数学模型评价方面的思考

《数学模型评价方面的思考》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、一：数学模型评价方面的思考1.解释。大家都很关注数学模型的建立和求解过程。这也是最富有技术性的部分。但在建立和求解以后，一定要做出合理的解释。把数学结果翻译成实际问题的语言。而且即使是在一些技术细节上，如果能做出和实际相符的解释，也会使模型变得可靠和有意义。有的手段，无论输入什么数据，都能得到某些结果。比如拟合，比如神经网络，比如计算机仿真。但是否有真实意义，这需要“解释”来揭示和验证。设想一个最简单的预测问题，如果搞一个高次多项式，一定可以把现有的数据拟合得天衣无缝。但这又能说明什么呢？2.检验。上面所说，有许多建模中常用的手段，无论什么数据输进去，都能输出一些结果。而这些结果是否真的可信，

2、往往需要检验。事实上，凡是从特殊的事例推到一般情况时，结论是否可靠，都需要进行检验。例如给了一系列数据(x,y)，我们通过某种手段，找到了x与y之间的关系（当然这往往是近似的）。我们就应当事先保留一些没用过的数据，最后用于模型的检验，如果检验的结果是吻合得相当不错，那我们的模型是可靠的。这个步骤不要忽略，在许多建模问题中，至少有30%的数据是专门用来检验模型结论的。3.灵敏度分析和可靠性评估。粗略地讲，灵敏度是指模型的结论与初始条件之间的关系是否非常敏感。模型总要做许多假设，这些假设不总是万无一失的。模型也总是要输入一些初始的数据，无论是调查还是测量得来，数据总会有误差。如果初始条件有微小的偏

3、差，结果就有显著的变化，那这个模型可以说是毫无意义的。所以低灵敏度在某种意义上意味着高可靠性。传统上，狭义的灵敏度分析就是指输入数据的误差，引起结果的变化，这有许多成型的方法来进行分析。而对广义的，由于假设不够准确而引起结果的变化，很难有系统的方法来分析。但是，总之对模型的灵敏度和可靠性要通过各种角度，做出全面的分析，这是建模工作是否完善的重要标志。4.评价。模型的评价不要流于空泛。“本模型结果可信，效果良好，有许多因素还没有考虑到，一些方面还有不足”此类评价事实上毫无意义。评价不是为了做结论，而是为了对模型做进一步的研究。模型的意义，可信程度，精度，可能的问题，改进方案，都是需要认真思考的方

4、面。只有认真地对模型做研究，才能认识清楚模型的优点和不足，才能够针对不足之处进行改进。模型都是需要锤炼才能完善的。二：—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.模型准备首先要了解问题的实际背景，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

5、的目的，对问题进行必要的、合理的简化，用精确的语言做出假设，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

6、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(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

7、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