-
数学模型 编辑
中文名：数学模型
外文名：MathematicalModel
建模要求：真实完整、简明实用、适应变化
模型应用：取决于问题的性质和建模的目的
数学模型是针对参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻划出来的某种系统的纯关系结构。从广义理解，数学模型包括数学中的各种概念，各种公式和各种理论。因为它们都是由现实世界的原型抽象出来的，从这意义上讲，整个数学也可以说是一门关于数学模型的科学。从狭义理解，数学模型只指那些反映了特定问题或特定的具体事物系统的数学关系结构，这个意义上也可理解为联系一个系统中各变量间内的关系的数学表达。
数学模型所表达的内容可以是定量的，也可以是定性的，但必须以定量的方式体现出来。因此，数学模型法的操作方式偏向于定量形式。
真实完整
1）真实的、系统的、完整的,形象的反映客观现象；
2）必须具有代表性；
3）具有外推性，即能得到原型客体的信息，在模型的研究实验时，能得到关于原型客体的原因；
4）必须反映完成基本任务所达到的各种业绩，而且要与实际情况相符合。
简明实用
在建模过程中，要把本质的东西及其关系反映进去，把非本质的、对反映客观真实程度影响不大的东西去掉，使模型在保证一定精确度的条件下，尽可能的简单和可操作，数据易于采集。
适应变化
随着有关条件的变化和人们认识的发展，通过相关变量及参数的调整，能很好的适应新情况。
用字母、数字和其他数学符号构成的等式或不等式，或用图表、图像、框图、数理逻辑等来描述系统的特征及其内部联系或与外界联系的模型。它是真实系统的一种抽象。数学模型是研究和掌握系统运动规律的有力工具，它是分析、设计、预报或预测、控制实际系统的基础。数学模型的种类很多，而且有多种不同的分类方法。
静态和动态模型
静态模型是指要描述的系统各量之间的关系是不随时间的变化而变化的，一般都用代数方程来表达。动态模型是指描述系统各量之间随时间变化而变化的规律的数学表达式，一般用微分方程或差分方程来表示。经典控制理论中常用的系统的传递函数也是动态模型，因为它是从描述系统的微分方程变换而来的（见拉普拉斯变换）。
分布参数和集中参数模型
分布参数模型是用各类偏微分方程描述系统的动态特性，而集中参数模型是用线性或非线性常微分方程来描述系统的动态特性。在许多情况下，分布参数模型借助于空间离散化的方法，可简化为复杂程度较低的集中参数模型。
连续时间和离散时间模型
模型中的时间变量是在一定区间内变化的模型称为连续时间模型，上述各类用微分方程描述的模型都是连续时间模型。在处理集中参数模型时，也可以将时间变量离散化，所获得的模型称为离散时间模型。离散时间模型是用差分方程描述的。
随机性和确定性模型
随机性模型中变量之间关系是以统计值或概率分布的形式给出的，而在确定性模型中变量间的关系是确定的。
参数与非参数模型
用代数方程、微分方程、微分方程组以及传递函数等描述的模型都是参数模型。建立参数模型就在于确定已知模型结构中的各个参数。通过理论分析总是得出参数模型。非参数模型是直接或间接地从实际系统的实验分析中得到的响应，例如通过实验记录到的系统脉冲响应或阶跃响应就是非参数模型。运用各种系统辨识的方法，可由非参数模型得到参数模型。如果实验前可以决定系统的结构，则通过实验辨识可以直接得到参数模型。
线性和非线性模型
线性模型中各量之间的关系是线性的，可以应用叠加原理，即几个不同的输入量同时作用于系统的响应，等于几个输入量单独作用的响应之和。线性模型简单，应用广泛。非线性模型中各量之间的关系不是线性的，不满足叠加原理。在允许的情况下，非线性模型往往可以线性化为线性模型，方法是把非线性模型在工作点邻域内展成泰勒级数，保留一阶项，略去高阶项，就可得到近似的线性模型。
1、简化原则
现实世界的原型都是具有多因素、多变量、多层次的比较复杂的系统，对原型进行一定的简化即抓住主要矛盾，数学模型应比原型简化，数学模型自身也应是“最简单”的。
2、可推导原则
由数学模型的研究可以推导出一些确定的结果，如果建立的数学模型在数学上是不可推导的，得不到确定的可以应用于原型的结果，这个数学模型就是无意义的。
3、反映性原则
数学模型实际上是人对现实世界的一种反映形式，因此数学模型和现实世界的原型就应有一定的“相似性”，抓住与原型相似的数学表达式或数学理论就是建立数学模型的关键性技巧。
模型准备
首先要了解问题的实际背景，明确建模目的，搜集必需的各种信息，尽量弄清对象的特征。
建模步骤示意图
模型假设
根据对象的特征和建模目的，对问题进行必要的、合理的简化，用精确的语言作出假设，是建模至关重要的一步。如果对问题的所有因素一概考虑，无疑是一种有勇气但方法欠佳的行为，所以高超的建模者能充分发挥想象力、洞察力和判断力，善于辨别主次，而且为了使处理方法简单，应尽量使问题线性化、均匀化。
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具，构造各个量间的等式关系或其它数学结构。这时，我们便会进入一个广阔的应用数学天地，这里在高数、概率老人的膝下，有许多可爱的孩子们，他们是图论、排队论、线性规划、对策论等许多许多，真是泱泱大国，别有洞天。不过我们应当牢记，建立数学模型是为了让更多的人明了并能加以应用，因此工具愈简单愈有价值。
模型求解
可以采用解方程、画图形、证明定理、逻辑运算、数值运算等各种传统的和近代的数学方法，特别是计算机技术。一道实际问题的解决往往需要纷繁的计算，许多时候还得将系统运行情况用计算机模拟出来，因此编程和熟悉数学软件包能力便举足轻重。
模型分析
对模型解答进行数学上的分析。”横看成岭侧成峰，远近高低各不同"。能否对模型结果作出细致精当的分析，决定了你的模型能否达到更高的档次。还要记住，不论那种情况都需进行误差分析，数据稳定性分析。
模型检验
把数学上分析的结果翻译回到现实问题，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。
模型应用
取决于问题的性质和建模的目的。
按应用领域分类：
生物学数学模型
医学数学模型
地质学数学模型
气象学数学模型
经济学数学模型
社会学数学模型
物理学数学模型
化学数学模型
天文学数学模型
工程学数学模型
管理学数学模型
按是否考虑随机因素分类：
确定性模型
随机性模型
按是否考虑模型的变化分类：
静态模型
动态模型
按应用离散方法或连续方法分类：
离散模型
连续模型
按建立模型的数学方法分类：
几何模型
微分方程模型
图论模型
规划论模型
马氏链模型
按人们对事物发展过程的了解程度分类：
白箱模型：
指那些内部规律比较清楚的模型。如力学、热学、电学以及相关的工程技术问题。
灰箱模型：
指那些内部规律尚不十分清楚，在建立和改善模型方面都还不同程度地有许多工作要做的问题。如气象学、生态学经济学等领域的模型。
黑箱模型：
指一些其内部规律还很少为人们所知的现象。如生命科学、社会科学等方面的问题。但由于因素众多、关系复杂，也可简化为灰箱模型来研究。
