数学建模常见算法

1. 评价类模型 (Evaluation Models)

评价类模型的核心目标是根据一定的标准，对一个或多个对象的优劣、重要性或优先级进行评估和排序。这类模型广泛应用于绩效评估、风险评估、决策分析等领域。

具体算法	用途 (Applications)	优点 (Pros)	缺点 (Cons)
层次分析法 (AHP)	用于处理复杂的、多目标的决策问题，如供应商选择、项目优先级排序、绩效考核。	结构清晰，将复杂问题分解为多个层次，思路简单，定性与定量相结合。	指标过多时，判断矩阵的构建和一致性检验变得困难；主观性较强，依赖专家打分。
模糊综合评价 (FCE)	处理评价标准和指标值具有模糊性的问题，如水质评价、环境质量评估、教学质量评估。	能够很好地处理模糊和不确定的信息，数学模型简单，结果可以量化。	权重矢量的确定主观性较强；隶属函数的选择对结果影响很大，缺乏通用标准。
TOPSIS法	多属性决策分析方法，通过计算备选方案与最优解和最劣解的距离来进行排序，如投资决策、地区经济发展评价。	原理简单，计算过程不复杂，对数据分布没有严格要求，应用范围广。	需要确定正负理想解，权重的确定带有一定主觀性；可能出现逆序问题（当增加或删除方案时）。
灰色关联分析 (GRA)	用于分析系统内各因素之间关联程度的模型，尤其适用于样本量少、信息不充分的情况，如产业结构分析、影响因素识别。	对样本数量要求不高，计算简便，无需典型的概率分布。	只能分析因素间的关联度，不能揭示因果关系；关联度的排序结果有时会因数据处理方式不同而变化。
数据包络分析 (DEA)	用于评价具有相同类型的多输入、多输出的决策单元（DMU）之间的相对效率，如评价银行、医院、学校的运营效率。	无需预设生产函数形式，直接从数据出发，适合处理多输入多输出的效率问题。	评价结果是相对效率，而非绝对效率；对异常值和测量误差敏感。

2. 预测类模型 (Prediction Models)

预测类模型利用历史数据来发现规律和趋势，并据此对未来或未知的数据进行预测。它们是机器学习和统计学中的核心内容。

具体算法	用途 (Applications)	优点 (Pros)	缺点 (Cons)
回归模型 (线性、多项式、逻辑回归等)	预测连续值（如房价、销售额）或进行分类（如判断邮件是否为垃圾邮件、用户是否会点击广告）。	线性回归模型简单、易于理解和解释；逻辑回归在分类问题中高效且常用。	线性回归对线性关系假设较强，对非线性问题拟合效果差；容易受异常值影响。
时间序列模型 (ARIMA, GARCH)	专门用于处理和预测与时间相关的数据，如股票价格预测、交通流量预测、气象预报。	能够很好地捕捉数据中的趋势性、季节性和周期性。	要求数据是平稳的（或可以通过差分平稳），对数据质量要求高；模型定阶相对复杂。
神经网络 (ANN, CNN, RNN)	广泛用于图像识别、语音识别、自然语言处理等复杂非线性问题的预测和分类。	能够拟合任意复杂的非线性关系，泛化能力强，精度高。	模型复杂，是“黑箱”模型，可解释性差；需要大量数据进行训练，计算成本高，容易过拟合。
支持向量机 (SVM)	主要用于分类和回归分析，尤其在小样本、高维度问题上表现出色，如人脸识别、文本分类。	在高维空间中表现优秀，泛化能力强，通过核函数可以处理非线性问题。	对大规模训练样本难以高效实现；对缺失数据敏感，核函数和参数的选择影响大。
决策树/随机森林/梯度提升树 (GBDT, XGBoost)	用于分类和回归，应用非常广泛，如信用评分、用户行为预测、推荐系统。	决策树可解释性强；随机森林和GBDT等集成模型精度高，鲁棒性好，能处理高维数据。	单个决策树容易过拟合；集成模型的训练时间和计算成本较高。
灰色预测模型 (GM(1,1))	适用于数据量少、信息不完整的情况，对呈现指数增长趋势的数据进行短期预测，如人口预测、能耗预测。	对小样本数据预测效果好，计算简单。	仅适用于近似指数增长的序列，对于波动性大的序列预测效果不佳，只适合短期预测。

3. 线性/非线性规划 (Linear/Non-linear Programming)

规划模型（或称运筹学模型）用于在给定约束条件下，寻找某个目标函数的最优解（最大值或最小值）。

线性规划 (LP)

当目标函数和所有约束条件都是决策变量的线性函数时，就是线性规划。

具体算法:
- 单纯形法 (Simplex Method): 最经典、最常用的求解线性规划问题的方法。
- 内点法 (Interior-Point Method): 在处理超大规模问题时比单纯形法更高效。
用途: 生产计划（如何安排生产使利润最大化）、运输问题（如何安排运输使成本最低）、资源分配、投资组合等。
优点:
- 理论成熟，有标准且高效的求解算法。
- 得到的一定是全局最优解。
- 经济和管理意义明确，易于理解。
缺点:
- 要求问题必须是线性的，现实世界中很多问题是非线性的，线性简化可能导致模型失真。

非线性规划 (NLP)

当目标函数或任何一个约束条件中包含非线性函数时，就是非线性规划。

具体算法:
- 梯度下降法 (Gradient Descent): 求解无约束非线性规划问题的基本方法。
- 牛顿法/拟牛顿法: 收敛速度更快的算法。
- 拉格朗日乘子法/KKT条件: 解决带等式和不等式约束的非线性规划问题的理论基础。
- 序列二次规划 (SQP): 求解中小型非线性规划问题的高效方法。
用途: 工程设计（如结构设计最小化材料用量）、机器学习模型优化（如训练神经网络最小化损失函数）、经济学中的效用最大化问题。
优点:
- 适用范围比线性规划更广，能更真实地模拟现实世界中的复杂关系。
缺点:
- 求解困难，通常只能找到局部最优解，无法保证是全局最优解。
- 问题的性质（如是否为凸规划）对求解难度影响巨大。
- 算法复杂，计算成本高。

4. 单目标/多目标规划 (Single-objective/Multi-objective Programming)

这是根据规划问题中目标函数的数量进行的分类。

单目标规划

问题中只有一个需要优化的目标。上面提到的线性和非线性规划都属于单目标规划。

特点: 解是唯一的或一组最优值相同的点，目标明确。

多目标规划 (MOP)

问题中包含两个或更多个相互冲突或相互关联的目标函数，需要同时进行优化。

具体算法/方法:
- 加权法: 将多个目标通过加权求和的方式转化为一个单目标问题。
- 约束法 (ϵ-constraint method): 保留一个目标，将其余目标作为约束条件处理。
- 目标规划 (Goal Programming): 为每个目标设定一个期望值，然后最小化与期望值的偏差。
- 帕累托最优解 (Pareto Optimality) 思想: 寻找一组非支配解（帕累托前沿），即无法在不损害任何一个目标的情况下改善另一个目标。许多现代多目标优化算法（如NSGA-II）都基于此思想。
用途: 环境与经济的平衡决策、投资组合中风险与收益的权衡、产品设计中性能与成本的平衡。
优点:
- 更符合现实世界的复杂决策场景，许多决策都需要权衡多个目标。
- 提供一组备选方案（帕累托前沿），供决策者根据偏好选择。
缺点:
- 求解比单目标问题复杂得多。
- 解不是唯一的，而是一个解集，给决策带来了新的挑战。
- 不同目标之间的量纲和数量级可能不同，需要进行标准化处理。

5. 遗传/模拟退火算法 (Genetic Algorithm/Simulated Annealing)

这类算法属于元启发式算法 (Metaheuristic Algorithms)，主要用于解决复杂的优化问题，尤其是当传统优化算法难以求解时（例如，目标函数不可导、搜索空间巨大、存在大量局部最优解等）。

遗传算法 (GA)

模拟达尔文的生物进化论，通过选择、交叉、变异等操作来迭代地寻找最优解。

用途: 组合优化问题（如旅行商问题TSP、车间调度）、机器学习（特征选择、神经网络结构搜索）、函数优化。
优点:
- 能够进行全局搜索，跳出局部最优的能力强。
- 不依赖于梯度信息，对目标函数形式没有要求。
- 具有很强的鲁棒性和并行处理能力。
缺点:
- 算法参数（种群大小、交叉率、变异率）选择对结果影响大，缺乏理论指导。
- 收敛速度相对较慢，存在“早熟”现象（过早收敛到局部最优）。
- 不能保证一定能找到全局最优解，只能找到近似最优解。

模拟退火算法 (SA)

模拟固体物质退火过程，在搜索过程中以一定概率接受比当前解更差的解，从而有机会跳出局部最优，最终趋于全局最优。

用途: 与遗传算法类似，广泛应用于组合优化（TSP、电路设计）、大规模函数优化等。
优点:
- 理论上，只要降温足够慢，可以保证收敛到全局最优解。
- 算法简单，易于实现。
- 相比于贪心算法等，不容易陷入局部最优。
缺点:
- 收敛速度慢，需要大量的迭代次数才能达到好的效果。
- 算法性能对初始温度、降温速率等参数非常敏感，参数整定困难。
- 对于某些问题，性能可能不如专门为此设计的其他算法。