常微分方程在数学建模中的应用.

微分方程应用

1 引言

常微分方程的形成与发展和很多学科有着密切的联系，例如力学、天文学、物理学等.数学的其他分支的快速发展，产生出很多新兴学科，这些新兴学科的产生都对常微分方程的发展有着深刻的影响，而且当前计算机的快速发展更是为常微分方程的应用及理论研究提供了非常有力的工具.

数学解决实际问题就必须建立模型，而数学建模就是把数学语言描述实际现象的过程.利用数学去解决各类实际问题时，建立数学模型是十分重要的一步，但是也是最困难的一步.建立数学模型的过程，是把错综复杂的实际问题简化、抽象为合理的数学结构的过程.要通过大量调查、收集相关数据资料，观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题.

因此本文先简要介绍了如何建立微分方程模型，并通过具体的实例来简单地介绍了微分方程在数学建模中的应用.

2 数学模型简介

通常我们把现实问题的一个模拟称为模型．如交通图、地质图、航空模型和建筑模型等．利用字母、数学及其它数学符号建立起来的等式或不等式以及图表、图象、框图等来模拟现实的模型称为数学模型．数学模型在实际生活中经常碰到，如求不规则图形的面积，可建立定积分的数学模型，求变化率的问题可建立导数模型，统计学中抽样调查，买彩票中奖的概率问题等等．学会建立数学模型对解决实际生活问题会有很大的帮助．

建立数学模型是沟通摆在面前的实际问题与数学工具之间联系的一座必不可少的桥梁．随着科学技术的进步，特别是电子计算机技术的迅速发展，数学已经渗透到从自然科学技术到工农业生产建设，从经济生活到社会生活的各个领域．一般地说，当实际问题需要我们对所研究的现实对象提供分析、预报、决策、控制等方面的定量结果时，往往都离不开数学的应用，而建立数学模型则是这个过程的关键环节．

3 常微分方程模型

3．1 常微分方程的简介

微分方程的发展有着渊远的历史．微分方程和微积分产生于同一时代，如苏格兰数学家耐普尔创立对数的时候，就讨论过微分方程的近似解.牛顿在建立微积分的同时就对简单的微分方程用级数来求解.后来，瑞士数学家雅各布·贝努、欧拉、法国数学家克雷洛、达朗贝尔、拉格朗日等人又不断地研究和丰富了微分方程理论.

纵观微分方程的发展史，我们发现微分方程与物理、天文学以及日异月新的科学技术有着密切的联系.如牛顿研究天体力学和机械力学的时候，就利用了微分方程这个工具，从理论上得到了行星运动的规律.后来，法国天文学家勒维烈和英国天文学家亚当斯使用微分方程各自计算出那时尚未发现的海王星的位置.而这些都证明微分方程在改造自然和认识自然方面有着巨大的力量.微分方程是自变量、未知函数及函数的导数(或微分)组成的关系式．在解决实际问题的过程中，我们又得出了常微分方程的概念：如果在一个微分方程中出现的未知函数中只含有一个自变量，那么这个方程则称为常微分方程，也可以简单的叫做微分方程.在反映客观现实世界运动过程的量与量之间的关系中，大量存在满足微分方程关系似的数学模型，需要我们通过求解常微分方程来了解未知函数的性质．常微分方程是解决实际问题的重要工具.

3．2 常微分方程模型示例

数学模型按照建立模型的数学方法可以分为初等数学模型、几何模型、微分方程模型、图论模型、马氏链模型和规划论模型等．当我们描述实际对象的某些特性随时间(或空间)而演变的过程，分析它的变化规律，预测他的未来性态时，通常要建立对象的动态模型，即微分方程模型．

建立微分方程模型就是把物理、化学、生物科学、工程科学和社会科学中的规律和原理用含有待定函数的导数或微分的数学关系式表示出来．下面我们由浅入深地介绍一些微分方程模型．

例1 细菌的增长率与总数成正比．如果培养的细菌总数在24h内由100增长为400，那么，前12h后总数是多少？

解：第一句话说的是在任何瞬间都成立的事实；第二句话给出的是特定瞬间的信息．如果我们用)

y表示总数，第一句话告诉我们

(t

ky dt

dy = 它的通解为

kt y Ae =

A 和k 这两个常数可以由问题中第二句话提供的信息计算出来，即

,100)0(=y (3.1) 和 ,400)24(=y (3.2) 其中t 的单位为小时．(3.1)意味着

.100)0(0===A Ae y

(3.2)意味着

.400100)24(24==k e y

它给出 .24)4(ln =

k 故 .100)(244ln t e t y =

要我们求的是

200100)12(4ln )2412(==e y 个细菌．

例 2 将室内一支读数为 60的温度计放到室外．10min 后，温度计的读数为 70；又过了10min ，读数为 76.先不用计算，推测一下室外的温度.然后利用牛顿的冷却定律计算出正确的答案．

牛顿的冷却定律或称加热定律是：将温度为T 的物体放进处于常温m 的介质中时，T 的变化速率正比于T 与周围介质的温度差．在这个数学模型中，假定介质足够大，从而，当放入一个较热或较冷的物体时，m 基本上不受影响．实验证明，这是一个相当好的近似．

解 显然，对于这个题首先要做的是了解牛顿定律的含义，这已经做过了。所以，用了两段话来作为我们求解的出发点．

第三段关键词“以某一速度变化”．这句话是说dt dT 与m T -是成正比例的，即)(m T k dt dT -=．给出的三个特定条件是：

76)20(,70)10(,60)0(===T T T ．

其中t 的单位是分钟，而的单位是度。微分方程的解为m Ae T kt +=解出三个常数m k A ,,解出 85=m ．

例3 红绿灯问题

在十字路口的交通管理中，亮红灯之前，要亮一段时间的黄灯，这是为了让那些正行驶在十字路口的人注意，告诉他们红灯即将亮起，假如你能够停住，应当马上刹车，以免冲红灯违反交通规则.这里我们不妨想一下：黄灯应当亮多久才比较合适？

现在，让我们来分析一下这个问题．在十字路口行驶的车辆中，交警主要考虑的是机动车辆，因为只要机动车辆能停住，那么非机动车辆自然也应当能停住。驶近交叉路口的驾驶员在看到黄色信号灯后要立即做出决定：是停车还是通过路口．如果他决定停车，必须有足够的距离能让他能停得住车．也就是说，在街道上存在着一条无形的线，从这条线到街口的距离与此街道的法定速度有关，法定速度越大，此距离也越大．当黄灯亮起时车子到路口的距离小于此距离时不能停车，否则会冲出路口．大于此距离时必须停车，等于此距离时可以停车也可以通过路口（注：此街道的法定速度由另一问题讨论，制定法定速度的目的是为了最大限度地发挥这一街道的作用）．对于那些已经过线而无法停住的车辆，黄灯又必须留下足够的时间使它们能顺利地通过路口．

根据上述分析，我们确定了求解这一问题的步骤如下：

步1. 根据该街道的法定速度0v 求出停车线位置（即停车线到街口的距离） 步2. 根据停车线位置及法定速度确定黄灯该亮多久

（停车线的确定）

要确定停车线位置应当考虑到两点：

(1)驾驶员看到黄灯并决定停车需要一段反应时间1t ，在这段时间里，驾驶员尚未刹车．

(2)驾驶员刹车后，车还需要继续行驶一段距离，我们把这段距离称为刹车距离． 驾驶员的反应时间（实际为平均反应时间）1t 较易得到，可以根据经验或者统计数据求出，交通部门对驾驶员也有一个统一的要求（在考驾照时都必须经过测试）．例如，不失一般性，我们可以假设它为1秒，（反应时间的长短并不影响到计算方法）． 停车时，驾驶员踩动刹车踏板产生一种摩擦力，该摩擦力使汽车减速并最终停下．设汽车质量为m ,刹车摩擦系数为f ，)(t x 为刹车后在t 时刻内行驶的距离，更久刹车规律，可假设刹车制动力为fmg （g 为重力加速度）．由牛顿第二定律，刹车过程中车辆应满足下列运动方程

???

????==-==0022,0)0(v dt dx x fmg dt x d m t (3.3) 在方程(3.3)两边同除以m 并积分一次，并注意到当0=t 时

0v dt dx =，得到 0v f g t dt

dx +-= (3.4) 刹车时间2t 可这样求得，当2t t =时，0=dt

dx ，故 fg

v t 02= 将(3.4)再积分一次，得 t v fgt t x 0221)(+-

= 将fg

v t 02=代入，即可求得停车距离为 fg

v t x 20221)(= 据此可知，停车线到路口的距离应为： fg

v t v L 201021+= 等式右边的第一项为反应时间里驶过的路程，第二项为刹车距离．

（黄灯时间的计算）

现在我们可以来确定黄灯究竟应当亮多久了．在黄灯转为红灯的这段时间里，应当能保证已经过线的车辆顺利地通过街口．记街道的宽度为D （D 很容易测得），平均车身长度为l ，这些车辆应通过的路程最长可达到l D L ++，因而，为保证过线的车辆全部顺利通过，黄灯持续时间至少应当为： 0

v l D L T ++=． 3．3 建立常微分方程模型的方法和步骤

从上边的例子大致可以看出微分方程模型的特点是反映客观现实世界中量与量的变化关系，往往与时间有关是一个动态(力)系统．构造常微分方程的数学模型有如下几种方法：

1． 运用已知的基本定律或基本公式建立常微分方程模型

主要利用各学科中已知的定理或定律来建立的.如力学中的牛顿第二运动定律，万有引力定律，傅里叶传热导定律，弹性形变中的虎克定律，拆里定律，阿基米德原理，放射性问题中的衰变率，生物学、经济学、人口问题中的增长率等．

2．利用导数的定义建立微分方程模型

在微积分中导数是一个重要概念，其定义为

x y x

x f x x f dx dy x x ??=?-?+=→?→?00lim )()(lim 如果函数)(x f 是可微的，那么dx

dy 就可解释为y 相对于x 在该点的瞬时变化率。把导数解释为瞬时变化率在很多建模应用问题中都有用．如在生物学以及人口问题研究中出现的“速率”、“增长”；在放射问题中出现的“衰变”，在经济学中出现的“边际的”等，这些词的出现就是一个信号，这个时候要注意哪些研究对象在变化，这些变化规律也许可以用在微分方程的表示中．例如在考古学中，经常需要测定某种文物的绝对年龄，这时我们可以考察其中的放射性物质，由裂变规律：放射性物质的裂变速度与其存余量成正比．我们假设时刻t 时该放射性物质的存余量为u ，u 是t 的函数，则我们可以建立常微分方程模型

ku dt

du -= 其中0>k 是衰变系数，与放射性物质本身有关.求解该模型，我们解得：kt ce u -=,

其中c 是待定系数，它可以由初始条件确定.这样我们就可以测定这种文物的绝对年龄.

3．利用微元法建立常微分方程模型

这种方法主要是通过寻求微元之间的关系式，直接对函数运用有关定律建立模型．一般的，如果某一实际问题中所求的变量I 符合下列条件： I 是与一个自变量x 的变化区间],[b a 有关的量；I 对于区间],[b a 具有可加性；部分量i i i x f I ?≈?)(ξ．那么就可以考虑利用微元法来建立常微分方程模型，其步骤是：根据问题的具体情况，选取一个自变量x ，并确定其变化区间为],[b a ；在区间],[b a 中任意选取一个任意小的区间记作],[dx x x +，求出相应于这个区间的部分量I ?的近似值．将I ?近似的表示为一个连续函数在x 处的值)(x f 与dx 的乘积，即dx x f I )(≈?，记dI dx x f =)(，dI 称为量I 的微元．等式两边同时积分就可以求出要求的量I 了．这种方法经常被应用于各种领域．例如在空间解析几何上可以用微元法求曲线的弧长、平面图形的面积、旋转曲面的面积、旋转体体积；代数方面求近似值以及流体混合问题；物理上求变力做功、压力、静力矩与重心．

4.模拟近似

对于规律或现象不很清楚，比较复杂的实际问题，常用模拟近似法来建立常微分方程模型．这类模型一般要做一些合理假设，将要研究的问题突出出来．这个过程往往是近似的，因此用此法建立常微分方程模型后，要分析其解的有关性质，在此基础上同实际情况对比，看所建立的模型是否符合实际，必要时要对假设或模型进行修改．

3.4建立微分方程模型的一般准则

在建立微分方程的时候，所要求的其实是微分方程的一条解曲线，通过它来反映某些我们所要寻求的规律．微分方程曲线思想是，如果知道曲线上每一点处的导数以及它的起始点，那么就能构造这条曲线．

(1)转化翻译：有许多表示导数的常用词，如速率、增长、衰变、边际、弹性等．改变、变化、增加、减少这些词可能是一种暗示信号，只需弄清楚什么在变，随什么而变，这时也许导数就用得上．

(2)机理分析：将所研究的问题看成一个封闭和系统，思考研究的问题是否遵循什么原理或物理定律，是应该用已知的定律还是去推导问题的合适结果．在不知道问题的机理时，合理的想象和类比是很重要的．

不少问题都遵循下面的平衡式：

净变化率=输入率-输出率

如果当这个平衡式出现的时候我们能理解它，并且能使用正确的物理量纲，或许就得到了需要的微分方程．

(3)微分方程模型：微分方程是在任何时刻必须正确的瞬时表达式．如看到了表示导数的关键词，就要寻找)

y, t的关系．首先将注意力集中在文字形

(t

(t

y'与)

式的总关系式上，如“速率=输入-输出”．写出这些关系式，然后准确填好式中的所有项．

(4)单位：一旦确定了哪些项应该列入微分方程中，就要确保每一项都采用同样的物理单位，保证式子的平衡．

(5)定解条件：系统在某一特定时刻的信息，独立于微分方程而成立，利用它们来确定有关的常数，包括比例系数、原微分方程的其它参数以及解中的积分系数．

4微分方程建模

4.1数学建模的简介

数学建模就是用数学语言描述实际现象的过程.这里的实际现象既包涵具体的自然现象比如自由落体现象；也包涵抽象的现象，如顾客对某种商品所取的价值倾向.这里的描述不但包括外在形态，内在机制的描述，也包括预测、试验和解释实际现象等内容.

我们还可以直观地理解这个概念：数学建模是一个让纯粹数学家变成物理学家、生物学家，经济学家甚至是心理学家等的过程.要描述一个实际现象可以有很多种方式，比如录音、录像、比喻、传言等等.而数学语言以其科学性、逻辑性、客观性及可重复性的特点，在描述各种现象时体现出其别具一格地严密与贴合实际.正是由于这样，更多人越来越喜欢运用数学这种严格而又严密的语言，而使用数学语言描述的事物就称为数学模型.有时候我们需要做一些实验，但这些实验往往用抽象出来的数学模型作为实际物体的代替而进行相应的实验，实验本身也是

实际操作的一种理论替代.举个简单例子：某司机欲把某货物从甲地运往乙地，应如何选择运输路线使总路程最短？该司机不会开着车去试探，而是利用交通图来确定自己的行车路线．从这个简单的例子中我们可以看到数学模型的重要性．应用数学去解决各类实际问题时，建立数学模型是十分关键的一步，同时也是十分困难的一步.建立数学模型的过程，是把错综复杂的实际问题简化、抽象为合理的数学结构的过程，也就是说使抽象的事物变的感性化.而建立模型首先要通过调查、收集数据资料，其次是观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，最后是建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题.在这个过程中深厚扎实的数学基础、敏锐的洞察力和想象力、对实际问题的浓厚兴趣和广博的知识面就尤为重要.其实，数学建模是联系数学与实际问题的桥梁，是数学在各个领域广泛应用的媒介，是数学科学技术转化的主要途径，数学建模在科学技术发展中的重要作用越来越受到各类学科的普遍重视，它已成为现代科技工作者必备的重要能力之一.

4.2数学建模的方法与步骤

数学模型就是针对或参照某种问题(事件或系统)的特征和数量相依关系，采用形式化语言，概括或近似地表达出来的一种数学结构．数学模型因问题不同而异，建立数学模型也没有固定的格式和标准，甚至对同一个问题，不同角度，不同要求出发，可以建立起不同的数学模型，因此，与其说数学建模是一门技术，不如说是一门艺术．它需要熟练地数学技巧，丰富的想象力和敏锐的洞察力，需要大量阅读，思考别人做的模型，尤其要自己动手，亲身体验．数学建模注重的是建模的方法和过程，一般的建模方法和步骤如下：

1.模型准备

如果想对某个实际问题进行数学建模，通常要先了解该问题的实际背景和建模目的，尽量弄清楚要建模的问题属于哪类学科，然后通过互联网或图书馆查找，搜集与建模要求相关的资料和信息，对该问题进行全面的，深入细致的调查和研究．

2.模型假设

一个实际问题往往会涉及很多因素，如果把涉及的所有因素都考虑到，既不可能也没必要，而且还会使问题复杂化导致建模失败．要想把实际问题变为数学

问题，需要抓住主要因素，暂不考虑或忽略次要因素，对其进行必要的、合理的简化和假设．一般的，所得建模的结果依赖于对应模型的假设，模型假设到何种程度取决于经验和具体问题．在整个建模过程中，模型假设可以通过模型的不断修改得到逐步完善．

3.模型建立

有了模型假设，就可以选择适当的数学工具并根据已有的知识和搜集的信息来描述变量之间的关系或其他数学结构．在建模时有几点是需要注意的：

①分清变量类型，恰当使用数学工具如果实际问题中的变量时确定性变量，建模时数学工具多用微积分、微分方程、线性规划、非线性规划、图论与网络、投入产出、插值与拟合等．如果是随机变量，建模时数学工具多用概率、统计、随机性存贮论、排队论、对策论、决策论、随机微分方程等．由于数学分支很多，又加之互相交叉渗透，派生出许多分支．建模时具体用什么分支好，一是因问题而异，二是因人而异，应看自己对哪门学科比较熟悉精通，尽量发挥自己的特长．

②抓住问题的本质，简化变量之间的关系模型尽可能简单、明了、思路清晰，能不采用尽量不用高深的数学知识，不要追求模型技术的完美，要侧重于实际应用．

③建模要有严密的推理在己定的假设下，建模过程中推理一定要严密，以保证模型的正确性，否则会造成模型错误，前功尽弃．

④建模要有足够的精确度所建的模型应能够满足实际问题对精度的具体要求．

4.模型求解

在已经建立起来的数学模型中可采用解方程、推理、图解、定理证明等各种传统和现代的数学方法进行求解，其中有些工作可以用计算机软件来完成．目前市场上流行的数学工具软件比较多．如Mathlab，Mathematic等．

5.模型检验

在求得模型的解之后，需要对模型进行分析和检验．模型分析主要包括误差分析、模型对数据的稳定性分析和灵敏度分析等．模型检验是将所得结果的理论数值与实际数值相比较，如果两者相符，则说明所建模型是成功的；否则需要对所建模型进行修改．因为所建模型是在一定假设条件下所得的，理想化的产物，

可能与实际问题有较大出入，这时需要反过来仔细检查简化与假设是否合理．如果不合理则进行修改同时根据新的简化与假设建立数学模型．这个过程需要反复循环进行，直到满足要求为止．

6.模型应用

利用建模中获得的正确模型对研究的实际问题给出预报或对类似实际问题进行分析、解释和预报供决策者参考，这一过程称为模型应用．一般来说，建模是预测的基础，而预测又是决策与控制的前提．建立数学模型的步骤可以用下面的框图4－1表示

图4－1 4.3数学建模示例

在建模中，根据问题不同建立的模型不同，在前文也讲到了具体哪些问题用到建立微分方程模型．在数学建模中有各种各样的常微分方程模型，例如：人口模型、传染病模型、糖尿病模型、作战模型、交通模型、经济模型、辨别艺术伪造品模型等，这里以人口模型为例简单介绍常微分方程在建模中的应用．

例4 人口模型

人类社会进入20世纪以来，在科学技术和生产力飞速发展的同时，世界人口也以空前的规模增长，统计数据见表4―1．由表4―1可见，世界人口每增加10亿的时间由100年缩短为十二、三年，人类赖以生存的地球已经携带着它的60亿子民进入了21世纪．

表4－1 世界人口统计数据

年

1625 1830 1930 1960 1974 1987 1999 人口（亿） 5 10 20 30 40 50 60 现实问题

求解模检验模型 应用模型 简化假设 建立模型 观察、分析

确定主要因素 收集数据 及其相互关系

数字工具

解

释

、

预

测

长期以来，人类的繁殖一直在自发地进行着，只是由于人口数量的迅速膨胀和环境质量的急剧恶化，人们才猛然醒悟，开始研究人类和自然的关系，人口数量的变化规律，以及如何进行人口控制等问题.

认识人口数量的变化规律，建立人口模型，作出较准确的预报，是有效控制人口增长的前提.长期以来人们在这方面做了不少工作，下面介绍两个最基本的人口模型，并利用表4－2给出的近两个世纪的美国人口统计数据，对模型作检验.

表4－2 美国人口统计数据（单位：百万）

年

1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 人口

3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 年 1900 1910

1920 1930 1940 1950 1960 1970 1980 1990 2000 人口 76.0 92.0 106.5 123.2 131.7 150.7 179.3 204.0 226.5 251.4 281.4

1.人口指数增长模型（马尔萨斯人口模型）

最简单的人口增长模型是：

记今年人口为0x ，k 年后人口为k x ，年增长率为r ，则

0(1),1,2,

k k x x r k =+=. (4.1)

显然，这个公式的基本前提是年增长率r 保持不变．

二百多年前英国人口学家马尔萨斯（Malthus ,1766-1834）调查了英国一百多年的人口统计资料，得出了人口的增长率是常数的假设，并据此建立了著名的人口指数增长模型．

(1) 模型构成

记时刻t 的人口为()x t ，当考察一个国家或一个较大地区的人口时，()x t 是一个很大的整数，为了利用微积分这一数学工具，将()x t 视为连续、可微函数．记初始时刻(0)t =的人口为0x ，假设人口增长率为常数r ，即单位时间内()x t 的增量与()x t 的比例系数．考虑t 到t t ?+时间内人口的增量，显然有

()()()x t t x t rx t t +?-=?.

令0t ?→取极限，得到()x t 满足的微分方程 0,(0)dx rx x x dt

==. (4.2) 由这个线性常系数微分方程很容易解出

0()rt x t x e = ， (4.3) 表明人口将按指数规律随时间无限增长(0>r )．因此，(4.3)式称为人口指数增长模型，也称为马尔萨斯人口模型． 由微分学的理论知，当1≤r 时，1r e r ≈+．

这样将t 以年为单位离散化，由公式(4.3)就得到了前面所讨论的公式(4.1)，即 0()(1),1,2,t x t x r t =+=．

由此可见公式(4.1)只是人口指数增长模型(4.3)的离散近似形式．

(2) 对人口指数增长模型的检验

下面我们应用人口指数增长模型(4.3)对美国人口的增长进行预测.

首先将模型(4.3)线性化为

0ln ()ln x t x rt =+. (4.4) 记 0ln (),ln y x t a x ==，则(4.3)线性化为

y a rt =+. (4.5) 根据表4－2中数据、及(4.4)和(4.5)两式，应用线性回归分析的理论，建立了对美国人口的增长进行预测的数学模型

0.20226.0450t x e = . (4.6) 其中x 的单位为百万人，t 的单位为10年.

应用预测模型(4.6)对美国近两个世纪人口的增长进行模拟计算,并与实际人口相比较，结果见表4－3.

表4－3

年1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890

实际人口 3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9

计算人口 6.0 7.4 9.1 11.1 13.6 16.60 20.30 24.90 30.5 37.3 45.7 年1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000

实际人口76.0 92.0 106.5 123.2 131.7 150.7 179.3 204.0 226.5 251.4 281.4

计算人口55.9 68.4 83.7 102.5 125.5 153.6 188.0 230.1 281.7 344.8 422.1

由表4－3可见，预测模型(4.6)基本上能够描述19世纪以前美国人口的增长.但是进入20世纪后，美国人口的增长明显变慢了，运用预测模型(4.6)进行预报不合适了.

历史上，人口指数增长模型与19世纪以前欧洲一些地区的人口统计数据可以很好地吻合，迁往加拿大的欧洲移民后代人口也大致符合这个模型.另外，用它作短期人口预测可以得到较好的结果.显然，这是因为在这些情况下，模型的基本假设“人口增长率是常数”大致成立.

但是长期来看，任何地区的人口都不可能无限增长，即指数模型不能描述、也不能预测较长时期的人口演变过程，这是因为人口增长率事实上是不断地变化着.排除灾难、战争等特殊时期，一般来说，当人口较少时，其增长较快，即增长率较大；人口增加到一定数量后，增长就会慢下来，即增长率变小．看来，为了使人口预测特别是长期预测能更好地符合实际情况，必须修改人口指数增长模型中关于人口增长率是常数这个基本假设．

2．人口阻滞增长模型（Logistic 模型）

分析人口增长到一定数量后增长率下降的主要原因，人们注意到，自然资源、环境条件等因素对人口的增长起着阻滞作用，并且随着人口的增加，阻滞作用越

来越大．所谓人口阻滞增长模型就是考虑到这个因素，对人口指数增长模型的基本假设进行修改后得到的．

(1)模型构成

阻滞作用体现在对人口增长率r 的影响上，使得r 随着人口数量x 的增加而下降。若将r 表示为x 的函数)(x r ，则它应是减函数，于是方程(4.2)改写为 0(),(0)dx r x x x x dt

==. (4.7) 对()r x 的一个最简单的假设是，设()r x 为x 的线性减函数，即

()(0,0)r x r sx r s =->>. (4.8) 这里r 称为固有增长率，表示人口很少时（理论上是0x =）的增长率.为了确定系数s 的意义，引入自然资源和环境条件所能容纳的最大人口数量m x ，称为人口容量.当m x x =时人口不再增长，即增长率()0m r x =，代入(4.8)式得m x r s =.于是(4.8)式化为 ()(1)m

x r x r x =-. (4.9) 其中r ，m x 是根据人口统计数据或经验确定的常数，(4.9)式的另一种解释是：增长率()r x 与人口尚未实现部分的比例()m m x x x -成正比，比例系数为固有增长率r .

将(4.9)式代入方程(4.7)得 0(1),(0)m

dx x rx x x dt x =-=. (4.10) 方程(4.10)右端因子rx 体现人口自身的增长趋势，因子(m x x -

1)则体现了资源和环境对人口增长的阻滞作用.显然x 越大，前一因子越大，后一因子越小，人口增长是两个因子共同作用的结果.方程(4.10)称为人口阻滞增长模型，也称为Logistic 模型.

用分离变量法解方程(4.10)得

0()1(1)m

rt

m x x t x e x -=+- . (4.11)

方程(4.10)和模型(4.11)的图形见图4－2和图4－3.图4－3是一条S 形曲线，x 的增加是先快后慢.当t →∞时，m x x →，拐点在2

m x x =处

.

图4－2 图4－3

(2)对人口阻滞增长模型的检验

下面我们应用人口阻滞增长模型(4.11)对美国人口的增长进行预测。

由于模型(4.11)不能线性化，因此不能运用线性回归分析理论进行参数估计，我们不用(4.11)式，而将方程(4.10)表示为 m x r s sx r xdt dx y =-==

,. (4.12) 令xdt

dx y =，则(4.12)式线性化为 y r sx =-. (4.13) 由表4－3可以直接得到x 的数据，而y 的数据可根据表4－3中数据运用数值微分的方法算出.在此基础上，应用第三单元中线性回归分析的理论即可估计出模型(4.13)中参数r 和m x ，而模型(4.13)中参数r 和m x 的估计值，也是模型(4.11)中参数r 和m x 的估计值.

运用上述方法，并且仅利用表4－2中1860年至1990年的数据，建立了对美国人口的增长进行预测的数学模型 0.2557392.08861101.5355t x e

-=+. (4.14)

其中x的单位为百万人，t的单位为10年.

应用预测模型(4.14)对美国近两个世纪人口的增长进行模拟计算，并与实际人

口相比较，结果见表4－4.

表4－4

年1770 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 实际人口 3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 计算人口 3.9 5.0 6.5 8.3 10.7 13.7 17.5 22.3 28.3 35.8 45.0 年1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000

实际人口76.0 92.0 106.5 123.

2

131.

7

150.

7

179.

3

204.

226.

5

251.

4

281.

4

计算人口56.2 69.7 85.5 103.

9

124.

5

147.

2

171.

3

196.

2

221.

2

245.

3

266.

2

由表4-4可见，用预测模型(4.14)对美国近两个世纪人口的增长进行模拟计算，除了19世纪中叶到20世纪中叶的拟合效果不很好外，其余部分拟合的都不错.

5 小结

通过上述几章对常微分方程、数学模型、以及常微分方程模型在数学建模中应用的介绍，我们发现一切数学理论的产生都是为了解决实际应用过程中的问题.而一切数学模型的建立，都是为了更好的指导数学理论在实际生活中的应用.常微分方程的出现、以及常微分方程在数学建模中的应用，就是为了更好地使普通人理解数学理论，并更好的解决实际问题.

目前，数学模型己经广泛应用于社会的各个领域，人们追求定量分析和优化决策，这都离不开数学模型．数学模型是为了解决现实问题而建立起来的，它能够反映现实，也能够反映现实的内在规律和数量关系．数学模型作为一种模型，必须对现象做出一些必要的简化和假设，首先要忽略现实问题中许多与数量无关的因素．其次还要忽略一些次要的数量因素，从而在本质上更能集中反映现实问题的数量规律．由于建立数学模型可以使用所有的数学工具，现实问题又是多种

多样的，所以造成数学模型的种类繁多，本文中主要是应用常微分方程这个数学工具来进行数学建模．随着科学技术的发展和社会进步，常微分方程的应用不断扩大和深入．而它的每一步进展都在向数学的其他分支提出需求，需要他们提供相应的定理；同时也向其他数学分支提出问题促其完善，最终促使双方的共同发展．本文主要通过几个实际问题的数学建模，利用一阶常微分方程、二阶常微分方程的求解技巧来求出模型的结果，并且通过分析这个结果来解释现象或提供最佳方案．本文所做的分析只是众多应用中的一个方面，随着现代科学技术的飞速发展，有理由相信基于微分方程的数学建模有着更加广阔的前景．

从几个生活实例看数学建模及其应用

从几个生活实例看数学建模及其应用 [内容摘要] 本文通过几个生活中的事例，并运用数学建模，来分析问题，以便更方便的得出解决问题的方案。从中通过将数学建模的抽象理论实例化，生动化，我们能够更清楚看出数学在生活中无处不在，无处不用。 [关键词] 数学建模生活数学 数学，作为一门研究现实世界数量关系和空间形式的科学，与生活是息息相关的。作为用数学方法解决实际问题的第一步，数学建模自然有着与数学相当的意义。在各种不同的领域中，人们一直在运用数学建模来描绘，刻画某种生活规律或者生活现象，以便找到其中解决问题的最佳方案或得到最佳结论。例如，运用模拟近似法建模的方法，在社会科学，生物学，医学，经济些学等学科的实践中，来建立微分方程模型。在这些领域中的一些现象的规律性仍是未知的，或者问题太过复杂，所以在实际应用中总要通过一些简化，近似的模型来与实际情况比对，从而更加容易的得出规律性。 本文通过数学模型在生活中运用的几个例子，来了解，探讨数学模型的相关知识。 一、数学模型的简介 早在学习初等代数的时候，就已经碰到过数学模型了，例如在三个村庄之间建立一个粮仓，使其到三个村子的距离只和最短。我们可以通过建立方程组以及线性规划来解决该问题。

当然，真实实际问题的数学建模通常要复杂得多，但是建立数学建模的基本内容已经包含在解决这类代数应用题的过程中了。那就是：根据建立模型的目的和问题的背景作出必要的简化假设；用字母表示待求的未知量；利用相应的物理或其他规律，列出数学式子；求出数学上的解答；用这个答案解释问题；最后用实际现象来验证结果。 一般来说，数学模型可以描述为，对于现实世界的一个特定对象，为了一个特定目的，根据特有的内在规律，作出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构。 二、数学模型的意义 1）在一般工程技术领域，数学建模仍然大有用武之地。 2）在高新技术领域，数学建模几乎是必不可少的工具。 3）数学迅速进入一些新领域，为数学建模开拓了许多新的处女地。 三、数学建模实例 例1、某饲养场每天投入6元资金用于饲养、设备、人力，估计可使一头60kg重的生猪每天增重。目前生猪出售的市场价格为12元/kg，但是预测每天会降低元，问该场应该什么时候出售这样的生猪问题分析投入资金可使生猪体重随时间增长，但售价随时间减少，应该存在一个最佳的出售时机，使获得利润最大。根据给出的条件，可作出如下的简化假设。 模型假设每天投入6元资金使生猪的体重每天增加的常数为r（=）;生猪出售的市场价格每天降低常数g（=元）。

常微分方程在数学建模中的应用(免费版)

常微分方程在数学建模中的应用 这里介绍几个典型的用微分方程建立数学模型的例子. 一、人口预测模型 由于资源的有限性,当今世界各国都注意有计划地控制人口的增长,为了得到人口预测模型,必须首先搞清影响人口增长的因素,而影响人口增长的因素很多,如人口的自然出生率、人口的自然死亡率、人口的迁移、自然灾害、战争等诸多因素,如果一开始就把所有因素都考虑进去，则无从下手.因此,先把问题简化,建立比较粗糙的模型,再逐步修改,得到较完善的模型. 例1（ 马尔萨斯 （Malthus ） 模型） 英国人口统计学家马尔萨斯（1766—1834）在担任牧师期间,查看了教堂100多年人口出生统计资料,发现人口出生率是一个常数,于1789年在《人口原理》一书中提出了闻名于世的马尔萨斯人口模型,他的基本假设是：在人口自然增长过程中,净相对增长（出生率与死亡率之差）是常数,即单位时间内人口的增长量与人口成正比,比例系数设为r ,在此假设下,推导并求解人口随时间变化的数学模型. 解 设时刻t 的人口为)(t N ,把)(t N 当作连续、可微函数处理（因人口总数很大,可近似地这样处理,此乃离散变量连续化处理）,据马尔萨斯的假设,在t 到t t ?+时间段内,人口的增长量为 t t rN t N t t N ?=-?+)()()(, 并设0t t =时刻的人口为0N ,于是 ?????==． ， 00)(d d N t N rN t N 这就是马尔萨斯人口模型,用分离变量法易求出其解为 )(00e )(t t r N t N -=, 此式表明人口以指数规律随时间无限增长. 模型检验：据估计1961年地球上的人口总数为9 1006.3?,而在以后7年中,人口总数以每年2%的速度增长,这样19610=t ,901006.3?=N ,02.0=r ,于是 ) 1961(02.09 e 1006.3)(-?=t t N . 这个公式非常准确地反映了在1700—1961年间世界人口总数.因为,这期间地球上的人 口大约每35年翻一番,而上式断定34.6年增加一倍（请读者证明这一点）． 但是,后来人们以美国人口为例,用马尔萨斯模型计算结果与人口资料比较,却发现有很大的差异,尤其是在用此模型预测较遥远的未来地球人口总数时,发现更令人不可思议的问题,如按此模型计算,到2670年,地球上将有36 000亿人口.如果地球表面全是陆地（事实上,地球表面还有80%被水覆盖）,我们也只得互相踩着肩膀站成两层了,这是非常荒谬的,因此,这一模型应该修改. 例2（逻辑Logistic 模型） 马尔萨斯模型为什么不能预测未来的人口呢？这主要是地

数学建模方法及其应用

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 n ij A 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：

常微分方程在数学建模中的应用.

微分方程应用 1 引言 常微分方程的形成与发展和很多学科有着密切的联系，例如力学、天文学、物理学等.数学的其他分支的快速发展，产生出很多新兴学科，这些新兴学科的产生都对常微分方程的发展有着深刻的影响，而且当前计算机的快速发展更是为常微分方程的应用及理论研究提供了非常有力的工具. 数学解决实际问题就必须建立模型，而数学建模就是把数学语言描述实际现象的过程.利用数学去解决各类实际问题时，建立数学模型是十分重要的一步，但是也是最困难的一步.建立数学模型的过程，是把错综复杂的实际问题简化、抽象为合理的数学结构的过程.要通过大量调查、收集相关数据资料，观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题. 因此本文先简要介绍了如何建立微分方程模型，并通过具体的实例来简单地介绍了微分方程在数学建模中的应用. 2 数学模型简介 通常我们把现实问题的一个模拟称为模型．如交通图、地质图、航空模型和建筑模型等．利用字母、数学及其它数学符号建立起来的等式或不等式以及图表、图象、框图等来模拟现实的模型称为数学模型．数学模型在实际生活中经常碰到，如求不规则图形的面积，可建立定积分的数学模型，求变化率的问题可建立导数模型，统计学中抽样调查，买彩票中奖的概率问题等等．学会建立数学模型对解决实际生活问题会有很大的帮助． 建立数学模型是沟通摆在面前的实际问题与数学工具之间联系的一座必不可少的桥梁．随着科学技术的进步，特别是电子计算机技术的迅速发展，数学已经渗透到从自然科学技术到工农业生产建设，从经济生活到社会生活的各个领域．一般地说，当实际问题需要我们对所研究的现实对象提供分析、预报、决策、控制等方面的定量结果时，往往都离不开数学的应用，而建立数学模型则是这个过程的关键环节． 3 常微分方程模型 3．1 常微分方程的简介

数学建模算法动态规划

第四章动态规划 §1 引言 1.1 动态规划的发展及研究内容 动态规划（dynamic programming）是运筹学的一个分支，是求解决策过程（decision process）最优化的数学方法。20世纪50年代初R. E. Bellman等人在研究多阶段决策过程(multistep decision process)的优化问题时，提出了著名的最优性原理（principle of optimality），把多阶段过程转化为一系列单阶段问题，逐个求解，创立了解决这类过程优化问题的新方法—动态规划。1957年出版了他的名著《Dynamic Programming》，这是该领域的第一本著作。 动态规划问世以来，在经济管理、生产调度、工程技术和最优控制等方面得到了广泛的应用。例如最短路线、库存管理、资源分配、设备更新、排序、装载等问题，用动态规划方法比用其它方法求解更为方便。 虽然动态规划主要用于求解以时间划分阶段的动态过程的优化问题，但是一些与时间无关的静态规划（如线性规划、非线性规划），只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解。 应指出，动态规划是求解某类问题的一种方法，是考察问题的一种途径，而不是一种特殊算法（如线性规划是一种算法）。因而，它不象线性规划那样有一个标准的数学表达式和明确定义的一组规则，而必须对具体问题进行具体分析处理。因此，在学习时，除了要对基本概念和方法正确理解外，应以丰富的想象力去建立模型，用创造性的技巧去求解。 例1 最短路线问题 下面是一个线路网，连线上的数字表示两点之间的距离（或费用）。试寻求一条由A 到G距离最短（或费用最省）的路线。 例2 生产计划问题 工厂生产某种产品，每单位（千件）的成本为1（千元），每次开工的固定成本为3（千元），工厂每季度的最大生产能力为6（千件）。经调查，市场对该产品的需求量第一、二、三、四季度分别为2，3，2，4（千件）。如果工厂在第一、二季度将全年的需求都生产出来，自然可以降低成本（少付固定成本费），但是对于第三、四季度才能上市的产品需付存储费，每季每千件的存储费为0.5（千元）。还规定年初和年末这种产品均无库存。试制定一个生产计划，即安排每个季度的产量，使一年的总费用（生产成本和存储费）最少。 1.2 决策过程的分类 根据过程的时间变量是离散的还是连续的，分为离散时间决策过程（discrete-time decision process）和连续时间决策过程（continuous-time decision process）；根据过程的演变是确定的还是随机的，分为确定性决策过程（deterministic decision process）和随

数学建模之微分方程建模与平衡点理论

微分方程 列微分方程常用的方法： （1）根据规律列方程 利用数学、力学、物理、化学等学科中的定理或经过实验检验的规律来建 立微分方程模型。 （2）微元分析法 利用已知的定理与规律寻找微元之间的关系式，与第一种方法不同的是对 微元而不是直接对函数及其导数应用规律。 （3）模拟近似法 在生物、经济等学科的实际问题中，许多现象的规律性不很清楚，即使有 所了解也是极其复杂的，建模时在不同的假设下去模拟实际的现象，建立能 近似反映问题的微分方程，然后从数学上求解或分析所建方程及其解的性 质，再去同实际情况对比，检验此模型能否刻画、模拟某些实际现象。 一、模型的建立与求解 1.1传染病模型 （1）基础模型 假设：t时刻病人人数() x t连续可微。每天每个病人有效接触（使病人治病的接触）的人数为λ，0 t=时有0x个病人。 +?病人人数增加 建模：t到t t

()()()x t t x t x t t λ+?-=? （1） 0,(0)dx x x x dt λ== （2） 解得： 0()t x t x e λ= （3） 所以，病人人数会随着t 的增加而无限增长，结论不符合实际。 （2）SI 模型 假设：1.疾病传播时期，总人数N 保持不变。人群分为两类，健康者占总人数的比例为s(t),病人占总人数的比例为i(t)。 2.每位病人每天平均有效接触λ人，λ为日接触率。有效接触后健康者变为病人。 依据：患病人数的变化率=Ni(t)(原患病人数)* λs(t)(每个病人每天使健康人变为病人的人数) 建模： di N Nsi dt λ= （4） 由于 ()()1s t i t += （5） 设t=0时刻病人所占的比例为0i ，则可建立Logistic 模型 0(1),(0)di i i i i dt λ=-= （6）

最新31微分方程与微分方程建模法汇总

31微分方程与微分方 程建模法

第三章微分方程模型 3.1微分方程与微分方程建模法 一、微分方程知识简介 我们要掌握常微分方程的一些基础知识，对一些可以求解的微分方程及其方程组，要求掌握其解法，并了解一些方程的近似解法。 微分方程的体系：(1)初等积分法（一阶方程及几类可降阶为一阶的方程） ?Skip Record If...?(2)一阶线性微分方程组（常系数线性微分方程组的解法） ?Skip Record If...?(3)高阶线性微分方程（高阶线性常系数微分方程解法）。其中还包括了常微分方程的基本定理。 0．常数变易法：常数变易法在上面的（1）（2）（3）三部分中都出现过，它是由线性齐次方程（一阶或高阶）或方程组的解经常数变易后求相应的非齐次方程或方程组的解的一种方法。 1．初等积分法：掌握变量可分离方程、齐次方程的解法，掌握线性方程的解法，掌握全微分方程（含积分因子）的解法，会一些一阶隐式微分方程的解法（参数法），会几类可以降阶的高阶方程的解法（恰当导数方程）。 分离变量法：（1）可分离变量方程： ?Skip Record If...? (2) 齐次方程：?Skip Record If...? 常数变易法：(1) 线性方程，?Skip Record If...??Skip Record If...?

(2) 伯努里方程，?Skip Record If...??Skip Record If...? 积分因子法：化为全微分方程，按全微分方程求解。 对于一阶隐式微分方程?Skip Record If...?有 参数法：(1) 不含x或y的方程:?Skip Record If...? (2) 可解出x或y的方程：?Skip Record If...? 对于高阶方程，有 降阶法：?Skip Record If...? 恰当导数方程 一阶方程的应用问题（即建模问题）。 2．一阶线性微分方程组：本部分主要内容有：一是一阶线性微分方程组的基本理论（线性齐次、非齐次微分方程组的通解结构，刘维尔公式等），二是常系数线性微分方程组的解法（求特征根，单根与重根[待定系数法]），三是常数变易法。本部分内容与线性代数关系密切，如线性空间，向量的线性相关与线性无关，基与维数，特征方程、特征根与特征向量，矩阵的若当标准型等。3．高阶线性微分方程：了解高阶线性微分方程的基本理论（线性齐次、非齐次微分方程的通解结构，刘维尔公式等）； n阶线性常系数微分方程解法：（1）求常系数齐次线性微分方程基本解组的待定指数函数法；（2）求一般非齐次线性方程解的常数变易法；（3）求特

数学建模算法分类

数学模型按照不同的分类标准有许多种类： 1.按照模型的数学方法分，有几何模型，图论模型，微分方程模型。概率模型，最优控制模型，规划论模型，马氏链模型。 2.按模型的特征分，有静态模型和动态模型，确定性模型和随机模型，离散模型和连续性模型，线性模型和非线性模型。 3.按模型的应用领域分，有人口模型，交通模型，经济模型，生态模型，资源模型。环境模型。 4.按建模的目的分，有预测模型，优化模型，决策模型，控制模型等。 5.按对模型结构的了解程度分，有白箱模型，灰箱模型，黑箱模型。 数学建模的十大算法： 蒙特卡洛算法（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性，比较好用的算法。） 数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用matlab作为工具。） 线性规划、整数规划、多元规划、二次规划等规划类问题（建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用lingo、lingdo软件实现）图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备。） 动态规划、回溯搜索、分治算法、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中） 最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题时用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需谨慎使用） 网格算法和穷举法（当重点讨论模型本身而情史算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具） 一些连续离散化方法（很多问题都是从实际来的，数据可以是连续的，而计算机只认得是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的。 数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用。） 图像处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用matlab来处理问题。） 数学建模方法 统计：1.预测与预报2.评价与决策3.分类与判别4.关联与因果 优化：5.优化与控制 预测与预报 ①灰色预测模型（必须掌握） 满足两个条件可用： a数据样本点个数少，6-15个 b数据呈现指数或曲线的形式 ②微分方程预测（备用） 无法直接找到原始数据之间的关系，但可以找到原始数据变化速度之间的关系，通过公式

数学建模之微分方程建模与平衡点理论

微分方程 列微分方程常用的方法： （1）根据规律列方程 利用数学、力学、物理、化学等学科中的定理或经过实验检验的规律来建立微分方程模型。 （2）微元分析法 利用已知的定理与规律寻找微元之间的关系式，与第一种方法不同的是对微元而不是直接对函数及其导数应用规律。 （3）模拟近似法 在生物、经济等学科的实际问题中，许多现象的规律性不很清楚，即使有所了解也是极其复杂的，建模时在不同的假设下去模拟实际的现象，建立能近似反映问题的微分方程，然后从数学上求解或分析所建方程及其解的性质，再去同实际情况对比，检验此模型能否刻画、模拟某些实际现象。 一、模型的建立与求解 1.1传染病模型 （1）基础模型 假设：t 时刻病人人数()x t 连续可微。每天每个病人有效接触（使病人治病的接触）的人数为λ，0t =时有0x 个病人。 建模：t 到t t +?病人人数增加 ()()()x t t x t x t t λ+?-=?（1） 0,(0)dx x x x dt λ==（2） 解得： 0()t x t x e λ=（3） 所以，病人人数会随着t 的增加而无限增长，结论不符合实际。 （2）SI 模型

假设：1.疾病传播时期，总人数N 保持不变。人群分为两类，健康者占总人数的比例为s(t),病人占总人数的比例为i(t)。 2.每位病人每天平均有效接触λ人，λ为日接触率。有效接触后健康者变为病人。 依据：患病人数的变化率=Ni(t)(原患病人数)*λs(t)(每个病人每天使健康人变为病人的人数) 建模： di N Nsi dt λ=（4） 由于 ()()1s t i t +=（5） 设t=0时刻病人所占的比例为0i ，则可建立Logistic 模型 0(1),(0)di i i i i dt λ=-=（6） 解得： 01()111kt i t e i -= ??+- ??? （7） 用Matlab 绘制图1()~i t t ，图2 ~di i dt 图形如下， 结论：在不考虑治愈情况下

初中数学建模方法及应用

龙源期刊网 https://www.sodocs.net/doc/0e13660638.html, 初中数学建模方法及应用 作者：肖永刚 来源：《新课程·中学》2017年第03期 摘要：在新课标中要求培养学生的创新能力，在初中数学教学中培养学生的建模能力， 是培养数学创新能力的重要方法，也能增强学生利用数学知识解决问题的能力。对培养初中生数学建模方法及应用进行了论述。 关键词：初中数学；建模思想；数学应用 利用数学建模的方法是学习初中数学的新方法，是素质教育和新课标的要求，能为学生的数学能力发展提供全新途径，提高学生运用数学工具解决问题的能力，让学生在用数学工具解决问题中体会到数学学习的意义，从而提高数学学习兴趣。 一、数学建模的概念 数学建模就是对具体问题分析并简化后，运用数学知识，找出解决方法并利用数学式子来求解，从而使问题得以解决。数学建模方法有以下几个步骤：一是对具体问题分析并简化，然后用数学知识建立关系式（模型），二是求解数学式子，三是根据实际情况检验并选出正确答案。初中阶段数学建模常用方法有：函数模型、不等式模型、方程模型、几何模型等。 二、数学建模的方法步骤 要培养学生的数学建模方法，可按以下方法步骤进行： 1.分析问题题意为建模做准备。对具体问题包含的已知条件和数量关系进行分析，根据问题的特点，选择使用数学知识建立模型。 2.简化实际问题假设数学模型。对实际问题进行一定的简化，再根据问题的特征和要求以及解题的目的，对模型进行假设，要找出起关键作用的因素和主要变量。 3.利用恰当工具建立数学模型。通过建立恰当的数学式子，来建立模型中各变量之间的关系式，以此来完成数学模型的 建立。 4.解答数学问题找出问题答案。通过对模型中的数学问题进行解答，找出实际问题的答案。

数学建模作业求解常微分方程和人口模型问题

实验报告 课程名称：数学建模 课题名称：求解常微分方程与人口模型 专业：信息与计算科学 姓名：胡家炜 班级： 123132 完成日期： 2016 年 6 月 10 日

一．求解微分方程的通解 (1). dsolve('2*x^2*y*Dy=y^2+1','x') ans = (exp(C3 - 1/x) - 1)^(1/2) -(exp(C3 - 1/x) - 1)^(1/2) i -i (2). dsolve('Dy=(y+x)/(y-x)','x') ans = x + 2^(1/2)*(x^2 + C12)^(1/2) x - 2^(1/2)*(x^2 + C12)^(1/2) (3). dsolve('Dy=cos(y/x)+y/x','x') ans = (pi*x)/2-x*log(-(exp(C25 + log(x)) - i) /(exp(C25 + log(x))*i - 1))*i (4). dsolve('(x*cos(y)+sin(2*y))*Dy=1','x') ans = -asin(x/2 + lambertw(0, -(C30*exp(- x/2 - 1))/2) + 1) (5). dsolve('D2y+3*Dy-y=exp(x)*cos(2*x)','x') ans = C32*exp(x*(13^(1/2)/2 - 3/2)) + C33*exp(-x*(13^(1/2)/2 + 3/2)) + (13^(1/2)*exp(x*(13^(1/2)/2-3/2))*exp((5*x)/2(13^(1/2)*x)/2)* (2*sin(2*x) - cos(2*x)*(13^(1/2)/2 - 5/2)))/(13*((13^(1/2)/2 - 5/2)^2 +4))-(13^(1/2)*exp(x*(13^(1/2)/2+3/2))*exp((5*x)/2 +(13^(1/2)*x)/2)*(2*sin(2*x)+cos(2*x)*(13^(1/2)/2+5/2))) /(13*((13^(1/2)/2 + 5/2)^2 + 4)) （6）dsolve('D2y+4*y=x+1+sin(x)','x') ans = cos(2*x)*(cos(2*x)/4 - sin(2*x)/8 + sin(3*x)/12 - sin(x)/4 + (x*cos(2*x))/4 - 1/4) + sin(2*x)*(cos(2*x)/8 - cos(3*x)/12 + sin(2*x)/4 + cos(x)/4 + (x*sin(2*x))/4 + 1/8) + C35*cos(2*x) + C36*sin(2*x)

数学建模算法大全排队论

第六章排队论模型 排队论起源于1909年丹麦电话工程师A. K．爱尔朗的工作，他对电话通话拥挤问题进行了研究。1917年，爱尔朗发表了他的著名的文章—“自动电话交换中的概率理论的几个问题的解决”。排队论已广泛应用于解决军事、运输、维修、生产、服务、库存、医疗卫生、教育、水利灌溉之类的排队系统的问题，显示了强大的生命力。 排队是在日常生活中经常遇到的现象，如顾客到商店购买物品、病人到医院看病常常要排队。此时要求服务的数量超过服务机构（服务台、服务员等）的容量。也就是说，到达的顾客不能立即得到服务，因而出现了排队现象。这种现象不仅在个人日常生活中出现，电话局的占线问题，车站、码头等交通枢纽的车船堵塞和疏导，故障机器的停机待修，水库的存贮调节等都是有形或无形的排队现象。由于顾客到达和服务时间的随机性。可以说排队现象几乎是不可避免的。 排队论（Queuing Theory）也称随机服务系统理论，就是为解决上述问题而发展的一门学科。它研究的内容有下列三部分： （i）性态问题，即研究各种排队系统的概率规律性，主要是研究队长分布、等待时间分布和忙期分布等，包括了瞬态和稳态两种情形。 （ii）最优化问题，又分静态最优和动态最优，前者指最优设计。后者指现有排队系统的最优运营。 （iii）排队系统的统计推断，即判断一个给定的排队系统符合于那种模型，以便根据排队理论进行分析研究。 这里将介绍排队论的一些基本知识，分析几个常见的排队模型。 §1 基本概念 1.1 排队过程的一般表示 下图是排队论的一般模型。 凡要求服务的对象统称为顾客，为顾客服务的人或物称为服务员，由顾客和服务员组成服务系统。对于一个服务系统来说，如果服务机构过小，以致不能满足要求服务的众多顾客的需要，那么就会产生拥挤现象而使服务质量降低。因此，顾客总希望服务机构越大越好，但是，如果服务机构过大，人力和物力方面的开支也就相应增加，从而会造成浪费，因此研究排队模型的目的就是要在顾客需要和服务机构的规模之间进行权衡决策，使其达到合理的平衡。 1.2 排队系统的组成和特征 一般的排队过程都由输入过程、排队规则、服务过程三部分组成，现分述如下： 1.2.1 输入过程 输入过程是指顾客到来时间的规律性，可能有下列不同情况： （i）顾客的组成可能是有限的，也可能是无限的。 （ii）顾客到达的方式可能是一个—个的，也可能是成批的。 （iii）顾客到达可以是相互独立的，即以前的到达情况对以后的到达没有影响；否则是相关的。 （iv）输入过程可以是平稳的，即相继到达的间隔时间分布及其数学期望、方差等数字特征都与时间无关，否则是非平稳的。

数学建模——微分方程的应用

第八节 数学建模——微分方程的应用举例 微分方程在物理学、力学、经济学和管理科学等实际问题中具有广泛的应用，本节我们将集中讨论微分方程的实际应用，尤其是微分方程经济学中的应用. 读者可从中感受到应用数学建模的理论和方法解决实际问题的魅力. 分布图示 ★衰变问题 ★逻辑斯谛方程 ★价格调整问题 ★人才分配问题 内容要点： 一、衰变问题 镭、铀等放射性元素因不断放射出各种射线而逐渐减少其质量, 这种现象称为放射性物质的衰变. 根据实验得知, 衰变速度与现存物质的质量成正比, 求放射性元素在时刻t 的质量. 用x 表示该放射性物质在时刻t 的质量, 则 dt dx 表示x 在时刻t 的衰变速度, 于是“衰变速度与现存的质量成正比”可表示为 .kx dt dx -= (8.1) 这是一个以x 为未知函数的一阶方程, 它就是放射性元素衰变的数学模型, 其中0>k 是比例常数, 称为衰变常数, 因元素的不同而异. 方程右端的负号表示当时间t 增加时, 质量x 减少. 解方程(8.1)得通解.kt Ce x -=若已知当0t t =时, ,0x x =代入通解kt Ce x -=中可得,00kt e x C -= 则可得到方程(8.1)特解 ,)(00t t k e x x --= 它反映了某种放射性元素衰变的规律. 注: 物理学中, 我们称放射性物质从最初的质量到衰变为该质量自身的一半所花费的时间为半衰期, 不同物质的半衰期差别极大. 如铀的普通同位素( U 238)的半衰期约为50亿年;通常的镭( Ra 226)的半衰期是上述放射性物质的特征, 然而半衰期却不依赖于该物质的初始量, 一克Ra 226 衰变成半克所需要的时间与一吨Ra 226衰变成半吨所需要的时间同样都是1600年, 正是这种事实才构成了确定考古发现日期时使用的著名的碳-14测验的基础.

数学建模案例分析插值与拟合方法建模1数据插值方法及应用

第十章 插值与拟合方法建模 在生产实际中，常常要处理由实验或测量所得到的一批离散数据，插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。相应的理论和算法是数值分析的内容，这里不作详细介绍，请参阅有关的书籍。 §1 数据插值方法及应用 在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。与此有关的一类问题是当原始数据 ),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段 多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。 1、分段线性插值 这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。如果 b x x x a n =<<<= 10 那么分段线性插值公式为 n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11 1 11 =≤<--+--= ----- 可以证明，当分点足够细时，分段线性插值是收敛的。其缺点是不能形成一条光滑曲线。 例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。

数学建模模型与应用

Mathematica软件常用功能 【实验目的】 1. 用Mathematica软件进行各种数学处理; 2. 用Mathematica软件进行作图; 3. 用Mathematica软件编写程序. 【注意事项】 Mathematica中大写小写是有区别的，如Name、name、NAME等是不同的变量名或函数名。 系统所提供的功能大部分以系统函数的形式给出，内部函数一般写全称，而且一定是以大写英文字母开头，如Sin[x],Conjugate[z]等。 乘法即可以用*，又可以用空格表示，如2 3＝2*3＝6 ,x y,2 Sin[x]等；乘幂可以用“^”表示，如x^0.5,Tan[x]^y。 自定义的变量可以取几乎任意的名称，长度不限，但不可以数字开头。当你赋予变量任何一个值，除非你明显地改变该值或使用Clear[变量名]或“变量名=.”取消该值为止，它将始终保持原值不变。 一定要注意四种括号的用法：()圆括号表示项的结合顺序，如 (x+(y^x+1/(2x)));[]方括号表示函数，如Log[x],BesselJ[x,1]；{}大括号表示一个“表”(一组数字、任意表达式、函数等的集合)，如 {2x,Sin[12 Pi],{1+A,y*x}}；[[]]双方括号表示“表”或“表达式”的下标，如a[[2,3]]、{1,2,3}[[1]]=1。 Mathematica的语句书写十分方便，一个语句可以分为多行写，同一行可以写多个语句（但要以分号间隔）。当语句以分号结束时，语句计算后不做输出（输出语句除外），否则将输出计算的结果。 命令行“Shift+Enter”才是执行这个命令。

常微分方程在数学建模中的应用论文正稿

毕业论文 论文题目：常微分方程在数学建模中的应用姓名： 学科专业： 指导教师： 完成时间：

常微分方程是数学理论（特别是微积分）联系实际的重要工具，它不仅与几何学、力学、电子技术、自动控制、星际航行、甚至和化学、生物学、农业以及经济学都有着密切的联系。本文结合实践背景，建立数学模型，并利用所得结果去解释某些实际问题。 关键字常微分方程、人口预测模型、市场价格模型、混合溶液的数学模型、震动模型

第一章人口预测模型 第二章市场价格模型 第三章混合溶液的数学模型第四章震动模型

绪论 当我们描述实际对象的某些特性随时间（或空间）而演变的过程、分析它的变化规律、预测它的未来性态，研究它的控制手段时，通常要建立对象的动态模型。建模时首先要根据建模目的和对问题的具体分析作出简化假设，然后按照对象在的或可以类比的其他对象的规律列出微分方程，求出方程的解并将结果翻译回实际对象，就可以进行描述、分析、预测或控制了。 事实上在微分方程课程中，解所谓应用题时我们遇到简单的建立动态模型问题，例如“一质量为m的物体自高h处自由下落，初速度是零，设阻力与下落速度的平方成正比，比例系数为k，求下落速度随时间的变化规律。”又如“容器有盐水100L,含盐10kg,令以3L/min的速度从一管放进净水，以2L/min的速度从另一管抽出盐水，设容器盐水浓度始终是均匀的，求容器含盐量随时间变化规律。”本文讨论的是常微分方程在数学建模中的应用。

第一章 人口预测模型 由于资源的有限性,当今世界各国都注意有计划地控制人口的增长,为了得到人口预测模型,必须首先搞清影响人口增长的因素,而影响人口增长的因素很多,如人口的自然出生率、人口的自然死亡率、人口的迁移、自然灾害、战争等诸多因素,如果一开始就把所有因素都考虑进去，则无从下手.因此,先把问题简化,建立比较粗糙的模型,再逐步修改,得到较完善的模型. 例1（马尔萨斯（Malthus ）模型） 英国人口统计学家马尔萨斯（1766—1834）在担任牧师期间,查看了教堂100多年人口出生统计资料,发现人口出生率是一个常数,于1789年在《人口原理》一书中提出了闻名于世的马尔萨斯人口模型,他的基本假设是：在人口自然增长过程中,净相对增长（出生率与死亡率之差）是常数,即单位时间人口的增长量与人口成正比,比例系数设为r ,在此假设下,推导并求解人口随时间变化的数学模型. 解 设时刻t 的人口为)(t N ,把)(t N 当作连续、可微函数处理（因人口总数很大,可近似地这样处理,此乃离散变量连续化处理）,据马尔萨斯的假设,在t 到t t ?+时间段,人口的增长量为 t t rN t N t t N ?=-?+)()()(, 并设0t t =时刻的人口为0N ,于是 ?????==． ，00)(d d N t N rN t N 这就是马尔萨斯人口模型,用分离变量法易求出其解为 )(00e )(t t r N t N -=, 此式表明人口以指数规律随时间无限增长. 模型检验：据估计1961年地球上的人口总数为91006.3?,而在以后7年中,人口总数以每年2%的速度增长,这样19610=t ,901006.3?=N ,02.0=r ,于是 )1961(02.09e 1006.3)(-?=t t N . 这个公式非常准确地反映了在1700—1961年间世界人口总数.因为,这期间

常微分方程在数学建模中的应用

北方民族大学学士学位论文 论文题目:常微分方程在数学建模中的应用 院(部)名称:信息与计算科学学院 学生姓名:马木沙 专业:信计学号:20093490 指导教师姓名:魏波 论文提交时间: 论文答辩时间: 学位授予时间: 北方民族大学教务处制

摘要 本文利用常微分方程和数学建模二者之间的联系，了解微分方程的一般理论、微分方程解的存在惟一性、微分方程的稳定性问题、通过几个典型的数学模型如：人口模型、减肥的数学模型、化工车间通风模型、传染病的传播模型及定性分析等例子来体现微分方程在数学建模中的应用. 用数学理论解决实际生活中的问题.微分方程的出现以及运用微分方程在数学建模中的应用，就是为了更好地使更多的人理解并运用数学理论，更好的解决实际生活中的问题.努力在各个领域利用并渗透数学知识的广泛运用. 关键词：常微分方程，数学建模，数学模型

Abstract In this paper, ordinary differential equations and mathematical modeling contact between the two, understand the general theory of differential equations, stability problems of the existence and uniqueness of differential equations, differential equations, several typical mathematical models such as: demographic model,example of the mathematical model of weight loss, chemical plant ventilation model, spread of infectious diseases, model and qualitative analysis to reflect the application of differential equations in mathematical modeling. found that the application of mathematical theory to study and solve problems in the actual process of the emergence of ordinary differential equations andOrdinary Differential Equations in Mathematical Modeling widely used, in order to better enable ordinary people to understand and use mathematical theory, solving real-world problems. sublimation theory by the knowledge-based transformation to the ability to type, highlight the differential equationsand differential equations in mathematical modeling efforts made outstanding and significant contribution in various fields. Keywords: ordinary differential equations, mathematical modeling, mathematical model.

数学建模方法详解--三十四种常用算法

数学建模方法详解--三十四种常用算法 目录 一、主成分分析法 (2) 二、因子分析法 (5) 三、聚类分析 (9) 四、最小二乘法与多项式拟合 (16) 五、回归分析（略） (22) 六、概率分布方法（略） (22) 七、插值与拟合（略） (22) 八、方差分析法 (23) 九、逼近理想点排序法 (28) 十、动态加权法 (29) 十一、灰色关联分析法 (31) 十二、灰色预测法 (33) 十三、模糊综合评价 (35) 十四、隶属函数的刻画（略） (37) 十五、时间序列分析法 (38) 十六、蒙特卡罗(MC)仿真模型 (42) 十七、BP神经网络方法 (44) 十八、数据包络分析法（DEA） (51) 十九、多因素方差分析法（）基于SPSS） (54) 二十、拉格朗日插值 (70) 二十一、回归分析（略） (75) 二十二、概率分布方法（略） (75) 二十三、插值与拟合（略） (75) 二十四、隶属函数的刻画（参考《数学建模及其方法应用》） (75) 二十五、0-1整数规划模型（参看书籍） (75) 二十六、Board评价法（略） (75) 二十七、纳什均衡（参看书籍） (75) 二十八、微分方程方法与差分方程方法（参看书籍） (75) 二十九、莱斯利离散人口模型（参看数据） (75) 三十、一次指数平滑预测法（主要是软件的使用） (75) 三十一、二次曲线回归方程（主要是软件的使用） (75) 三十二、成本-效用分析（略） (75) 三十三、逐步回归法（主要是软件的使用） (75) 三十四、双因子方差分析（略） (75)

一、主成分分析法 一）、主成分分析法介绍： 主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法。旨在利用降维的思想，把多指标转化为少数几个综合指标。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。 二）、主成分分析法的基本思想： 在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析正是适应这一要求产生的，是解决这类题的理想工具。 同样，在科普效果评估的过程中也存在着这样的问题。科普效果是很难具体量化的。在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。如上所述，主成分分析法正是解决这一问题的理想工具。因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。上述想法可进一步概述为：设某科普效果评估要素涉及个指标，这指标构成的维随机向量为。对作正交变换，令，其中为正交阵，的各分量是不相关的，使得的各分量在某个评估要素中的作用容易解释，这就使得我们有可能从主分量中选择主要成分，削除对这一要素影响微弱的部分，通过对主分量的重点分析，达到对原始变量进行分析的目的。的各分量是原始变量线性组合，不同的分量表示原始变量之间不同的影响关系。由于这些基本关系很可能与特定的作用过程相联系，主成分分析使我们能从错综复杂的科普评估要素的众多指标中，找出一些主要成分，以便有效地利用大量统计数据，进行科普效果评估分析，使我们在研究科普效果评估问题中，可能得到深层次的一些启发，把科普效果评估研究引向深入。 例如，在对科普产品开发和利用这一要素的评估中，涉及科普创作人数百万人、科普作品发行量百万人、科普产业化（科普示范基地数百万人）等多项指标。经过主成分分析计算，最后确定个或个主成分作为综合评价科普产品利用和开发的综合指标，变量数减少，并达到一定的可信度，就容易进行科普效果的评估。 三）、主成分分析法的数学模型： 其中：