[数据结构与算法] 数学建模—

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 数据结构与算法 -> 数学建模——微分方程 -> 正文阅读

[数据结构与算法]数学建模——微分方程

在前面三章中通过线性规划、整数规划、非线性规划三方面对规划问题有了一个初步的认识。

线性规划：https://blog.csdn.net/qq_51564046/article/details/118568020?spm=1001.2014.3001.5501

整数规划：https://blog.csdn.net/qq_51564046/article/details/118571195?spm=1001.2014.3001.5501

非线性规划：https://blog.csdn.net/qq_51564046/article/details/118576469?spm=1001.2014.3001.5501

今天我们进入新的篇章——微分方程。

适用范围：当直接导出变量之间的函数关系比较困难，但导出包含未知函数的导数或微分关系比较容易时。

一、人口模型（Malthus模型和Logistic模型）

1.马尔萨斯模型：

基本假设：人口增长率r是常数。

$N(t+\Delta t)-N(t)=r\Delta N(t)$

$\frac{dN}{dt}=rN$

$N(t)=N_{0}e^{r(t-t_{0}))}$

显著特点：种群数量翻一番的时间是固定的。故 $T=\frac{ln2}{r}$

模型总结：适用于群体总数不太大时合理。人口的净增长率不可能保持常数，与人口数量有关。

马尔萨斯模型实例：

1625	1830	1930	1960	1974	1987	1999
5	10	20	30	40	50	60

T=1999-1960;
r=log(2)/T
x=[1960 1974 1987 1999 2011 2016];
y=[30 40 50 60 70 74.42];
plot(x,y,'*')
hold on
tt=1960:2050
xx=30*exp(r*(tt-1960));
plot(tt,xx,'r-')
legend('实际数据’,‘拟合数据')
xlabel('time')
ylabel('人数（亿）')

线性最小二乘法拟合

最小二乘拟合：作为度量误差“大小”标准的函数逼近

在次数不超过n的多项式中找一个函数使残差平方和最小

解决：matlab中的polyfit指令：x,y分别表示横纵坐标，n为拟合多项式的次数，P为输出的多项式系数向量。

polyval(p,x)。p为polyfit的结果。x为预测值得x坐标。函数结果即为x处对应得y值。

最小二乘法模型实例：

给出美国人口从1790年到1990年的人口，估计2010年的人口。

年份	1790	1800	1810	1820	1830	1840	1850	1860	1870	1880
人口	3.9	5.3	7.2	9.6	12.9	17.1	23.2	31.4	38.6	50.2
年份	1890	1900	1910	1920	1930	1940	1950	1960	1970	1980
人口	62.9	76.0	92.0	106.5	123.2	131.7	150.7	179.3	204.0	226.5

xxdata=[1790 1800 1810 1820 1830 1840 1850 1860];
xdata=xxdata-1790;
yydata=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4];
ydata=log(yydata)
p=polyfit(xdata,ydata,1)%polyfit 基于最小二乘法的曲线拟合
xxxdata=[1790:2000];
xx=[0:2000-1790];
z1=polyval(p,xx)%求的xx处的y值
y1=exp(z1); 
xxx=[1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980];
yyy=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76 92 106.5 123.2 131.7 150.7 179.3 204 226.5];
plot(xxx,yyy,'*',xxxdata,y1,'r-')
hold on
legend('实际数据','预测数据')
xlabel('时间','fontsize',18)
ylabel('人口','fontsize',16)

看完上面的代码肯定有不少人都想问，为什么xdata做了-1790的处理和ydata用了log函数。

我们拟合的是一次函数，马尔萨斯模型的式子为 $N(t)=N_{0}e^{r(t-t_{0}))}$

?经过处理变为一次函数形式： $lny=lnc+r(t-t_{0})$ ，看到这里相信大家的困惑就迎刃而解了。

这里还有一种函数类型：增函数，t->0时y=0；t->inf时，y趋于一个定值。指数类型： $y=ae^{\frac{b}{t}}$

非线性最小二乘法拟合

适用matlab中的lsqcurvefit函数。[x,resnorm]=lsqcurvefit(fun,x0,xdata,ydata)

fun为需要拟合的函数。x0为函数系数的初始猜测值。xdata为x的坐标值，ydata为y的坐标值。

output:x经拟合后的系数。resnorm误差

2.Logistic模型

人口的净增长率与人口的数量有关，r=r(N)=r-aN

$\frac{dN}{dt}=(r-aN)N$ ? ? ? ? 或者???????? $\frac{dN}{dt}=r(1-\frac{N}{K})N$

$N(t)=\frac{N_{0}K}{N_{0}+(K-N_{0})e^{-rt}}$

用Logistic模型预测美国2010年人口（数据见上表）

function [F]=myfun1(x,xdata)
F= x(1) ./ (1 + (x(1) / 3.9 - 1) .* exp(- x(2) .* xdata)); 
end
xx=[1790 1800 1810 1820 1830 1840 1850 1860 1870];
xdata=xx-1790;
ydata=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6];
x0=[1,1];
xi=lsqcurvefit(@myfun1,x0,xdata,ydata)
x1=1790:1:1980; xx1=x1-1790;
y1=myfun1(xi,xx1);
xxdata=[1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980];
yydata=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76 92 106.5 123.2 131.7 150.7 179.3 204 226.5]; 
plot(xxdata,yydata,'ro',x1,y1,'b-')

Logistic模型同样适用于新产品推广问题和捕鱼业问题。只要是随着变量x的增加会导致目标结果涨幅的变慢，Logistic模型都适用。

二、传染病模型

模型1 ：已感染人数i（t）

假设：每个病人每天有效接触人数为 $\lambda$ 。