目錄
1.C題思路模型：比賽開始后，第一時間更新，獲取見文末名片
2.比賽時間：2023年9月7日18點到2023年9月10日20點
3 全國大學生數學建模競賽常見數模問題
3.1 分類問題
3.2 優化問題
詳細思路見此名片，開賽第一時間更新
1.C題思路模型：比賽開始后，第一時間更新，獲取見文末名片
2.比賽時間：2023年9月7日18點到2023年9月10日20點
3 全國大學生數學建模競賽常見數模問題
分類模型
優化模型
預測模型
評價模型
3.1 分類問題
判別分析：
又稱“分辨法”，是在分類確定的條件下，根據某一研究對象的各種特征值判別其類型歸屬問題的一種多變量統計分析方法。
其基本原理是按照一定的判別準則，建立一個或多個判別函數；用研究對象的大量資料確定判別函數中的待定系數，并計算判別指標；據此即可確定某一樣本屬于何類。當得到一個新的樣品數據，要確定該樣品屬于已知類型中哪一類，這類問題屬于判別分析問題。
聚類分析：
聚類分析或聚類是把相似的對象通過靜態分類的方法分成不同的組別或者更多的子集，這樣讓在同一個子集中的成員對象都有相似的一些屬性，常見的包括在坐標系中更加短的空間距離等。
聚類分析本身不是某一種特定的算法，而是一個大體上的需要解決的任務。它可以通過不同的算法來實現，這些算法在理解集群的構成以及如何有效地找到它們等方面有很大的不同。
神經網絡分類：
BP 神經網絡是一種神經網絡學習算法。其由輸入層、中間層、輸出層組成的階層型神經網絡，中間層可擴展為多層。RBF（徑向基）神經網絡：徑向基函數(RBF-Radial Basis Function)神經網絡是具有單隱層的三層前饋網絡。它模擬了人腦中局部調整、相互覆蓋接收域的神經網絡結構。感知器神經網絡：是一個具有單層計算神經元的神經網絡，網絡的傳遞函數是線性閾值單元。主要用來模擬人腦的感知特征。線性神經網絡：是比較簡單的一種神經網絡，由一個或者多個線性神經元構成。采用線性函數作為傳遞函數，所以輸出可以是任意值。自組織神經網絡：自組織神經網絡包括自組織競爭網絡、自組織特征映射網絡、學習向量量化等網絡結構形式。K近鄰算法： K最近鄰分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一。
3.2 優化問題
線性規劃：
研究線性約束條件下線性目標函數的極值問題的數學理論和方法。英文縮寫LP。它是運籌學的一個重要分支，廣泛應用于軍事作戰、經濟分析、經營管理和工程技術等方面。建模方法：列出約束條件及目標函數；畫出約束條件所表示的可行域；在可行域內求目標函數的最優解及最優值。
非線性規劃：
非線性規劃是具有非線性約束條件或目標函數的數學規劃，是運籌學的一個重要分支。非線性規劃研究一個 n元實函數在一組等式或不等式的約束條件下的極值問題，且 目標函數和約束條件至少有一個是未知量的非線性函數。目標函數和約束條件都是 線性函數的情形則屬于線性規劃。
整數規劃：
規劃中的變量（全部或部分）限制為整數，稱為整數規劃。若在線性模型中，變量限制為整數，則稱為整數線性規劃。目前所流行的求解整數規劃的方法往往只適用于整數線性規劃。一類要求問題的解中的全部或一部分變量為整數的數學規劃。從約束條件的構成又可細分為線性，二次和非線性的整數規劃。
動態規劃：
包括背包問題、生產經營問題、資金管理問題、資源分配問題、最短路徑問題和復雜系統可靠性問題等。
動態規劃主要用于求解以時間劃分階段的動態過程的優化問題，但是一些與時間無關的靜態規劃(如線性規劃、非線性規劃)，只要人為地引進時間因素，把它視為多階段決策過程，也可以用動態規劃方法方便地求解。
多目標規劃：
多目標規劃是數學規劃的一個分支。研究多于一個的目標函數在給定區域上的最優化。任何多目標規劃問題，都由兩個基本部分組成：
