发布时间：
数学建模内容摘要：数学作为现代科学的一种工具和手段，要了解什么是数学模型和数学建模，了解数学建模一般方法及步骤。关键词：数学模型、数学建模、实际问题伴随着当今社会的科学技术的飞速发展，数学已经渗透到各个领域，数学建模也显得尤为重要。数学建模在人们生活中扮演着重要的角色，而且随着计算机技术的发展，数学建模更是在人类的活动中起着重要作用，数学建模也更好的为人类服务。一、数学模型数学模型是对于现实世界的一个特定对象,一个特定目的,根据特有的内在规律,做出一些必要的假设,运用适当的数学工具,得到一个数学结构简单地说:就是系统的某种特征的本质的数学表达式(或是用数学术语对部分现实世界的描述),即用数学式子(如函数,图形,代数方程,微分方程,积分方程,差分方程等)来描述(表述,模拟)所研究的客观对象或系统在某一方面的存在规律随着社会的发展,生物,医学,社会,经济……,各学科,各行业都涌现现出大量的实际课题,急待人们去研究,去解决但是,社会对数学的需求并不只是需要数学家和专门从事数学研究的人才,而更大量的是需要在各部门中从事实际工作的人善于运用数学知识及数学的思维方法来解决他们每天面临的大量的实际问题,取得经济效益和社会效益他们不是为了应用数学知识而寻找实际问题(就像在学校里做数学应用题),而是为了解决实际问题而需要用到数学而且不止是要用到数学,很可能还要用到别的学科,领域的知识,要用到工作经验和常识特别是在现代社会,要真正解决一个实际问题几乎都离不开计算机可以这样说,在实际工作中遇到的问题,完全纯粹的只用现成的数学知识就能解决的问题几乎是没有的你所能遇到的都是数学和其他东西混杂在一起的问题,不是"干净的"数学,而是"脏"的数学其中的数学奥妙不是明摆在那里等着你去解决,而是暗藏在深处等着你去发现也就是说,你要对复杂的实际问题进行分析,发现其中的可以用数学语言来描述的关系或规律,把这个实际问题化成一个数学问题,这就称为数学模型数学模型具有下列特征:数学模型的一个重要特征是高度的抽象性通过数学模型能够将形象思维转化为抽象思维,从而可以突破实际系统的约束,运用已有的数学研究成果对研究对象进行深入的研究数学模型的另一个特征是经济性用数学模型研究不需要过多的专用设备和工具,可以节省大量的设备运行和维护费用,用数学模型可以大大加快研究工作的进度,缩短研究周期,特别是在电子计算机得到广泛应用的今天,这个优越性就更为突出但是,数学模型具有局限性,在简化和抽象过程中必然造成某些失真所谓"模型就是模型"(而不是原型),即是指该性质二、数学建模 数学建模是利用数学方法解决实际问题的一种实践即通过抽象,简化,假设,引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解简而言之,建立数学模型的这个过程就称为数学建模模型是客观实体有关属性的模拟陈列在橱窗中的飞机模型外形应当象真正的飞机,至于它是否真的能飞则无关紧要;然而参加航模比赛的飞机模型则全然不同,如果飞行性能不佳,外形再象飞机,也不能算是一个好的模型模型不一定是对实体的一种仿照,也可以是对实体的某些基本属性的抽象,例如,一张地质图并不需要用实物来模拟,它可以用抽象的符号,文字和数字来反映出该地区的地质结构数学模型也是一种模拟,是用数学符号,数学式子,程序,图形等对实际课题本质属性的抽象而又简洁的刻划,它或能解释某些客观现象,或能预测未来的发展规律,或能为控制某一现象的发展提供某种意义下的最优策略或较好策略数学模型一般并非现实问题的直接翻版,它的建立常常既需要人们对现实问题深入细微的观察和分析,又需要人们灵活巧妙地利用各种数学知识这种应用知识从实际课题中抽象,提炼出数学模型的过程就称为数学建模实际问题中有许多因素,在建立数学模型时你不可能,也没有必要把它们毫无遗漏地全部加以考虑,只能考虑其中的最主要的因素,舍弃其中的次要因素数学模型建立起来了,实际问题化成了数学问题,就可以用数学工具,数学方法去解答这个实际问题如果有现成的数学工具当然好如果没有现成的数学工具,就促使数学家们寻找和发展出新的数学工具去解决它,这又推动了数学本身的发展例如,开普勒由行星运行的观测数据总结出开普勒三定律,牛顿试图用自己发现的力学定律去解释它,但当时已有的数学工具是不够用的,这促使了微积分的发明求解数学模型,除了用到数学推理以外,通常还要处理大量数据,进行大量计算,这在电子计算机发明之前是很难实现的因此,很多数学模型,尽管从数学理论上解决了,但由于计算量太大而没法得到有用的结果,还是只有束之高阁而电子计算机的出现和迅速发展,给用数学模型解决实际问题打开了广阔的道路而在现在,要真正解决一个实际问题,离了计算机几乎是不行的数学模型建立起来了,也用数学方法或数值方法求出了解答,是不是就万事大吉了呢 不是既然数学模型只能近似地反映实际问题中的关系和规律,到底反映得好不好,还需要接受检验,如果数学模型建立得不好,没有正确地描述所给的实际问题,数学解答再正确也是没有用的因此,在得出数学解答之后还要让所得的结论接受实际的检验,看它是否合理,是否可行,等等如果不符合实际,还应设法找出原因,修改原来的模型,重新求解和检验,直到比较合理可行,才能算是得到了一个解答,可以先付诸实施但是,十全十美的答案是没有的,已得到的解答仍有改进的余地,可以根据实际情况,或者继续研究和改进;或者暂时告一段落,待将来有新的情况和要求后再作改进 应用数学知识去研究和和解决实际问题,遇到的第一项工作就是建立恰当的数学模型从这一意义上讲,可以说数学建模是一切科学研究的基础没有一个较好的数学模型就不可能得到较好的研究结果,所以,建立一个较好的数学模型乃是解决实际问题的关键之一数学建模将各种知识综合应用于解决实际问题中,是培养和提高同学们应用所学知识分析问题,解决问题的能力的必备手段之一三、数学建模的一般方法建立数学模型的方法并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征:模型的可靠性和模型的使用性建模的一般方法:机理分析 机理分析就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,所建立的模型常有明确的物理或现实意义(1) 比例分析法--建立变量之间函数关系的最基本最常用的方法 (2) 代数方法--求解离散问题(离散的数据,符号,图形)的主要方法 (3) 逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际 问题,在决策,对策等学科中得到广泛应用 (4) 常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式 (5) 偏微分方程--解决因变量与两个以上自变量之间的变化规律测试分析方法 测试分析方法就是将研究对象视为一个"黑箱"系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型 (1) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法(2) 时序分析法--处理的是动态的相关数据,又称为过程统计方法(3) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法(4) 时序分析法--处理的是动态的相关数据,又称为过程统计方法将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法, 在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定机理分析法建模的具体步骤大致可见左图仿真和其他方法(1) 计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验① 离散系统仿真--有一组状态变量② 连续系统仿真--有解析表达式或系统结构图(2) 因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构(3) 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统(参见:齐欢《数学模型方法》,华中理工大学出版社,1996)四、数学模型的分类数学模型可以按照不同的方式分类,下面介绍常用的几种按照模型的应用领域(或所属学科)分:如人口模型,交通模型,环境模型,生态模型,城镇规划模型,水资源模型,再生资源利用模型,污染模型等范畴更大一些则形成许多边缘学科如生物数学,医学数学,地质数学,数量经济学,数学社会学等按照建立模型的数学方法(或所属数学分支)分:如初等数学模型,几何模型,微分方程模型,图论模型,马氏链模型,规划论模型等按第一种方法分类的数学模型教科书中,着重于某一专门领域中用不同方法建立模型,而按第二种方法分类的书里,是用属于不同领域的现成的数学模型来解释某种数学技巧的应用在本书中我们重点放在如何应用读者已具备的基本数学知识在各个不同领域中建模按照模型的表现特性又有几种分法:确定性模型和随机性模型 取决于是否考虑随机因素的影响近年来随着数学的发展,又有所谓突变性模型和模糊性模型静态模型和动态模型 取决于是否考虑时间因素引起的变化线性模型和非线性模型 取决于模型的基本关系,如微分方程是否是线性的离散模型和连续模型 指模型中的变量(主要是时间变量)取为离散还是连续的虽然从本质上讲大多数实际问题是随机性的,动态的,非线性的,但是由于确定性,静态,线性模型容易处理,并且往往可以作为初步的近似来解决问题,所以建模时常先考虑确定性,静态,线性模型连续模型便于利用微积分方法求解,作理论分析,而离散模型便于在计算机上作数值计算,所以用哪种模型要看具体问题而定在具体的建模过程中将连续模型离散化,或将离散变量视作连续,也是常采用的方法按照建模目的分:有描述模型,分析模型,预报模型,优化模型,决策模型,控制模型等按照对模型结构的了解程度分:有所谓白箱模型,灰箱模型,黑箱模型这是把研究对象比喻成一只箱子里的机关,要通过建模来揭示它的奥妙白箱主要包括用力学,热学,电学等一些机理相当清楚的学科描述的现象以及相应的工程技术问题,这方面的模型大多已经基本确定,还需深入研究的主要是优化设计和控制等问题了灰箱主要指生态,气象,经济,交通等领域中机理尚不十分清楚的现象,在建立和改善模型方面都还不同程度地有许多工作要做至于黑箱则主要指生命科学和社会科学等领域中一些机理(数量关系方面)很不清楚的现象有些工程技术问题虽然主要基于物理,化学原理,但由于因素众多,关系复杂和观测困难等原因也常作为灰箱或黑箱模型处理当然,白,灰,黑之间并没有明显的界限,而且随着科学技术的发展,箱子的"颜色"必然是逐渐由暗变亮的五、数学建模的一般步骤建模的步骤一般分为下列几步:模型准备首先要了解问题的实际背景,明确题目的要求,搜集各种必要的信息模型假设在明确建模目的,掌握必要资料的基础上,通过对资料的分析计算,找出起主要作用的因素,经必要的精炼,简化,提出若干符合客观实际的假设,使问题的主要特征凸现出来,忽略问题的次要方面一般地说,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写出假设时,语言要精确,就象做习题时写出已知条件那样模型构成根据所作的假设以及事物之间的联系, 利用适当的数学工具去刻划各变量之间的关系,建立相应的数学结构――即建立数学模型把问题化为数学问题要注意尽量采取简单的数学工具,因为简单的数学模型往往更能反映事物的本质,而且也容易使更多的人掌握和使用模型求解利用已知的数学方法来求解上一步所得到的数学问题,这时往往还要作出进一步的简化或假设在难以得出解析解时,也应当借助计算机求出数值解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分析所得结果的实际意义,与实际情况进行比较,看是否符合实际,如果结果不够理想,应该修改,补充假设或重新建模,有些模型需要经过几次反复,不断完善模型应用所建立的模型必须在实际中应用才能产生效益,在应用中不断改进和完善应用的方式自然取决于问题的性质和建模的目的参考文献：(1)齐欢《数学模型方法》,华中理工大学出版社,1996。(2)《数学的实践与认识》,(季刊),中国数学会编辑出版。
1、问题陈述2、模型假设3、模型的建立与求解4、模型验证5、结果分析6、提出新方案7、参考文献
首先是摘要，这个是全文的概述，里面包括这个模型的主题，以及几个需要解决问题的总体答案，比如对模型结果的阐述，或者对原来的安排评价是否合理等等。另外摘要最好控制在word一页内（小四宋体），不要太多。下面是论文的主体： 问题重述主要是对需要解决的问题用自己的语言进行描述，这个就看你自己的文笔功底了。 模型假设对你将要建立的模型进行理想假设，比如说将一些可能对结果影响不显著，但考虑起来需要很多时间的的问题理想化。 符号说明将你要建立的模型中的一些参量用符号代替表示。 模型建立这个是介绍你模型建立的原理和步骤，以及最终的模型结果，一般是一个评价函数，也可以是另外的形式，不过一定要给出一个能解决问题的大的方法 问题一、二、三（视具体的需要回答问题的个数而定，最好分条回答）利用你上面建立的模型，对题目提出的问题进行求解，这个部分需要你通过程序来实现，最后给出这个问题的结果，如果是满不满意这样的问题，需要给出明确回答满意或不满意，如果是一个量的结果，就需要把通过你的模型以及代码得到的准确结果进行阐述。 模型改进解决完上面题目提出的问题之后，可以对你的模型不足的地方再提出来，并提出改进的方案，以完善整个模型。 参考文献最后将你的参考文献写上，包括你在网上查的的资料，以及别人的论文或者书籍等等。如果最后需要你一并交上程序代码的话，还需要一个附录，里面包括程序代码，或者如果你上面的问题的结果太长的话（比如要给出几百个点的坐标这样的），可以将这些结果也放在这一块。如果楼主需要看论文样式的话，推荐一个网站：这是北京航空航天大学的数学建模网站，里面包括了该学校从92年开始到09年的各届论文，里面不乏一些比较好的论文，楼主如果需要参考样式的话，可以看看这些论文。
楼主你好，数学建模论文一般分为以下几个部分： 首先是摘要，这个是全文的概述，里面包括这个模型的主题，以及几个需要解决问题的总体答案，比如对模型结果的阐述，或者对原来的安排评价是否合理等等。另外摘要最好控制在word一页内（小四宋体），不要太多。 下面是论文的主体： 问题重述 主要是对需要解决的问题用自己的语言进行描述，这个就看你自己的文笔功底了。 模型假设 对你将要建立的模型进行理想假设，比如说将一些可能对结果影响不显著，但考虑起来需要很多时间的的问题理想化。 符号说明 将你要建立的模型中的一些参量用符号代替表示。 模型建立 这个是介绍你模型建立的原理和步骤，以及最终的模型结果，一般是一个评价函数，也可以是另外的形式，不过一定要给出一个能解决问题的大的方法 问题一、二、三（视具体的需要回答问题的个数而定，最好分条回答） 利用你上面建立的模型，对题目提出的问题进行求解，这个部分需要你通过程序来实现，最后给出这个问题的结果，如果是满不满意这样的问题，需要给出明确回答满意或不满意，如果是一个量的结果，就需要把通过你的模型以及代码得到的准确结果进行阐述。 模型改进 解决完上面题目提出的问题之后，可以对你的模型不足的地方再提出来，并提出改进的方案，以完善整个模型。 参考文献 最后将你的参考文献写上，包括你在网上查的的资料，以及别人的论文或者书籍等等。 如果最后需要你一并交上程序代码的话，还需要一个附录，里面包括程序代码，或者如果你上面的问题的结果太长的话（比如要给出几百个点的坐标这样的），可以将这些结果也放在这一块。 如果楼主需要看论文样式的话，推荐一个网站： 这是北京航空航天大学的数学建模网站，里面包括了该学校从92年开始到09年的各届论文，里面不乏一些比较好的论文，楼主如果需要参考样式的话，可以看看这些论文。 最后祝楼主好运。
选择一个比较好的题目。2 找大量与该课题相关的数据。对数据进行探索，变换选择一个模型进行建模。对模型的结果进行检验。
针对当代大学生消费支出的现状进行分析，着重探讨在新的形势下如何加强高校对大学生正确消费观念的教育与引导，有助于认识青年一代乃至整个社会的消费趋势。� � � 随着市场经济的发展和社会整体消费水平的提高，大学生的消费方式也发生了很大的变化。他们的消费方式、消费过程总是伴随着一定的消费观念，这种消费观念的特点、变迁易受社会、家庭、学校所提供的各种信息的影响，具有较强的可塑性。了解大学生消费误区，引导当代大学生树立确的、健康的消费观念是高校教育工作者的 一项重要工作。� 一、大学生消费行为分析� 消费行为是指人们在日常生活(包括衣、食、住、行、劳务消费等)过程中，为了满足人们自身物质和文化生活的需要，根据其收入条件，取得消费资料并进行消费活动的总合。� (一)大学生消费行为特点：� 笔者大致认为当代大学生消费行为大致有下列特点� 消费行为的个性化以及从众性� 大学校园里20左右岁的青年占绝大多数，他们站在时代前沿，追新求异，敏锐地把握时尚，唯恐落后于潮流，普遍追求独特、新奇、时髦的产品。他们希望以新异的消费形象，向社会展示自身成长的成熟；通过消费上的新潮、时尚、前卫来表示自己青春的活力。“是否流行”紧随价格、质量之后，成为大学生考虑是否购买的第二大因素。� 群体是具有某此共同心理特征的人的共同体。群体通过群体规范、群体评价等手段来实现对个体心理和行为的影响，大学生的消费行为在群体引力下形成的从众、暗示和舆论的影响下容易导致“消费潮汐现象”。其根源在于大学生高度一致的群体认同感，加上集体生活与通讯尤其是网络的普及，使大学生中信息的传递有着高度集中性。� 消费行为的冲动性和情绪化� 由于大学生的思想情感，志趣爱好等并未完全成熟定型，因此特别容易受到周围环境和流行趋势的影响。在其消费行为中，容易受其左右。据调查发现大学生购买日常用品时，约30％的人会因为喜欢尝试新品牌或受其品牌宣传的影响而更换品牌。购买前，大多数的大学生仅有大致的购买目标，具体要求并不明确，购买物品的时候不能明确清晰的提出所需购买商品的各项要求，只是漫无目的地观看或随便了解一些商品情况，碰到感兴趣的商品或被商品的外观所吸引刺激时，缺乏必要的考虑就很容易购买，随意性比较强。� 注重情感和交际性消费� 当代大学生普遍认为，同学、朋友、师生的交往，谈恋爱，都离不开必要的经济支持。社会的个体有关于交往、归属和爱的需要，如需要朋友，渴望与他人建立感情联系，希望在团体中有一个位置，积极寻求社会认同感、群体归属感。这种需要促使当代大学生积极地通过物质、精神手段与外界紧密联系，从而形成了大学生交际性消费。而且很多大学生即便有可能面临收支不平衡的状况，也愿意借款以应对他们认为必要的情感消费。� 消费结构的多元化� 消费结构一般是指维持生存的生存资料，满足享受的享受资料和促进自身提高发展的发展资料比例构成。大学生消费结构的状况一方面既与社会经济发展和人民生活水平的提高有关，另一方面也与大学生自身的文化修养的提高有关。近几年来大学生消费结构越来越呈现多元化的局面，享受资料支出比重日益增大。大学生们在选择消费品的时候经济方面的因素减少了，对消费品购买和更新速度加快。多数人认为大学生的消费结构是极其不合理的。� (二)大学生消费行为误区� 当前大学生的消费现象，可谓多姿多彩，基木上可以概括为成熟与冲动同在、热情和冷静并存、人情消费渐增、攀比之风日盛。同样的大学生消费主要存在以下几方面的误区：� 从众攀比性消费� 从众，也就是俗语所说的随大流，是指在社会群体的压力下，个人自觉或不自觉地放弃自己的意见而采取与大多数人一致的行为。它表现在大学生的消费行为上特别明显。有的学生家境并不富裕，但看到别人有手机，有文曲星，也不管自己实用不实用，需要不需要，也必须拥有一个，而且型号要比对方新，功能要比对方强：别人过生日，下饭店，自己也不能落在人后，甚至档次还要升级；如果是谈恋爱，男生在女生面前更是以穿着讲究、出手大方来表现自己的“男子汉气概”。大学生中流行的新四件套：手机、银行卡、MP3和电脑。名牌服装上身，手提电脑随身，信息把握在手，创造未来人生，这已经成为大学生羡慕、模仿的对象。这些不顾财力，攀比消费、前卫消费的行为既给家庭增加了经济负担，又会对大学生的学习、生活和身心造成不良的影响。� 盲目性消费� 绝大多数学生第一次离开父母，拥有了支配各种费用的权力，开始独立生活，表现出不会理财，不会合理安排费用，在消费上没有明确的目标行为，并努力追求下去，而是出现了盲目片面的消费行为。比如一些同学追求物质享受，把钱花在吃喝玩乐上；一些同学进入所谓的“高消费”，成为网吧的常客；一些同学大量的消费用于人际交往上。这些不合理的开销，多多少少存在一些盲目消费的现象，造成了经济上的困难。
可以多看一些资料，然后去学习一下人家的论文是怎么写的？通过借鉴，然后但是千万不要抄袭，如果抄袭的话，那基本上就没有用了
从统计学的发展趋势谈统计教育的改革 摘要：要培养出新型的21世纪的人才，统计教育必须高瞻远瞩。本文从统计学的发展趋势谈了统计教育急需改革的几个方面。 关键词: 统计学； 发展趋势； 统计教育改革 随着国家创新体系的建立，统计创新工程已经提上议事日程，统计创新包括两个方面，一是统计实践的创新；二是统计教育的创新。创新的基础在于教育，没有统计教育的创新，就谈不上统计实践的创新。准确把握统计学的发展方向与发展形势，培养适应新世纪社会经济发展需要的人才，是统计教育工作者必须面对的问题，本文从统计学的基本发展趋势谈一谈统计教育急需改革的几个方面。 一、统计学的基本发展趋势 纵观统计学的发展状况，与整个科学的发展趋势相似，统计学也在走与其他科学结合交融的发展道路。归纳起来，有两个基本结合趋势。 （一）统计学与实质性学科结合的趋势 统计学是一门通用方法论的科学，是一种定量认识问题的工具。但作为一种工具，它必须有其用武之地。否则，统计方法就成为无源之水，无用之器。统计方法只有与具体的实质性学科相结合，才能够发挥出其强大的数量分析功效。并且，从统计方法的形成历史看，现代统计方法基本上来自于一些实质性学科的研究活动，例如，最小平方法与正态分布理论源于天文观察误差分析，相关与回归源于生物学研究，主成分分析与因子分析源于教育学与心理学的研究。抽样调查方法源于政府统计调查资料的搜集。历史上一些著名的统计学家同时也是生物学家或经济学家等。同时，有不少生物学家、天文学家、经济学家、社会学家、人口学家、教育学家等都在从事统计理论与方法的研究。他们在应用过程中对统计方法进行创新与改进。另外，从学科体系看，统计学与实质性学科之间的关系绝对不是并列的，而是相交的，如果将实质性学科看作是纵向的学科，那么统计学就是一门横向的学科，统计方法与相应的实质性学科相结合，才产生了相应的统计学分支，如统计学与经济学相结合产生了经济统计，与教育学相结合产生了教育统计，与生物学相结合产生了生物统计等，而这些分支学科都具有"双重"属性：一方面是统计学的分支，另一方面也是相应实质性学科的分支，所以经济统计学、经济计量学不仅属于统计学，同时属于经济学，生物统计学不仅是统计学的分支，也是生物学的分支等。这些分支学科的存在主要不是为了发展统计方法，而是为了解决实质性学科研究中的有关定量分析问题，统计方法是在这一应用过程中得以完善与发展的。因此，统计学与各门实质性学科的紧密结合，不仅是历史的传统更是统计学发展的必然模式。实质性学科为统计学的应用提供了基地，为统计学的发展提供了契机。21世纪的统计学依然会采取这种发展模式，且更加注重应用研究。 这个趋势说明：统计方法的学习必须与具体的实质性学科知识学习相结合。必须以实质性学科为依据，因此，财经类统计专业的学生必须学好有关经济类与管理类的课程，只有这样，所学的统计方法才有用武之地。统计的工具属性才能够得以充分体现。 （二）统计学与计算机科学结合的趋势 纵观统计数据处理手段发展历史，经历了手工、机械、机电、电子等数个阶段，数据处理手段的每一次飞跃，都给统计实践带来革命性的发展。上个世纪40年代第一台电子计算机的诞生，给统计学方法的广泛应用创造了条件。20年代发展起来的多元统计方法虽然对于处理多变量的种类数据问题具有很大的优越性，但由于计算工作量大，使得这些有效的统计分析方法一开始并没有能够在实践中很好推广开来。而电子计算机技术的诞生与发展，使得复杂的数据处理工作变得非常容易，那些计算繁杂的统计方法的推广与应用，由于相应统计软件的开发与商品化而变得更加方便与迅速，非统计专业的理论工作者可以直接凭借商品化统计分析软件来处理各类现实问题的多变量数据分析，而无需对有关统计方法的复杂理论背景进行研究。计算机运行能力的提高，使得大规模统计调查数据的处理更加准确、充分与快捷。目前企业经营管理中建立的决策支持系统（DSS）更加离不开统计模型。最近国外兴起的数据挖掘（Datamining,又译"数据掏金"）技术更是计算机专家与统计学家共同关注的领域。随着计算机应用的越来越广泛，每年都要积累大量的数据，大量信息在给人们带来方便的同时也带来了一系列问题：信息过量，难以消化；信息真假，难以辨识；信息安全，难以保证；信息形式不一致，难以统一处理；于是人们开始提出一个新的口号"要学会抛弃信息"。人们考虑"如何才能不被信息淹没，而是从中及时发现有用的知识，提高信息利用率？"面对这一挑战，数据挖掘和知识发现（DMKD）技术应运而生，并显示出强大的生命力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一门交叉学科，它把人们对数据的应用从低层的简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。虽然统计学家与计算机专家关心Datamining的视角不完全相同，但可以说，Datamining与DSS一样，使得统计方法与计算机技术的结合达到了一个更高的层次。 因此，统计学越来越离不开计算机技术，而计算机技术应用的深入，也同样离不开统计方法的发展与完善。这个趋势说明：充分利用现代计算技术，通过计算机软件将统计方法中复杂难懂的计算过程屏障起来，让用户直接看到统计输出结果与有关解释，从而使统计方法的普及变得非常容易。所以，对于财经类统计专业的学生来说，一方面要学好统计方法，但另一方面更加要学会利用商品化统计软件包解决实践中的统计数量分析问题，学好计算机信息系统开发的基本思想与基本程序设计，能够将具体单位的统计模型通过编程来实现，以建立起统计决策支持系统。 所以统计与实质性学科相结合，与计算机、与信息相结合，这是发展的趋势。了解这一点，再来看我们目前教育中的问题就更加明显了，所以一些课程要改革，教学方式也要改革。以下谈一谈统计教育需要改革的几个方面。采纳哦
首先要明确撰写论文的目的数学建模通常是由一些部门根据实际需要而提出的,也许那些部门还在经济上提供了资助,这时论文具有向特定部门汇报的目的,但即使在其他情况下,都要求对建模全过程作一个全面的、系统的小结。使有关的技术人员（竞赛时的阅卷人员）读了之后,相信模型假设的合理性,理解在建立模型过程中所用数学方法的适用性,从而确信该模型的数据和结论,放心地应用于实践中当然,一篇好的论文是以作者所建立的数学模型的科学性为前提的 其次,要注意论文的条理性建模就是建立模型，就是为了理解事物而对事物做出的一种抽象，是对事物的一种无歧义的书面描述。建立系统模型的过程，又称模型化。建模是研究系统的重要手段和前提。凡是用模型描述系统的因果关系或相互关系的过程都属于建模。因描述的关系各异，所以实现这一过程的手段和方法也是多种多样的。可以通过对系统本身运动规律的分析，根据事物的机理来建模;也可以通过对系统的实验或统计数据的处理,并根据关于系统的已有的知识和经验来建模。还可以同时使用几种方法。
楼主你好，数学建模论文一般分为以下几个部分： 首先是摘要，这个是全文的概述，里面包括这个模型的主题，以及几个需要解决问题的总体答案，比如对模型结果的阐述，或者对原来的安排评价是否合理等等。另外摘要最好控制在word一页内（小四宋体），不要太多。 下面是论文的主体： 问题重述 主要是对需要解决的问题用自己的语言进行描述，这个就看你自己的文笔功底了。 模型假设 对你将要建立的模型进行理想假设，比如说将一些可能对结果影响不显著，但考虑起来需要很多时间的的问题理想化。 符号说明 将你要建立的模型中的一些参量用符号代替表示。 模型建立 这个是介绍你模型建立的原理和步骤，以及最终的模型结果，一般是一个评价函数，也可以是另外的形式，不过一定要给出一个能解决问题的大的方法 问题一、二、三（视具体的需要回答问题的个数而定，最好分条回答） 利用你上面建立的模型，对题目提出的问题进行求解，这个部分需要你通过程序来实现，最后给出这个问题的结果，如果是满不满意这样的问题，需要给出明确回答满意或不满意，如果是一个量的结果，就需要把通过你的模型以及代码得到的准确结果进行阐述。 模型改进 解决完上面题目提出的问题之后，可以对你的模型不足的地方再提出来，并提出改进的方案，以完善整个模型。 参考文献 最后将你的参考文献写上，包括你在网上查的的资料，以及别人的论文或者书籍等等。 如果最后需要你一并交上程序代码的话，还需要一个附录，里面包括程序代码，或者如果你上面的问题的结果太长的话（比如要给出几百个点的坐标这样的），可以将这些结果也放在这一块。 如果楼主需要看论文样式的话，推荐一个网站： 这是北京航空航天大学的数学建模网站，里面包括了该学校从92年开始到09年的各届论文，里面不乏一些比较好的论文，楼主如果需要参考样式的话，可以看看这些论文。 最后祝楼主好运。
奥运会临时超市网点设计模型（小三黑体,题目直接用竞赛试题题目,不必另起） 摘要 （一级标题，4号黑体，居中）（论文其他内容小4号宋体字，单倍行距，左侧装订）本文根据题目附录中提供的问卷调查数据，利用关系数据库查询语言，从不同侧面进行了准确统计，找出了运动会期间观众在出行方式、餐饮方式以及消费额（非餐饮）三方面所反映的规律：大部分（约72%）的观众坐公交和地铁出行；过半数（约52%）的观众选择西餐作为餐饮方式；绝大部分（约88%）的观众消费额在300以下，其中200到300之间人数约占44%。根据观众在出行方式、餐饮方式以及消费额（非餐饮）三方面所反映的规律，对不同消费档次（非餐饮）的观众进行统计，分别测算出题目（图2）中20个商区的人流量分布：A1：83% A2：09% A3：63% A4：19% A5：72% A6：73% A7：04% A8：49% A9：95% A10：40%B1：81% B2：26% B3：55% B4：95% B5：49% B6：27% C1：69% C2：60% C3：39% C4：84%在解决了问题1、2的基础上，对不同消费档次的观众赋予不同消费档次指数，然后，通过对综合购买力的分析以及对各消费档次观众的消费水平进行全面、综合考查，并以此为依据对问题3建立了线性优化模型，运用数学软件MATLAB编程对模型进行二维搜索，得到了模型最优解，设计出了各商区两种类型迷你超市网MS的分布方案： 商区网类型 A1 A2 A3 A4 A5 A6 A7 A8 A9 A10小MS个数 5 4 4 4 5 8 4 3 3 2大MS个数 5 4 4 5 5 9 4 4 3 3 商区网类型 B1 B2 B3 B4 B5 B6 C1 C2 C3 C4小MS个数 2 3 4 3 4 6 2 2 4 3大MS个数 2 1 3 3 3 5 1 2 4 5最后，通过综合分析，我们建立的模型能够准确描述各商区消费水平，得出两种不同类型MS个数分布基本均衡，既满足了奥运会期间的购物需求，又考虑了商业赢利。关键词（一级标题，四号黑体，居中）人流量；二维搜索；消费档次指数；线性优化模型；综合购买力（3－5个）（第一页只有摘要和关键词,而且论文从这一页开始编页号,页码居中）一． 问题的提出（一级标题，四号黑体，居中）2008年北京奥运会的建设工作已经进入全面设计和实施阶段。奥运会期间，在比赛主场馆的周边地区需要建设由小型商亭构建的临时商业网点，称为迷你超市（Mini Supermarket, 以下记做MS）网，以满足观众、游客、工作人员等在奥运会期间的购物需求，主要经营食品、奥运纪念品、旅游用品、文体用品和小日用品等。在比赛主场馆周边地区设置的这种MS，在地点、大小类型和总量方面有三个基本要求：满足奥运会期间的购物需求、分布基本均衡和商业上赢利。图1给出了比赛主场馆的规划图。作为真实地图的简化，在图2中仅保留了与本问题有关的地区及相关部分：道路（白色为人行道）、公交车站、地铁站、出租车站、私车停车场、餐饮部门等,其中标有A1-A10、B1-B6、C1-C4的黄色区域是规定的设计MS网点的20个商区。为了得到人流量的规律，一个可供选择的方法，是在已经建设好的某运动场（图3）通过对预演的运动会的问卷调查，了解观众（购物主体）的出行和用餐的需求方式和购物欲望。假设我们在某运动场举办了三次运动会，并通过对观众的问卷调查采集了相关数据，参照采集的数据，请你按以下步骤对图2的20个商区设计MS网点：1． 根据附录中给出的问卷调查数据，找出观众在出行、用餐和购物等方面所反映的规律。 2． 假定奥运会期间（指某一天）每位观众平均出行两次，一次为进出场馆，一次为餐饮，并且出行均采取最短路径。依据1的结果，测算图2中20个商区的人流量分布（用百分比表示）。3． 如果有两种大小不同规模的MS类型供选择，给出图2中20个商区内MS网点的设计方案（即每个商区内不同类型MS的个数），以满足上述三个基本要求。4． 阐明你的方法的科学性，并说明你的结果是贴近实际的。（图2，图3请见附录2）。二． 问题假设（一级标题，四号黑体，居中）1．奥运会期间（指某一天）每位观众平均出行两次，一次为进出场馆，一次为餐饮，并且出行均采取最短路径。2．观众在一天内的行程如下： 进场馆——>出场餐饮——>餐饮完回场馆——>出场馆且进场馆和出场馆路径相同，出场餐饮和餐饮完回场路径相同。3．出场餐饮与餐饮完回场馆时不考虑出行方式，只按餐饮方式采取最短路径。4．各场馆内进出口与看台一一对应（即进场时一个进口只能到达唯一确定看台，出场时一个出口对应唯一看台，看台之间不能相互跨越）。5．每位观众通过出行或餐饮路径上所有商区（包括看台出口所对的商区）。6．三个场馆人数固定（A区为10万人，B区为6万人，C区为4万人），每个看台人数固定，均为1万人（即商区A1、A2、A3、A4、A5、A6、A7、A8、A9、A10、B1、B2、B3、B4、B5、B6、C1、C2、C3、C4对应的二十个看台每个均为一万人）。7．观众在奥运期间的出行方式、餐饮方式、消费额档次均不变，且服从问卷调查所得规律。三． 假设合理性分析及说明（一级标题，四号黑体，居中）根据最短路径原则，观众从各车站或停车场到场馆往返路径相同；同理，餐饮往返路径也相同。因此只须考虑观众看完比赛从场馆到车站或停车场的路径（下称第一类路径）以及观众出场馆到达餐饮地点的路径（下称第二类路径）即可。即对各商区人流量只须计算这两类路径的人流量，各商区总人流量为观众走这两类路径人流量的2倍。为方便计算，本模型中人流量仅为第一类和第二类路径人流量之和。从图2可以看出，各场馆到餐饮地点或者无车可乘或者相距很近无须乘车，故在观众出场馆餐饮时只根据餐饮方式采取最短路径，忽略出行方式。四． 符号约定（一级标题，四号黑体，居中）W: 出行方式为公交（东西）；N: 出行方式为公交（南北）；E: 出行方式为地铁东；R: 出行方式为地铁西；P: 出行方式为私车；T: 出行方式为出租；C: 餐饮方式为中餐；F: 餐饮方式为西餐；B: 餐饮方式为商场；五． 模型建立与求解（一级标题，四号黑体，居中） 问题1求解根据附录中给出的问卷调查数据，我们利用数据库编程（Visual Basic ＋SQL关系数据查询语言）首先统计得出了三次问卷调查中按年龄、出行方式、餐饮方式、消费水平分档的各类人数，如表1所示。……………………………………………………………………………………………………………………………………………为了能清楚看出观众在出行、用餐和购物等方面反映的情况，用百分比表示各出行方式、餐饮方式、消费额档次人群的分布情况，如表2所示：(略)…………………………………………………………………………………………………………………………………………………………2．问题2求解商区人流量与平均购物欲望是影响商区选址的主要因素。各商区人流量与观众出行方式、餐饮方式有关。商区人流量的消费档次水平分布，体现了该商区人流的平均购物欲望。因此，以消费档次水平为划分标准，分别按出行方式及餐饮方式对人群进行统计，不同消费档次水平人数及百分比表示如表3所示：………………………………………………………………………………………………………………………………………3．问题3求解……………………………………………………………………………………商区Z的综合购买力（百万元）H ＝商区Z各个消费档次购买力之和。各个消费档次购买力为:该消费档次人流量╳消费档次指数根据以上标准可以建立以总出售能力最小作为目标函数的模型： Min f=m1╳( + + )+m2╳( + + )约束条件为： ╳m1+ ╳m2>= (i=1,2……10) ╳m1+ ╳m2>= (j=1,2……6) ╳m1+ ╳m2>= (k=1,2,3,4) , , , , , >=1且为整数 m1
首先是摘要，这个是全文的概述，里面包括这个模型的主题，以及几个需要解决问题的总体答案，比如对模型结果的阐述，或者对原来的安排评价是否合理等等。另外摘要最好控制在word一页内（小四宋体），不要太多。下面是论文的主体： 问题重述主要是对需要解决的问题用自己的语言进行描述，这个就看你自己的文笔功底了。 模型假设对你将要建立的模型进行理想假设，比如说将一些可能对结果影响不显著，但考虑起来需要很多时间的的问题理想化。 符号说明将你要建立的模型中的一些参量用符号代替表示。 模型建立这个是介绍你模型建立的原理和步骤，以及最终的模型结果，一般是一个评价函数，也可以是另外的形式，不过一定要给出一个能解决问题的大的方法 问题一、二、三（视具体的需要回答问题的个数而定，最好分条回答）利用你上面建立的模型，对题目提出的问题进行求解，这个部分需要你通过程序来实现，最后给出这个问题的结果，如果是满不满意这样的问题，需要给出明确回答满意或不满意，如果是一个量的结果，就需要把通过你的模型以及代码得到的准确结果进行阐述。 模型改进解决完上面题目提出的问题之后，可以对你的模型不足的地方再提出来，并提出改进的方案，以完善整个模型。 参考文献最后将你的参考文献写上，包括你在网上查的的资料，以及别人的论文或者书籍等等。如果最后需要你一并交上程序代码的话，还需要一个附录，里面包括程序代码，或者如果你上面的问题的结果太长的话（比如要给出几百个点的坐标这样的），可以将这些结果也放在这一块。如果楼主需要看论文样式的话，推荐一个网站：这是北京航空航天大学的数学建模网站，里面包括了该学校从92年开始到09年的各届论文，里面不乏一些比较好的论文，楼主如果需要参考样式的话，可以看看这些论文。
从统计学的发展趋势谈统计教育的改革 摘要：要培养出新型的21世纪的人才，统计教育必须高瞻远瞩。本文从统计学的发展趋势谈了统计教育急需改革的几个方面。 关键词: 统计学； 发展趋势； 统计教育改革 随着国家创新体系的建立，统计创新工程已经提上议事日程，统计创新包括两个方面，一是统计实践的创新；二是统计教育的创新。创新的基础在于教育，没有统计教育的创新，就谈不上统计实践的创新。准确把握统计学的发展方向与发展形势，培养适应新世纪社会经济发展需要的人才，是统计教育工作者必须面对的问题，本文从统计学的基本发展趋势谈一谈统计教育急需改革的几个方面。 一、统计学的基本发展趋势 纵观统计学的发展状况，与整个科学的发展趋势相似，统计学也在走与其他科学结合交融的发展道路。归纳起来，有两个基本结合趋势。 （一）统计学与实质性学科结合的趋势 统计学是一门通用方法论的科学，是一种定量认识问题的工具。但作为一种工具，它必须有其用武之地。否则，统计方法就成为无源之水，无用之器。统计方法只有与具体的实质性学科相结合，才能够发挥出其强大的数量分析功效。并且，从统计方法的形成历史看，现代统计方法基本上来自于一些实质性学科的研究活动，例如，最小平方法与正态分布理论源于天文观察误差分析，相关与回归源于生物学研究，主成分分析与因子分析源于教育学与心理学的研究。抽样调查方法源于政府统计调查资料的搜集。历史上一些著名的统计学家同时也是生物学家或经济学家等。同时，有不少生物学家、天文学家、经济学家、社会学家、人口学家、教育学家等都在从事统计理论与方法的研究。他们在应用过程中对统计方法进行创新与改进。另外，从学科体系看，统计学与实质性学科之间的关系绝对不是并列的，而是相交的，如果将实质性学科看作是纵向的学科，那么统计学就是一门横向的学科，统计方法与相应的实质性学科相结合，才产生了相应的统计学分支，如统计学与经济学相结合产生了经济统计，与教育学相结合产生了教育统计，与生物学相结合产生了生物统计等，而这些分支学科都具有"双重"属性：一方面是统计学的分支，另一方面也是相应实质性学科的分支，所以经济统计学、经济计量学不仅属于统计学，同时属于经济学，生物统计学不仅是统计学的分支，也是生物学的分支等。这些分支学科的存在主要不是为了发展统计方法，而是为了解决实质性学科研究中的有关定量分析问题，统计方法是在这一应用过程中得以完善与发展的。因此，统计学与各门实质性学科的紧密结合，不仅是历史的传统更是统计学发展的必然模式。实质性学科为统计学的应用提供了基地，为统计学的发展提供了契机。21世纪的统计学依然会采取这种发展模式，且更加注重应用研究。 这个趋势说明：统计方法的学习必须与具体的实质性学科知识学习相结合。必须以实质性学科为依据，因此，财经类统计专业的学生必须学好有关经济类与管理类的课程，只有这样，所学的统计方法才有用武之地。统计的工具属性才能够得以充分体现。 （二）统计学与计算机科学结合的趋势 纵观统计数据处理手段发展历史，经历了手工、机械、机电、电子等数个阶段，数据处理手段的每一次飞跃，都给统计实践带来革命性的发展。上个世纪40年代第一台电子计算机的诞生，给统计学方法的广泛应用创造了条件。20年代发展起来的多元统计方法虽然对于处理多变量的种类数据问题具有很大的优越性，但由于计算工作量大，使得这些有效的统计分析方法一开始并没有能够在实践中很好推广开来。而电子计算机技术的诞生与发展，使得复杂的数据处理工作变得非常容易，那些计算繁杂的统计方法的推广与应用，由于相应统计软件的开发与商品化而变得更加方便与迅速，非统计专业的理论工作者可以直接凭借商品化统计分析软件来处理各类现实问题的多变量数据分析，而无需对有关统计方法的复杂理论背景进行研究。计算机运行能力的提高，使得大规模统计调查数据的处理更加准确、充分与快捷。目前企业经营管理中建立的决策支持系统（DSS）更加离不开统计模型。最近国外兴起的数据挖掘（Datamining,又译"数据掏金"）技术更是计算机专家与统计学家共同关注的领域。随着计算机应用的越来越广泛，每年都要积累大量的数据，大量信息在给人们带来方便的同时也带来了一系列问题：信息过量，难以消化；信息真假，难以辨识；信息安全，难以保证；信息形式不一致，难以统一处理；于是人们开始提出一个新的口号"要学会抛弃信息"。人们考虑"如何才能不被信息淹没，而是从中及时发现有用的知识，提高信息利用率？"面对这一挑战，数据挖掘和知识发现（DMKD）技术应运而生，并显示出强大的生命力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一门交叉学科，它把人们对数据的应用从低层的简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。虽然统计学家与计算机专家关心Datamining的视角不完全相同，但可以说，Datamining与DSS一样，使得统计方法与计算机技术的结合达到了一个更高的层次。 因此，统计学越来越离不开计算机技术，而计算机技术应用的深入，也同样离不开统计方法的发展与完善。这个趋势说明：充分利用现代计算技术，通过计算机软件将统计方法中复杂难懂的计算过程屏障起来，让用户直接看到统计输出结果与有关解释，从而使统计方法的普及变得非常容易。所以，对于财经类统计专业的学生来说，一方面要学好统计方法，但另一方面更加要学会利用商品化统计软件包解决实践中的统计数量分析问题，学好计算机信息系统开发的基本思想与基本程序设计，能够将具体单位的统计模型通过编程来实现，以建立起统计决策支持系统。 所以统计与实质性学科相结合，与计算机、与信息相结合，这是发展的趋势。了解这一点，再来看我们目前教育中的问题就更加明显了，所以一些课程要改革，教学方式也要改革。以下谈一谈统计教育需要改革的几个方面。采纳哦
数据可从网上搜索，统计年鉴及各大数据库都有再通过统计软件作分析，例如相关分析和回归分析，这种论文偏理论型也可以通过设计调查问卷，可针对身边某一热点问题进行调查，如消费观，就业观，来搜集数据，再写一篇调查报告．
几篇？？我这有一篇城市人口统计模型，但是只有模型，如果需要的话就给点分，资源很宝贵~~~~
无忧在线有很多数学建模论文，你去搜一下就行
数学建模内容摘要：数学作为现代科学的一种工具和手段，要了解什么是数学模型和数学建模，了解数学建模一般方法及步骤。关键词：数学模型、数学建模、实际问题伴随着当今社会的科学技术的飞速发展，数学已经渗透到各个领域，数学建模也显得尤为重要。数学建模在人们生活中扮演着重要的角色，而且随着计算机技术的发展，数学建模更是在人类的活动中起着重要作用，数学建模也更好的为人类服务。一、数学模型数学模型是对于现实世界的一个特定对象,一个特定目的,根据特有的内在规律,做出一些必要的假设,运用适当的数学工具,得到一个数学结构简单地说:就是系统的某种特征的本质的数学表达式(或是用数学术语对部分现实世界的描述),即用数学式子(如函数,图形,代数方程,微分方程,积分方程,差分方程等)来描述(表述,模拟)所研究的客观对象或系统在某一方面的存在规律随着社会的发展,生物,医学,社会,经济……,各学科,各行业都涌现现出大量的实际课题,急待人们去研究,去解决但是,社会对数学的需求并不只是需要数学家和专门从事数学研究的人才,而更大量的是需要在各部门中从事实际工作的人善于运用数学知识及数学的思维方法来解决他们每天面临的大量的实际问题,取得经济效益和社会效益他们不是为了应用数学知识而寻找实际问题(就像在学校里做数学应用题),而是为了解决实际问题而需要用到数学而且不止是要用到数学,很可能还要用到别的学科,领域的知识,要用到工作经验和常识特别是在现代社会,要真正解决一个实际问题几乎都离不开计算机可以这样说,在实际工作中遇到的问题,完全纯粹的只用现成的数学知识就能解决的问题几乎是没有的你所能遇到的都是数学和其他东西混杂在一起的问题,不是"干净的"数学,而是"脏"的数学其中的数学奥妙不是明摆在那里等着你去解决,而是暗藏在深处等着你去发现也就是说,你要对复杂的实际问题进行分析,发现其中的可以用数学语言来描述的关系或规律,把这个实际问题化成一个数学问题,这就称为数学模型数学模型具有下列特征:数学模型的一个重要特征是高度的抽象性通过数学模型能够将形象思维转化为抽象思维,从而可以突破实际系统的约束,运用已有的数学研究成果对研究对象进行深入的研究数学模型的另一个特征是经济性用数学模型研究不需要过多的专用设备和工具,可以节省大量的设备运行和维护费用,用数学模型可以大大加快研究工作的进度,缩短研究周期,特别是在电子计算机得到广泛应用的今天,这个优越性就更为突出但是,数学模型具有局限性,在简化和抽象过程中必然造成某些失真所谓"模型就是模型"(而不是原型),即是指该性质二、数学建模 数学建模是利用数学方法解决实际问题的一种实践即通过抽象,简化,假设,引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解简而言之,建立数学模型的这个过程就称为数学建模模型是客观实体有关属性的模拟陈列在橱窗中的飞机模型外形应当象真正的飞机,至于它是否真的能飞则无关紧要;然而参加航模比赛的飞机模型则全然不同,如果飞行性能不佳,外形再象飞机,也不能算是一个好的模型模型不一定是对实体的一种仿照,也可以是对实体的某些基本属性的抽象,例如,一张地质图并不需要用实物来模拟,它可以用抽象的符号,文字和数字来反映出该地区的地质结构数学模型也是一种模拟,是用数学符号,数学式子,程序,图形等对实际课题本质属性的抽象而又简洁的刻划,它或能解释某些客观现象,或能预测未来的发展规律,或能为控制某一现象的发展提供某种意义下的最优策略或较好策略数学模型一般并非现实问题的直接翻版,它的建立常常既需要人们对现实问题深入细微的观察和分析,又需要人们灵活巧妙地利用各种数学知识这种应用知识从实际课题中抽象,提炼出数学模型的过程就称为数学建模实际问题中有许多因素,在建立数学模型时你不可能,也没有必要把它们毫无遗漏地全部加以考虑,只能考虑其中的最主要的因素,舍弃其中的次要因素数学模型建立起来了,实际问题化成了数学问题,就可以用数学工具,数学方法去解答这个实际问题如果有现成的数学工具当然好如果没有现成的数学工具,就促使数学家们寻找和发展出新的数学工具去解决它,这又推动了数学本身的发展例如,开普勒由行星运行的观测数据总结出开普勒三定律,牛顿试图用自己发现的力学定律去解释它,但当时已有的数学工具是不够用的,这促使了微积分的发明求解数学模型,除了用到数学推理以外,通常还要处理大量数据,进行大量计算,这在电子计算机发明之前是很难实现的因此,很多数学模型,尽管从数学理论上解决了,但由于计算量太大而没法得到有用的结果,还是只有束之高阁而电子计算机的出现和迅速发展,给用数学模型解决实际问题打开了广阔的道路而在现在,要真正解决一个实际问题,离了计算机几乎是不行的数学模型建立起来了,也用数学方法或数值方法求出了解答,是不是就万事大吉了呢 不是既然数学模型只能近似地反映实际问题中的关系和规律,到底反映得好不好,还需要接受检验,如果数学模型建立得不好,没有正确地描述所给的实际问题,数学解答再正确也是没有用的因此,在得出数学解答之后还要让所得的结论接受实际的检验,看它是否合理,是否可行,等等如果不符合实际,还应设法找出原因,修改原来的模型,重新求解和检验,直到比较合理可行,才能算是得到了一个解答,可以先付诸实施但是,十全十美的答案是没有的,已得到的解答仍有改进的余地,可以根据实际情况,或者继续研究和改进;或者暂时告一段落,待将来有新的情况和要求后再作改进 应用数学知识去研究和和解决实际问题,遇到的第一项工作就是建立恰当的数学模型从这一意义上讲,可以说数学建模是一切科学研究的基础没有一个较好的数学模型就不可能得到较好的研究结果,所以,建立一个较好的数学模型乃是解决实际问题的关键之一数学建模将各种知识综合应用于解决实际问题中,是培养和提高同学们应用所学知识分析问题,解决问题的能力的必备手段之一三、数学建模的一般方法建立数学模型的方法并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征:模型的可靠性和模型的使用性建模的一般方法:机理分析 机理分析就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,所建立的模型常有明确的物理或现实意义(1) 比例分析法--建立变量之间函数关系的最基本最常用的方法 (2) 代数方法--求解离散问题(离散的数据,符号,图形)的主要方法 (3) 逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际 问题,在决策,对策等学科中得到广泛应用 (4) 常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式 (5) 偏微分方程--解决因变量与两个以上自变量之间的变化规律测试分析方法 测试分析方法就是将研究对象视为一个"黑箱"系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型 (1) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法(2) 时序分析法--处理的是动态的相关数据,又称为过程统计方法(3) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法(4) 时序分析法--处理的是动态的相关数据,又称为过程统计方法将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法, 在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定机理分析法建模的具体步骤大致可见左图仿真和其他方法(1) 计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验① 离散系统仿真--有一组状态变量② 连续系统仿真--有解析表达式或系统结构图(2) 因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构(3) 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统(参见:齐欢《数学模型方法》,华中理工大学出版社,1996)四、数学模型的分类数学模型可以按照不同的方式分类,下面介绍常用的几种按照模型的应用领域(或所属学科)分:如人口模型,交通模型,环境模型,生态模型,城镇规划模型,水资源模型,再生资源利用模型,污染模型等范畴更大一些则形成许多边缘学科如生物数学,医学数学,地质数学,数量经济学,数学社会学等按照建立模型的数学方法(或所属数学分支)分:如初等数学模型,几何模型,微分方程模型,图论模型,马氏链模型,规划论模型等按第一种方法分类的数学模型教科书中,着重于某一专门领域中用不同方法建立模型,而按第二种方法分类的书里,是用属于不同领域的现成的数学模型来解释某种数学技巧的应用在本书中我们重点放在如何应用读者已具备的基本数学知识在各个不同领域中建模按照模型的表现特性又有几种分法:确定性模型和随机性模型 取决于是否考虑随机因素的影响近年来随着数学的发展,又有所谓突变性模型和模糊性模型静态模型和动态模型 取决于是否考虑时间因素引起的变化线性模型和非线性模型 取决于模型的基本关系,如微分方程是否是线性的离散模型和连续模型 指模型中的变量(主要是时间变量)取为离散还是连续的虽然从本质上讲大多数实际问题是随机性的,动态的,非线性的,但是由于确定性,静态,线性模型容易处理,并且往往可以作为初步的近似来解决问题,所以建模时常先考虑确定性,静态,线性模型连续模型便于利用微积分方法求解,作理论分析,而离散模型便于在计算机上作数值计算,所以用哪种模型要看具体问题而定在具体的建模过程中将连续模型离散化,或将离散变量视作连续,也是常采用的方法按照建模目的分:有描述模型,分析模型,预报模型,优化模型,决策模型,控制模型等按照对模型结构的了解程度分:有所谓白箱模型,灰箱模型,黑箱模型这是把研究对象比喻成一只箱子里的机关,要通过建模来揭示它的奥妙白箱主要包括用力学,热学,电学等一些机理相当清楚的学科描述的现象以及相应的工程技术问题,这方面的模型大多已经基本确定,还需深入研究的主要是优化设计和控制等问题了灰箱主要指生态,气象,经济,交通等领域中机理尚不十分清楚的现象,在建立和改善模型方面都还不同程度地有许多工作要做至于黑箱则主要指生命科学和社会科学等领域中一些机理(数量关系方面)很不清楚的现象有些工程技术问题虽然主要基于物理,化学原理,但由于因素众多,关系复杂和观测困难等原因也常作为灰箱或黑箱模型处理当然,白,灰,黑之间并没有明显的界限,而且随着科学技术的发展,箱子的"颜色"必然是逐渐由暗变亮的五、数学建模的一般步骤建模的步骤一般分为下列几步:模型准备首先要了解问题的实际背景,明确题目的要求,搜集各种必要的信息模型假设在明确建模目的,掌握必要资料的基础上,通过对资料的分析计算,找出起主要作用的因素,经必要的精炼,简化,提出若干符合客观实际的假设,使问题的主要特征凸现出来,忽略问题的次要方面一般地说,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写出假设时,语言要精确,就象做习题时写出已知条件那样模型构成根据所作的假设以及事物之间的联系, 利用适当的数学工具去刻划各变量之间的关系,建立相应的数学结构――即建立数学模型把问题化为数学问题要注意尽量采取简单的数学工具,因为简单的数学模型往往更能反映事物的本质,而且也容易使更多的人掌握和使用模型求解利用已知的数学方法来求解上一步所得到的数学问题,这时往往还要作出进一步的简化或假设在难以得出解析解时,也应当借助计算机求出数值解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分析所得结果的实际意义,与实际情况进行比较,看是否符合实际,如果结果不够理想,应该修改,补充假设或重新建模,有些模型需要经过几次反复,不断完善模型应用所建立的模型必须在实际中应用才能产生效益,在应用中不断改进和完善应用的方式自然取决于问题的性质和建模的目的参考文献：(1)齐欢《数学模型方法》,华中理工大学出版社,1996。(2)《数学的实践与认识》,(季刊),中国数学会编辑出版。