美赛大佬必备数模基础算法合集！

1946 年，美国拉斯阿莫斯国家实验室的三位科学家 JohnvonNeumann, Stan Ulam和 Nick Metropolis 共同发明了蒙特卡罗方法。

蒙特卡罗方法（Monte Carlo method），又称随机抽样或统计模拟方法，是一种以概率统计理论为指导的一类非常重要的数值计算方法。此方法使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。

由于传统的经验方法由于不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗方法由于能够真实地模拟实际物理过程，故解决问题与实际非常符合，可以得到很圆满的结果。

蒙特卡罗方法的基本原理及思想如下：

当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。

举个栗子，直观了解蒙特卡洛方法：

假设我们要计算一个不规则图形的面积，那么图形的不规则程度和分析性计算（比如：积分）的复杂程度是成正比的。蒙特卡洛方法是怎么计算的呢？假想你有一袋豆子，把豆子均匀地朝这个图形上撒，然后数这个图形之中有多少颗豆子，这个豆子的数目就是图形的面积。当你的豆子越小，撒的越多的时候，结果就越精确。在这里我们要假定豆子都在一个平面上，相互之间没有重叠。

蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。

蒙特卡罗方法与一般计算方法有很大区别，一般计算方法对于解决多维或因素复杂的问题非常困难，而蒙特卡罗方法对于解决这方面的问题却比较简单。

其特点如下：

a、直接追踪粒子，物理思路清晰，易于理解；

b、采用随机抽样的方法，较真切的模拟粒子输运的过程，反映了统计涨落的规律；

c、不受系统多维、多因素等复杂性的限制，是解决复杂系统粒子输运问题的好方法

我们通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用 Matlab 作为工具。

数据拟合在数学建模比赛中中有应用，与图形处理有关的问题很多与拟合有关系，一个例子就是 98 年数学建模美国赛 A 题，生物组织切片的三维插值处理，94 年 A 题逢山开路，山体海拔高度的插值计算，还有吵的沸沸扬扬可能会考的“非典”问题也要用到数据拟合算法，观察数据的走向进行处理。

此类问题在 MATLAB 中有很多现成的函数可以调用，熟悉 MATLAB，这些方法都能游刃有余的用好。

数学建模竞赛中很多问题都和数学规划有关，可以说不少的模型都可以归结为一组不等式作为约束条件、几个函数表达式作为目标函数的问题。

遇到这类问题，求解就是关键了，比如 98 年 B 题，用很多不等式完全可以把问题刻画清楚，因此列举出规划后用 Lindo、Lingo 等软件来进行解决比较方便，所以还需要熟悉这两个软件。

图论算法

 动态规划、回溯搜索、分治算法

模拟退火法、神经网络、遗传算法

网格算法和穷举法

网格算法和穷举法一样，只是网格法是连续问题的穷举。

比如要求在 N 个变量情况下的最优化问题，那么对这些变量可取的空间进行采点，比如在 [a;b] 区间内取 M+1 个点，那么这样循环就需要进行 (M+1)N 次运算，所以计算量很大。

在数学建模竞赛中：比如 97 年 A 题、99 年 B 题都可以用网格法搜索，这种方法最好在运算速度较快的计算机中进行，还有要用高级语言来做，最好不要用MATLAB 做网格，否则会算很久。

一些连续离散化方法

大部分物理问题的编程解决，都和这种方法有一定的联系。物理问题是反映我们生活在一个连续的世界中，计算机只能处理离散的量，所以需要对连续量进行离散处理。

这种方法应用很广，而且和上面的很多算法有关。事实上，网格算法、蒙特卡罗算法、模拟退火都用了这个思想。

数值分析算法

数值分析（numericalanalysis），是数学的一个分支，主要研究连续数学（区别于离散数学）问题的算法。

如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用。

这类算法是针对高级语言而专门设的，如果你用的是 MATLAB、Mathematica，大可不必准备，因为像数值分析中有很多函数一般的数学软件是具备的。

图象处理算法