最新数学模型建立的思路教学讲义PPT课件.ppt

《最新数学模型建立的思路教学讲义PPT课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、数学模型建立的思路1.5建立数学模型的方法和步骤一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。1.2~1.4节的示例都属于机理分析方法。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1.2~1.4节的几个例子也可以看出这点。下面给出建模的一般步骤，如下图所示。模型准备模型假设模型构成模型求解模型分析模型检验模型应用模型准备首

2、先要了解问题实际背景，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，这一步一定不能忽视，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，用精确的语言作出假设，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

3、败或部分失败，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，善于辨别问题的主次，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。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

4、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，借用已知领域的数学模型，也是构造模型的一种方法。建模时还应遵循的一个原则是，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

5、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，有时则可能要给出数学上的最优决策或控制。不论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、数据与之比较，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。模型检验的结果如果不符合或者部分不符合实际，问题通常出在模型假设

6、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。应当指出，并不是所有建模过程都要经过这些步骤，有时各步骤之间的界限也不那么分明。建模时不应拘泥于形式上的按部就班，本书的建模实例就采取了灵活的表达方式。1.6数学模型的特点和建模能力的培养我们已经看到建模是利用数学工具解决实际问题的重要手段。数学模型有许多优点，也有弱点。建模需要相当丰富的知识、经验和各方面的能力，同时应

7、注意掌握分寸。下面归纳出数学模型的若干特点：模型的逼真性和可行性一般说来总是希望模型尽可能逼近研究对象，但是一个非常逼真的模型在数学上常常是难于处理的，因而不容易达到通过建模对现实对象进行分析、预报、决策或者控制的目的，即实用上不可行。另一方面，越逼真的模型常常越复杂，即使数学上能处理，这样的模型应用时所需要的“费用”也相当高，而高“费用”不一定与复杂模型取得的“效益”相匹配。所以建模时往往需要在模型的逼真性与可行性，“费用”与“效益”之间作出折衷和抉择。模型的渐进性稍微复杂一些的实际问题的建模通常不可能

8、一次成功，要经过上一节描述的建模过程的反复迭代，包括由简到繁，也包括删繁就简，以获得越来越满意的模型。在科学发展过程中随着人们认识和实践能力的提高，各门学科中的数学模型也存在着一个不断完善或者推陈出新的过程。模型的强健性模型的结构和参数常常是由对象的信息如观测数据确定的，而观测数据是允许有误差的。一个好的模型应该具有下述意义的强健性：当观测数据（或其他信息）有微小改变时，模型结构和参数只有微小变化，并且一般也应导致模型求解的结