設計一個指數有哪些建模方法

1. 股票價格指數的編制方法有哪幾種

1、相對法

相對法又稱平均法，就是先計算各樣本股票指數。再加總求總的算術平均數。其計算公式為：

股票指數=n個樣本股票指數之和/n 英國的《經濟學人》普通股票指數就使用這種計演算法。

2、綜合法

綜合法是先將樣本股票的基期和報告期價格分別加總，然後相比求出股票指數。即：

股票指數=報告期股價之和/基期股價之和

代入數字得：

股價指數=(8+12+14+18)/(5+8+10+15) = 52/38=136.8%

即報告期的股價比基期上升了36.8%。

從平均法和綜合法計算股票指數來看，兩者都未考慮到由各種采樣股票的發行量和交易量的不相同，而對整個股市股價的影響不一樣等因素，因此，計算出來的指數亦不夠准確。為使股票指數計算精確，則需要加入權數，這個權數可以是交易量，亦可以是發行量。

3、加權法

加權股票指數是根據各期樣本股票的相對重要性予以加權，其權數可以是成交股數、股票發行量等。按時絕改緩間劃分，權數可以是基期權數，也可以是報告期權數。

以殲肆基期成交股數(或發行量)為權數的指數稱為拉斯拜爾指數；以報告期成交股數(或發行量)為權數的指數稱為派許指數。對拉斯拜爾指數和派許指數作幾何平均，得幾何加權股價指數「費雪理想式」。

拉斯拜爾指數偏重基期成交股數(或發行量)，而派許指數則偏重報告期的成交股數(或發行量)。當前世界上大多數股票指數都是派許指數。

(1)設計一個指數有哪些建模方法擴展閱讀

計算股票指數，要考慮三個因素：一是抽樣，即在眾多股票中抽取少數具有代表性的成份股；二是加權，按單價或總值加權平均，或不加權平均；三是計算程序，計算算術平均數、幾何平均數，或兼顧價格與總值。

計並模算股價平均數或指數時經常考慮以下四點：

1、樣本股票必須具有典型性、普通性，為此，選擇樣本應綜合考慮其行業分布、市場影響力、股票等級、適當數量等因素。

2、計算方法應具有高度的適應性，能對不斷變化的股市行情作出相應的調整或修正，使股票指數或平均數有較好的敏感性。

3、要有科學的計算依據和手段。計算依據的口徑必須統一，一般均以收盤價為計算依據，但隨著計算頻率的增加，有的以每小時價格甚至更短的時間價格計算。

4、基期應有較好的均衡性和代表性。

2. 數學建模有哪些模型

數學建模中常用的模型有以下幾種：

1. 線性規劃模型：線性規劃是一種優化問題的數學模型，可核知用於在給定的約束條件下，最大化或最小化線性函數的值。線性規劃廣泛應用於生產排程、資源分配、運輸問題等領域。

2. 非線答局性規劃模型：非線性規劃是一種優化問題的數學模型，可用於在給定的約束條件下，最大化或最小化非線性函數的值。非線性規劃廣泛應用於工程設計、經濟分析、生態保護等領域。

5. 神經網路模型：神經網路是一種模擬人腦神經系統的數學模型，可用於模擬和預測復雜的非線性系統。神經網路模型廣泛應用於圖像處理、語音識別、智能控制等領域。

6. 遺傳演算法模型：遺傳演算法是改舉消一種模擬自然選擇和遺傳機制的數學模型，可用於求解復雜的優化問題。遺傳演算法模型廣泛應用於工程設計、計劃問題、機器學習等領域。

3. 數學建模演算法有哪些

1. 蒙特卡羅演算法。 該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的演算法，同時可以通過模擬來檢驗自己模型的正確性，幾乎是比賽時必用的方法。
2. 數據擬合、參數估計、插值等數據處理演算法。 比賽中通常會遇到大量的數據需要處理，而處理數據的關鍵就在於這些演算法，通常使用MATLAB 作為工具。
3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類演算法。 建模競賽大多數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、Lingo 軟體求解。
4. 圖論演算法。 這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，涉及到圖論的問題可以用這些方法解決，需要認真准備。
5. 動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法。 這些演算法是演算法設計中比較常用的方法，競賽中很多場合會用到。
6. 最優化理論的三大非經典演算法：模擬退火演算法、神經網路演算法、遺傳演算法。 這些問題是用來解決一些較困難的最優化問題的，對於有些問題非常有幫助，但是演算法的實現比較困難，需慎重使用。
7. 網格演算法和窮舉法。 兩者都是暴力搜索最優點的演算法，在很多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好使用一些高級語言作為編程工具。
8. 一些連續數據離散化方法。 很多問題都是實際來的，數據可以是連續的，而計算機只能處理離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非常重要的。
9. 數值分悔稿旁析演算法。 如果在比賽中採用高級語言進行編程的話，那些數值分析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調用。
10. 圖象處理演算法。 賽題中有一類問題與圖形有關，即使問題與圖形無關，論文中也會需要圖片來說明問題，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用MATLAB 進行處理。
以下將結合歷年的競賽題，對這十類演算法進行詳細地說明。
以下將結合歷年的競賽題，對這十類演算法進行詳細地說明。
2 十類演算法的詳細說明
2.1 蒙特卡羅演算法
大多數建模賽題中都離不開計算機模擬，隨機性模擬是非常常見的演算法之一。
舉個例子就是97 年的A 題，每個零件都有自己的標定值，也都有自己的容差等級，而求解最優的組合方案將要面對著的是一個極其復雜的公式和108 種容差選取方案，根本不可能去求解析解，那如何去找到最優的方案呢？隨機性模擬搜索最優方案就是其中的一種方法，在每個零件可行的區間中按照正態分布隨機的選取碧橡一個標定值和選取一個容差值作為一種方案，然後通過蒙特卡羅演算法模擬出大量的方案，從中選取一個最佳的。另一個例子就是去年的彩票第二問，要求設計一種更好的方案，首先方案的優劣取決於很多復雜的因素，同樣不可能刻畫出一個模型進行求解，只能靠隨機模擬模擬。
2.2 數據擬合、參數估計、插值等演算法
數據擬合在很多賽題中有應用，與圖形處理有關的問題很多與擬合有關系，一個例子就是98 年美國賽A 題，生物組織切片的三維插值處理，94 年A 題逢山開路，山體海拔高度的插值計算，還有吵的沸沸揚揚可能會考的「非典」問題也要用到數據擬合演算法，觀察數據的走向進行處理。此類問題在MATLAB中有很多現成的函數可以調用，熟悉MATLAB，這些方法都能游刃有餘的用好。
2.3 規劃類問題演算法
競賽中很多問題都和數學規劃有關，可以說不少的模型都可以歸結為一組不等式作為約束條件、幾個函數表達式作為目標函數的問題，遇到這類問題，求解就是關鍵了，比如98年B 題，用很多敬鄭不等式完全可以把問題刻畫清楚，因此列舉出規劃後用Lindo、Lingo 等軟體來進行解決比較方便，所以還需要熟悉這兩個軟體。
2.4 圖論問題
98 年B 題、00 年B 題、95 年鎖具裝箱等問題體現了圖論問題的重要性，這類問題演算法有很多，包括：Dijkstra、Floyd、Prim、Bellman-Ford，最大流，二分匹配等問題。每一個演算法都應該實現一遍，否則到比賽時再寫就晚了。
2.5 計算機演算法設計中的問題
計算機演算法設計包括很多內容：動態規劃、回溯搜索、分治演算法、分支定界。比如92 年B 題用分枝定界法，97 年B 題是典型的動態規劃問題，此外98 年B 題體現了分治演算法。這方面問題和ACM 程序設計競賽中的問題類似，推薦看一下《計算機演算法設計與分析》（電子工業出版社）等與計算機演算法有關的書。
2.6 最優化理論的三大非經典演算法
這十幾年來最優化理論有了飛速發展，模擬退火法、神經網路、遺傳演算法這三類演算法發展很快。近幾年的賽題越來越復雜，很多問題沒有什麼很好的模型可以借鑒，於是這三類演算法很多時候可以派上用場，比如：97 年A 題的模擬退火演算法，00 年B 題的神經網路分類演算法，象01 年B 題這種難題也可以使用神經網路，還有美國競賽89 年A 題也和BP 演算法有關系，當時是86 年剛提出BP 演算法，89 年就考了，說明賽題可能是當今前沿科技的抽象體現。03 年B 題伽馬刀問題也是目前研究的課題，目前演算法最佳的是遺傳演算法。
2.7 網格演算法和窮舉演算法
網格演算法和窮舉法一樣，只是網格法是連續問題的窮舉。比如要求在N 個變數情況下的最優化問題，那麼對這些變數可取的空間進行采點，比如在[a; b] 區間內取M +1 個點，就是a; a+(b-a)/M; a+2 (b-a)/M; …… ; b 那麼這樣循環就需要進行(M + 1)N 次運算，所以計算量很大。比如97 年A 題、99 年B 題都可以用網格法搜索，這種方法最好在運算速度較快
的計算機中進行，還有要用高級語言來做，最好不要用MATLAB 做網格，否則會算很久的。窮舉法大家都熟悉，就不說了。
2.8 一些連續數據離散化的方法
大部分物理問題的編程解決，都和這種方法有一定的聯系。物理問題是反映我們生活在一個連續的世界中，計算機只能處理離散的量，所以需要對連續量進行離散處理。這種方法應用很廣，而且和上面的很多演算法有關。事實上，網格演算法、蒙特卡羅演算法、模擬退火都用了這個思想。
2.9 數值分析演算法
這類演算法是針對高級語言而專門設的，如果你用的是MATLAB、Mathematica，大可不必准備，因為象數值分析中有很多函數一般的數學軟體是具備的。
2.10 圖象處理演算法
01 年A 題中需要你會讀BMP 圖象、美國賽98 年A 題需要你知道三維插值計算，03 年B 題要求更高，不但需要編程計算還要進行處理，而數模論文中也有很多圖片需要展示，因此圖象處理就是關鍵。做好這類問題，重要的是把MATLAB 學好，特別是圖象處理的部分。

4. 數據建模的分析方法有哪些並寫出他們的大概介紹

從目前的資料庫及數據倉庫建模方法來說，主要分為四類。

第一類是大家最為熟悉的關系資料庫的三範式建模，通常我們將三範式建模方法用於建立各種操作型資料庫系統。

第二類是Inmon提倡的三範式數據倉庫建模，它和操作型資料庫系統的三範式建模在側重點上有些不同。Inmon的數據倉庫建模方法分為三層，第一層是實體關系層，也即企業的業務數據模型層，在這一層上和企業的操作型資料庫系統建模方法是相同的；第二層是數據項集層，在這一層的建模方法根據數據的產生頻率及訪問頻率等因素與企業的操作型資料庫系統的建模方法產生了不同；第三層物理層是第二層的具體實現。

第三類是Kimball提倡的數據倉庫的維度建模，我們一般也稱之為星型結構建模，有時也加入一些雪花模型在裡面。維度建模是一種面向用戶需求的、容易理解的、訪問效率高的建模方法，也是筆者比較喜歡的一種建模方式。

第四類是更為靈活的一種建模方式，通常用於後台的數據准備區，建模的方式不拘一格，以能滿足需要為目的，建好的表不對用戶提供介面，多為臨時表。

下面簡單談談第四類建模方法的一些的經驗。

數據准備區有一個最大的特點，就是不會直接面對用戶，所以對數據准備區中的表進行操作的人只有ETL工程師。ETL工程師可以自己來決定表中數據的范圍和數據的生命周期。下面舉兩個例子：

1）數據范圍小的臨時表

當需要整合或清洗的數據量過大時，我們可以建立同樣結構的臨時表，在臨時表中只保留我們需要處理的部分數據。這樣，不論是更新還是對表中某些項的計算都會效率提高很多。處理好的數據發送入准備載入到數據倉庫中的表中，最後一次性載入入數據倉庫。

2）帶有冗餘欄位的臨時表

由於數據准備區中的表只有自己使用，所以建立冗餘欄位可以起到很好的作用而不用承擔風險。

舉例來說，筆者在項目中曾遇到這樣的需求，客戶表{客戶ID，客戶凈扣值}，債項表{債項ID，客戶ID，債項余額，債項凈扣值}，即客戶和債項是一對多的關系。其中，客戶凈扣值和債項余額已知，需要計算債項凈扣值。計算的規則是按債項余額的比例分配客戶的凈扣值。這時，我們可以給兩個表增加幾個冗餘欄位，如客戶表{客戶ID，客戶凈扣值，客戶余額}，債項表{債項ID，客戶ID，債項余額，債項凈扣值，客戶余額，客戶凈扣值}。這樣通過三條SQL就可以直接完成整個計算過程。將債項余額匯總到客戶余額，將客戶余額和客戶凈扣值冗餘到債項表中，在債項表中通過（債項余額×客戶凈扣值/客戶余額）公式即可直接計算處債項凈扣值。

另外還有很多大家可以發揮的建表方式，如不需要主鍵的臨時表等等。總結來說，正因為數據准備區是不對用戶提供介面的，所以我們一定要利用好這一點，以給我們的數據處理工作帶來最大的便利為目的來進行數據准備區的表設計。

5. 數學建模中綜合評價的方法有哪些

綜合評價有許多不同的方法：

1、綜合指數法：

綜合指數法是先綜合，後對比平均,其最大優點在於不僅可以反映復雜經濟現象總體的變動方向和程度,而且可以確切地、定量地說明現象變動所產生的實際經濟效果。但它要求原始資料齊全。平均指數法是先對比,後綜合平均，雖不能直接說明現象變動的絕對效果，但較綜合指數法靈活,便於實際工作中的運用。

2、TOPSIS法：

其基本原理，是通過檢測評價對象與最優解、最劣解的距離來進行排序，若評價對象最靠近最優解同時又最遠離最劣解，則為最好；否則不為最優。其中最優解的各指標值都達到各評價指標的最優值。最劣解的各指標值都達到各評價指標的最差值。

3、層次分析法：

運用層次分析法有很多優點，其中最重要的一點就是簡單明了。層次分析法不僅適用於存在不確定性和主觀信息的情況，還允許以合乎邏輯的方式運用經驗、洞察力和直覺。也許層次分析法最大的優點是提出了層次本身，它使得買方能夠認真地考慮和衡量指標的相對重要性。

另外還有RSR法、模糊綜合評價法、灰色系統法等，這些方法各具特色，各有利弊。

(5)設計一個指數有哪些建模方法擴展閱讀：

綜合評價的一般步驟

1、根據評價目的選擇恰當的評價指標，這些指標具有很好的代表性、區別性強，而且往往可以測量，篩選評價指標主要依據專業知識，即根據有關的專業理論和實踐，來分析各評價指標對結果的影響，挑選那些代表性、確定性好，有一定區別能力又互相獨立的指標組成評價指標體系。

2、根據評價目的，確定諸評價指標在對某事物評價中的相對重要性，或各指標的權重；

3、合理確定各單個指標的評價等級及其界限；

4、根據評價目的，數據特徵，選擇適當的綜合評價方法，並根據已掌握的歷史資料，建立綜合評價模型；

5、確定多指標綜合評價的等級數量界限，在對同類事物綜合評價的應用實踐中，對選用的評價模型進行考察，並不斷修改補充，使之具有一定的科學性、實用性與先進性，然後推廣應用。

6. 預測模型的建模方法

預測模型的建模方法回歸分析法，時間序列分析法，灰色預測法。

回歸分析法

基本思想：根據歷史數據的變化規律，尋找自變數與因變數之間的回歸方程式，確定模型參數，據此預測。回歸問題分為一元和多元回歸、線性和非線性回歸。

適用范圍：預測模型是一個指數函數，如果待測量是以某一指數規律發展的，則可望得到較高精度的預測結果。影響模型預測精度及其適應性的關鍵因素，是模型中背景值的構造及預測公式中初值的選取。

7. 綜合指數的編制方法有哪些

一般會看到數量指標綜合指數和質量指標綜合指數。但我們還可以採用其他一些編制綜合指數的方法。其中，常用的方法有拉氏指數、派氏指數和費暄的「理想公式」的指數方法。

綜合指數綜合指數是兩個總量指標對比形成的指數，在總量指標中包含兩個或兩個以上的因素，將其中被研究因素以外的一個或一個以上的因素固定下來，僅觀察被研究因素的變動，這樣編制的和升指數，稱為綜合指數，它的特點是先綜合後對比。

編制方法：

首先，引入同度量因素，解決復雜總體在研究指標上不能直接綜合的困難，使其可以計算出總體的綜合總量；其次，將同度量因素固定，以消除同度量因素變動的影響；最後，將兩個時期的總量對比，其結果即為綜合指數，它綜合地反映了復雜總體研究指標的變動。

要點：一是引進同度量因素對復雜總體進行綜合。二是將同度量因素固定，消除同度量因素變動的影響。

(7)設計一個指數有哪些建模方法擴展閱讀

深圳證券綜合指數

深圳綜合股票指數系由深圳證券交易所編制的股票指數，1991年4月3日為基期。該股票指數的計算方法基本與上證指數相同，其樣本為所有在深圳證券交易所掛牌上市的股票，權數為股票的總股本。由於以所有掛牌的上市公司為樣本，其代表性非常廣泛，且它與深圳股市的行情同步發布，它是股民和證券從業人員研判深圳股市股票價格變化 趨勢必不可少的參考依據。

在前些年，由於深圳證交所的股票交投不如上海證交所那麼活躍，深圳證券交易所現已改變了股票指數的編制方法，採用成分股指數，其中只有40隻股票入選並於1995年5月開始發布。

前海·中國生鮮農產品批發價格指數

前海·中國生鮮農產品批發價格指數簡稱「喚坦老綜合指數「，系屬前海中信州國農產品批發價格系列指數。該指數是由深圳前海農產品交易所股份有限公司與深圳市中農數據有限公司聯合編制和發布。

8. 數學建模有哪些方法

問題一：數學建模中綜合評價的方法有哪些？ 綜合評價有許多不同的方法，如綜合指數法、TOPSIS法、層次分析法、RSR法、模糊綜合評價法、灰色系統法等，這些方法各具特色，各有利弊。
綜合評價的一般步驟
1．根據評價目的選擇恰當的評價指標，這些指標具有很好的代表性、區別性強，而且往往可以測量，篩選評價指標主要依據專業知識，即根據有關的專業理論和實踐，來分析各評價指標對結果的影響，挑選那些代表性、確定性好，有一定區別能力又互相獨立的指標組成評價指標體系。
2．根據評價目的，確定諸評價指標在對某事物評價中的相對重要性，或各指標的權重； 3．合理確定各單個指標的評價等級及其界限；
4．根據評價目的，數據特徵，選擇適當的綜合評價方法，並根據已掌握的歷史資料，建立綜合評價模型；
5．確定多指標綜合評價的等級數量界限，在對同類事物綜合評價的應用實踐中，對選用的評價模型進行考察，並不斷修改補充，使之具有一定的科學性、實用性與先進性，然後推廣應用。

問題二：參加數學建模有哪些必學的演算法 1. 蒙特卡洛方法：
又稱計算機隨機性模擬方法，也稱統計實驗方法。可以通過模擬來檢驗自己模型的正確性。
2. 數據擬合、參數估計、插值等數據處理
比賽中常遇到大量的數據需要處理，而處理的數據的關鍵就在於這些方法，通常使用matlab輔助，與圖形結合時還可處理很多有關擬合的問題。
3. 規劃類問題演算法：
包括線性規劃、整數規劃、多元規劃、二次規劃等；競賽中又很多問題都和規劃有關，可以說不少的模型都可以歸結為一組不等式作為約束條件，幾個函數表達式作為目標函數的問題，這類問題，求解是關鍵。
這類問題一般用lingo軟體就能求解。
4. 圖論問題：
主要是考察這類問題的演算法，包括：Dijkstra、Floyd、Prime、Bellman-Ford，最大流、二分匹配等。熟悉ACM的人來說，應該都不難。
5. 計算機演算法設計中的問題：
演算法設計包括：動態規劃、回溯搜索、分治、分支定界法（求解整數解）等。
6. 最優化理論的三大非經典演算法：
a) 模擬退火法（SA）
b) 神經網路（NN）
c) 遺傳演算法（GA）
7. 網格演算法和窮舉演算法
8. 連續問題離散化的方法
因為計算機只能處理離散化的問題，但是實際中數據大多是連續的，因此需要將連續問題離散化之後再用計算機求解。
如：差分代替微分、求和代替積分等思想都是把連續問題離散化的常用方法。
9. 數值分析方法
主要研究各種求解數學問題的數值計算方法，特別是適用於計算機實現的方法與演算法。
包括：函數的數值逼近、數值微分與數值積分、非線性返程的數值解法、數值代數、常微分方程數值解等。
主要應用matlab進行求解。
10. 圖像處理演算法
這部分主要是使用matlab進行圖像處理。
包括展示圖片，進行問題解決說明等。

問題三：數學建模有哪些常用方法 積累演算法跟模型，做做真題，無他

9. 數學建模的方法有哪些

這是網上來的，寫得還不錯：
要重點突破：
1 預測模塊：灰色預測、時間序列預測、神經網路預測、曲線擬合（線性回歸）；
2 歸類判別：歐氏距離判別、fisher判別等 ；
3 圖論：最短路徑求法 ；
4 最優化：列方程組 用lindo 或 lingo軟體解 ；
5 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 ；
6 用到軟體：matlab lindo （lingo） excel ；
7 比賽前寫幾篇數模論文。

這是每年參賽的賽提以及獲獎作品的解法，你自己估量著吧……

賽題 解法
93A非線性交調的頻率設計 擬合、規劃
93B足球隊排名 圖論、層次分析、整數規劃
94A逢山開路 圖論、插值、動態規劃
94B鎖具裝箱問題 圖論、組合數學
95A飛行管理問題 非線性規劃、線性規劃
95B天車與冶煉爐的作業調度 動態規劃、排隊論、圖論
96A最優捕魚策略 微分方程、優化
96B節水洗衣機 非線性規劃
97A零件的參數設計 非線性規劃
97B截斷切割的最優排列 隨機模擬、圖論
98A一類投資組合問題 多目標優化、非線性規劃
98B災情巡視的最佳路線 圖論、組合優化
99A自動化車床管理 隨機優化、計算機模擬
99B鑽井布局 0-1規劃、圖論
00A DNA序列分類 模式識別、Fisher判別、人工神經網路
00B鋼管訂購和運輸 組合優化、運輸問題
01A血管三維重建 曲線擬合、曲面重建
01B 工交車調度問題 多目標規劃
02A車燈線光源的優化 非線性規劃
02B彩票問題 單目標決策
03A SARS的傳播 微分方程、差分方程
03B 露天礦生產的車輛安排 整數規劃、運輸問題
04A奧運會臨時超市網點設計 統計分析、數據處理、優化
04B電力市場的輸電阻塞管理 數據擬合、優化
05A長江水質的評價和預測 預測評價、數據處理
05B DVD在線租賃 隨機規劃、整數規劃

演算法的設計的好壞將直接影響運算速度的快慢，建議多用數學軟體（
Mathematice,Matlab,Maple, Mathcad,Lindo,Lingo,SAS 等），這里提供十種數學
建模常用演算法，僅供參考：
1、 蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決
問題的演算法，同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必
用的方法）
2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數
據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab 作為工具）
3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多
數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通
常使用Lindo、Lingo 軟體實現）
4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等算
法，涉及到圖論的問題可以用這些方法解決，需要認真准備）
5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是算
法設計中比較常用的方法，很多場合可以用到競賽中）
6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些
問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，
但是演算法的實現比較困難，需慎重使用）
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很
多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種
暴力方案，最好使用一些高級語言作為編程工具）
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計
算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替
積分等思想是非常重要的）
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分
析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編
寫庫函數進行調用）
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文
中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問
題，通常使用Matlab 進行處理）

10. 數學建模的方法有哪些

1. 預測模塊：灰色預測、時間序列預測、神經網路預測、曲線擬合（線性回歸）；
   

2. 歸類判別：歐氏距離判別、fisher判別等 ；
   

3. 圖論：最短路徑求法 ；
   

4. 最優化：列方程組 用lindo 或 lingo軟體解 ；
   

5. 其他方法：層次分析法 馬爾可夫鏈 主成分析法 等 。

建模常用演算法，僅供參考：

1. 蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決 問題的演算法，同時間=可以通過模擬可以來檢驗自己模型的正確性，是比賽時必 用的方法） 。
   

2. 數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數 據需要處理，而處理數據的關鍵就在於這些演算法，通常使用Matlab 作為工具） 。
   

3. 線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多 數問題屬於最優化問題，很多時候這些問題可以用數學規劃演算法來描述，通 常使用Lindo、Lingo 軟體實現） 。
   

4. 圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等算 法，涉及到圖論的問題可以用這些方法解決，需要認真准備） 。
   

5. 動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是算 法設計中比較常用的方法，很多場合可以用到競賽中） 。
   

6. 最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法（這些 問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助， 但是演算法的實現比較困難，需慎重使用） 。
   

7. 網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很 多競賽題中有應用，當重點討論模型本身而輕視演算法的時候，可以使用這種 暴力方案，最好使用一些高級語言作為編程工具） 。
   

8. 一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計 算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替 積分等思想是非常重要的） 。
   

9. 數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分 析中常用的演算法比如方程組求解、矩陣運算、函數積分等演算法就需要額外編 寫庫函數進行調用） 。
   

10. 圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文 中也應該要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問 題，通常使用Matlab 進行處理）。