Typora是一款支持Markdown的编辑器，亲测非常好用。之前发CSDN博客也都是先在Typora上完成，然后直接导入到CSDN。最近在数学公式编辑上遇到了点麻烦，在此总结了常用的公式编辑方法，旨在文章更加的美观规范。
1. 打开Typora选择数学模块

点击“段落”—>“公式块”
快捷键Ctrl+Shift+m
“$$”+回车

以上三种方式都能打开数学公式的编辑栏，如下：


2. 添加数学公式
输出美观规范的数学公式，要清楚它们的格式和代码，在编辑栏中输入代码，对应的公式会在下面实时显示，如：


3. 常用公式的代码
上/下标




算式
Markdown




$x^2 $
x^2


$y_1 $
y_1


分式




算式
Markdown




$1/2$
1/2


$\frac{1}{2}$
\frac{1}{2}


省略号




省略号
Markdown




$\cdots$
\cdots


开根号




算式
Markdown




$\sqrt{2}$
\sqrt{2}


矢量




算式
Markdown




$\vec{a}$
\vec{a}


积分




算式
Markdown




$\int{x}dx$
\int{x}dx


$\int_{1}^{2}{x}dx$
\int_{1}^{2}{x}dx


极限




算式
Markdown




$\lim{a+b}$
\lim{a+b}


$\lim_{n\rightarrow+\infty}$
\lim_{n\rightarrow+\infty}


累加




算式
Markdown




$\sum{a}$
\sum{a}


$\sum_{n=1}^{100}{a_n}$
\sum_{n=1}^{100}{a_n}


累乘




算式
Markdown




$\prod{x}$
\prod{x}


$\prod_{n=1}^{99}{x_n}$
\prod_{n=1}^{99}{x_n}


希腊字母




大写
Markdown
小写
Markdown




$A$
A
$\alpha$
\alpha


$B$
B
$\beta$
\beta


$\Gamma$
\Gamma
$\gamma$
\gamma


$\Delta$
\Delta
$\delta$
\delta


$E$
E
$\epsilon$
\epsilon




$\varepsilon$
\varepsilon


$Z$
Z
$\zeta$
\zeta


$H$
H
$\eta$
\eta


$\Theta$
\Theta
$\theta$
\theta


$I$
I
$\iota$
\iota


$K$
K
$\kappa$
\kappa


$\Lambda$
\Lambda
$\lambda$
\lambda


$M$
M
$\mu$
\mu


$N$
N
$\nu$
\nu


$\Xi$
\Xi
$\xi$
\xi


$O$
O
$\omicron$
\omicron


$\Pi$
\Pi
$\pi$
\pi


$P$
P
$\rho$
\rho


$\Sigma$
\Sigma
$\sigma$
\sigma


$T$
T
$\tau$
\tau


$\Upsilon$
\Upsilon
$\upsilon$
\upsilon


$\Phi$
\Phi
$\phi$
\phi




$\varphi$
\varphi


$X$
X
$\chi$
\chi


$\Psi$
\Psi
$\psi$
\psi


$\Omega$
\Omega
$\omega$
\omega


三角函数




三角函数
Markdown




$\sin$
\sin


对数函数




算式
Markdown




$\ln2$
\ln2


$\log_28$
\log_28


$\lg10$
\lg10


关系运算符




运算符
Markdown




$\pm$
\pm


\times
\times


$\cdot$
\cdot


$\div$
\div


\neq
\neq


$\equiv$
\equiv


$\leq$
\leq


$\geq$
\geq


其它特殊字符




符号
Markdown




$\forall$
\forall


$\infty$
\infty


$\emptyset$
\emptyset


$\exists$
\exists


$\nabla$
\nabla


$\bot$
\bot


$\angle$
\angle


$\because$
\because


$\therefore$
\therefore


##4. 行间公式与行内公式

行间公式：“$$公式$$”
行内公式：“$公式$”

相信有了这些符号的编辑，足够常用公式的书写，在写文档的时候也会更加的规范美观。

补充：

花括号

$c(u)=\begin{cases} \sqrt\frac{1}{N}，u=0\\ \sqrt\frac{2}{N}， u\neq0\end{cases}$
c(u)=\begin{cases} \sqrt\frac{1}{N}，u=0\\ \sqrt\frac{2}{N}， u\neq0\end{cases}  

空格

$a \quad b$
a \quad b

矩阵
$$
a = \left[
\matrix{
  \alpha_1 & test1\\
  \alpha_2 & test2\\
  \alpha_3 & test3 
}
\right]
$$

下zai：评论里面。在中国理工科各类专业的学生（数学专业除外，数学专业学数学分析），学的数学较难，课本常称“高等数学”；文史科各类专业的学生，学的数学稍微浅一些，课本常称“微积分”。理工科的不同专业，文史科的不同专业，深浅程度又各不相同。

第七版答案：https://blog.csdn.net/lj121829/article/details/89284398?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

第六版上册答案：https://blog.csdn.net/lj121829/article/details/93646435

第六版下册答案：https://blog.csdn.net/lj121829/article/details/93645986

【本文最后更新日期：2018年9月27日】

在本文中，笔者将结合自身参赛经历，先后就数学基础的重要性、竞赛的难度与参赛动机、备赛方法（含参考书目）以及如何提升学习兴趣来浅谈自己的经验和体会。



 

竞赛简介：全国大学生数学竞赛（The Chinese Mathematics Competitions, CMC）是一项全国性高水平学科竞赛，从2009年起每年举办一次，主要参赛对象为大学本科二年级及二年级以上的在校大学生。CMC分为数学类和非数学类。其中数学类竞赛内容为大学本科数学专业基础课的教学内容（数学分析占50%，高等代数占35%，解析几何占15%）；非数学类竞赛内容为理工科专业高等数学课程的教学内容，从第五届比赛开始，非数学类决赛增加15%－20%的线性代数的内容。CMC分为预赛和决赛进行，其中分区预赛由各省数学会负责组织，使用全国统一试题在同一时间内进行考试，决赛由全国大学生数学竞赛工作小组和承办单位负责组织实施。

一、数学基础在工科领域的重要性

官方给出的CMC的举办目的是“激励大学生学习数学的兴趣，进一步推动高等学校数学课程的改革和建设，提高大学数学课程的教学水平，发现和选拔数学创新人才。”坦言，在当今高等院校扩大招生的背景下，大部分高校的学习氛围往往不够浓厚。尤其是对于刚刚走过高中、迈过高考的本科一年级同学而言，大学的学习压力较小，学习环境较自由，部分缺乏自律意识的同学容易将注意力从课程学习转移至其他更有吸引力的领域，因而轻视对于大学数学课程的学习。而大部分高校工科的教学计划都是将高数、线代、概率等课程放到大一阶段进行学习，并且作为研究生入学考试的考查内容，这凸显了数学对于工科的专业课程以及后续科学研究的重要性。

笔者结合自身体会，在这里做一个形象的类比。我们可以将本科阶段的课程学习以及后续的科研工作看作是修炼各种各样的武功，各类考试或者发表学术论文可以看作是一场场的“华山论剑”，而数学在这个过程中起到的作用更像是九阳神功、乾坤大挪移之类的内功心法。有些同学在入学时注重数学的学习，练就了深厚的“内功修为”，因而可以像张无忌那样在修炼各类“外家功夫”时很快地理解其本质，把握其精髓。而那些内功修为不够深厚的同学通常会随着“练功”的不断深入显现出后劲不足，从而遇到瓶颈。因此，如果想要继续深造或者从事学术科研相关的工作，一个好的数学基础可以让很多模型看上去理所当然，让公式看上去不那么晦涩难懂。

二、竞赛难度与参赛动机

对于非数学类的同学而言，全国大学生数学竞赛基本上就是高等数学的比赛（预赛只考高数，决赛考一部分线代）。笔者认为，高等数学在本科阶段课程中的难度可以排到中上等，可以说是工科生本科阶段很重要又比较有难度的基础课程了。所以计划参加CMC的同学首先要能对本科的高数课程有一个比较好的掌握。如果课堂上的内容还不能熟练掌握，不能保证通过期末考试的话，笔者认为直接抛弃基础而学习CMC是不太明智的选择：一方面，较难的题目往往会综合考察多个知识点或者需要运用一些技巧，基础不牢固则很难从CMC题目中提炼出自己需要学习与改进的点，进而难以取得反馈；另一方面，解题失败的迷茫感和受挫感加以累积会打击学习高数的自信心。只有从基本概念学起，打牢基础，才能融会贯通，进而通过CMC的训练掌握一些常用技巧，获得能力上的提升。

由于参赛人数逐年递增，预赛的获奖难度通常较低。结合笔者3次参赛经历来看，只要基本掌握高数的概念与解题方法，期末考试能够达到良好以上，在进行一段时间的准备之后是很有希望获奖的。当能够熟练掌握高数课程中的各种概念，自如应对高数的课堂练习题与期末测试题时，这个水平已经可以拿到预赛一等奖了。在竞赛试题上评估获奖难度，由于每年题目难度与各个赛区整体水平有差异，很难准确地将分数与获奖等级相对应。结合参赛经验，笔者认为预赛能够做对30%—40%的题目一般可以获奖，能够做对60%以上的题目比较有希望拿一等奖。如果想要进入决赛阶段，通常需要在预赛中取得赛区前10名的成绩，这可能要求预赛要做对80%甚至90%以上的题目。如果不是拥有较高的天赋或者悟性的话，这通常需要大量的练习和考试时的一点“运气”。在这里，我们不妨先探讨一下参加CMC的动机，从而针对不同类型的参赛动机提出不同的建议。

（1）为提高自己的高数成绩。这类同学通常为正在学习高数的大一本科生或备战考研的大四本科生。因为无论是期末考试还是研究生入学考试，总会有一少部分题目难度较大，以增加试题的区分度。如果在学习高数时感到学有余力，能够自如应对平时的课后练习题，可以拿预赛题来进行进阶练习，以提高自己的高数解题能力。如果在平时的练习中能够较为熟练地解决半数以上的预赛试题，则有较大的希望能够在CMC预赛中获得一等奖。

（2）为在综合测评中获得额外加分。现阶段本科教育，学术与科创竞赛在学生的综合测评中往往占据一定的比例，而综合测评成绩通常是评定奖学金、推免保送的重要依据。如果单纯从“性价比”的角度来考虑，数学基础较好的同学每年都参加一下CMC，复习一段时间争取一个预赛一等奖是一个不错的选择。若想进入决赛阶段，则通常需要付出较多的努力，此时的建议则应该根据每个人的实际情况来确定。

（3）对CMC具有纯粹的兴趣，想结合自己的特长在这个舞台上展现自己。此类同学能够在CMC的备赛中找到乐趣，此时建议由易到难进行学习，首先应顾及到全面性，因为预赛一般不会考察大量特别难的题目，大部分题目的难度在考研真题中的难题程度或者再难一点。如果能够进入决赛阶段，则需要对备赛的难度和要求进行整体提升，且需要复习线性代数的相关内容来应对决赛。

（4）其他动机。例如学校鼓励参赛，从众参赛等。建议根据自身实际情况确定备赛策略。

三、备赛方法

（1）推荐参考书目

随着近年来参赛人数的增多，CMC的参考书目也在一直更新，其中肯定不乏优秀的参考书。读者们可以更多地去调查和寻找适合自己的参考书。在这里，笔者将自己在备赛阶段（2013年-2015年）使用过的参考书列举并推荐如下：



《大学生数学竞赛试题解析选编》

推荐指数：★★★★★

难度指数：★★★★☆

适合阶段：预赛 + 决赛

评价：该书以试题集的形式编成，无章节划分，收录了北京市大学生数学竞赛和全国大学生数学竞赛的试题与解答。大部分题目质量较高，难度合理，且题目风格与CMC的风格很相近，适合于有一定基础、志在冲击预赛一等奖以及冲击决赛的同学进行进阶练习。该书收录的北京市大学生数学竞赛试题多次命中CMC预赛和决赛的赛题。因为该书以试题集的形式编成，所以内容相对缺乏系统性与全面性，需要配合一本按章节编成的辅导书使用。



《大学生数学竞赛试题 研究生入学考试难题 解析选编》

推荐指数：★★★★★

难度指数：★★★☆☆

适合阶段：预赛

评价：该书内容较第一本书少了部分北京市大学生数学竞赛以及CMC的试题，多了部分考研难题，且题目与第一本书有重叠，难度较第一本书低，适合于想借助参加CMC来巩固自身数学基础，复习考研数学，没有进决赛打算的同学。本书对于预赛的备赛具有较大的参考价值，由于是以试题集的形式编成，因而需要配合一本按章节编成的辅导书使用。



《全国大学生数学竞赛复习全书》

推荐指数：★★★★★

难度指数：★★★★☆

适合阶段：决赛

评价：该书最大的参考价值在于其包含非数学类决赛阶段考察的线性代数（在几年前，包含线性代数的CMC参考资料还是相对较少的），书中内容按照章节编成，题目具有较大的参考价值。



《全国大学生数学竞赛辅导指南》

推荐指数：★★★★☆

难度指数：★★★☆☆

适合阶段：预赛

评价：该书整体难度相对较低，内容按章节编成，题目范围全面但是相对缺乏技巧性与深度，适合CMC的初学者参考使用，目标为冲击预赛一等奖及以上者，建议不要仅仅局限于本书的内容。



《吉米多维奇 高等数学习题精选精解》

推荐指数：★★★☆☆

难度指数：★★☆☆☆

适合阶段：期末考试 + 考研 + 预赛

评价：该书整体难度较低，内容按章节编成，题目数量较多，覆盖范围全面，适合于高等数学的初学者用来复习期末考试、研究生入学考试以及CMC预赛。该书主要用于回顾基础知识点与解题方法。目标为冲击预赛一等奖及以上者，建议不要仅仅局限于本书的内容。



《大学生数学竞赛习题精讲》

推荐指数：★★☆☆☆

难度指数：★★★★☆

适合阶段：预赛

评价：该书题目风格与大学生数学竞赛的风格不太相符，里面有一些题目较偏，且习题讲解较少，参考价值较之前几本辅导书较弱，供学有余力的同学参考。

相关试题资料还可以参考“中国大学生数学竞赛官网”、“圣才学习网”、“考研竞赛数学微信公众号”等网站或平台。附1-9届CMC非数学类预赛与决赛真题解答及竞赛大纲pdf版本的下载地址。

（2）备赛策略

由于每个人的数学基础和参赛目标都不尽相同，很难去找到一个适用于所有人的备赛复习方法。在这里，笔者针对不同水平的同学，分三个阶段介绍一下自己的方法与经验：

阶段1——“利剑”阶段

结合竞赛大纲，系统复习学过的所有高等数学的知识，全面掌握基本方法，深刻理解基本概念，目标是使自身水平达到期末考试的优秀水平，且能够做出预赛一半的题目。达到该阶段的目标相对容易，水平相对较弱的同学可以在该阶段的复习备赛中较大地提升自身的高数水平。该阶段可以参考教科书、吉米多维奇（推荐书目第五本）或者CMC指南（推荐书目第四本）。如果参赛目标为在预赛中“保三争一”的话，做到阶段1问题就不大了。

阶段2——“重剑”阶段

如果参赛目标为“保一争决”，则需要在阶段1的基础上，进一步锻炼解题能力。CMC中的证明题（尤其是一元函数的证明题）是一个难点，有很多构造性的证明很难想到，这就需要进行大量的真题模拟题训练。此阶段适合使用“红色试题集”（推荐书目第一本），而且要练到手熟（即只要是知道如何求解或证明，就一定可以无误地写出来）。对于某些技巧性较强的题目，即使做过一遍且当时理解之后，过段时间还会遗忘，这就需要反复地进行复习，直到能够将某类题目的解题方法尽数列举出来为止。经过阶段2的训练，最终应达到“预赛试题中不多于2道大题不能完全做出来”的水平。



阶段3——“木剑”阶段

此阶段适合具有较好数学基础和素养、达到阶段2目标的同学。如果此类同学想要进一步提升自己的能力，冲击决赛的话，则需要进行更广泛的涉猎与拓展。此时就应当广泛阅读各类参考书目（笔者仅阅读了本文的推荐书目，学有余力的同学可以自行寻找更合适的书目），但是不必追求每一个题都要亲自写出来（会限制刷题速度），而是去浏览和思考，通过题目思考此题的解题思路（因为通过阶段2的训练，可以达到“一个题只要有思路就可以做对”的水平），而后和答案思路进行对照，获取反馈并取得进步。如果没有思路，则此题便会开拓认知领域，进而可以划归到阶段2对此题进行巩固训练。

笔者不建议越过阶段2直接进入阶段3，否则虽然可以刷到很多题目，但是难以将收获沉淀，且会因为手生导致有思路的题也无法正确严谨地解答，造成“看起来都会，做起来不对”的问题，对个人水平的提升有限。

四、如何培养学习CMC的兴趣

学习（尤其是数学的学习）在很多人看来是枯燥而痛苦的过程，如何才能培养对于CMC（或者是其他科目）学习的兴趣呢？

笔者认为，兴趣首先建立在能够较好地应对某一领域的问题，并且能够在解决问题的过程中获得收获感、成就感等正反馈之上。玩游戏是如此，学习CMC亦是如此。对于玩游戏而言，往往能够通过较短的时间获得成就感（游戏一般不会太难上手，也会根据玩家的不同水平匹配不同程度的对手），而且游戏的收获（金币、等级、经验值等）往往是显性的，这样的“快反馈”机制让玩家能够迅速看到自己的收获与进步，从而吸引了众多的玩家。而对于学习CMC（其他课程也是如此）而言，水平提升的周期要长很多，且练习过程中的收获往往是隐性的（水平难以量化），除了获奖后的喜悦，人们很长时间内很难找到能够激励自己的兴趣点。因此培养学习的兴趣往往需要从建立良好的自我正反馈机制着手。

笔者认为，CMC可以看作是如同求解棋局一样的智力游戏。要想真正地看懂“棋局”（题目），就要深刻理解基本的“行棋规则”（各种概念、定理），而且要对已有的“棋谱”（例题）做必要的储备。上一章节所讲的备赛方法的“利剑”阶段就是“行棋规则”的了解阶段，“重剑”阶段就是“棋谱”的积累阶段。只有通过这两个阶段的学习，才能真正理解“棋魂”，否则面对各种杂乱的棋局只有迷茫，根本无法领会到“妙手”的精妙之处。相反，在具有了较好的基础以及足够多的储备之后，就能够真正地看懂题目，理解题目的“题魂”，甚至开发出自己的“妙手”或“绝招”，获得收获感与成就感。当然，大家在面对某些题目时还是会因为思路打不开而无法求解，如果此时得到“高人”的指点或者翻看“秘籍”，则有可能就会学到破解本题的招式。有些破解方法有时真的可以让人拍案叫绝，而这种“山穷水复疑无路，柳暗花明又一村”的经历可以给人带来愉悦满足之感。这些收获感、成就感以及满足感就是学习CMC的源动力所在。

笔者认为，只要找到自己在一个领域的兴趣点，努力的过程中就会时刻有快乐伴随。无论从事什么行业，只要在工作中建立良好的正反馈机制，就会在享受的过程中取得进步。因为热爱，所以坚持，希望参赛的同学能够有所收获，取得理想的成绩！

 


声明一下：下述内容的多数链接出自一本教材： 司守奎《数学建模算法与应用》 第二版的PDF版本，改成转载需要给出原创链接；实属无意冒犯。

【pdf版教材链接-百度网盘：  https://pan.baidu.com/s/1TEYSW5ZImQU4Sy7Om2rxgA 【 提取码：7i0s】



本文总结了常用的数学模型方法和它们的主要用途，主要包括数学和统计上的建模方法，关于在数学建模中也挺常用的机器学习算法暂时不作补充，以后有时间就补。至于究竟哪个模型更好，需要用数据来验证，还有求解方法也不唯一，比如指派问题，你可以用线性规划OR动态规划OR整数规划OR图与网络方法来解。


总的来说，常用主成分分析来降维，综合评价的方法有因子分析法、层次分析法、....，用蒙特卡罗方法来随机模拟求解；还应掌握数据变换、数据拟合、参数估计、插值等数据处理，线性规划、整数规划、目标规划、动态规划类问题的求解要根据已知信息找出约束条件与目标函数，图论算法也是非常常用的，组合优化算法常用于很难求出最优解的NP问题，还有一些连续离散化的技术 eg.通过插值or拟合or光滑技术【移动平均之类的】可以把离散数据连续化，通过分组【把数据划分成不同的小区间】OR差分就可以把连续数据离散化....。此外的数值分析算法eg方程组求解、矩阵运算、函数积分等算法也经常用得到。


另：建议先读第  【3】数据的描述性统计分析   & 【4】数据预处理    这两部分，比较通用，而且算是数据处理的最基础的知识，

【挖坑】后期会再根据数模竞赛的常用模型和学习难易程度给出学习建议，再补一份用python进行数据分析的资料。至于图像处理方法稍后再补。

目录

一、 教程

【0】python从入门到放弃：

【1】matlab教程

【2】数据科学/数据分析教程：

 二、数据预处理与数据探索

【3】数据的描述性统计分析

【4】python数据预处理

三、模型建立

1. 数学模型

【5】线性规划

【6】图与网络模型及方法

【7】插值与拟合

【8】灰色预测 

【9】动态规划

【10】层次分析法 AHP

【11】整数规划

【12】目标规划模型

【13】偏最小二乘回归

【14】微分方程模型

【15】博弈论 / 对策论

【16】排队论模型

【17】存储论

【18】模糊数学模型

2. 统计模型

【19】主成分分析

【20】判别分析

【21】聚类分析

【22】时间序列分析

【23】方差分析

【24】典型相关分析

【25】因子分析

3. 机器学习/数据挖掘模型

4. 深度学习模型

 【26】神经网络模型

四、模型求解与优化

【27】数值优化方法

【28】组合优化算法

【29】差分方程模型

【30】常微分方程的解法

【31】偏微分方程的数值解

【32】稳定状态模型

 【33】变分法模型

五、应用篇：历年数模真题与优秀论文

【34】数学建模在经济管理方面的运用

【35】历年竞赛题目

附录： 机器学习的特征工程-图片

附录：深度学习框架-以keras为例-图片

一、 教程

【0】python从入门到放弃：

1. python环境+IDE配置：安装Anaconda + Pycharm

代码编辑器推荐: Anaconda 的Spyder , Pycharm

       数据探索与分析： Anaconda 的jupyter botebook

专业版的pycharm需要破解, 社区版的功能少了很多但基本够用！！

1. 官网下载pycharm ：pycharm 下载链接
2. 安装方式参考手把手的教你安装PyCharm --Pycharm 安装详细教程（非常详细实用）

Anaconda 安装教程参考：

1.   Anaconda详细安装及使用教程（带图文）：https://blog.csdn.net/ITLearnHall/article/details/81708148

2.学习python 的大致路线

学习python 的大致路线可以归结为：基础语法，内置函数builtin.py ，常用包【numpy、pandas、matplolib、seaborn、sklearn,....】再操作数据，再高级编程面向对象、正则表达式、爬虫，、机器学习等再项目实战。

 python基础--文字教程

【！！！】推荐： 廖雪峰的python3教程 ；https://www.liaoxuefeng.com/wiki/1016959663602400   

  Python-100-Days ：https://github.com/jackfrued/Python-100-Days

 python3 cookbook  ：https://python3-cookbook.readthedocs.io/zh_CN/latest/

 python3 学习爬虫：https://github.com/wistbean/learn_python3_spider

 pandas库 ：常用功能与函数介绍（结合实例，持续更新）

高性能科学计算和数据分析的基础包：Numpy基础笔记 

注： python 官网教程 、 W3Cschool；菜鸟教程-python3：这几个适合用来当作字典来查; 代码用到了就查！

贴一个python_600集基础的视频教程：黑马程序员版：Python教程Python从入门到精通教程

但我个人不建议看这么长的视频，很容易看了前面忘了后面，倍速播放也让你无法抓住重点：可以试试大致浏览文字版教程，用人眼去快速抓取要点，再练点python-100例打好基础。

二选一：  python 100例-腾讯云 、

python 100例-菜鸟教程、

【1】matlab教程

哎，MATLAB被禁用的话试试python吧、人生苦短！

    【博文链接】 w3cschool的matlab入门教程      

易百教程的matlab 入门： https://www.yiibai.com/matlab/

【2】数据科学/数据分析教程：

 【博文链接】

 1.  python 数据科学速查手册（中文版）：https://github.com/jaystone776/python-data-science-cheatsheet



       2. Github 上的一份数据科学相关的知识速查表, 标星17K多!! ：  abhat222 / Data-Science--Cheat-Sheet

 二、数据预处理与数据探索

【3】数据的描述性统计分析

基本的概念： 数据的趋势、特征和数量关系，包括描述性统计量【算术平均值、中位数、标准差、方差、极差、偏度和峰度】、参数估计、假设检验....分布函数、密度函数和分位数 、分布拟合检验、中位数检验....

【博文链接】 数据的统计描述和分析： 直接点这个链接进去看吧，就介绍了概率论与数理统计的基本知识 ： 总体、样本、  频数表、直方图 、 统计量 、算术平均值、中位数 、标准差、方差和极差、偏度和峰度 、中心矩、分布函数、密度函数和分位数 ，正态分布  、卡方分布(Chi square) 、t分布 、F 分布；参数估计的  点估计 &区间估计 &  Matlab 实现；假设检验：Z 检验、t检验、分布拟合检验 、 偏度、峰度检验Wilcoxon秩和检验、中位数检验。

          一般如果有数据，就可以先查看数据的各维度的描述性统计信息，来查看数据的质量，并假设数据可能的分布。有了这些基本印象后，再对数据进行预处理。参考【0  python数据分析】中的 数据变换方法&预处理方法。

常用离散分布：二项分布、泊松分布、超几何分布、几何分布、 负二项分布

常用连续分布: 对正态分布、均匀分布、指数分布、伽马分布、卡方分布与贝塔分布作了大致的介绍，需要记住它们的参数、数学期望与方差、以及密度函数，一个分布就是一个概率模型。

 

【4】python数据预处理

           数据预处理包括数据的清洗、缺失值的处理、数据变换、数据平滑技术、。。

对于归一化方式还有深度学习的softmax 归一化【用作分类】、batch normalization批标准化。它们是在神经网络模型内部的，不能算是数据预处理方法了。

【博文链接】 

数据变换技术: 初值化 、均值化、百分比、倍数、归一化、极差最大值化、区间值化

用Python进行数据挖掘（数据预处理）

数据变换方法: 初值化、 均值化、归一化、极差最大值化、区间值化： MinMaxScaler、StandardScaler、MaxAbsScaler

Python机器学习库SKLearn：数据预处理

机器学习-常见的数据预处理   

 

三、模型建立

1. 数学模型

【5】线性规划

线性规划问题的目标函数及约束条件均为线性函数，求解方法有单纯形法，matlab 中可用linprog函数求解。

【博文链接】 

线性规划（一）：基本概念：可行解、可行域、图解法、超平面、多胞形、多面体

线性规划（二）：运输问题 (产销平衡) & 指派问题、将非线性规划转化为线性规划

线性规划（三）： 对偶理论与灵敏度分析

线性规划（四）： 投资的收益和风险、线性规划习题集

【6】图与网络模型及方法

图是指某类具体事物和这些事物之间的联系，最短路径问题、最大流问题、最小费用流问题和匹配问题等都是图与网络的基本问题。图论对建模和解决实际问题都用处极大，数学专业的《数据结构》《离散数学》《运筹学》课程都会重点介绍它。

【博文链接】

【1】图与网络模型及方法：图与网络的基本概念& .图在数据结构中的多种表示法：描述了图论中的常见问题eg最短路径问题、指派问题、中国邮递员问题、旅行商问题...

【2】图&网络模型应用—最短路径问题： 给出了一个连接若干个城镇的铁路网络，在这个网络的两个指定城镇间， 找一条最短铁路线。【就是从一个路线网络中，找出两个点之间的最短路径。】

【3】树：基本概念与最小生成树 ： 欲修筑连接 n 个城市的铁路，已知i 城与 j 城之间的铁路造价为Cij ，设计一个线 路图，使总造价最低。这种 连线问题的数学模型是在连通赋权图上求权最小的生成树。

【4】匹配问题： 匈牙利算法 、最优指派、相等子图、库恩—曼克莱斯 (Kuhn-Munkres) 算法： 用于解决【人员分派问题】：给n个工作人员分配不同的n件工作，每个人都适合做其中的一件或几件，那么请问是否每人都有一份合适的工作？

            这里面提到了一个【婚配定理：每个姑娘都结识k (k ≥ 1) 位小伙子，每个小伙子都结识k 位姑娘，则每位 姑娘都能和她认识的一个小伙子结婚，并且每位小伙子也能和他认识的一个姑娘结婚。】

【5】Euler 图和 Hamilton 图、求解旅行商问题的 改良圈算法 ： 

             Euler 图就是从一顶点出发【每条边】恰通过一次能回到出发点的那种图，【中国邮递员问题】的数学模型是：在一个赋权连通图上求一个含所有边的回路， 且使此回路的权最小。 显然，若此连通赋权图是 Euler 图，则可用 Fleury 算法求 Euler 回路，此回路即为 所求。

             Hamilton 图就是从一顶点出发【每个顶点】恰通过一次能回到出发点的那种图。【旅行商问题描述】一名推销员准备前往若干城市推销产品，然后回到他的出发地。如何为他设计一条 最短的旅行路线（从驻地出发，经过每个城市恰好一次，最后返回驻地）？。用图论的术语说，就是在一个赋权完全图中，找出一个有最小权的 Hamilton 圈。称这种圈为最优圈。

【6】计划评审方法和关键路线法【统筹方法】：广泛地用于系统分析和项 目管理

【7】最小费用流及其求法 ：eg。在运输问题中希望在完成运输任务的同时，寻求一个使总的运输费用最小的运输方案。

【8】最大流问题    用来求解流量给定的网络中的可行流。

  分享一个教程里面有讲图论：王铮的《数据结构与算法》-极客时间--音频+pdf教程： ；

    见百度网盘【链接: https://pan.baidu.com/s/1kS0qeGIQgtb0hfHOm3bdmg 提取码: t2y8】

 

【7】插值与拟合

插值：求过已知有限个数据点的近似函数。

拟合：已知有限个数据点，求近似函数，不要求过已知数据点，只要求在某种意义下它在这些点上的总偏差最小。

插值和拟合都是要根据一组数据构造一个函数作为近似，由于近似的要求不同，二 者的数学方法上是完全不同的。

插值的方法多种多样，拟合问题除了用最小二乘，还可以用机器学习OR深度学习算法来实现，但要注意过拟合问题。

【博文链接】 

插值与拟合 (一) ： 拉格朗日多项式插值 、Newton插值 、分段线性插值、Hermite插值 、样条插值、 B 样条函数插值、二维插值

插值与拟合 (二) ： 曲线拟合的线性最小二乘法、函数逼近问题

 

【8】灰色预测 

灰色系统是部分信息已知而部分信息未知的系统，常常采用离散模型，建立一个按时间逐段进行短期分析的模型。其中的关联度分析方法，即根据因素之间发展态势的相似或相异程度来衡量因素间关联的程度。此外的灰色模型GM和离散形式的灰色模型DGM也在博文中有介绍。

【博文链接】

灰色系统理论及其应用 (一) ：灰色系统概论、关联分析、与传统统计方法的比较

灰色系统理论及其应用 (二) ：优势分析

灰色系统理论及其应用 (三) ：生成数

灰色系统理论及其应用 (四) ：灰色模型 GM

灰色系统理论及其应用 (五) ：灰色预测

灰色系统理论及其应用 (六) ：SARS 疫情对某些经济指标影响问题

灰色系统理论及其应用 (七) ：道路交通事故灰色 Verhulst 预测模型

 

【9】动态规划

把多阶段过程转化为一系列单阶段问题再逐个求解；一些与时间无关的静态规划（如线性规划、非线性规划），只要人为地引进时间因素，把它视为多阶段决策过程，也可以用动态规划方法方便地求解，但是要必须对具体问题进行具体分析处理。可用于求解最短路线问题、 生产计划问题、资源分配问题等多阶段决策的优化问题；

【博文链接】             

 动态规划                           动态规划的具体应用实例

【10】层次分析法 AHP

特别适用于那些难于完全定量分析的问题，作出决策时又涉及许多相互关联、相互制约的众多因素，是一种简便、灵活而又实用的 多准则决策方法。在这个模型下，复杂问题被分解为元素的组成部分【目标层、准则层、方案层】。

       【博文链接】   层次分析法 AHP

   【4】模糊决策分析方法

 

【11】整数规划

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。目前还没有一种方法能有效地求解一切整数规划。 求解方法有分枝定界法、割平面法、隐枚举法、匈牙利法(解决指派问题) 、蒙特卡洛法...

 【博文链接】 整数规划

 

【12】目标规划模型

线性规划只能解决一组线性约束条件下，某一目标只能是一个目标的最大或最小值的问题，而实际决策中，衡量方案优劣考虑多个目标；这些目标中，有主要的，也有次要的；有最大值的，也有最小值的；有定量的， 也有定性的；有相互补充的，也有相互对立的.....求解目标规划可用序贯式算法。

【博文链接】

目标规划模型：求解思路、序贯式算法

目标规划模型的实例：生产计划安排、运费最小的调配方案、根据某产品在各地的供需量安排调运方案、数据包络分析 

 

【13】偏最小二乘回归

研究两组多重相关变量间的相互依赖关系，并研究用 一组变量（常称为自变量或预测变量）去预测另一组变量（常称为因变量或响应变量）；是一种多对多线性回归建模，特别当两组变量的个数很多，且都存在多重相关性，而观测数据的数量（样本量）又较少时，用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。 偏最小二乘回归分析在建模过程中集中了主成分分析，典型相关分析和线性回归分析方法的特点。

【博文链接】 

偏最小二乘回归（一）：模型介绍

偏最小二乘回归（二）：一种更简洁的计算方法

偏最小二乘回归（三）：身体特征与体能训练结果的 案例分析

【14】微分方程模型

由微分方程可以描述数学、力学、物理、化学等学科中许多自然现象所满足的规律，如牛顿第二定律、放射性物质的放射性规律等。也可根据大量数据提出简化实际问题的微分方程模型，eg人口模型【Malthus 模型、阻滞增长模型（Logistic 模型）】、战争模型【正规战模型、游击战模型、混合战模型】。

【博文链接】微分方程模型

【15】博弈论 / 对策论

有竞争或对抗性质的对策行为中，参加斗争或竞争的各方各自具有不同的目标和利益；对策论就是研究对策行为中斗争各方是否 存在着最合理的行动方案，以及如何找到这个合理的行动方案。对策问题的特征是参与者为利益相互冲突的各方，其结局不取决于其中任意一方的努力而是各方所采取的策略的综合结果。比如囚徒困境；用极大极小原理来判断某个对策是否有鞍点，【深度学习的生成对抗网络的目标函数就是这个原理:二人零和博弈思想】；零和对策、混合对策的求解问题详见下述链接

【博文链接】 博弈论 / 对策论

【16】排队论模型

由于生活中常常有服务的数量超过服务机构（服务台、服务员等）的容量；有形或无形的排队现象随处可见! 电话局的占线问题，车站、码头等交通枢纽的车船堵塞和疏导，故障机器的停机待修，水库的存贮调节等.

【博文链接】

排队论模型（五）： 有限源排队模型、服务率或到达率依赖状态的排队模型

排队论模型（六）：非生灭过程排队模型、爱尔朗（Erlang）排队模型

排队论模型（七）：排队系统的优化

排队论模型（八）：Matlab 生成随机数、排队模型的计算机模拟

 

【17】存储论

存贮论（或称为库存论）研究存贮系统的 性质、运行规律以及如何寻找最优存贮策略。所谓存贮实质上是将供应与需求两个环节以存贮中心联结起来，起到协调与缓和 供需之间矛盾的作用。

【博文链接】

存贮论（一）：基本概念、无约束的确定型存贮模型

存储论（二）：有约束的确定型存贮模型、单周期随机库存模型

 

【18】模糊数学模型

模糊是指客观事物差异的中间过渡中的“不分明性”或“亦此亦彼性”。如高个子 与矮个子、年轻人与老年人、热水与凉水、环境污染严重与不严重等，即模型的背景及关系具有模糊性。。统计数学是将数学的应用范围从确定性的领域扩大到了不确定性的领域，即从必然 现象到偶然现象，而模糊数学则是把数学的应用范围从确定领域扩大到了模糊领域，即 从精确现象到模糊现象。应用模糊数学方法进行的聚类分析即为模糊聚类分析。

【博文链接】

【1】基本概念： 隶属函数、模糊集合的表示方法、模糊关系、模糊矩阵

【2】模糊模式识别：海明贴近度 、欧几里得贴近度 、黎曼贴近度、 格贴近度、最大隶属原则、择近原则

【3】模糊聚类分析方法：模糊等价矩阵、模糊相似矩阵、传递闭包法、布尔矩阵法 

【4】模糊决策分析方法

 

2. 统计模型

【19】主成分分析

    目的是希望用较少的变量去解释原来资料中的大部分变异，把相关性很高的变量转化成彼此相互独立或不相关的变量，是一种降维方法。 在描述数据集中的样本时，样本又叫作实例、观测，样本可以由多个属性来描述，这些又可以称为特征、指标、变量、维度，比如描述某企业的员工信息时，数据集就是所有员工信息，每个员工就是一个样本，用来描述样本信息的性别、年龄、工龄、籍贯、工资....就是特征，这些指标可能有某种程度上的相关关系，就会存在信息冗余，就需要特征选择，也就是降维，常用的降维方法有主成分分析pca, SVD奇异值分解，逐步回归。。。另一种降维方法：MDS 多维尺度变换 

【博文链接】

主成分分析 (一）： 基本思想与主成分估计方法 

主成分分析 (二）： 特征值因子的筛选

主成分分析法（三）：计算步骤 

其它相关：Matlab 在线性代数中的应用 ：向量组的线性相关性、相似矩阵及二次型、线性方程组

【20】判别分析

根据所研究的个体的观测指标来推断该个体所属类型的一种统计方法.

 【博文链接】

判别分析 （ distinguish analysis）(一)：距离判别

判别分析 （ distinguish analysis）(二)：Fisher 判别，机器学习中把它叫做LDA线性判别分析。

判别分析 （ distinguish analysis）(三)：Bayes 判别

判别分析 （ distinguish analysis）(四)：应用举例

Matlab 的判别分析 函数 ： classify

【21】聚类分析

“物以类聚、人以群分” 。聚类分析用数量化的方法对事物进行分类，事物的类别标签未知（无监督学习），但已知样本的多个特征取值。常用的聚类方法有层次聚类法，基于网格 / 密度的聚类，DBSCAN聚类，K-均值聚类、谱聚类、模糊聚类 、......  

以下博文中介绍了样本之间的相似性度量【闵氏距离、绝对值距离、欧氏距离、切比雪夫距离、马氏距离】、类与类间的相似性度量【最短距离法、最长距离法、重心法、类平均法、离差平方和法、Ward 方法】、变量的相似性度量【相关系数 、夹角余弦】，变量聚类法【最大系数法 、最小系数法】以及对应的matlab代码实现

【博文链接】 聚类分析 

【2】让你看懂聚类分析 --这个巨佬写得过于好，思路清晰，小白也能懂！我不忍心让它在我收藏夹里吃灰！！，

             【3】模糊聚类分析方法：模糊等价矩阵、模糊相似矩阵、传递闭包法、布尔矩阵法 

【22】时间序列分析

时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列（比如股票数据的收益就是每天都在变化）；常认为一个时间序列可以分解为以下四大部分:长期趋势变动、季节变动，循环变动、不规则变动。时间序列中的数据平滑方法也经常用作数据预处理的平滑技术：eg.移动平均法在深度学习中也有用到。

【博文链接】  

时间序列模型 （一）：模型概述

时间序列模型 （二）：移动平均法

时间序列模型 （三）：指数平滑法

时间序列模型 （四）：差分指数平滑法、 自适应滤波法

时间序列模型 （五）： 趋势外推预测方法

时间序列模型 （六）：平稳时间序列模型 ：自回归AR 、移动平均 MA 、ARMA 模型

时间序列模型 （七）： 时间序列建模的基本步骤

 

【23】方差分析

通过对影响产品质量的因素进行分析，找出有显著影响的那些因素，除了从机理方面进行研究外，常常要作许多试验， 对结果作分析、比较，寻求规律。用数理统计分析试验结果、鉴别各因素对结果影响程度的方法称为方差分析（Analysis Of Variance），记作 ANOVA。 人们关心的试验结果称为指标，试验中需要考察、可以控制的条件称为因素或因子。eg.用几种化肥和几个小麦品种在 若干块试验田里种植小麦，要推断不同的化肥和品种对产量有无显著影响，化肥和品种就是两个不同的因素，所以称为双因素方差分析。。。注意【试验】和【实验】不是一个概念。这里的【因子】与【因子分析】也不是一个概念。

【博文链接】方差分析：单因素方差分析 、双因素方差分析 、正交试验设计

 

【24】典型相关分析

研究两组随机变量之间的相关关系（多对多），eg.考虑几种主要产品的价格（作为第一组变量）和相应这些产品的销售量（作为第二组变量）之间的相关关系；考虑投资性变量（如劳动者人数、货物周转量、生产建设投资等）与国民收入变量（如工农业国民收入、运输业国民收入、建筑业国民收入等）之间的相关关系等等.

【博文链接】 

典型相关分析（Canonical correlation analysis）（一）：基本思想 、复相关系数、偏相关系数

典型相关分析（Canonical correlation analysis）（二）：原始变量与典型变量之间的相关性 、典型相关系数的检验

典型相关分析（Canonical correlation analysis）（三）： 职业满意度典型相关分析案例

典型相关分析（Canonical correlation analysis）（四）： 中国城市竞争力与基础设施的相关分析

 

【25】因子分析

           因子分析可以看成主成分分析的推广，它也是多元统计分析中常用的一种降维方式。因子分析的首要任务就是估计因子载荷   的方差  ，然后给因子  一个合理的解释，若难以进行合理的解释，则需要进一步作因子旋转，希望旋转后能发现比较合理的解释。因子分析的前提条件是观测变量间有较强 的相关性，eg. 为了解学生的知识和能力，对学生进行了抽样命题考试，考题包括的面很广， 但总的来讲可归结为学生的语文水平、数学推导、艺术修养、历史知识、生活知识等五个方面，我们把每一个方面称为一个（公共）因子，显然每个学生的成绩均可由这五个 因子来确定. eg.通过因子分析将24个心理指标被归结为4个公共因子：词语因子、速度因子、 推理因子和记忆因子。

【博文链接】

因子分析 factor analysis (一 )：模型的理论推导 

因子分析 factor analysis (二 ) ： 因子分析模型 

因子分析 factor analysis (三) ： 因子载荷矩阵的估计方法

因子分析 factor analysis (四) ： 因子旋转（正交变换）

因子分析 factor analysis (五) ： 因子得分

因子分析 factor analysis (六) ：用因子分析法进行综合评价

因子分析 factor analysis (七) ：因子分析法与主成分分析的异同

 

3. 机器学习/数据挖掘模型

数据挖掘  开发中常用的正则表达式：https://github.com/ziishaned/learn-regex

100天精通机器学习 ：https://github.com/Avik-Jain/100-Days-Of-ML-Code

常用的机器学习方法： 决策树、贝叶斯网络、近邻算法、朴素贝叶斯、支持向量机、异常检测、条件随机场、EM等。

【稍后再补】

4. 深度学习模型

 【26】神经网络模型

深度学习模型是“万能的函数近似器”，可用于拟合各种非线性模型。常用的有：卷积神经网络CNN, RNN, FasterRCNN, GAN, 自编码器，DBN, LSTM, Boltzman 机 .....可用于训练一个分类/回归模型来作预测。这里只提供一篇神经网络模型入门的简精明教程。

【博文链接】神经网络模型用于数学建模[这篇文章的内容太老了，不建议看 ； 建议自己搜下CNN，RNN, lstm]

深度学习框架： tensorflow 、keras、 pytorch都行：【稍后再更】

NLP-GitHub项目：https://github.com/fighting41love/funNLP

四、模型求解与优化

【27】数值优化方法

如果目标函数或约束条件中包含非线性函数的规划问题为非线性规划，求解非线性规划可用梯度法、牛顿法、拟牛顿法、高斯·塞德尔迭代法，BFGS等一系列方法。

【博文链接】

非线性规划（一）：定义与数值优化方法(梯度法、牛顿法、拟牛顿法、变尺度法)

非线性规划（二）: Matlab 求解约束极值问题

 

【28】组合优化算法

一些用于模型求解的启发式算法，主要针对很难求解的NP问题。

【博文链接】

现代优化算法 （一）：模拟退火算法 及应用举例

现代优化算法 （二）： 遗传算法 及应用举例

现代优化算法(三）：禁忌搜索算法

现代优化算法（四）：改进的遗传算法

现代优化算法（五）： 蚁群算法

 

【29】差分方程模型

差分方程是包含未知函数的差分及自变数的方程。主要用于时间序列模型和求解常微分方程。在求微分方程的数值解时，常用差分来近似微分，所导出的方程就是差分方程。通过解差分方程来求微分方程的近似解，是连续问题离散化的一个例子。

 【博文链接】    

差分方程模型（一）：模型介绍与Z变换

差分方程模型(二）：蛛网模型

差分方程模型(三）： 预测商品销售量

差分方程模型(四）：遗传模型

 

【30】常微分方程的解法

建立微分方程只是解决问题的第一步，通常需要求出方程的解。而绝大多数变系数方程、非线性方程都是所谓“解不出来”的，对于用微分方程解决实际问题来说，数值解法就是一个十 分重要的手段.

【博文链接】

常微分方程的解法 (一): 常微分方程的离散化 :差商近似导数、数值积分方法、Taylor 多项式近似

常微分方程的解法 (二): 欧拉（Euler）方法

常微分方程的解法 (三): 龙格—库塔（Runge—Kutta）方法 、线性多步法

常微分方程的解法 (四): Matlab 解法

 

【31】偏微分方程的数值解

自然科学与工程技术中，事物运动发展过程与平衡现象的规律常是含有未知函数及其导数的方程，而偏微分方程是只含有未知多元函数及其偏导数的方程。

【博文链接】

偏微分方程的数值解(一):定解问题 & 差分解法

偏微分方程的数值解(二): 一维状态空间的偏微分方程的 MATLAB 解法

偏微分方程的数值解(三): 化工应用实例 ----------触煤反应装置内温度及转换率的分布

偏微分方程的数值解(四): 化工应用————扩散系统之浓度分布

偏微分方程的数值解(五)： 二维状态空间的偏微分方程的 MATLAB 解法

偏微分方程的数值解(六)： 偏微分方程的 pdetool 解法

【32】稳定状态模型

对于某些主要研究某种意义下稳定状态的特征的实际问题，或当时间充分长以后动态过程的变化趋势，为了分析这种稳定与不稳定的规律常常不需要求解微分方程，而可以利用微分方程稳定性理论直接研究平衡状态的稳定性。

【博文链接】

稳定状态模型 （一）： 微分方程稳定性理论简介 ：自治系统、动力系统、相平面、相图、轨线 、  奇点、孤立奇点；

稳定状态模型 （二）：再生资源的管理和开发：资源增长模型 、资源开发模型 、经济效益模型、 种群的相互竞争模型

稳定状态模型 （三）：Volterra 模型

 

 【33】变分法模型

动态过程的另一类问题——动态优化问题，一般要归结为求最优控制函数使某个泛函达到极值。变分法是研究泛函极值问题的一种经典数学方法，博文中还介绍了动态系统最优控制问题求解的必要条件和最大值原理。

【博文链接】

动态优化模型/ 变分法：泛函、极值、变分

变分法模型的运用：生产设备的最大经济效益 

 

五、应用篇：历年数模真题与优秀论文

【34】数学建模在经济管理方面的运用

【博文链接】

1 市场营销问题 （一）：用马氏链进行新产品的市场预测

 2 市场营销问题 （二）：产品属性的效用函数  ：每种产品都有不同方面的属性，例如价格、安 全性、外观、保质期等。顾客对每种属性的各个选项的偏好程度可以用效用函数来表示，即某种属性的不同选项对顾客的价值（效用）。联合分析就是从这些具体产品的效用信息中，反过来估计每个属性中各个选项的效用。

3  市场营销问题 （三）：机票的销售策略  ：已知各条航线上顾客对舱位的需求，应该如何分配头等舱和经济舱的机票？

4 经济均衡问题及其应用 (一)：根据供需函数 确定市场的清算价格 ：即生产和消费（供应能力和需求能力）达到平衡，不再发生变化时，该商品的价格就是市场的清算价格。

5  经济均衡问题及其应用 (二)：拍卖与投标问题 ：求清算价格。

6  经济均衡问题及其应用 (三）：交通流均衡问题  已知道路上每辆汽车的平均行驶时间和汽车流量之间的关系，长期来看，汽车将如何在每条道路上的分布。

7  有瓶颈设备的多级生产计划问题

 瓶颈设备是组装部件的最关键的设备，其生产能力非常紧张。
	
 生产计划优化问题是在给定的外部需求和生产能力等限制条件下，按照一定的生产目标（通常是生产总费用 最小）编制未来若干个生产周期的最优生产计划。
8  飞行计划安排问题：考虑飞行员的休假、培训费用问题

9 投资组合问题 ：将不同种类的股票按某种比例组合到一起，使得投资的收益回报尽可能最大，又要使风险尽可能小。收益常用均值来衡量，风险可以用方差OR绝对偏差....来衡量。我们的目标函数或约束条件就常常是与回报OR风险有关，而要求解的就是各种股票在这个投资组合中占的这个比例，也就是权重。

10   钢管下料问题  、易拉罐下料问题 ：将原材料通过切割、剪裁、冲压等手段加工成所需大小的工艺品时，确定下料方案， 使用料最省或利润最大，是典型的原料下料问题。

 11  面试顺序问题：使面试时间最短     ：对于不同轮 的面试， 多名同学所需时间不同，要如何安排 4 名同学的面试顺序，使完成全部面试所花费的时 间最少。 

12  消防车调度问题 ：为每个火警地点分配消防车、使总损失最小

13  飞行机的精确定位问题：飞机在飞行过程中，能够收到地面上各个监控台发来的关于飞机当前位置的信息，根据这些信息如何比较精确地确定飞机的位置。

【35】历年竞赛题目

【1】 “华为杯”研究生数学建模历年题目与优秀论文

【2】github -研究生/本科生数学建模: 优秀论文，算法，LaTeX论文模板，算法思维导图，参考书籍，Matlab软件教程，PPT

 

 

附录： 机器学习的特征工程-图片





附录：深度学习框架-以keras为例-图片

keras  中文文档： https://keras.io/zh/





以后再更，目前上述内容只是大致介绍了常用的数学方法，更详细的信息需要大家自己去深挖，我只是在尽力领着别人入门。

到此完结！希望能帮到你！