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。
那我们怎么用固定的套路进行建模，之后拿奖呢？
还没有开始建模我们怎么准备建模呢？
建模说白了就是要交一篇论文上去，你论文水平越高，拿奖的概率越大。而对于初学者，对于科研都没有很熟悉，没有基本的套路，也就是懵逼了。其实不要慌，论文主要就分为两个部分，一是写，第二个就是做实验。对于写文章，也是有套路的，跟写八股文差不多，一开始要引出来，就像你今天去哪个食堂吃的饭呀，这个时候你得想你为啥要吃饭？因为饿了，之后就是你为啥去那个食堂吃饭？因为便宜，好吃等等，也就是介绍自己的方法，之后你的说你自己的方法好呀，不好也得说好呀，那怎么评判我的方法是不是好呢？那不得做点实验对比一下子，做个灵敏度分析分析稳定，牛逼。
还有一点就是作图做表，就像你饭好吃，实惠，但是丑，跟屎长一样，即使很香，你也不想吃。我记得我之前的一篇做海浪的文章就是，啥也没做出来，表面功夫做足，也拿了个二等奖。
所以最大的套路我觉得还是包装，至少是蛮重要的一个套路。
知道了这些比较套路的东西之后，也还是要弄点干货的，不然你到时候怎么混都不知道，基本算法怎么使用都不知道怎么能行呢？想套路评委都套路不了，这里给大家提供福利了。
资料代码目录
这里提供的资料还是蛮多的，里面的资料都附有完整代码和文章解释，相对来说是比较全面的，是网上的一位小哥整理的，这里我将他打包整理，并压缩，放入百度云网盘里面了，方便非百度云会员的同学下载。
- 《MATLAB 神经网络30个案例分析》
- 《基于MATLAB的高等数学问题求解》
- 模拟退火算法-最优路径
- 层次分析法(AHP)
- 元胞自动机(Cellular Automata)
- 模糊数学模型(Fuzzy Mathematical Model
- 目标规划(Goal Programming)
- 图论(Graph Theory)
- 灰色系统建模(Grey System)
- 启发式算法(Heuristic Algorithm)
- 免疫算法(Immune Algorithm)
- 整数规划(Integer Programming)
- 《MATLAB智能算法案例》(Intelligence Algorithm)
- 插值(Interpolation)
- 线性规划(Linear Programming)
- 多元分析(Multivarite Analysis)
- 神经网络(Neural Network)
- 非线性规划(Non Linear Programming)
- 常微分方程(Oridinary Differential Equation)
- 偏微分方程(Partial Differential Equation)
- 偏最小二乘法(Partial Least Squares)
- 《模式识别与机器学习》(Pattern Recognition and Machine Learning)
- 回归分析(Regression Analysis)
- 时间序列模型(Time Series)
现在人工智能，神经网络比较火，建议大家还看点相关视频，到时候说不定也能说上几句，做个拓展。这里附上链接。Matlab与机器学习入门 进阶与提高 13课
建模五步法
- 第一步:提出问题. 大家可能会想,题目不是已经给出问题了吗? 是的,但是这里的提出问题是指：用数学语言去表达。首先，题目一定要通读若干遍，“看不懂，读题目；看不懂，读题目”，如此反复循环的同时查阅相关资料。这通常需要大量的工作，而且要根据题目的特点做一些假设。 看的差不多了，就开始用数学形式提出问题，当然，在这之前，先引用或者定义一些专业术语。 接下来进行符号说明，统一符号（这点很重要，三个人之间便于沟通，论文便于展现），并列出整个问题涉及的变量，包括恰当的单位，列出我们已知或者作出的假设（用数学语言描述，比如等式，不等式）。 做完这些准备工作后，就开始正式提出问题啦。用明确的数学语言写出这个问题的表达式，加上之前的准备工作，就构成了完整的问题。 这部分的内容反映到论文结构上，相当于前言，问题提出，模型建立部分。注意，刚开始建立的模型很挫没关系，我们随时可以返回来进行修改的。
- 第二步:选择建模方法. 在有了用数学语言表述的问题后，我们需要选择一个或者多个数学方法来获得解。 许多问题，尤其是运筹优化，微分方程的题目，一般都可以表述成一个已有有效的标准求解形式。这里可以通过查阅相关领域的文献，获得具体的方法。为什么不是查阅教材呢？基本上教材讲的都是基础的，针对特定问题的，教材上一般找不到现成的方法，但是教材依然是很重要的基础工具，有时候想不出思路，教材（比如姜启源那本）翻来翻去，会产生灵感，可以用什么模型。
- 第三步:推导模型的公式. 我们要把第二步的方法实现出来，也就是论文的模型建立部分。我们要对建立的问题进行变形，推导，转化为可以运行标准方法解答的形式。这部分通常是借鉴参考文献的过程，做一些修改，以适应本题的情况。
- 第四步:求解模型. 这里是编程的队友登场的时刻了。统计模型：SPSS,Eviews，Stata ，都是菜单式操作，easy的。数据分析：R，数据库SQL Server，IBMDB2微分方程：Maple,Mathematic,MATLAB运筹规划：Matlab，Lingo智能算法：Matlab，R时间序列：统计模型中的那些软件，或者R，Matlab 图像处理：Matlab，C++总结： Matlab是必须的，再来个SPSS，一般情况下够用了。
- 第五步:回答问题. 也就是论文的讨论部分。这部分是对你整篇论文成果的总结，一定要写的有深度。除此之外，通常还要写上一些灵敏度分析，如果是统计模型的话，要有模型检验。论文通常会需要画一些图表，可以使用Matlab、R等软件来画跟数据有关的图，使用Visio或者PPT画流程图之类的图。
原文链接
我的微信公众号名称：深度学习与先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究分享深度学习、机器博弈、强化学习等相关内容！期待您的关注，欢迎一起学习交流进步！
