)等价于P2＊P2/n2(n2+1)< P1＊P1/n1(n1+1)若情形1发生,上式仍成立,记作Qi=pi＊pi/ni(ni+1)增加名额给Q值较大一方.Q甲=103＊103/10(10+1)=96.445Q乙=63＊63/6(6+1)=94.5Q丙=34＊34/4(4+1)=57.8因此名额加给甲班。
浅谈小学数学建模的两个例题
浅谈小学数学建模的两个例题摘要：数学建模就是用数学语言描述实际现象的过程。
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、简化建立能近似刻画并"解决"实际问题的一种强有力的数学手段。
小学数学建模，主要针对于小学的数学学习，用数学的“模型思想”来指导教学，让学生从具体的事例或现实中的原型出发慢慢抽象化地建立起某种模型并加以运用，加深其对数学的理解和感受，培养创新思维能力。
本文就其中两个问题作了简单的介绍。
关键词：小学数学数学建模Abstract:Mathematical modeling is the process of using mathematical language to describe the actual phenomena. It is a mathematical way of thinking, is the use of language and mathematical methods, through abstraction, simplification can establish an approximate characterization and "solve" a powerful mathematical means of practical problems. Elementary mathematical modeling, mainly for mathematical learning in primary schools, with "ideological model" to guide the teaching of mathematics, so that students from concrete examples or prototypes reality slowly starting to build some kind of abstract model and applied, deepen their mathematical understanding and feelings, develop creative thinking skills.Keywords: Primary Mathematics Mathematical Modeling1.数学建模要弄清楚什么是数学建模，首先要明白什么是数学模型。
数学建模传染病模型例题
数学建模传染病模型例题（最新版）目录一、引言二、数学建模传染病模型的基本概念1.SEIR 模型2.SIS 模型3.SIR 模型三、数学建模传染病模型的例题1.模型假设2.模型建立3.模型求解四、结论正文一、引言随着全球化的发展，传染病的传播越来越引起人们的关注。
为了更好地预测和控制传染病的传播，数学建模传染病模型被广泛应用。
本文将以数学建模传染病模型为例，介绍相关的模型概念和例题。
二、数学建模传染病模型的基本概念（1）SEIR 模型SEIR 模型是传染病数学模型中最基本的模型之一，它将人群分为四类：易感者 (Susceptibles)、暴露者 (Exposed)、感染者 (Infectives) 和抵抗者 (Resistances)。
该模型假设人群数量不变，感染者会以一定的速率传染给易感者，同时易感者会以一定的速率转变为暴露者，暴露者在一定时间后转为感染者，感染者又会在一定时间后转为抵抗者。
（2）SIS 模型SIS 模型是 SEIR 模型的一种特殊形式，它将人群分为易感者(Susceptibles)、感染者 (Infectives) 和恢复者 (Recovered) 三类。
该模型假设易感者与感染者的接触会导致疾病传播，感染者会在一定时间后恢复为易感者，恢复者则具有免疫力。
（3）SIR 模型SIR 模型是另一种常见的传染病数学模型，它将人群分为易感者(Susceptibles)、感染者 (Infectives) 和恢复者 (Recovered) 三类。
与 SIS 模型不同的是，SIR 模型假设感染者会以一定的速率恢复为易感者，而恢复者则具有免疫力。
SIR 模型适用于短期传染病，例如流感。
三、数学建模传染病模型的例题假设某个地区有 10000 人，其中易感者占 80%，感染率为 0.01，恢复率为 0.9。
我们需要建立一个数学模型来预测疾病传播的过程。
（1）模型假设我们假设疾病传播满足 SEIR 模型，人群分为易感者、暴露者、感染者和恢复者四类。
数学建模迪杰斯特拉算法例题
min
v js
{T
(v
j
)}
min{
T
(v3
),
T
(v4
),
T
(v5
),
T
(v6
)}
T (v3 ) 4, 所以有， p(v3) 4
v2 2
3
v1
1
2
v4
4
2
v6
5 v3 4
2 v5
（5）T (v5 ) min[ T (v5 ), P(v3) l35 ] min[ 5, 4 4] 5
从v1到v8的路。
P3=最短…路…问题中，不考虑有向环、并行弧。
旅行路线总费用
路上所有弧权之和。
最短路问题
给定有向网络D=（V，A，W），任意弧
aij∈A，有权w（ aij ）=wij，给定D中的两个顶点
vs，vt。设P是D中从vs到vt的一条路，定义路P的权 （长度）是P中所有弧的权之和，记为w（P）。最短
p1=0
p2=2
2
6
1
2
3
1 p4=1 10
5
9
3
4
7
5
6
5
2
3
4
6
7
8
4
8
p6=3
p7=3
min {d23,d25,c47,d67}=min {2+6,2+5,1+2,3+4}=min {8,7,3,7}=3
X={1,2,4,6,7}, p7=3
X={1,2,4,6,7}
p1=0
p2=2
2
6
1
2
v1
3 v3 6
数学建模例题和答案
数学建模例题和答案
题目：
一个汽车公司拥有两个工厂，分别生产两种型号的汽车，A型和B型，每种型号的汽车都有一定的销售价格。
现在，该公司需要在两个工厂中生产A型和B型汽车，使得总收入最大。
答案：
1、建立数学模型
设A型汽车在第一个工厂生产的数量为x，在第二个工厂生产的数量为y，A型汽车的销售价格为a，B型汽车的销售价格为b，则该公司的总收入可以表示为：
总收入=ax+by
2、确定目标函数
由于题目要求使得总收入最大，因此可以将总收入作为目标函数，即：
最大化Z=ax+by
3、确定约束条件
由于两个工厂的生产能力有限，因此可以设置约束条件：
x+y≤M，其中M为两个工厂的总生产能力
4、求解
将上述模型转化为标准的数学规划模型：
最大化Z=ax+by
s.t. x+y≤M
x≥0,y≥0
由于该模型是一个线性规划模型，可以使用数学软件进行求解，得到最优解：
x=M，y=0
即在第一个工厂生产M件A型汽车，在第二个工厂不生产B型汽车，此时该公司的总收入最大，为Ma。
中学数学建模经典例题
中学数学建模经典例题中学数学建模经典例题包括：1.最大利润问题：某公司生产一种产品，每件成本为3元，售价为10元，年销售量为10万件。
为了扩大销售量，公司计划通过广告宣传来增加销售量。
经调查发现，广告费用与年销售量之间的关系可以近似地用函数y=−0.2x+10来表示，其中x为广告费用（单位：万元）。
问：广告费用为多少时，公司可获得最大年利润？2.最小费用问题：某公司需要将货物从甲地运往乙地，由于路途遥远，需要采用飞机、火车、汽车三种运输方式来完成。
运输方式的费用分别为x万元、y万元、z万元。
三种运输方式的单程运输能力分别为10万吨、15万吨、5万吨，而货物的总重量为35万吨。
为确保运输过程顺利进行，单程运输能力不能超过总重量。
请为该公司设计一个总费用最少的运输方案，并求出最少的总费用。
3.最小路径问题：某城市有若干个居民小区，每个小区有一定数量的居民。
为了方便居民出行，市政府计划修建地铁连接这些小区。
已知任意两个小区之间的距离可以近似地用欧几里得距离来表示，而修建地铁的费用与小区之间的距离成正比。
问：市政府应该如何规划地铁线路，使得总费用最低？4.人口预测问题：某城市的人口数量在过去几年里呈现出指数增长的趋势。
已知该城市的人口数量在过去的几年中每年以10%的速度增长，并且目前该城市的人口数量为50万。
我们要预测未来5年该城市的人口数量。
5.资源分配问题：某公司拥有一定的资源，需要将其分配给若干个项目以获得最大的收益。
每个项目的收益与分配到的资源数量成正比，而不同项目之间的收益增加率是不同的。
问：公司应该如何分配资源，使得总收益最大？这些例题涵盖了中学数学建模的多个方面，包括函数模型、最优化问题、线性规划等。
通过这些例题的解答，可以帮助学生提高数学建模的能力和解题技巧。
数学建模简单例题
数学建模简单例题
近年来，数学建模迅速发展，成为数学教育的重要组成部分。
不仅如此，数学建模也在实际应用中扮演着重要角色。
以下是举出的一些简单例题，介绍如何应用数学建模解决实际问题。
例1：汽车路线优化
假设有A、B、C三个城市，从A到B需要经历200公里，从B到C需要经历300公里。
同时，存在有限路段，要求尽可能明确最短路径。
此时，可以建立一个图，将A、B、C三个城市看作三个顶点，再建立若干边，表示每条路径的距离，再使用迪杰斯特拉算法，计算出最短路径。
例2：工厂设备调配
假想一家公司有3台生产设备，每台设备有不同的生产能力和每日最大生产量，要求给出每天各台设备的最优配置，以达到每日最大生产量。
给定三台设备的生产能力和每日最大生产量，建立这个问题的数学模型，可以采用最短路径算法的思想，建立一张图，把每台设备看成一个顶点，再建立若干边，表示每台设备的最大生产能力，最后根据路径的长度，计算出各台设备的最优配置。
以上是两个简单的数学建模例题，为了解决具体实际问题，数学建模不仅仅可以使用上述算法，还可以使用线性规划、最优化、反问题等方法来解决实际问题。
本文就介绍了数学建模的一些基础原理，
并举出了几个例子，希望能对读者有所帮助。
高考数学数学建模练习题及答案
高考数学数学建模练习题及答案一、综合分析题某城市2019年的二氧化硫（SO2）和氮氧化物（NOx）排放量分别为15.2万吨和20.8万吨。
根据监测数据，该城市出现了严重的空气污染，为了改善空气质量，政府制定了下列措施：1. 实施尾气治理方案，使汽车尾气排放的SO2和NOx总量每年减少10%。
2. 推广清洁能源车辆，使其占机动车保有量的比例增加4%。
3. 建设新的绿化景观，增加每年吸收的SO2和NOx总量3%。
根据以上措施，解答以下问题：1. 计算2023年该城市汽车尾气排放的SO2和NOx总量。
2. 估计2023年该城市机动车保有量。
3. 计算新绿化景观每年吸收的SO2和NOx总量。
解答：1. 计算2023年汽车尾气排放的SO2和NOx总量：2019年汽车尾气排放的SO2总量：15.2万吨2019年汽车尾气排放的NOx总量：20.8万吨汽车尾气排放的SO2和NOx总量每年减少10%，即每年剩余原量的90%。
2023年汽车尾气排放的SO2总量：15.2万吨 * 0.9 = 13.68万吨 2023年汽车尾气排放的NOx总量：20.8万吨 * 0.9 = 18.72万吨因此，2023年该城市汽车尾气排放的SO2总量为13.68万吨，NOx总量为18.72万吨。
2. 估计2023年该城市机动车保有量：假设2019年该城市机动车保有量为A辆。
推广清洁能源车辆，使其占机动车保有量的比例每年增加4%。
这可以表示为公式：A * (1 + 0.04)^4 = 1.04^4 * A2023年该城市机动车保有量：1.04^4 * A因此，估计2023年该城市机动车保有量为1.1699A辆。
3. 计算新绿化景观每年吸收的SO2和NOx总量：新绿化景观每年吸收的SO2和NOx总量增加3%。
假设2019年新绿化景观每年吸收的SO2总量为B吨，NOx总量为C吨。
2023年新绿化景观每年吸收的SO2总量：B * (1 + 0.03)^42023年新绿化景观每年吸收的NOx总量：C * (1 + 0.03)^4因此，2023年新绿化景观每年吸收的SO2总量为B * 1.1255吨，NOx总量为C * 1.1255吨。
数学建模例题及解析
.例1差分方程——资金(de)时间价值问题1:抵押贷款买房——从一则广告谈起每家人家都希望有一套(甚至一栋)属于自己(de)住房,但又没有足够(de)资金一次买下,这就产生了贷款买房(de)问题.先看一下下面(de)广告(这是1991年1月1日某大城市晚报上登(de)一则广告),任何人看了这则广告都会产生许多疑问,且不谈广告中没有谈住房面积、设施等等,人们关心(de)是：如果一次付款买这栋房要多少钱呢银行贷款(de)利息是多少呢为什么每个月要付1200元呢是怎样算出来(de)因为人们都知道,若知道了房价(一次付款买房(de)价格),如果自己只能支付一部分款,那就要把其余(de)款项通过借贷方式来解决,只要知道利息,就应该可以算出五年还清每月要付多少钱才能按时还清贷款了,从而也就可以对是否要去买该广告中所说(de)房子作出决策了.现在我们来进行数学建模.由于本问题比较简单无需太多(de)抽象和简化.a.明确变量、参数,显然下面(de)量是要考虑(de)：需要借多少钱,用记；月利率(贷款通常按复利计)用R记；每月还多少钱用x记；借期记为N个月.b．建立变量之间(de)明确(de)数学关系.若用记第k个月时尚欠(de) 款数,则一个月后(加上利息后)欠款 , 不过我们又还了x元所以总(de)欠款为k=0,1,2,3,而一开始(de)借款为.所以我们(de)数学模型可表述如下(1)c. (1)(de)求解.由(2)这就是之间(de)显式关系.d．针对广告中(de)情形我们来看(1)和(2)中哪些量是已知(de).N=5年＝60个月,已知；每月还款x＝1200元,已知 A.即一次性付款购买价减去70000元后剩下(de)要另外去借(de)款,并没有告诉你,此外银行贷款利率R也没告诉你,这造成了我们决策(de)困难.然而,由(2)可知60个月后还清,即,从而得(3)A和x之间(de)关系式,如果我们已经知(3)表示N＝60,x＝1200给定时0A.例如,若R ＝0．01,则由(3)可算得道银行(de)贷款利息R,就可以算出053946元.如果该房地产公司说一次性付款(de)房价大于70000十53946＝123946元(de)话,你就应自己去银行借款.事实上,利用图形计算器或Mathematica这样(de)数学软件可把(3)(de)图形画出来,从而可以进行估算决策.以下我们进一步考虑下面两个问题.注1问题1标题中“抵押贷款”(de)意思无非是银行伯你借了钱不还,因而要你用某种不动产(包括房子(de)产权)作抵押,即万一你还不出钱了,就没收你(de)不动产.例题1某高校一对年青夫妇为买房要用银行贷款60000元,月利率0．01,贷款期25年＝300月,这对夫妇希望知道每月要还多少钱,25年就可还清.假设这对夫妇每月可有节余900元,是否可以去买房呢解：现在(de)问题就是要求使 (de)x,由(2)式知现＝60000,R＝0．01,k＝300,算得x=632元,这说明这对夫妇有能力买房.例题2 恰在此时这对夫妇看到某借贷公司(de)一则广告：“若借款60000元,22年还清,只要；(i)每半个月还316元；(ii)由于文书工作多了(de)关系要你预付三个月(de)款,即316×6＝1896元.这对夫妇想：提前三年还清当然是好事,每半个月还316元,那一个月不正好是还632元,只不过多跑一趟去交款罢了；要预付18％元,当然使人不高兴,但提前三年还清省下来(de)钱可是22752元哟,是1896元(de)十几倍哪这家公司是慈善机构呢还是仍然要赚我们(de)钱呢这对夫妇请教你给他们一个满意(de)回答.具体解法略.问题2：养老基金今后,当年青人参加工作后就要从其每月工资中扣除一部分作为个人 (de)养老基金,所在单位（若经济效益好(de)话）每月再投入一定数量(de)钱,再存入某种利息较高而又安全(de)“银行”(也可称为货币市场)到60岁退休时可以动用.也就是说,若退休金不足以维持一定(de)生活水平时,就可以动用自己(de)养老基金,每月取出一定(de)款项来补贴不足部分.假设月利率及＝0．01不变,还允许在建立养老基金时自己可以一次性地存入A(不论多少),每月存入y元(个人和单位投入(de)总和)；通常从一笔钱0三十一岁开始到六十岁就可以动用.这当然是一种简化(de)假设,但作为估算仍可作为一种考虑(de)出发点.本问题实际上有两个阶段,即退休前和退休后,其数学模型为其中x为每月要从养老基金中提出(de)款项.习题1 某大学年青教师小李从31岁开始建立自己(de)养老基金,他把已有(de)积蓄1万元也一次性地存入,已知月利率为0．01 (以复利计),每月存入300元,试问当小李60岁退休时,他(de)退休基金有多少又若,他退休后每月要从银行提取l000元,试问多少年后他(de)退休基金将用完你能否根据你了解(de)实际情况建立一个较好(de)养老基金(de)数学模型及相应(de)算法和程取软件).习题2 渔业(林业)管理问题设某养鱼池(或某海域)一开始有某种鱼条,鱼(de)平均年净繁殖率为R,每年捕捞x条,记第N年有鱼条,则池内鱼数按年(de)变化规律为注意,在实际渔业经营中并不按条数计算而是以吨记数(de).若对某海域(de)渔业作业中＝100000吨,R＝0．02,x＝1000吨,试问会不会使得若干年后就没有鱼可捕捞了（资源枯竭了）例2比例分析法——席位分配问题：某学校有三个系联合成立学生会,（1）试确定学生会席位分配方案.（2）若甲系有100名,乙系60名,丙系40名.学生会设20个席位,分配方案如何(3)若丙系有3名学生转入甲系,3名学生转入乙系,分配方案有何变化（4）因为有20个席位(de)代表会议在表决提案时有可能出现10： 10(de)平局,会议决定下一届增加1席,若在第（3）问中将学生会席位增加一席呢（5）试确定一数量指标衡量席位分配(de)公平性,并以此检查（1）—（4）.公平而又简单(de)席位分配办法是按人数(de)比例分配,若甲系有100名,乙系60名,丙系40名.学生会设20个席位,三个系分别应有10,6,4个席位.如果丙系有6名学生转入其他两系学习,各系人数如表所示系别学生人数所占比例（%）按比例分配(de)席位按惯例分配(de)席位甲10310乙636第二列所示,按比例分配席位时,出现了小数(见表中第四列)．在将取得整数(de)19席分配完毕后,剩下(de)1席按照惯例分给余数最大(de)丙系,于是三个系仍分别占有10、6、4个席位．因为有20个席位(de)代表会议在表决提案时有可能出现10：10(de)平局,会议决定下一届增加1席,于是他们按照上述惯例重新分配席位,计算(de)结果令人吃惊：总席位增加1席,丙系反而减少1席,见下表．看来,要解决这个矛盾,必须重新研究所谓惯例分配方法,提出更加“公平”(de)办法．下面就介绍这样一个席位分配模型．设A、B两方人数分别是p1 和p2,分别占有n1 和n2 个席位,则两方每个席位所代表(de)人数分别是p1 ／n12和p2／n2．很明显,仅当这两个数值相等时,席位(de)分配才是公平(de)．但是,通常它们不会相等,这时席位分配得不公平.不公平(de)程度可以用数值来表示,它衡量(de)是“绝对不公平”．从下表所举(de)例子来看,A、B之间(de)“绝对不公平”与C、D之间是一样(de).但是从常识(de)角度看,A、B之间显然比C、D之间存在着更加严重(de)不公平．所以“绝对不公平”不是一个好(de)衡量标准．p n p/n p1/n1-p2/n2 A120101212-10=2B1001010C102010102102-100=2D100010100为了改进绝对标准,我们自然想到用相对标准．因为p／n越大,每个席位代表(de)人数越多,或者说,总人数一定时分配(de)席位越少.所以,如果p1／n13＞p2/n2,则A方是吃亏(de),或者说,对A是不公平(de),由此,我们这样定义“相对不公平”：若p1／n1＞p2／n2,则称为对A(de)相对不公平值,记做若p1／n1＜p2／n2,则称为对B(de)相对不公平值,记做假设A、B两方已分别占有n1和n2个席位,我们利用相对不公平(de)城念来讨论,当总席位再增加1席时,应该给且A方还是B方不失一般性,可设p1／n1＞p2/n2,即此时对A方不公平, ,有定义．当再分配1个席位时,关于p／n(de)不等式有以下三种可能：1)p1／(n1十1)＞p2／n2,这说明即使A方增加1席,仍然对A不公平,所以这1席当然应给A方；2)p1／(n1十1)＜p2／n2,说明当A方增加1席位,将对B不公平,此时应参照式,计算对B(de)相对不公平值3）说明当B方增加1席时,将对A方不公平,此时计算得对A (de)相对不公平值是（注意：在p1/n1p2/n2(de)假设下,不可能出现p1／n1＜p2／(n2+1)(de)情况因为公平(de)席位分配方法应该使得相对不公平(de)数值尽量地小,所以如果则这1席应给A方；反之应给B方．根据(3)、（4）两式,(5)式等价于并且不难证明1从上述第1)种情况(de)p1／(n1十1)＞p2／p2也可推出. 于是我们(de)结论是：当(6)式成立时,增加(de)1席应分配A方；反之,应分配给B方．若记,则增加(de)1席位应分配给Q值较大(de)一方．将上述方法可以推广到有m方分配席位(de)情况．下面用这个方法,重新讨论本节开始时提出(de),三个系分配21个席位(de)问题．首先每系分配1席,然后计算：甲系n1＝1,乙系, n2=1,丙系,n3=1,因为最大,所以第4席应分配给甲系,继续计算：甲系n1＝2,将与上面(de)相比,最大,第5席应分给乙系,继续计算.如此继续,直到第21席分配给某个系为止（详见列表）．n甲系乙系丙系1（4）（5）578（9）2（6）（8）（15）3（7）（12）（21）4（10）（14）5（11）（18）6（13）7（16）8（17）9（19）10（20）11可以看出,用Q值法,丙系保住了它险些丧失(de)1席.你觉得这个方法公平吗习题：学校共1000名学生,235入住在A宿合,333人住在B宿合,432人住在C宿合．学生们要组织一个10人(de)委员会,试用下列办法分配各宿舍(de)委员数．1）惯例(de)方法,印按比例分配完整数名额后,剩下名额给余数最大者. 2）Q值方法.如果委员会从10人增至15人,分配名额将发生什么变化 ,例3 状态转移问题——常染色体遗传模型随着人类(de)进化,人们为了揭示生命(de)奥秘,越来越注重遗传学(de)研究,特别是遗传特征(de)逐代传播,引起人们(de)注意.无论是人,还是动植物都会将本身(de)特征遗传给下一代,这主要是因为后代继承了双亲(de)基因,形成自己(de)基因对,基因对将确定后代所表现(de)特征.下面,我们来研究两种类型(de)遗传：常染色体遗传和x—链遗传.根据亲体基因遗传给后代(de)方式,建立模型,利用这些模型可以逐代研究一个总体基因型(de)分布.在常染色体遗传中,后代从每个亲体(de)基因对中各继承一个基因,形成自己(de)基因对,基因对也称基因型.如果我们所考虑(de)遗传特征是有两个基因A和控制(de),那么就有三种基因对,记为AA,A,.例如,金草鱼由两个遗传基因决定花(de)颜色,基因型是AA(de)金鱼草开红花,型(de)开粉红色花,而型(de)开白花.又如人类(de)眼睛(de)颜色也是提高通过常染色体遗传控制(de).基因型是(de)人,眼睛是棕色,基因型是(de)人,眼睛是兰色.这里因为都表示了同一外部特征,我们认为基因A 支配基因,也可以认为基因对于A 来说是隐性(de)农场(de)植物园中某种植物(de)基因型为AA,A 和.农场计划采用AA 型(de)植物与每种基因型植物相结合(de)方案培育植物后代.那么经过若干年后,这种植物(de)任一代(de)三种基因型分布如何 第一步：假设：令 ,2,1,0=n .（1） 设n n b a ,和n c 分别表示第n 代植物中,基因型为AA,Aa 和aa(de)植物占植物总数(de)百分率.令)(n x 为第n 代植物(de)基因型分布:⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=n n n n c b a x )(当n=0时⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=000)0(c b a x表示植物基因型(de)初始分布（即培育开始时(de)分布）,显然有1000=++c b a（2） 第n 代(de)分布与第n-1代(de)分布之间(de)关系是通过上表确定(de).第二步：建模根据假设（2）,先考虑第n 代中(de)AA 型.由于第n-1代(de)AA 型与AA 型结合,后代全部是AA 型；第n-1代(de)Aa 型与AA 型结合,后代是AA 型(de)可能性为1/2,第n-1代(de)aa 型与AA 型结合,后代不可能是AA 型.因此,当 ,2,1,0=n 时11102/1---•++•=n n n n c b a a即2/11--+=n n n b a a 类似可推出2/11--+=n n n b c a 0=n c将式相加,得111---++=++n n n n n n c b a c b a根据假设（1）,有1000=++=++c b a c b a n n n对于式、式和式,我们采用矩阵形式简记为,2,1,)1()(==-n Mx x n n其中⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=00012/1002/11M ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=n n n n c b a x )(式递推,得)0()2(2)1()(x M x M Mx x n n n n ====--式给出第代基因型(de)分布与初始分布(de)关系.为了计算出n M ,我们将M 对角化,即求出可逆矩阵P 和对角阵D,使1-=PDP M因而有,2,1,1==-n P PD M n n其中⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=n n nnn D 321321000000000λλλλλλ这里321,,λλλ是矩阵M(de)三个特征值.对于式中(de)M,易求得它(de)特征值和特征向量:0,2/1,1321===λλλ因此⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=00002/10001D ,⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=0011 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=0112 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=1213 所以[]⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--==100210111321P通过计算1-=P P ,因此有)0(1)0()(x P PD x M x n n n -==⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--=0001002101110000)21(0010100210111c b a n 即⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=--00011)(000)2/1()2/1(0)2/1(1)2/1(11c b a c b a x n n n n n n n n ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+--++=--0)2/1()2/1()2/1()2/1(010010000c b c b c b a n n n n所以有⎪⎩⎪⎨⎧=+=--=--0)2/1()2/1()2/1()2/1(1010010n n n n n n n c c b b c b a当∞→n 时0)2/1(→n,所以从式得到0,1→→n n b a 和n c =0即在极限(de)情况下,培育(de)植物都是AA 型. 第三步：模型讨论若在上述问题中,不选用基因AA 型(de)植物与每一植物结合,而是将具有相同基因型植物相结合,那么后代具有三代基因型(de)概率如下表：并且)0()(x M xn n =,其中⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=14/1002/1004/11M M(de)特征值为2/1,1,1321===λλλ通过计算,可以解出与21,λλ相对应(de)两个线性无关(de)特征向量1 和2 ,及与3λ相对应(de)特征向量3 ：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=1011 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=1002 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=1213 因此[]⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--==111200101321P⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=-02/1011102/111P)0(1)0()(x P PD x M x n n n -==⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--=00002/1011102/11)2/1(0001001111200101c b a n n所以有⎪⎩⎪⎨⎧-+==++=++010000100)2/1()2/1()2/1()2/1()2/1(bb c c b b b b a a n nn n n n当∞→n 时0)2/1(→n,所以从式得到0,)2/1(00→+→n n b b a a 和00)2/1(b c c n +→因此,如果用基因型相同(de)植物培育后代,在极限情况下,后代仅具有基因AA 和aa. 例4 合作对策模型在经济或社会活动中,几个社会实体（个人、公司、党派、国家）相互合作或结成联盟,常能获得比他们单独行动更多(de)经济或社会效益.这样合理地分配这些效益是合作对策要研究(de)问题.请看下面(de)例子.问题一：经商问题甲、乙、丙三人经商,若单干,每人仅能获利1元；甲乙合作可获利7元；甲丙合作可获利5元；乙丙合作可获利4元；三人合作可获利10元,问三人合作时如何分配10元(de)收入.甲(de)收入应按照甲对各种形式(de)合作(de)贡献来确定．对于某一合作(de)贡献定义为：有甲参加时这个合作(de)收入与无甲参加时这个合作(de)收入之差．例如甲对甲乙二人合作(de)贡献是7—1＝6 (因为甲乙合作获利7元,而乙单干仅获利1元)．甲可以参加(de),合作有四个：甲自己(单干视为合作(de)特例)、甲乙、甲丙、甲乙丙．甲对这些合作(de)贡献分别是甲：1一0＝1元；甲乙：7—1＝6元；甲内：5—1＝4元；甲乙丙：10—4＝6元,甲应分得(de)收入是这四个贡献(de)加权平均值,加权因子将由下面(de)一般模型给出．这个问题叫做3人合作对策,是对策论(de)一部分,这里介绍它(de)一种解法.一般(de)n人合作对策模型可以叙述如下：记n人集合为I=,如果对于I中 (de)任一子集,都对应一个实值函数v（s）,满足则称为定义在I上(de)特征函数．所谓合作对策是指定义了特征函数(de)I中n个人(de)合作结果,用向量值函数来表示．在实际问题中．常可把I中各种组合(de)合作获得(de)利益定义为特征函数,上式表示合作规模扩大时,获利不会减少.不难看出,如将三人经商问题中合作(de)获利定义为特征函数v,v是满足(1)、(2)(de)．为了确定,Shapley在1953年首先制定了一组应该满足(de)公理,然后证明了满足这组公理(de)(de)唯一解是其中是I中包含{i}(de)所有子集,是集合s中(de)人数,是加权因子,由确定．(3)式中可看作成员{i}对合作s(de)贡献；表示对所有包含{i}(de)集合求和．称为由v定义(de)合作(de)Shapley值．我们用(3)、(4)计算三人经商问题中各个人应得到(de)收入．甲、乙、丙分别记作{1},{2},{3},包含{1}(de)集合有{1}、{1,2}、{1,3}、{1,2,3},计算结果列入下表．S{1}{1,2}{1,3}{1,2,3}V(s)17510V(s-{1})0114V(s)- V(s-{1})1 6 4 612 23 W()1/31/61/61/3W()[V(s)-V(s-{1})]1/31 2/3 2.同样可以算出乙、丙应得收入为＝3．5元,＝元.问题二：三城镇(de)污水处理方案沿河有三城镇1、2和3,地理位置如图4；6所示．污水需处理后才能排入河中．三城镇或者单独建立污水处理厂,或者联合建厂,用管道将污水集中处理(污水应于河流(de)上游城镇向下游城镇输送).以Q 表示污水量(吨／秒),工表示管道长度(公里).按照经验公式,建立处理厂(de)费用为712.0173Q P =,铺设管道(de)费用为LQ P 51.0266.0=．今已知三城镇(de)污水量分别为5,3,5321===Q Q Q ．L(de)数值38,202312==L L ．试从节约总投资(de)角度为三城镇制定污水处理方案；包括是单独还是联合建厂；如果联合,如何分担投资额等．三城镇或单干或不同形式(de)联合,共有五种方案.下面一一计算所需(de)投资．方案一 三城镇都单干.投资分别为总投资：方案二城1、2合作.这时城1、2将从节约投资(de)角度对联合还是分别建厂作出决策,所以城1、2(de)投资为：=3500C（3）=2300总投资：方案三城2、3合作.C（1）=2300总投资：方案四城1、3合作.C（2）=1600总投资：方案五三城镇合作=5560总投资：比较五个方案可知,应该选择三城合作,联合建厂(de)方案． 下面(de)问题是如何分担总额为5560(de)费用．城3(de)负责人提出,联合建厂(de)费用按三城(de)污水量之比5：3：5分担,铺设管道费应由城1、2担负．城2(de)负责人同意,并提出从城2到城3(de)管道费由城1、2按污水量之比5：3分担；从城1到城2(de)管道费理应由城1自己担负．城1(de)负责人觉得他们(de)提议似乎是合理(de),但因事关重大,他没有马上表示同意；而是先算了一笔账．联合建厂(de)费用是4530)535(73712.0=++,城2到城3(de)管道费是730,城1到城2(de)管道费是300,按上述办法分配时,城3负担(de)费用为1740,城2(de)费用为1320,域1(de)费用为2500．结果出乎意料之外,城3和城2(de)费用都比单独建厂时少,而城1(de)费用却比单独建厂时(de)C(1)还要多.城1(de)负责人当然不能同意这个方法,但是一时他又找不出公平合理(de)解决办法．为了促成联合(de)实现,你能为他们提供一个满意(de)分担费用(de)方案吗首先,应当指出,城3和城2负责人提出(de)办法是不合理(de)：从前面(de)计算我们知道,三城联合,才能使总投资节约了640(de)效益应该分配给三城,使三城分配(de)费用都比他们单干时要少,这是为促成联合所必须制定(de)一条原则．至于如何分配,则是下面要进一步研究(de)问题． 把分担费用转化为分配效益,就不会出现城1联合建厂分担(de)费用反比单独建厂费用高(de)情况.将三城镇记为I={1,2,3},联合建厂比单独建厂节约(de)投资定义为特征函数.于是有v(φ)=0,v({1})=v({2})=v({3})=0,v({1,2})=c(1)+c(2)-c(1,2)=2300+1600-3500=400,v({2,3})=c(2)+c(3)-c(2,3)=1600+2300-3650=250,v({1,3})=0,v(I)=c(1)+c(2)+c(3)-c(1,2,3)=640.S {1} {1,2} {1,3} {1,2,3} V(s) 0 400 0 640 V(s-{1}) 0 0 0 250 V(s)- V(s-{1})0 400 0 39012 23 W()1/31/61/61/3W()[V(s)-V(s-{1})] 0 67 0 130即197)(1=v ϕ同理得321)(2=v ϕ,122)(3=v ϕ那么, 城1分担(de)费用为2300-197=2103, 城2分担(de)费用为1600-321=1279, 城3分担(de)费用为2300-122=2178,合计5560. 习题：某甲（农民）有一块土地.如果从事农业生产可年收入100元；如果将土地租给某企业家用于工业生产,可年收入200元；如果租给某旅店老板开发旅游业,可年收入300元；当旅店老板请企业家参与经营时,年收入可达400元.为实现最高收入,试问如何分配各人(de)所得才能达成协议例5动态规划模型有不少动态过程可抽象成状态转移问题,特别是多阶段决策过程(de)最优化如最短路径问题,最优分配,设备更新问题,排序、生产计划和存储等问题．动态规划是一种将复杂问题转化为一种比较简单问题(de)最优化方法,它(de)基本特征是包含多个阶段(de)决策．1951年,美国数学家贝尔曼(R．Bellman)等人,提出了解决多阶段决策问题(de)“最优化原理”,并研究了许多实际问题,从而创建了动态规划·动态规划方法(de)基本思想是：将一个复杂问题分解成若干个阶段,每一个阶段作为一个小问题进行处理,从而决定整个过程(de)决策,阶段往往可以用时间划分这就具有“动态”(de)含义,然而,一些与时间无关(de)静态规划中(de)最优化问题,也可人为地把问题分成若干阶段,作为一个多阶段决策问题来处理,计算过程单一化,便于应用计算机．求解过程分为两大步骤,①先按整体最优化思想递序地求出各个可能状态(de)最优化决策；②再顺序地求出整个题(de)最优策略和最优路线．下面,结合一个求最短路径(de)例子,来说明动态规划(de)一些基本概念．最短路径问题如图所示(de)交通网络,节点连接线路上(de)数字表示两地距离,计算从A 到E(de)最短路径及长度.1．阶段．把所要处理(de)问题,合理地划分成若干个相互联系(de)阶段,通常用k 表示阶段变量.如例中,可将问题分为4个阶段,k=1,2,3,4. 2．状态和状态变量．每一个阶段(de)起点,称为该阶段(de)状态,描述过程状态(de)变量,称为状态变量,它可以用一个数、一组数或一个向量来描述,常用k x 来表示第k 阶段(de)某一状态．如果状态为非数量表示,则可以给各个阶段(de)可能状态编号,i x i k =)(()(i k x 表示第k 个阶段(de)第i 状态).第k 阶段状态(de)集合为},,,,,{)()()2()1(T k i k k k k x x x x X =如例6中,第3阶段集合可记为}3,2,1{},,{},,{321)3(3)2(3)1(33===C C C x x x X3．决策和决策变量．决策就是在某一阶段给定初始状态(de)情况下,从该状态演变到下一阶段某状态(de)选择.即确定系统过程发展(de)方案．用一个变量来描述决策,称这个变量为决策变量.设)(k k x u 表示第k 个阶段初始状态为k x (de)决策变量．)(k k x D 表示初始状态为k x (de)允许决 策集合,有)(k k x u ∈)(k k x D ={k u }如例6中},,{)(3211B B B A D =,若先取2B ,则21)(B A u =. 4．策略和子策略．由每段(de)决策)(k k x u 组成(de)整个过程(de)决策变量序列称为策略,记为n P ,1,即n P ,1=)}(,),(),({2211n n x u x u x u从阶段k 到阶段n 依次进行(de)阶段决策构成(de)决策序列称为k 子策略,记为n k P ,即)(1,x P n k =)}(,),(),({11n n k k k k x u x u x u ++显然,k=1时(de)k 子策略就是策略.如例6,选取路径E D C B A →→→→221就是一个子策略．从允许策略集中选出(de)具有最佳效果(de)策略称为最优策略. 5．状态转移方程．系统在阶段k 处于状态k x ,执行决策)(k k x u (de)结果是系统状态(de)转移,即由阶段K(de)状态k x 转移到阶段K 十1(de)状态1+k x 适用于动态规划方法求解(de)是一类具有无后效性(de)多阶段决策过程．无后效性又称马尔科夫性,指系统从某个阶段往后(de)发展,完全由本阶段所处(de)状态以及其往后(de)决策决定,与系统以前(de)状态及决策无关,对于具有无后效性(de)多阶段过程,系统由阶段k 向阶段k+1(de)状态转移方程为))(,(1k k k k k x u x T x =+意即1+k x 只与k x ,)(k k x u 有关,而与前面状态无关．))(,(k k k k x u x T 称为变换函数或算子．分确定型和随机型,由此形成确定型动态规划和随机型动态规划． 6．指标函数和最优指标函数．在多阶段决策中,可用一个数量指标来衡量每一个阶段决策(de)效果,这个数量指标就是指标函数,为该阶段状态变量及其以后各阶段(de)决策变量(de)函数,设为n k V ,即n k x x u x V V n k k k n k n k ,,2,1),,,,(1,, ==+指标(de)含义在不同(de)问题中各不相同,可以是距离、成本、产品产 量、资源消耗等．例6中,指标(de)含义就是距离,指标函数为A 到E(de)距离,为各阶段路程(de)和．最常见(de)指标函数取各阶段效果之和(de)形式,即∑==nk j j j j n k u x V V ),(,指标函数nk V ,(de)最优值,称为相应(de)最优指标函数,记为)(k k x fnk k k optV x f ,)(=式中opt 是最优化之意,根据问题要求取max 或min ． 7．动态规划最优化原理．贝尔曼指出“作为整个过程(de)最优策略具有这样(de)性质：即无论过去(de)状态和决策如何,对前面(de)决策所形成(de)状态而言,余下(de)诸决策必须构成最优策略”基于这个原理,可有如下定理：定理 若策略*,1n P 是最优策略,则对于任意(de)k(1<k<n),它(de)子策略*,n k P 对于以),(*1*11*---=k k k k u x T x 为起点(de)k 到n 子过程来说,必是最优策略． 实质上,动态规划(de)方法是从终点逐段向始点方向寻找最短路径(de)一种方法．8．动态规划(de)数学模型．利用最优化原理,可以得到动态规划(de)数学模型)}(),({)(11+++=k k k k k k k x f u x V opt x f ))(1,,1,(k k k x D u n n k ∈-=0)(11=++n n x f这是一个由后向前(de)递推方程．下面以例6(de)最短路径问题说明这种递序解法．指标函数为两点之间(de)距离,记为),(k k u x d ,例中共分4个阶段． (倒推) 第4阶段2)(),()(5114=+=E f E D d D f 3)(),()(5224=+=E f E D d D f 5)(),()(5334=+=E f E D d D f 0)(5=E f第3阶段6835)(),(624)(),(min )(2421141113=⎭⎬⎫⎩⎨⎧=+=+=+=+=D f D C d D f D C d C f},,{11*4,3E D C P =4431)(),(826)(),(min )(2422141223=⎭⎬⎫⎩⎨⎧=+=+=+=+=D f D C d D f D C d C f},,{22*4,3E D C P =6651)(),(1239)(),(min )(3433243333=⎭⎬⎫⎩⎨⎧=+=+=+=+=D f D C d D f D C d C f},,{33*4,3E D C P =第2阶段7734)(),(1367)(),(min )(2321131112=⎭⎬⎫⎩⎨⎧=+=+=+=+=C f C B d C f C B d B f},,,{221*4,2E D C B P =7734)(),(826)(),(min )(2322131222=⎭⎬⎫⎩⎨⎧=+=+=+=+=C f C B d C f C B d B f},,,{222*4,2E D C B P =91468)(),(945)(),(min )(3333232332=⎭⎬⎫⎩⎨⎧=+=+=+=+=C f C B d C f C B d B f},,,{223*4,2E D C B P =第1阶段10111192)(),(74)(),(1073)(),(min )(323221211=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧=+=+=+=+=+=+=B f B A d B f B A d B f B A d A f},,,,{221*4,1E D C B A P =故最短路径为E D C B A →→→→221,从A 到E(de)最短距离为10. 上述步骤可归纳为下述递推公式)}(),(m in{)(11+++=k k k k k k x f u x d x f 1,2,3,4(=k ）0)(55=x f此递推关系叫做动态方程,即最短路径问题(de)动态规划模型,应用动态规划方法解决问题(de)关键是根据所给问题建立具体(de)动态规划模型,建立动态规划模型时(de)主要困难在于：如何将所遇到(de)最优化解释为合适(de)多段决策过程问题．从例6看出,划分I 阶段、定义状态、确定指标函数,是动态规划模型化时(de)主要工作,其合适性决定应用动态规划(de)成败．建模时,除将实际问题根据时间和空间恰当地划分若干阶段外,还须明确下列几点： (1)正确选择状态变量,使它既能描述过程(de)状态,又。
七年级数学建模经典例题
七年级数学建模经典例题所谓数学建模，就是将某一领域或部门的某一实际问题，通过一定的假设，找出这个问题的数学模型，求出模型的解，并对它进行验证的全过程。
笔者以一次函数的应用为例，探讨几种不同的数学建模过程。
一、直接给出模型例1.已知弹簧的长度y在一定的限度内是所挂物质重量×的一次函数。
现已测得所挂重物重量为4kg时，弹簧的长度是7.2cm;所挂重物重量为5kg时，弹簧的长度为7.5cm。
求所挂重物重量为6kg时弹簧的长度。
既然题干中已经明确给出了y与×之间具备的是一次函数关系，那么实际上本题目中数学建模过程已经被省略掉了。
可以设数学模型为y=kx+b，将已知的两个条件分别代入这个模型关系式中，可得：7.2=4x+b，7.5=5x+b。
求解二元一次方程组，得出k=O.3，b=6。
从而得到模型y=0.3x+6，将x=6代入该模型中，得到y=7.8。
于是得到该问题的最终结果，即当所挂物体重量为6kg时，弹簧长度为7.8cm。
这种直接给出数学模型的方法，在初学一次函数理解其待定系数法时，不失为一种较为合适的数学题目设计。
但是从数学应用的角度来看，不利于锻炼学生从实际问题中抽象出数学问题的能力。
二、猜测建立模型例⒉爸爸穿42码的鞋，长度为26cm;妈妈穿39码的鞋，长度为24.5cm。
小明穿41码的鞋子，长度为多少？可以设数学模型为y=kx+b，将已知的两个条件分别代入到这个模型关系式中，可得：26=42k+b，24.5=39k+b。
求解二元一次方程组，得解k=0.5，b=5。
得到模型y=0.5x+5，将x=41代入该模型中，得到y=25.5。
从而得到该问题的最终结果，即小明所穿的41码的鞋子，长度为25.5cm。
本例至此，似乎已经解决了问题。
但实际上，如果只知道两对已知的函数数值，还不能否定尺码和长度之间是否存在着其他函数关系，譬如二次函数关系。
因此，在该题目的题设中应该再给出一个条件，比如可以再给出“妹妹穿36码的鞋，长度为23cm”，以便获得一次函数模型后的验证。
数学建模与应用3规划模型的典型例题
数学建模与应用3规划模型的典型例题(1) 平板装货问题有七种规格的包装箱要装到两辆平板车上。
包装箱的宽和高是一样的，但厚度t (厘米)和重量w (公斤)是不同的。
下表给出了每种包装箱的厚度，重量以及数量。
每辆平板车有10.2米的地方可用来装包装箱(象面包片那样)，载重为40吨。
由于地区货运的限制，对C5, C6, C7类包装箱的总数有一个特别的限制：这三类包装箱所占空间(厚度)不能超过302.7厘米。
问题要求：设计一种装车方案，使剩余的空间最小。
•首先找到已知的参量o各类型的包装的厚度： \small t_i(i=1\dots7) 。
o各类型的包装的重量： \small w_i(i=1\dots7) 。
o各类型包装的件数： \small n_i(i=1\dots7) 。
o平板车的空间： \small Space=1020cm 。
o平板车的载重： \small Weight=40000kg 。
o三类包装箱所占的空间上限： \smallLimit=302.7 。
•设出需要使用的变量：o第一辆车上装载的各类型包装的数量： \smallx_i(i=1\dots7)o第二辆车上装载的各类型包装的数量： \smally_i(i=1\dots7)•明确问题的要求：\min\{2\times Space-\displaystyle\sum^{7}_{i=1}t_ix_i- \displaystyle\sum^{7}_{i=1}t_iy_i\}\\x_i+y_i\leq n_i(i=1\dots7)\\ ~~\\ \displaystyle\sum^{7}_{i=1}w_i(x_i+y_i)\leq40000\\ ~~\\\displaystyle \sum^{7}_{i=1}t_ix_i\leq1020\\ ~~\\\displaystyle \sum^{7}_{i=1}t_iy_i\leq1020\\ ~~\\\displaystyle \sum^{7}_{i=5}t_i(x_i+y_i)\leq302.7\\\displaystyle \sum^{7}_{i=1}w_i(x_i+y_i)\leq40000\\\displaystyle \sum^{7}_{i=1}t_ix_i\leq1020\\\displaystyle \sum^{7}_{i=1}t_iy_i\leq1020\\\displaystyle \sum^{7}_{i=5}t_i(x_i+y_i)\leq302.7\\model:!程序由model开始，由end结束;sets:!sets开始设置变量，endsets结束变量设置;num/1..7/:t,w,n,x,y;!定义5个数组分别为t,w,n,x,yendsetsdata:!数据设置由data开始，由enddata结束;t=48.7,52.0,61.3,72.0,48.7,52.0,64.0;w=2000,3000,10 00,500,4000,2000,1000;n=8,7,9,6,6,4,8;enddatamin=(1020 -@sum(num:t*x))+(1020-@sum(num:t*y));!说明需要优化的为min;!以下是进行条件限制的量@sum(num:t*x)<=1020;@sum(num:t*y)<=1020;@sum(num:w*x)< =40000;@sum(num:w*y)<=40000;@for(num(i):x(i)+y(i)<=n(i ));@sum(num(i)|i#ge#5#and#i#le#7:(x(i)+y(i))*t(i))<=30 2.7;@for(num:@gin(x));@for(num:@gin(y));end(2) 选修课策略问题某学校规定，运筹学专业的学生毕业时必须至少学习过两门数学课、三门运筹学课和两门计算机课。
数学建模习题及答案
第一部分课后习题1.学校共1000名学生，235人住在A宿舍，333人住在B宿舍，432人住在C宿舍。
学生们要组织一个10人的委员会，试用下列办法分配各宿舍的委员数：（1）按比例分配取整数的名额后，剩下的名额按惯例分给小数部分较大者。
（2）2.1节中的Q值方法。
（3）d’Hondt方法：将A，B，C各宿舍的人数用正整数n=1，2，3，…相除，其商数如下表：将所得商数从大到小取前10个（10为席位数），在数字下标以横线，表中A，B，C行有横线的数分别为2，3，5，这就是3个宿舍分配的席位。
你能解释这种方法的道理吗。
如果委员会从10人增至15人，用以上3种方法再分配名额。
将3种方法两次分配的结果列表比较。
（4）你能提出其他的方法吗。
用你的方法分配上面的名额。
2.在超市购物时你注意到大包装商品比小包装商品便宜这种现象了吗。
比如洁银牙膏50g装的每支1.50元，120g装的3.00元，二者单位重量的价格比是1.2：1。
试用比例方法构造模型解释这个现象。
（1）分析商品价格C与商品重量w的关系。
价格由生产成本、包装成本和其他成本等决定，这些成本中有的与重量w成正比，有的与表面积成正比，还有与w无关的因素。
（2）给出单位重量价格c与w的关系，画出它的简图，说明w越大c越小，但是随着w的增加c减少的程度变小。
解释实际意义是什么。
3.一垂钓俱乐部鼓励垂钓者将调上的鱼放生，打算按照放生的鱼的重量给予奖励，俱乐部只准备了一把软尺用于测量，请你设计按照测量的长度估计鱼的重量的方法。
假定鱼池中只有一种鲈鱼，并且得到8条鱼的如下数据（胸围指鱼身的最大周长）：先用机理分析建立模型，再用数据确定参数4.用宽w的布条缠绕直径d的圆形管道，要求布条不重叠，问布条与管道轴线的夹角 应多大（如图）。
若知道管道长度，需用多长布条（可考虑两端的影响）。
如果管道是其他形状呢。
5.用已知尺寸的矩形板材加工半径一定的圆盘，给出几种简便、有效的排列方法，使加工出尽可能多的圆盘。
数学建模试题(带答案)大全
(14 分)
得分
四、(满分 10 分) 雨滴的速度 v 与空气密度 、粘滞系数 和重力加速度 g 有关，其中粘
滞系数的量纲[ ]= L1MT 1 1，用量纲分析方法给出速度 v 的表达式.
解：设 v , , , g 的关系为 f ( v , , , g ) =0.其量纲表达式为
[ v ]=LM0T-1，
学分 5 4 4
4
数据结构
3
5
应用统计
4
6
计算机模拟 3
7
计算机编程 2
8
预测理论
2
9
数学实验
3
所属类别 数学 数学 数学；运筹学
数学；计算机 数学；运筹学
计算机；运筹学 计算机 运筹学 运筹学；计算机
先修课要求
微积分；线性代 数 计算机编程 微积分；线性代 数 计算机编程
应用统计 微积分；线性代 数
由 U 0, U 0 可得到最优价格:
p1
p2
1
T
1
3T
p1 2b [a b(q0
)] 4
P2 2b [a b(q0 4 )]
前期销售量
T、（2 a
0
bp1
)dt
后期销售量
T
T /2 (a p2 )dt
总销售量
Q0
=
aT
bT 2
(
p1
p2 )
在销售量约束条件下 U 的最大值点为
~p1
a b
Q0 bT
T 8
,
P~2
a b
Q0 bT
T 8
7. (1)雨水淋遍全身， s 2(ab bc ac) 2*(1.5*0.5 0.5*0.2 1.5*0.2) 2.2m2
数学建模最小生成树例题
数学建模最小生成树例题例题1：某城市计划建设一条高速公路，需要在若干个村庄之间选择一条最优路径。
已知各个村庄之间的距离，请使用最小生成树算法为高速公路选择最优路径。
参考答案：最小生成树算法可以用于解决此类问题。
常用的最小生成树算法有Kruskal算法和Prim算法。
1. Kruskal算法：按照边的权重从小到大排序，依次将边加入生成树，如果加入的边与已选择的边不构成环，则加入，否则不加入。
2. Prim算法：首先选择权重最小的边加入生成树，然后从剩余的边中选择一条与已选择的边相连且权重最小的边加入生成树，直到所有边都加入生成树。
例题2：一个通信网络由若干个节点和边组成，节点代表城市，边代表通信线路。
已知各个城市之间的距离和通信需求，请使用最小生成树算法为该通信网络设计一个最优的通信线路网。
参考答案：最小生成树算法可以用于解决此类问题。
通过最小生成树算法，我们可以找到一个包含所有节点且边的总权重最小的树形结构，以满足各个城市之间的通信需求。
常用的最小生成树算法有Kruskal算法和Prim算法。
1. Kruskal算法：按照边的权重从小到大排序，依次将边加入生成树，如果加入的边与已选择的边不构成环，则加入，否则不加入。
2. Prim算法：首先选择权重最小的边加入生成树，然后从剩余的边中选择一条与已选择的边相连且权重最小的边加入生成树，直到所有边都加入生成树。
例题3：一个城市的电力网由多个节点和边组成，节点代表发电厂或变电站，边代表输电线路。
已知各个节点之间的电抗和传输功率，请使用最小生成树算法为该城市电力网设计一个最优的输电线路。
参考答案：最小生成树算法可以用于解决此类问题。
通过最小生成树算法，我们可以找到一个包含所有节点且边的总电抗最小的树形结构，以满足各个节点之间的电力传输需求。
常用的最小生成树算法有Kruskal算法和Prim算法。
1. Kruskal算法：按照边的电抗从小到大排序，依次将边加入生成树，如果加入的边与已选择的边不构成环，则加入，否则不加入。
全国数学建模大赛题目
全国数学建模大赛题目
题目一：城市交通优化方案
某城市的交通状况日益拥堵，为了解决交通问题，需要制定一个交通优化方案。
假设该城市的道路网络呈现网状结构，拥有多个交叉口和道路，每个交叉口都有多个入口和出口道路。
现在需要你们设计一个算法，以找到最优的交通优化方案，使得城市的车辆数最小化，同时满足交通流量平衡和道路容量约束。
题目二：无人机配送路径规划
某公司使用无人机进行货物配送，无人机需要从指定的起点出发，依次经过多个目标点进行货物的投放，最后返回起点。
每个目标点有不同的货物量和不同的时间窗限制。
现在需要你们设计一个路径规划算法，以最小化无人机在配送过程中的总飞行距离，同时满足货物量和时间窗的要求。
题目三：自然灾害预测与应急响应
某地区常常受到洪水的威胁，为了及时应对洪水灾害，需要建立一个洪水预测和应急响应系统。
现有该地区多个监测站点，能够实时测量水位、降雨量等数据，并预测洪水的发生时间和范围。
现在需要你们设计一个预测模型，以准确预测洪水的发生时间和范围，并制定相应的应急响应措施，以最大程度地减少洪灾对人民生命和财产的威胁。
题目四：物流中心选址与配送路径规划
某公司计划在某区域新建一个物流中心，以提高货物配送的效率。
现在需要你们选取一个最佳的物流中心位置，并设计一个配送路径规划算法，以最小化货物配送的总距离和成本。
同时，
由于该区域存在不同的道路类型和限制条件，需要考虑不同道路类型的通行能力和限制，以确保货物配送的顺利进行。
数学建模例题
建模课程设计-考试题目1. 蠓虫的分类实验目的: 学习利用向量夹角余弦建模方法进行生物种类的判别, 熟悉回代误判率与交叉误判率的计算, 熟练掌握Matlab关于向量的内积, 范数, 均值的计算, 提高综合编程能力.问题描述两种蠓虫Af和Apf已由生物学家根据触角长度和翅长加以区分, 现测得6只Apf和9只Af蠓虫的触长, 翅长的数据如下:Apf: (1.14,1.78), (1.18,1.96), (1.20, 1.86), (1.26, 2.00), (1.28, 2.00), (1.30, 1.96)Af: (1.24, 1.72), (1.36, 1.74), (1.38,1.64), (1.38,1.82), (1.38, 1.90), (1.40, 1.70), (1.48, 1.82), (1.54, 1.82), (1.56, 2.08)问题1. 如何依据以上数据, 制定一种方法, 正确区分两类蠓虫.2. 将你的方法用于触长, 翅长分别为(1.24, 1.80), (1.28, 1.84), (1.40, 2.04) 的3个样本进行识别.3. 设Af 是宝贵的传粉益虫, Apf是某种疾病的载体, 是否应该修改分类方法.4. 衡量两个向量之间的接近程度还有哪些方法, 据此建立新的判别方法, 并与上述方法进行比较, 由此你有何发现?2. 最速落径实验目的1. 熟悉用计算机模拟解决物理中的极小值问题2. 进一步熟悉多元函数求极值问题实验内容及要求问题提出: 如下图所示:图1设A, B 是不在一条铅垂线上的两点, 在连接A, B 两点的所有光滑曲线中, 找出一条曲线, 使得初速度为零的质点, 在重力作用下, 自A 点下滑到B 点所需的时间最短.分析: 由A 到B 的曲线如果是直线AB, 质点沿直线AB 的运动是匀加速的,0,A B v v ==平均速度()/22A B v v v =+=, 所需总时间为T =问题1: 对从A 到B 的曲线, 如果是a) 圆弧, b) 抛物线, 计算所需的时间, 圆弧和抛物线的选择不是唯一的, 你可任选一条, 看哪种方案所需时间少些. 时间与曲线的选择有关吗?问题3: 作图, 将模拟出来的最速落径曲线和理论曲线arccos(1)x y =-相比较, 比较模拟效果如何.问题4: 理论推导最速落径曲线方程: arccos(1)x y =-提示: 根据费马定律, 光在媒质中总是走最省时间的路线, 是否可以让质点模拟光的行为, 按照光的折射定律运行, 这样走出的轨迹就是最速路径.3. 投资的收益与风险实验目的: 学会利用线性规划建立数学模型的方法, 利用Matlab 在给定风险的条件下求解最大收益的投资方案, 建立风险与收益的函数关系.实验内容及要求1. 问题描述: 市场上有n 种资产(如股票, 债券等等), , (1,2,,)i S i n =供投资者选择, 某公司有数额为M 的一笔相当大的资金可用作一个时期的投资, 公司财务人员对这n 种资产进行了评估, 估算出在这一时期内购买i S 的平均收益率为i r , 并预测出购买i S 的风险损失率为i q , 考虑到投资越分散, 总的风险就越小, 公司确定, 总体风险可用所投资的i S 中最大的一个风险来度量.购买i S 要付交易费, 费率为i P , 并且当购买额不超过给定值i u 时, 交易费按购买额i u 计算, (不买无需付费), 另外, 假定同期银行存款利率是0r , 既无交易费又无风险0(5%)r = (1) 已知4n =时的相关数据如表1:表1M 息, 使净收益尽可能大, 而总体风险尽可能小.(2) 试就一般情况对以上问题进行讨论, 并利用下表的数据进行计算2. 问题的分析与模型的建立建立一个确定投资比例的向量模型, 使资产组合的净收益尽可能大, 而总体风险尽可能小.设01234,,,,x x x x x 分别是银行存款和投资于1234,,,s s s s 的投资比例系数, 由于银行存款既无交易费又没有风险, 故000,0p q == 总体风险可用所投资的i S 中最大的一个风险来度量, 于是投资组合总体风险为04max{}i i i F x q ≤≤=由于题设给出M 为相当大的一笔资金, 为了简化模型, 认为该公司投资每一项资产都超过给定的定值i u , 于是资产组合的平均收益率为40()i i i i R x r p ==-∑为了使平均收益率尽可能大, 而总体风险尽可能小, 采取固定总体风险的一个上界q , 使得总体收益取得最大, 运用Matlab 软件, 对总体风险的上界从[0,3], 取步长为0.01, 计算301种不同风险时的总体收益的最大值及相应的投资比例系数. 问题:1. 绘制投资方案的净收益率与风险损失率的关系曲线, 并分析之. 对该曲线给出函数描述.2. 计算风险为0.1,0.2,,2.5时的投资比例系数与收益.3. 建立一般情况下的投资组合模型, 并利用2中数据进行计算.4. 湖泊水质富营养化的综合评价实验目的： 学习利用距离函数建模的方法，掌握客观性圈中的变异系数法以及综合评价的基本方法，熟练掌握Matlab 处理矩阵的各种方法。
数学建模典型例题
数学建模典型例题(总12页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--一、人体重变化某人的食量是10467焦/天，最基本新陈代谢要自动消耗其中的5038焦/天。
每天的体育运动消耗热量大约是69焦/（千克•天）乘以他的体重（千克）。
假设以脂肪形式贮存的热量100% 地有效，而1千克脂肪含热量41868焦。
试研究此人体重随时间变化的规律。
一、问题分析人体重W（t）随时间t变化是由于消耗量和吸收量的差值所引起的，假设人体重随时间的变化是连续变化过程，因此可以通过研究在△t时间内体重W的变化值列出微分方程。
二、模型假设1、以脂肪形式贮存的热量100%有效2、当补充能量多于消耗能量时，多余能量以脂肪形式贮存3、假设体重的变化是一个连续函数4、初始体重为W0三、模型建立假设在△t时间内：体重的变化量为W（t+△t）-W(t)；身体一天内的热量的剩余为（*W（t））将其乘以△t即为一小段时间内剩下的热量；转换成微分方程为：d[W(t+△t)-W(t)]=(*W(t))dt；四、模型求解d(5429-69W)/(5429-69W)=-69dt/41686W(0)=W0解得：5429-69W=（5429-69W0）e(-69t/41686)即：W（t）=5429/69-（5429-69W）/5429e(-69t/41686)当t趋于无穷时，w=81;二、投资策略模型一、问题重述一家公司要投资一个车队并尝试着决定保留汽车时间的最佳方案。
5年后，它将卖出所有剩余汽车并让一家外围公司提供运输。
在策划下一个5年计划时，这家公司评估在年i的开始买进汽车并在年j的开始卖出汽车，将有净成本a ij（购入价减去折旧加上运营和维修成本）。
以千元计数a ij的由下面的表给出：请寻找什么时间买进和卖出汽车的最便宜的策略。
二、问题分析本问题是寻找成本最低的投资策略，可视为寻找最短路径问题。