数学建模算法学习——各类模型算法汇总

相关模型解决的问题
数据分析类算法一览
100个经典动态规划方程

优化问题

• 线性规划

1. 简介：线性规划的目标函数可以是求最大值，也可以是求最小值，约束条件的不等号可以是小于号也可以是大于号。为了避免这种形式多样性带来的不便，Matlab 中规定线性规划的标准形式为
   
   其中 c 和 x 为 n 维列向量， A 、 Aeq 为适当维数的矩阵， b 、 beq 为适当维数的列向量。
2. 代码实现

MATLAB实现：MATLAB中求解线性规划的命令为：
[ x，fval ]=linprog（f，A，b）
[ x，fval ]=linprog（f，A，b，Aeq，beq）
[ x，fval ]=linprog（f，A，b，Aeq，beq，lb，ub）
其中：返回的x为决策向量的取值； 返回的fval是目标函数的最大值；f为价值向量；A和b对应的是线性不等式约束；Aeq和beq对应的是线性等式约束；lb和ub分别对应的是决策向量的下界向量和上界向量。
eg1:
(1)化为Matlab标准型，即
(2)求解的Matlab程序如下：

f=[-2,-3,5]'
A=[-2,5,-1;1,3,1];  b=[-10;12];
Aeq=[1,1,1];    beq=7;
[x,fval]=linprog(f,A,b,Aeq,beq,zeros(3,1));
x
fval=-fval

这里的zeros(3,1)是为了产生3行1列的全0矩阵，对应着x1,x2,x3均大于等于0的约束条件。
eg2:可以转化为线性规划的问题


可进一步把模型改写为：
参考链接
应用：运输问题(产销平衡)、指派问题（匈牙利算法）、对偶理论与灵敏度分析、投资的收益和风险

• 非线性规划

1. 简介：如果线性规划的最优解存在，其最优解只能在其可行域的边界上达到（特别是可行域的顶点上达到）；而非线性规划的最优解（如果最优解存在）则可能在其可行域的任意一点达到。
   
   其中f(x)是标量函数， Beq,Aeq,B,A 是相应维数的矩阵和向量， Ceq(x),C(x) 是非线性向量函数。
2. 代码实现：

MATLAB代码实现：
x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)
1.fun为目标函数
2.x0为初始值
3.A是不等式约束AX<=b的系数矩阵
4.b是不等式约束AX<=b的常数项
5.Aeq是等式约束AeqX=beq的系数矩阵，
6.beq是等式约束AeqX=beq的常数项，
7.lb是X的下限，
8.ub是X的上限，
9.nonlcon为非线性不等式约束
10.option为设置fmincon的参数
eg：
形如上述这样的就是非线性规划：

function f=fun1(x)
f=x(1)^2+x(2)^2+8;

function [g,h]=fun2(x)
g=-x(1)^2+x(2);
h=-x(1)-x(2)^2+2;%约束等式

options=optimset;
[x,y]=fmincon('fun1',rand(2,1),[],[],[],[],zeros(2,1),[],'fun2',options)

x =

    1.0000
    1.0000
y =

   10.0000

参考链接

• 整数规划

1. 简介：规划中的变量（部分或全部）限制为整数时，称为整数规划。若在线性规划模型中，变量限制为整数，则称为整数线性规划。目前所流行的求解整数规划的方法，往往只适用于整数线性规划。目前还没有一种方法能有效地求解一切整数规划。如不加特殊说明，一般指整数线性规划。对于整数线性规划模型大致可分为两类：
   1 变量全限制为整数时，称纯（完全）整数规划。
   2 变量部分限制为整数的，称混合整数规划。
2. 代码实现

参考链接
马尔可夫过程

• 动态规划

1. 简介：动态规划（dynamic programming）是运筹学的一个分支，是求解决策过程（decisionprocess）最优化的数学方法。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。
2. 代码实现：

参考链接
具体问题具体分析