数学建模的过程：
（1）模型准备：准备数据，参数。
（2）模型假设：必须要符合实际，进行合理的假设，不能违背实际情况，如中国人口不会受到人口结构的影响（显然是不可能的）
（3）模型建立：可以使用流程图（你的文字过多，表述不清晰），组合模型可以使用流程图进行说明；也可以使用伪代码，介于算法和代码之间的形式，应用于创新型问题。
（4）模型求解：基于数据，进行预处理，设计了***参数，得出的结果如下；
（5）结果分析：一定要和问题呼应，不能脱离问题，有表层分析（即看图说话），深层分析（通过对图形的挖掘而得出的一些结论）。
（6）模型检验：灵敏度分析，就是让某些参数在一定的范围内进行波动，来观察我们所研究的对象的波动情况，如果参数的变化范围很小，但是我们研究对象的变化范围大，这个时候我们说该模型很灵敏，否则不灵敏。，以此来评价模型的稳定性。误差分析：我们所预测的与现实情况进行比较，来分析误差。
1.评价类问题：
（1）数据少，评价的指标少：层次分析法；
（2）数据少，样本具有时间序列特性：灰色关联分析法；
（3）指标多，但是各指标之间相互独立：TOP SIS综合评价算法；
（4）经济学领域多因素，多层次的复杂问题：模糊综合评价法；（问卷调查）
（5）评价新颖问题，传统的方法很难获得权重：神经网络算法；
（6）多种投入，多种产出的评价问题：数据包络法；
2.预测类问题：
先明白预测的目的，一定要进行误差分析，灰色预测；回归分析预测；马尔可夫预测模型（未来只和现在有关，与过去无关）；神经网络预测模型等等。单调类，周期变化类；
3.优化类问题
即找最优解，决策变量（对我的最终结果有直接影响的变量）；约束条件（生产资料受限制）；目标函数（比如利润）；
整数规划，0-1规划，多目标规划（利润最大，损失最小），凸优化（目标函数是凸函数）采用梯度求解；离散问题（遗传算法）
