数学建模比赛必备：用python完成数学建模常见算法

在数学建模中主流的编程语言是MATLAB，但随着python/R中数学软件包的不断完善，熟悉这两种编程语言的同学也可以快速数学建模的编程环节。后面我们将介绍几种常见数学建模算法的python实现，旨在展示python在本领域的强大威力。

1、问题描述

你希望通过几种常见算法的实现，了解python在数学建模中的能力。

2、解决方案

python除了丰富的原生数据结构外，拥有强大的第三方软件包支持，例如矩阵运算库Numpy，数据处理库Pandas、机器学习库Sklearn、深度学习库Tenserflow&Pytorch、科学计算库Scipy、图形绘制库matplotlib、网络算法库Networkx。

此外几乎针对任何领域，都有第三方软件包的支持，这归功于python优秀的社区。使用者需要使用好pip这一软件包管理工具，发掘前人造好的轮子，尽量减少自己编程的难度。我们将在后面的问题讨论中介绍以下几种常用数学建模算法的python实现：

1.数据拟合算法

2.插值算法

3.线性规划算法

4.单源多宿最短路算法

3、问题讨论

我们的重点在于代码实现而非数学推导

1.数据拟合算法

我们这里介绍通过最小二乘法拟合线性函数

#我们使用最小二乘法拟合一个三次函数，选取了5个参数

import numpy as np

import matplotlib.pyplot as plt

SAMPLE_NUM = 100

M = 5

x = np.arange(0, SAMPLE_NUM).reshape(SAMPLE_NUM, 1) / (SAMPLE_NUM - 1) * 10

y = 2*x3+3*x2+x+1

plt.plot(x, y, 'bo')

X = x

for i in range(2, M + 1):

X = np.column_stack((X, pow(x, i)))

X = np.insert(X, 0, [1], 1)

W=np.linalg.inv((X.T.dot(X))).dot(X.T).dot(y)

y_estimate = X.dot(W)

plt.plot(x, y_estimate, 'r')

plt.show()

2.插值算法

我们使用几种常见的插值函数拟合上例中的三次函数

import numpy as np

from scipy import interpolate

import pylab as pl

x=np.linspace(0,10,11)

y=2*x3+3*x2+x+1

xInset=np.linspace(0,10,101)

pl.plot(x,y,"ro")

for kind in["nearest","zero","slinear","quadratic","cubic"]:

f=interpolate.interp1d(x,y,kind=kind)

y_estimate=f(xInset)

pl.plot(xInset,y_estimate,label=str(kind))

pl.legend(loc="lower right")

pl.show()

3.线性规划算法

我们可以使用scipy库对目标函数进行线性规划

import numpy as np

from scipy.optimize import minimize

def func(x):

return(2*x[0]*x[1]+2*x[0]-x[0]2+2*x[1]2+np.sin(x[0]))

cons=({"type":"eq","fun":lambda x:np.array([x[0]3-x[1]]),"jac":lambda x:np.array([3*(x[0]2),-1.0])},{"type":"ineq","fun":lambda x:np.array([x[1]-1]),"jac":lambda x:np.array([0,1])})#定义函数的多个约束条件

res=minimize(func,[-1.0,1.0],constraints=cons,method="SLSQP",options={"disp":True})

print(res)

注意这里求解的为目标函数最小值，如果我们需要求解最大值则将func取负数即可。输出内容如图

4.单源多宿最短路算法

我们介绍以下基于堆优化的dijkstra算法，这里的堆可以使用python内置的PriorityQueue实现。我们这里给出一个简单的堆实现：

classDisNode:

def __init__(self,node,dis):

self.node=node

self.dis=dis

def __lt__(self, other):

return self.dis<other.dis

classDisPath:

def __init__(self,end):

self.end=end

self.path=[self.end]

self.dis=0

def __str__(self):

nodes=self.path.copy()

return"->".join(list(map(str,nodes)))+" "+str(self.dis)

classHeap:

def __init__(self):

self.size=0

self.maxsize=10000

self.elements=[0]*(self.maxsize+1)

def isEmpty(self):

return self.size==0

def insert(self,value):

if self.isEmpty():

self.elements[1]=value

else:

index=self.size+1

while(index!=1and value<self.elements[index//2]):

self.elements[index]=self.elements[index//2]

index=index//2

self.elements[index]=value

self.size+=1

def pop(self):

deleteElement=self.elements[1]

self.elements[1]=self.elements[self.size]

self.size-=1

temp=self.elements[1]

parent,child=1,2

while(child<=self.size):

if child<self.size and self.elements[child]>self.elements[child+1]:

child+=1

if temp<self.elements[child]:

break

else:

self.elements[parent]=self.elements[child]

parent=child

child*=2

self.elements[parent]=temp

return deleteElement

defDijkstraWithHeap(nodes,start,GetNeighbors):

dis=defaultdict(int)

paths=defaultdict(DisPath)

heap=Heap()

visit=set()

for node in nodes:

dis[node]=sys.maxsize

paths[node]=DisPath(node)

dis[start]=0

heap.insert(DisNode(start,0))

while(not heap.isEmpty()):

now=heap.pop().node

if now in visit:

continue

visit.add(now)

paths[now].dis=dis[now]

for edge inGetNeighbors(now):

end=edge.End

if dis[now]+edge.value<dis[end]:

dis[end]=dis[now]+edge.value

paths[end].path=paths[now].path+[end]

heap.insert(DisNode(end,dis[end]))

return paths

通过堆优化的dijkstra算法的时间复杂度最低可以达到O(nlogm)，上文给出的代码的时间复杂度为O(mlogm)，但是胜在编码简单。此外还可以使用Networkx库进行求解，这里不再介绍。