数学模型
数学建模就是根据实际问题来建立数学模型，对数学模型来进行求解，然后根据结果去解决实际问题。
当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上，用数学的符号和语言作表述来建立数学模型。
数学建模就是建立数学模型，建立数学模型的过程就是数学建模的过程。数学建模是一种数学的思考方法，是运用数学的语言和方法，通过抽象、简化建立能近似刻画并"解决"实际问题的一种强有力的数学手段。
(1)数学模型扩展阅读：
从基本物理定律以及系统的结构数据来推导出模型。
1. 比例分析法--建立变量之间函数关系的最基本最常用的方法。
2. 代数方法--求解离散问题(离散的数据、符号、图形)的主要方法。
3. 逻辑方法--是数学理论研究的重要方法，对社会学和经济学等领域的实际问题，在决策，对策等学科中得到广泛应用。
4. 常微分方程--解决两个变量之间的变化规律，关键是建立"瞬时变化率"的表达式。
5. 偏微分方程--解决因变量与两个以上自变量之间的变化规律。
从大量的观测数据利用统计方法建立数学模型。
1. 回归分析法--用于对函数f(x)的一组观测值(xi, fi)i=1,2…n，确定函数的表达式，由于处理的是静态的独立数据，故称为数理统计方法。
2. 时序分析法--处理的是动态的相关数据，又称为过程统计方法。
3. 回归分析法--用于对函数f(x)的一组观测值(xi, fi)i=1,2…n，确定函数的表达式，由于处理的是静态的独立数据，故称为数理统计方法。
4. 时序分析法--处理的是动态的相关数据，又称为过程统计方法。
B. 数学模型有哪些
模型种类
用字母、数字和其他数学符号构成的等式或不等式，或用图表、图像、框图、数理逻辑等来描述系统的特征及其内部联系或与外界联系的模型。它是真实系统的一种抽象。数学模型是研究和掌握系统运动规律的有力工具，它是分析、设计、预报或预测、控制实际系统的基础。数学模型的种类很多，而且有多种不同的分类方法。
静态和动态模型
静态模型是指要描述的系统各量之间的关系是不随时间的变化而变化的，一般都用代数方程来表达。动态模型是指描述系统各量之间随时间变化而变化的规律的数学表达式，一般用微分方程或差分方程来表示。经典控制理论中常用的系统的传递函数也是动态模型，因为它是从描述系统的微分方程变换而来的（见拉普拉斯变换）。
分布参数和集中参数模型
分布参数模型是用各类偏微分方程描述系统的动态特性，而集中参数模型是用线性或非线性常微分方程来描述系统的动态特性。在许多情况下，分布参数模型借助于空间离散化的方法，可简化为复杂程度较低的集中参数模型。
连续时间和离散时间模型
模型中的时间变量是在一定区间内变化的模型称为连续时间模型，上述各类用微分方程描述的模型都是连续时间模型。在处理集中参数模型时，也可以将时间变量离散化，所获得的模型称为离散时间模型。离散时间模型是用差分方程描述的。
随机性和确定性模型
随机性模型中变量之间关系是以统计值或概率分布的形式给出的，而在确定性模型中变量间的关系是确定的。
参数与非参数模型
用代数方程、微分方程、微分方程组以及传递函数等描述的模型都是参数模型。建立参数模型就在于确定已知模型结构中的各个参数。通过理论分析总是得出参数模型。非参数模型是直接或间接地从实际系统的实验分析中得到的响应，例如通过实验记录到的系统脉冲响应或阶跃响应就是非参数模型。运用各种系统辨识的方法，可由非参数模型得到参数模型。如果实验前可以决定系统的结构，则通过实验辨识可以直接得到参数模型。
线性和非线性模型
线性模型中各量之间的关系是线性的，可以应用叠加原理，即几个不同的输入量同时作用于系统的响应，等于几个输入量单独作用的响应之和。线性模型简单，应用广泛。非线性模型中各量之间的关系不是线性的，不满足叠加原理。在允许的情况下，非线性模型往往可以线性化为线性模型，方法是把非线性模型在工作点邻域内展成泰勒级数，保留一阶项，略去高阶项，就可得到近似的线性模型。
C. 常见的数学模型有哪些
1、生物学数学模型
2、医学数学模型
3、地质学数学模型
4、气象学数学模型
5、经济学数学模型
6、社会学数学模型
7、物理学数学模型
8、化学数学模型
9、天文学数学模型
10、工程学数学模型
11、管理学数学模型
(3)数学模型扩展阅读
数学模型的历史可以追溯到人类开始使用数字的时代。随着人类使用数字，就不断地建立各种数学模型，以解决各种各样的实际问题。
数学模型这种数学结构是借助于数学符号刻划出来的某种系统的纯关系结构。从广义理解，数学模型包括数学中的各种概念，各种公式和各种理论。
因为它们都是由现实世界的原型抽象出来的，从这意义上讲，整个数学也可以说是一门关于数学模型的科学。从狭义理解，数学模型只指那些反映了特定问题或特定的具体事物系统的数学关系结构，这个意义上也可理解为联系一个系统中各变量间内的关系的数学表达。
D. 什么是数学模型思想
数学建模思想，本质土是要培养学生灵活运用数学知识解决实际中的问题的能力。在这一过程中，我们需要培养学生的抽象思维、简化思维、批判性思维等数学能力。
1数学建模需要抽象思维
分析上面模型的建立与求解过程，我们可以发现，解决问题时，离不开抽象思维，离不开对高等数学基本概念的深入理解和透彻分析。
当解决问题1时，我们紧密结合“绝对涌出量”与“相对涌出量”的概念，解剖概念所包含的每一点信息，找到了“绝对涌出量”与“相对涌出量”的计算公式，从而建立了数学模型I。
可见，我们要把纷繁芜杂的实际问题，归结到高等数学的相关概念和定义之中，利用定义找到计算公式，从而建立数学模型。在这种层层分析的过程中，抽象思维起到了关键性作用。正是这种层层分析，才使得复杂问题得以解决。所以说，数学建模需要抽象思维。
2数学建模需要简化思维
所谓简化思维，就是把复杂问题进行简化，进而使本质凸显。就像进行X光透视一样，祛除血肉，尽剩骨架。只有迅速抓住主要矛盾，舍弃次要因素，找到问题的本质，才能“看透”问题的本质。
例如，鉴别该矿井属于“低瓦斯矿井”还是“高瓦斯矿井”的问题，本质上是要我们先求出“绝对涌出量”与“相对涌出量”，然后把它们与标准值比大小；煤矿发生爆炸的可能性，实际上是概率问题；该煤矿所需要的最佳(总)通风量，实质上就是最优问题，即带约束条件的线性规划问题。
这种简化思维具有深刻性的特点。它并不是天生就具有的，可以经过精心培养而形成，经过刻苦锻炼而强化。在高等数学的教学过程中，需要培养学生的这种深层次的洞察能力。
3数学建模需要批判性思维
在数学模型建立、求解完成后，我们需要对所得的结果进行分析，还需要对所建立的数学模型进行评价，并及时对模型进行改进，以取得最佳结果。同时，我们还要指出所建模型的实际意义，并努力加以推广。这些环节，都需要良好的批判性思维。
在高等数学的教学过程中，我们需要培养学生的批判性思维。在每道题解完后，我们都要进行这种解后反思的训练，不断地提问：结果对吗?符合实际吗?该解法的优缺点在哪里?还有更好的解法吗?如何改进?能够推广吗?……在这种训练的过程中，学生的批判性思维将得到强化和提高。
E. 1.什么是数学模型数学建模的一般步骤是什么 2.数学建模需要具备哪些能力和知识 答的好悬赏加
数学建模是利用数学方法解决实际问题的一种实践.即通过抽象、简化、假设、引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解.
数学建模将各种知识综合应用于解决实际问题中,是培养和提高学生应用所学知识分析问题、解决问题的能力的必备手段之一.
数学建模的一般方法和步骤
建立数学模型的方法和步骤并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征：模型的可靠性和模型的使用性.建模的一般方法：
机理分析：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,所建立的模型常有明确的物理或现实意义.
测试分析方法：将研究对象视为一个“黑箱”系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型.测试分析方法也叫做系统辩识.
将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法.
在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定.机理分析法建模的具体步骤大致如下：
1、 实际问题通过抽象、简化、假设,确定变量、参数；
2、 建立数学模型并数学、数值地求解、确定参数；
3、 用实际问题的实测数据等来检验该数学模型；
4、 符合实际,交付使用,从而可产生经济、社会效益；不符合实际,重新建模.
数学模型的分类：
1、 按研究方法和对象的数学特征分：初等模型、几何模型、优化模型、微分方程模型、图论模型、逻辑模型、稳定性模型、统计模型等.
2、 按研究对象的实际领域（或所属学科）分：人口模型、交通模型、环境模型、生态模型、生理模型、城镇规划模型、水资源模型、污染模型、经济模型、社会模型等.
数学建模需要丰富的数学知识,涉及到高等数学,离散数学,线性代数,概率统计,复变函数等等基本的数学知识.同时,还要有广泛的兴趣,较强的逻辑思维能力,以及语言表达能力等等.
参加数学建模竞赛需知道的内容
一、全国大学生数学建模竞赛
二、数学建模的方法及一般步骤
三、重要的数学模型及相应案例分析
1、线性规划模型及经济模型案例分析
2、层次分析模型及管理模型案例分析
3、统计回归模型及案例分析
4、图论模型及案例分析
5、微分方程模型及案例分析
四、相关软件
1、Matlab软件及编程；2、Lingo软件；3、Lindo软件。
五、数模十大常用算法
1. 蒙特卡罗算法。2. 数据拟合、参数估计、插值等数据处理算法。3. 线性规划、整数规划、多元规划、二次规划等规划类算法。4. 图论算法。5. 动态规划、回溯搜索、分治算法、分支定界等计算机算法。6. 最优化理论的三大非经典算法。7. 网格算法和穷举法。8. 一些连续数据离散化方法。9. 数值分析算法。10. 图象处理算法。
六、如何查阅资料
七、如何写作论文
八、如何组织队伍：团队精神，配合良好，不断的提出问题和解决问题。
九、如何才能获奖：比较完整，有几处创新点。
十、如何信息处理：WORD、LaTeX，飞秋、QQ。
其实主要看下例子就可以了，知道一些基本的模型，我这里也有很多例子，各个学校的讲座都有要的话直接向我要
F. 数学模型有什么用
数学模型是数学抽象的概括的产物，其原型可以是具体对象及其性质、关系，也可以是数学对象及其性质、关系。数学模型有广义和狭义两种解释．广义地说，数学概念、如数、集合、向量、方程都可称为数学模型，狭义地说，只有反映特定问题和特定的具体事物系统的数学关系结构方数学模型大致可分为二类：(1)描述客体必然现象的确定性模型，其数学工具一般是代效方程、微分方程、积分方程和差分方程等，（2）描述客体或然现象的随机性模型，其数学模型方法是科学研究相创新的重要方法之一。在体育实践中常常提到优秀运动员的数学模型。如经调查统计．现代的世界级短跑运动健将模型为身高1.80米左右、体重70公斤左右，100米成绩10秒左右或更好等。
用字母、数字和其他数学符号构成的等式或不等式，或用图表、图像、框图、数理逻辑等来描述系统的特征及其内部联系或与外界联系的模型。它是真实系统的一种抽象。数学模型是研究和掌握系统运动规律的有力工具，它是分析、设计、预报或预测、控制实际系统的基础。数学模型的种类很多，而且有多种不同的分类方法。
静态和动态模型 静态模型是指要描述的系统各量之间的关系是不随时间的变化而变化的，一般都用代数方程来表达。动态模型是指描述系统各量之间随时间变化而变化的规律的数学表达式，一般用微分方程或差分方程来表示。经典控制理论中常用的系统的传递函数也是动态模型，因为它是从描述系统的微分方程变换而来的（见拉普拉斯变换）。
分布参数和集中参数模型 分布参数模型是用各类偏微分方程描述系统的动态特性，而集中参数模型是用线性或非线性常微分方程来描述系统的动态特性。在许多情况下，分布参数模型借助于空间离散化的方法，可简化为复杂程度较低的集中参数模型。
连续时间和离散时间模型 模型中的时间变量是在一定区间内变化的模型称为连续时间模型，上述各类用微分方程描述的模型都是连续时间模型。在处理集中参数模型时，也可以将时间变量离散化，所获得的模型称为离散时间模型。离散时间模型是用差分方程描述的。
随机性和确定性模型 随机性模型中变量之间关系是以统计值或概率分布的形式给出的，而在确定性模型中变量间的关系是确定的。
参数与非参数模型 用代数方程、微分方程、微分方程组以及传递函数等描述的模型都是参数模型。建立参数模型就在于确定已知模型结构中的各个参数。通过理论分析总是得出参数模型。非参数模型是直接或间接地从实际系统的实验分析中得到的响应，例如通过实验记录到的系统脉冲响应或阶跃响应就是非参数模型。运用各种系统辨识的方法，可由非参数模型得到参数模型。如果实验前可以决定系统的结构，则通过实验辨识可以直接得到参数模型。
线性和非线性模型 线性模型中各量之间的关系是线性的，可以应用叠加原理，即几个不同的输入量同时作用于系统的响应，等于几个输入量单独作用的响应之和。线性模型简单，应用广泛。非线性模型中各量之间的关系不是线性的，不满足叠加原理。在允许的情况下，非线性模型往往可以线性化为线性模型，方法是把非线性模型在工作点邻域内展成泰勒级数，保留一阶项，略去高阶项，就可得到近似的线性模型。
G. 一，什么是数学模型
数学模型是针对参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻划出来的某种系统的纯关系结构。从广义理解，数学模型包括数学中的各种概念，各种公式和各种理论。因为它们都是由现实世界的原型抽象出来的，从这意义上讲，整个数学也可以说是一门关于数学模型的科学。从狭义理解，数学模型只指那些反映了特定问题或特定的具体事物系统的数学关系结构，这个意义上也可理解为联系一个系统中各变量间内的关系的数学表达。
数学模型所表达的内容可以是定量的，也可以是定性的，但必须以定量的方式体现出来。因此，数学模型法的操作方式偏向于定量形式。
H. 物理模型和数学模型的区别
1、数学模型是指将现实问题归结为相应的数学问题，并在此基础上利用数学的概念、方法和理论进行深入的分析和研究，从而从定性或定量的角度来刻画实际问题，并为解决现实问题提供精确的数据或可靠的指导。
一句话, 就是把实际问题抽象成数学问题, 并分析解答.
分类要有分类的标准,比如按实际问题所在的领域分类,可有:
医学数学模型
气象学数学模型
经济学数学模型
社会学数学模型
等等.
要是按所用到的数学学科来分类,可有
几何模型
方程模型
图论模型
泛函模型
等等.
分类其实五花八门.
方程是一个数学概念, 如果你的实际问题建立了方程,你的模型可以称为一个方程模型.
★物理模型就是用物理学的概念和理论来描述抽象现实问题,特点是
舍弃次要因素，抓住主要因素，从而突出客观事物的本质特征，这就叫构建物理模型。构建物理模型是一种研究问题的科学的思维方法。
物理模型一般可分三类：物质模型、状态模型、过程模型。
2、数学模型与物理模型之间究竟有何区别？
这其实就是数学和物理的区别, 数学和物理的联系很紧密, 很多模型你不能单纯地说是物理还是数学模型.当然数学模型更纯粹和抽象. 自然科学的研究一般思路可以说是先建立物理模型, 再抽象成数学模型, 再由解算结果反过来反映物理意义, 进而得出实际意义.
I. ★数学模型与物理模型的区别是什么★
★数学模型是指将现实问题归结为相应的数学问题，并在此基础上利用数学的概念、方法和理论进行深入的分析和研究，从而从定性或定量的角度来刻画实际问题，并为解决现实问题提供精确的数据或可靠的指导。
一句话, 就是把实际问题抽象成数学问题, 并分析解答.
分类要有分类的标准,比如按实际问题所在的领域分类,可有:
医学数学模型
气象学数学模型
经济学数学模型
社会学数学模型
等等.
要是按所用到的数学学科来分类,可有
几何模型
方程模型
图论模型
泛函模型
等等.
分类其实五花八门.
方程是一个数学概念, 如果你的实际问题建立了方程,你的模型可以称为一个方程模型.
★物理模型就是用物理学的概念和理论来描述抽象现实问题,特点是
舍弃次要因素，抓住主要因素，从而突出客观事物的本质特征，这就叫构建物理模型。构建物理模型是一种研究问题的科学的思维方法。
物理模型一般可分三类：物质模型、状态模型、过程模型。
★数学模型与物理模型之间究竟有何区别？
这其实就是数学和物理的区别, 数学和物理的联系很紧密, 很多模型你不能单纯地说是物理还是数学模型.当然数学模型更纯粹和抽象. 自然科学的研究一般思路可以说是先建立物理模型, 再抽象成数学模型, 再由解算结果反过来反映物理意义, 进而得出实际意义.
满意与否?
J. 什么是数学模型
数学模型是指根据对研究对象所观察到的现象及其实践经验，归结成的一套反映对象某些主要数量关系的数学公式、逻辑准则和具体算法。这种科学方法常用来描述对象的运动规律。
20世纪20年代，意大利数学家伏尔特拉根据捕食者种群与被捕食者种群相互关系，对捕鱼建立的微分方程“捕食模型”证明：超过一定的捕捞量就会使大鱼减少而小鱼增加，如适当减少捕捞量则有利于大鱼的生存。人们依据最佳捕捞量进行捕捞，就有利于鱼的稳产和高产，从而获得最佳的经济效益。 诺贝尔经济学奖获得者、美国经济计量学家克莱因所编制的“联结”计划，是世界上最大的经济计量模型，将许多国家的经济信息联结在一起，可了解世界贸易情况。运用宏观经济计量模型，能预测经济发展趋势和制定经济政策，充分显示了数学模型方泌的巨大威力。
一．数学模型的定义
现在数学模型还没有一个统一的准确的定义，因为站在不同的角度可以有不同的定义。不过我们可以给出如下定义。"数学模型是关于部分现实世界和为一种特殊目的而作的一个抽象的、简化的结构。"具体来说，数学模型就是为了某种目的，用字母、数学及其它数学符号建立起来的等式或不等式以及图表、图象、框图等描述客观事物的特征及其内在联系的数学结构表达式。
二．建立数学模型的方法和步骤
第一、 模型准备
首先要了解问题的实际背景，明确建模目的，搜集必需的各种信息，尽量弄清对象的特征。 第二、 模型假设
根据对象的特征和建模目的，对问题进行必要的、合理的简化，用精确的语言作出假设，是建模至关重要的一步。如果对问题的所有因素一概考虑，无疑是一种有勇气但方法欠佳的行为，所以高超的建模者能充分发挥想象力、洞察力和判断力，善于辨别主次，而且为了使处理方法简单，应尽量使问题线性化、均匀化。
第三、 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，构造各个量间的等式关系或其它数学结构。这时，我们便会进入一个广阔的应用数学天地，这里在高数、概率老人的膝下，有许多可爱的孩子们，他们是图论、排队论、线性规划、对策论等许多许多，真是泱泱大国，别有洞天。不过我们应当牢记，建立数学模型是为了让更多的人明了并能加以应用，因此工具愈简单愈有价值。
第四、模型求解
可以采用解方程、画图形、证明定理、逻辑运算、数值运算等各种传统的和近代的数学方法，特别是计算机技术。一道实际问题的解决往往需要纷繁的计算，许多时候还得将系统运行情况用计算机模拟出来，因此编程和熟悉数学软件包能力便举足轻重。
第五、模型分析
对模型解答进行数学上的分析。"横看成岭侧成峰，远近高低各不?quot;，能否对模型结果作出细致精当的分析，决定了你的模型能否达到更高的档次。还要记住，不论那种情况都需进行误差分析，数据稳定性分析。