- 综合排序
- 最热优先
- 最新优先
- 来自专栏学习成长指南
数学建模Python必知必会（2）
我们一般选择自己熟悉的这个方法就可以了，不然如果一个方法在不同的模块里面的这个名字是一样的，这个时候你有同时导入多个模块，这个时候就会冲突；关于第三方库的说明：内置模块直接导入，第三方库，需要使用这个pip包管理器进行这个库的安装；2.
19510编辑于 2025-03-22 - 来自专栏云深之无迹
数学建模
假设2：根据题目提供的数据，可设随着房价的下降，入住率呈线性增长。 假设3：宾馆的每间客房的定价相等。 （2）模型建立 设y表示宾馆一天的总收入，与200元相比每间客房降低的房价为x元。 由假设2可得，每降低1元房价，入住率就增加 ? 因此 y=150×（200-x）×（0.55+0.005x） 由0.55+0.005x≤1，可知0≤x≤90。
81030发布于 2020-08-13 - 来自专栏往期博文
数学建模暑期集训2：模糊综合评价
在上篇内容中，记录了模糊数学的一些基础知识，本篇将运用部分知识来构建模糊综合评价。 文章目录 1.隶属函数的三种确定方法 1.1模糊统计法 1.2借助已有的客观尺度 1.3指派法 2.模糊综合评价 2.1一级模糊评价模型 2.2多级模糊评价模型 3.总结 1.隶属函数的三种确定方法 1.1 1.3指派法 最常用梯形分布： 2.模糊综合评价 主要确定因素集、评语集、权重集。 本身不难理解，通过例子即可体悟。 例2：通过指派法来确定模糊综合评价矩阵 2.2多级模糊评价模型 多级模糊评价，和单级大同小异。 例子： 3.总结 模糊综合评价比较简单，不需要通过编程计算。
98130编辑于 2022-06-14 - 来自专栏云深之无迹
使用Python进行数学建模(语言基础2)
索引可以得到单个字符，而 切片 可以获取子字符串: >>> >>> word[0:2] # characters from position 0 (included) to 2 (excluded)'Py ' >>> word[2:5] # characters from position 2 (included) to 5 (excluded)'tho' 注意切片的开始总是被包括在结果中，而结束不被包括 这使得 s[:i] + s[i:] 总是等于 s >>> >>> word[:2] + word[2:]'Python' >>> word[:4] + word[4:]'Python' 切片的索引有默认值 ；省略开始索引时默认为0，省略结束索引时默认为到字符串的结束: >>> >>> word[:2] # character from the beginning to position 2 (excluded 例如， word[1:3] 的长度为2。
1.5K40编辑于 2022-11-29 - 来自专栏CSDN小华
数学建模--旅行商
旅行商问题（TSP，Traveling Salesman Problem）是数学建模中的一个经典组合优化问题。 数学模型 标准的TSP可以描述为以下数学模型： 设 nn 个城市分别为 C1,C2,…,CnC1,C2,…,Cn，任意两个城市 ii 和 jj 之间的距离已知，记为 dijdij。 旅行商问题的数学模型在其他领域（如生物信息学、材料科学）的应用研究有哪些？ 旅行商问题（TSP）作为经典的组合优化问题，其数学模型在多个领域中得到了广泛应用。
1.2K10编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--随机森林
特征选择策略 随机森林的一个显著特点是它在每个节点分裂时不是选择最优特征，而是从所有特征中随机选择一部分（通常为log2d个特征），然后在这部分特征中选择最优的进行分裂。 在线性关系建模和小样本处理方面的限制：随机森林在建模线性关系和处理小样本数据方面存在一定限制。 模型解释性较差：随机森林的模型解释性较差，这可能会影响对其决策过程的理解。 随机森林在处理大数据集、特征重要性检测、抗噪声能力和鲁棒性方面表现出色，但在运行时间、对噪声数据的敏感性、结果不可重复性以及在线性关系建模和小样本处理方面的限制等方面存在劣势。
1.3K11编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--禁忌搜索
python代码示例 import random # 定义距离矩阵 distance_matrix = [ [0, 2, 9, 10], [1, 0, 6, 4], [15, 特定类型的邻域结构： 2-opt和2-interchange交换邻域被广泛用于生产—库存—配送协同计划问题中，因为它们能够有效地拓展解空间并保证候选解的可行性。
91710编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--聚类分析
数学建模中的聚类分析是一种无监督学习方法，用于将数据集中的对象分组，使得同一组内的对象尽可能相似，而不同组的对象尽可能不同。这种方法的主要目的是通过分析数据的内在结构来发现数据中的潜在模式和规律。 常用的数学公式和方法： K-means聚类算法： 误差平方和准则函数：用于评价聚类性能。其公式为： 其中，CiCi 是第 ii 个簇，μiμi 是第 ii 个簇的中心。 结论 数学建模中的聚类分析是一种强大的工具，能够帮助我们从复杂的数据中发现有意义的结构和模式。通过合理选择距离度量、聚类算法以及评估方法，可以有效地进行数据聚类并获得有价值的洞察。 数学建模中的聚类分析在市场细分中的具体应用案例是什么？ 在数学建模中，聚类分析是一种无监督学习技术，通过将数据集分成若干组（即聚类），使得同一聚类内的数据点尽可能相似，而不同聚类间的数据点尽可能不同。
80110编辑于 2024-10-16 - 来自专栏全栈程序员必看
数学建模的一些方法_对数学建模的认识
一，数学模型分类 本人在大学时期 待了两年的数学建模社团，也参加过国赛，最近有些许感性，想以此纪念一下。 首先，既然是数学建模，就离不开模型，具体的模型有哪些呢？ 二、建模方法分类 常用的方法有： 1.类比法、2.二分法、3.量纲分析法、4.图论法；5.差分法、6.变分法、7.数据拟合法、8.回归分析法 9.数学规划法(线性规划，非线性规划，整数规划，动态规划，目标规划 2、二分法 二分法常用于数据的排序与查找，当数据量很大时宜采用该方法。 想象一本书找到其中一页有什么办法？ 3、量纲分析法 量纲分析法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。 4、图论法 图论方法是数学建模中一种独特的方法，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，也是数学建模的一个必备工具。
2.8K10编辑于 2022-11-09 - 来自专栏巴山学长
层次分析法在数学建模中的matlab实现【数学建模】
前言：MATLAB是数学建模比赛中较受欢迎的一种编程语言，为了满足一些参加数学建模比赛小伙伴的需求，我们创建了这个专题，并会在接下来的一段时间里定期地为大家推送一些算法文章。 今天我们学习的是数学建模中的层次分析法。 一、层次分析法的介绍 层次分析法（Analytic Hierarchy Process，简称 AHP），最早是由美国运筹学家 T. L. 方案层单排序权值:') fw w=fw*zw;%层次总排序 [m,n] = max(w); disp((sprintf('最终选择的方案为方案%d',n))) 本期内容由小编编程手撰写，编程手有丰富的数学建模与 鉴于此，matlab爱好者公众号计划推出【数学建模】系列，将逐一揭开数学建模的“神秘”面纱，与大家一起在数学建模的海洋里畅游。 若您有过数学建模的获奖经历，并有一定的matlab编程基础，欢迎将您的成功经验整理成文推送给我们与大家分享。
3.6K20发布于 2021-04-22 - 来自专栏全栈程序员必看
数学建模之方差分析模型_数学建模层次分析法
数学建模之方差分析 方差分析(Analysis of Variance, ANOVA) 应用场景 单因素方差分析 Matlab实现——anova1 多重比较 双因素方差分析 Matlab 正交表：一系列规格化的表格，每一个表都有一个记号，如 L 9 ( 3 4 ) L_9(3^4) L9(34) 最简单的正交表是 L 4 ( 2 3 ) L_4(2^3) L4(23)，其含意为：“L 1与2。 L 9 ( 3 4 ) L_9(3^4) L9(34)表里每两列中 ( 1 , 1 ) (1,1) (1,1)， ( 2 , 2 ) (2,2) (2,2)，…， ( 3 , 3 ) (3,3) ( 例如： 参考文献 [1] 司守奎.数学建模算法与程序[M].海军航空工程学院, 2007 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
1.5K11编辑于 2022-11-04 - 来自专栏笔记c
数学建模——熵权法
信息熵值越小，权重越大 二、熵权法基本思路 权重大-->提供的信息量大-->指标的变异性大-->信息熵值小 1.数据归一化 2.计算指标变异性 3.计算信息熵 4.计算权值 三、熵权法计算步骤 1. 数据归一化 由于各项指标计量单位并不统一，因此在计算综合权重前先要对它们进行归一化处理，即把指标的绝对值转化为相对值，并令 正向指标 负向指标 2.计算变异性指标 计算第j项指标下第i方案指标值的比重 计算第j项指标的信息熵冗余度 5.计算各指标权重 计算第j项指标的权重 6.计算综合得分 计算第i个评价对象的综合得分 四、应用例题分析 成绩评价 判断下列同学的综合成绩排名 语文（150） 数学 100 80 80 E同学 100 100 80 70 90 60 F同学 100 70 70 90 80 80 G同学 90 100 90 70 100 80 1 数据归一化 均为正向指标 采用 2. y(:,j)=(ymax-ymin)*(xmax(j)-x(:,j))/(xmax(j)-xmin(j))+ymin; end end 熵权法.xlsx 语文（150） 数学
27.8K46编辑于 2022-11-15 - 来自专栏学习成长指南
数学建模之MATLAB使用
举一个很简单的例子，我们在高等数学里面的微积分学习时经常求不定积分，也就是原函数，这个过程实际上进行的就是符号运算，我们通过对一些变量字符x等等的运算，最后得出一个表达式； 或者说是高等数学里面的微分方程 2.一维数组的创建 （1）冒号生成法 类似于一个等差数列； （2）线性（对数）生成法 logspace是对数生成，linspace是线性生成，linspace的第一个参数和第二个参数分别代表起始数值和终止值 我们想要找到第一行第二列的一个元素，我们使用find函数找到矩阵里面符合条件的元素，最后打印输出的结果是对应的标号，而不是矩阵里面元素的值； 3.二维数组的创建 （1）数组的元素的个数较少的时候，我们可以手动输入； （2） ,eye等等； （3）我们在二维数组里面可以使用单个的角标找到对应位置的元素，这个时候是从每一列开始，每一列结束后进行下一列，这样的方法和双下标的一样找到对应位置的元素； （4）127行我们可 以找到2， 3行，2，3列重合的元素；我们也可以使用逻辑1的方法找到符合条件的元素，符合条件的就是1，不符合条件的就是0， 但是这个时候，如果我们还是使用find进行筛选，就会输出一些下标，我们无法像上面的一样直观的找到对应的位置
42010编辑于 2025-02-24 - 来自专栏Yui编程知识
【数学建模】MATLAB快速入门
2. MATLAB字符串和文本 2.1 string变量 双引号（英文的） 当我们要定义一个字符串变量时，可以写 t = "hello world" 和C语言的语法也没啥区别。 如果字符串中本质需要右双引号，这就和C语言的处理方法不同了，我们需要加上双重双引号 t = "hello ""haha"" world" 这样的话，t就会等于hello "haha" world 2. 字符串和数组的区别 tmp = 1+1，运行结果是2 tmp = “1+1”，运行结果是1+1 3. 添加内容 使用方括号把多个字符数组串联起来 tmp2 = [tmp,'haha'] 注意：双引号得到是是1个string变量，单引号得到是是多个char变量 3. 常见运算：转置、取逆、求特征值会特征向量 a = [3 2 1;2 4 1;3 9 2] b = a' %求转置 [d,v] = eig(a) %求特征值和特征向量 e = inv(a) %求逆矩阵
74810编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--支持向量机
例如，在 P2SMO 算法基础上进行并行化处理，可以有效加速 SVM 模型的训练和参数优化。 样本大小和噪声水平也会影响 CC 值的选择。 在实际应用中，支持向量机（SVM）与其他机器学习算法（如随机森林、梯度提升树）相比具有以下优势和劣势： 优势： 严格的数学理论支持：SVM有严格的数学理论支持，可解释性强，不依靠统计方法，从而简化了通常的分类和回归问题 创建分类器：对于K个类别的问题，需要创建K(K-1)/2个二分类器。每个分类器负责区分两个类别。例如，对于三个类别A、B、C，需要创建三个二分类器：A vs B、A vs C、B vs C。 分类报告:\n", classification_report(y_test, y_pred)) print("混淆矩阵:\n", confusion_matrix(y_test, y_pred)) 总结2 增量学习是一种逐步构建模型的方法，每次只更新部分数据，而不是一次性加载整个数据集。这种方法特别适用于大规模数据集，可以有效减少内存占用和计算时间。
82410编辑于 2024-10-16 - 来自专栏学习成长指南
数学建模--MATLAB基本使用
这个地方我们只绘制了-1~1范围里面的函数图像，这样便于观察函数的效果，学过高等数学的同学们对于这个函数就非常的熟悉，因为他是特例，这个函数是有界限的，但没有极限存在； （2）下面我们来聊一聊这个里面每一行代码的作用 ；合在一起就是蓝色实线； k表示黑色，：表示虚线；合在一起就是黑色虚线； 下面是效果图： 3.空间曲线的绘制 绘制空间曲线x^2+y^2+z^2=16,x+y=0(这2个方程是在一个括号里面进行联立的） 首先要转化成为参数方程，也就是x=2根号2sint;y=-2根号2cost;z=4cost; 下面是是否添加grid on的区别，读者可以自行感受： 这个是没有grid on的，可见就没有曲线的格子； 我们使用int(s,x)就是表示对s表达式里面的x进行积分； 顺便提一句：无论是积分求解还是极限的求解，我们都是使用inf代表无穷； 下面是例子： （需要了解的是这个不定积分的求解是没有常数项的（实际上数学里面的求解是由常数的 ； （2）求解dy/dx+y=y^2*exp(-x)满足条件y(0)=-2的特解： 提前说明一下，笔者使用的是旧版本的教材，但是用的是新版MATLAB，2023里面可能会因为不支持原来的某些符号而报警告
82210编辑于 2025-02-24 - 来自专栏学习笔记
数学建模——线性回归模型
2.探索性数据分析： 在建立模型之前，通常会对数据进行探索性分析，包括可视化和描述性统计分析，以了解数据的分布、相关性和异常值等情况。 3.选择模型： 根据问题的特点选择合适的线性回归模型。 2.调整R平方（Adjusted R-squared）： 调整R平方考虑了自变量的数量和样本量，相比于R平方更可靠。 3.残差分析： 分析残差是否呈现出随机分布，检查是否满足模型假设。 如果假设不成立，可能需要对模型进行修正或者选择其他的建模方法。 2.线性回归模型公式分析包括以下几个方面： 3.模型代码实现 具体的需要根据具体数据磨合 1.代码_python import numpy as np import statsmodels.api as sm import matplotlib.pyplot as plt # 准备数据 np.random.seed(0) X = np.random.rand(100, 2) # 两个自变量 y =
1.1K10编辑于 2024-06-15 - 来自专栏CSDN小华
数学建模--微分方程
在数学建模中，微分方程模型是一种极其重要的方法，广泛应用于各种实际问题的描述和解决。微分方程模型通过建立变量及其变化率之间的关系，可以预测和分析系统的行为。 结论 微分方程模型在数学建模中具有重要地位，它不仅能够全面深刻地揭示实际事物内在的动态关系，还能帮助我们做出相应的决策或对未来进行预测。 通过合理选择和应用不同的微分方程模型，可以有效地解决各类实际问题，提高建模的准确性和实用性。 如何在数学建模中准确识别和选择合适的微分方程模型？ 常微分方程（ODE）与偏微分方程（PDE）在数学建模中的优缺点分别是什么？ 在数学建模中，常微分方程（ODE）和偏微分方程（PDE）各有其优缺点。 例如，对于需要高精度和稳定性的复杂问题，龙格-库塔法和多步法是较好的选择； 数学建模中微分方程模型的最新研究进展有哪些？
3K10编辑于 2024-10-16 - 来自专栏全栈全栈
用 Python 做数学建模
前言 这里是用python解决数学建模的一些问题，用到的是python3.x，scipy，numpy和matplotlib。 先补充一些基本的数据知识。 =2) array([[1, 2, 3]]) #复数 >>> np.array([1, 2, 3], dtype=complex) array([ 1.+0.j, 2.+0.j, 3.+0.j] 正文 补充完一些基础的数据知识就开始接触真正的数学建模用到的类型知识了。 这里不讨论具体问题，只涉及数学方程转换成函数语言进行求解的过程，参考书籍：数学建模算法与应用。 ? 1 ''' 2 max： z = 4x1 + 3x2 3 st: 2x1 + 3x2<=10 4 x1 + x2 <=8 5 x2 <= 7
2.1K21发布于 2020-03-17 - 来自专栏学习成长指南
数学建模---Matlab学习笔记
判断是否为质数 先设定布尔值是true,也就是假设这个数字是质数，利用for循环进行遍历直到n-1，如果被任意的数字整除，就说明不是质数，我们就把布尔值修改为false,最后输出布尔值，0表示不是质数； （2） 这个就是小猫走出山洞的平均时间； （3）二分法求解零点问题 我们这个二分法类似于变成里面的二分查找；由图像可得到，ab分别是函数图像的两个端点，二分法就是取出ab的中点c，让ac两点的函数值相乘（就是利用数学里面的零点存在定理 我们就要把零点的存在区间缩小到cb之间，按照这样依次进行下去； 因为题目给了误差的范围是10的负8次方，我们使用epsilon表示这个阈值，c点的函数值的绝对值小于这个阈值，说明我们就已经找到了零点的坐标，否则就一直进行下去； 2. try-catch语句 示例1：这个地方显然是无法进行运算的，我们直接运算就会报错，使用try-catch语句就不会报错，而是显示相应的提示信息；这个就类似于其他编程语言里面的assert断言 示例2：
27410编辑于 2025-02-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号