数学建模——排队论

这篇具有很好参考价值的文章主要介绍了数学建模——排队论。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

数学建模——排队论(一)

基本概念

排队论是一门研究排队系统的概率学科,主要研究顾客到达、等待和服务的规律性,以及如何优化排队系统的性能。排队论模型是排队论研究的基础,它可以用来描述和分析排队系统的运行过程和性能指标。常见的排队论模型有 M/M/N/N 模型、M/D/1/K 模型、M/G/1 模型等。这些模型可以用来分析和优化排队系统的性能,评估系统的服务质量,确定系统的优参数,并研究其改进的措施。它研究的内容有三部分:

  • 形态问题:各种排队系统的概率规律性,如队长分布、等待时间分布、忙期分布等;
  • 优化问题:分静态最优 (最优设计) 和动态最优 (最优运营);
  • 排队系统的统计推断:判断一个给定的排队系统符合于哪种模型。

整体流程

  • 图中虚线所包含的部分为排队系统。各个顾客从顾客源出发,随机地来到服务机构,按 一定的排队规则等待服务,直到按一定的服务规则接受完服务后离开排队系统。
  • 凡要求服务的对象统称为顾客,为顾客服务的人或物称为服务员,由顾客和服务员组成服务系统。
  • 顾客希望服务机构越多越好,以避免产生拥挤现象;但是,如果服务机构过大,人力和物力方面的开支也就相应增加。因此研究排队模型的目的就是要在顾客需要和服务机构的规模之间进行权衡决策,使其达到合理的平衡。

基本组成

一般的排队过程都由输入过程、排队规则、服务过程三部分组成。

输入过程
  1. 顾客总体(顾客源)数量:有限/无限
  2. 顾客到来的方式:单个/成批
  3. 顾客到达过程:相关/不相关
  4. 输入过程:平稳/非平稳(数学期望、方差等与时间有关)
排队规则

排队规则指到达排队系统的顾客按怎样的规则排队等待,可分为损失制,等待制和 混合制三种。

  1. 损失制(消失制)。当顾客到达时,所有的服务台均被占用,顾客随即离去。

  2. 等待制。当顾客到达时,所有的服务台均被占用,顾客就排队等待,直到接受完服务才离去。

  3. 混合制。介于损失制和等待制之间的是混合制,即既有等待又有损失。有 队列长度有限和排队等待时间有限两种情况,在限度以内就排队等待,超过一定限度就离去

排队方式还分为单列、多列和循环队列。

服务过程
服务机构

主要有以下几种类型:单服务台;多服务台并联(每个服务台同 时为不同顾客服务);多服务台串联(多服务台依次为同一顾客服务);混合型。

服务规则

按为顾客服务的次序采用以下几种规则:

  1. 先到先服务,这是通常的情形。

  2. 后到先服务,如情报系统中,最后到的情报信息往往最有价值,因而常被优先处 理。

  3. 随机服务,服务台从等待的顾客中随机地取其一进行服务,而不管到达的先后。

  4. 优先服务,如医疗系统对病情严重的病人给予优先治疗。

表示方法

数量指标
  • 队长: L s L_s Ls

    排队系统中的顾客数(n)期望值记为 L s L_s Ls(排队中以及服务中)

  • 排队长: L q L_q Lq

    排队系统中排队等待服务的顾客数,期望值为 L q L_q Lq

  • 逗留时间: W s W_s Ws

    一个顾客在系统中停留的总时间,期望为 W s W_s Ws

  • 等待时间: W q W_q Wq

    一个顾客在系统中的排队等待时间,期望为 W q W_q Wq

    于是有: W s = W q + W 服务 W_s=W_q+W_{服务} Ws=Wq+W服务

  • 忙期:从顾客到达空闲服务机构起到服务机构再次空闲的时间长度

  • 忙期服务量:一个忙期内系统平均完成服务的顾客数

  • 损失率:顾客到达排队系统,未接受服务而离开的概率

  • 服务强度:

    λ 指单位时间到达排队系统的人数, s指服务台的数量,μ 指单位时间能够服务的顾客数

ρ = λ / μ s \rho=\lambda/{\mu s} ρ=λ/μs

  • 稳态顾客数: P n P_n Pn ,表示当稳定时有 n n n 位顾客的概率。
符号表示

排队模型用六个符号表示,在符号之间用斜线隔开,即 X /Y / Z / A/ B /C 。

  • 第一个符号 X 表示顾客到达流或顾客到达间隔时间的分布
  • 第二个符号Y 表示服务时间的 分布
  • 第三个符号 Z 表示服务台数目
  • 第四个符号 A 是系统容量限制
  • 第五个符号 B 是 顾客源数目
  • 第六个符号C 是服务规则;

表示顾客到达间隔时间和服务时间的分布的约定符号为:

  • M — 指数分布( M 是 Markov 的字头,因为指数分布具有无记忆性,即 Markov 性);

  • D — 确定型(Deterministic);

  • Ek — k 阶爱尔朗(Erlang)分布;

  • G — 一般(general)服务时间的分布;

  • GI — 一般相互独立(General Independent)的时间间隔的分布。

例如, M / M /1表示相继到达间隔时间为指数分布、服务时间为指数分布、单服 务台、等待制系统。

D / M / c 表示确定的到达时间、服务时间为指数分布、 c 个平行 服务台(但顾客是一队)的模型。

排队系统的常见分布

泊松分布

N ( t ) N(t) N(t) 表示在时间区间 [ 0 , t ) [0, t) [0,t) 内到达的顾客数 ( t > 0 ) (t>0) (t>0), 令 P n ( t 1 , t 2 ) P_n\left(t_1, t_2\right) Pn(t1,t2) 表示在时间区 间 [ t 1 , t 2 ) ( t 2 > t 1 ) \left[t_1, t_2\right)\left(t_2>t_1\right) [t1,t2)(t2>t1) 内有 n ( ≥ 0 ) n(\geq 0) n(0) 个顾客到达的概率, 即
P n ( t 1 , t 2 ) = P { N ( t 2 ) − N ( t 1 ) = n } ( t 2 > t 1 , n ≥ 0 ) P_n\left(t_1, t_2\right)=P\left\{N\left(t_2\right)-N\left(t_1\right)=n\right\} \quad\left(t_2>t_1, n \geq 0\right) Pn(t1,t2)=P{N(t2)N(t1)=n}(t2>t1,n0)
P n ( t 1 , t 2 ) P_n\left(t_1, t_2\right) Pn(t1,t2) 合于下列三个条件时, 我们说顾客的到达形成泊松流。这三个条件是:
1 ∘ 1^{\circ} 1 在不相重叠的时间区间内顾客到达数是相互独立的, 我们称这性质为无后效性。
2 ∘ 2^{\circ} 2 对充分小的 Δ t \Delta t Δt, 在时间区间 [ t , t + Δ t ) [t, t+\Delta t) [t,t+Δt) 内有一个顾客到达的概率与 t t t 无关, 而约与区间长 Δ t \Delta t Δt 成正比, 即
P 1 ( t , t + Δ t ) = λ Δ t + o ( Δ t ) P_1(t, t+\Delta t)=\lambda \Delta t+o(\Delta t) P1(t,t+Δt)=λΔt+o(Δt)
其中 o ( Δ t ) o(\Delta t) o(Δt), 当 Δ t → 0 \Delta t \rightarrow 0 Δt0 时, 是关于 Δ t \Delta t Δt 的高阶无穷小。 λ > 0 \lambda>0 λ>0 是常数, 它表示单位时间 有一个顾客到达的概率, 称为概率强度。
3 ∘ 3^{\circ} 3 对于充分小的 Δ t \Delta t Δt, 在时间区间 [ t , t + Δ t ) [t, t+\Delta t) [t,t+Δt) 内有两个或两个以上顾客到达的概率 极小, 以致可以忽略, 即
∑ n = 2 ∞ P n ( t , t + Δ t ) = o ( Δ t ) \sum_{n=2}^{\infty} P_n(t, t+\Delta t)=o(\Delta t) n=2Pn(t,t+Δt)=o(Δt)
在上述条件下,我们研究顾客到达数n 的概率分布。

由条件 2 ∘ 2^{\circ} 2, 我们总可以取时间由 0 算起, 并简记 P n ( 0 , t ) = P n ( t ) P_n(0, t)=P_n(t) Pn(0,t)=Pn(t)
由条件 1 ∘ 1^{\circ} 1 2 ∘ 2^{\circ} 2, 有
P 0 ( t + Δ t ) = P 0 ( t ) P 0 ( Δ t ) P n ( t + Δ t ) = ∑ k = 0 n P n − k ( t ) P k ( Δ t ) , n = 1 , 2 , ⋯ \begin{aligned} & P_0(t+\Delta t)=P_0(t) P_0(\Delta t) \\ & P_n(t+\Delta t)=\sum_{k=0}^n P_{n-k}(t) P_k(\Delta t), \quad n=1,2, \cdots \end{aligned} P0(t+Δt)=P0(t)P0(Δt)Pn(t+Δt)=k=0nPnk(t)Pk(Δt),n=1,2,
由条件 2 ∘ 2^{\circ} 2 3 ∘ 3^{\circ} 3
P 0 ( Δ t ) = 1 − λ Δ t + o ( Δ t ) P_0(\Delta t)=1-\lambda \Delta t+o(\Delta t) P0(Δt)=1λΔt+o(Δt)
因而有
P 0 ( t + Δ t ) − P 0 ( t ) Δ t = − λ P 0 ( t ) + o ( Δ t ) Δ t , P n ( t + Δ t ) − P n ( t ) Δ t = − λ P n ( t ) + λ P n − 1 ( t ) + o ( Δ t ) Δ t . \begin{aligned} \frac{P_0(t+\Delta t)-P_0(t)}{\Delta t} & =-\lambda P_0(t)+\frac{o(\Delta t)}{\Delta t}, \\ \frac{P_n(t+\Delta t)-P_n(t)}{\Delta t} & =-\lambda P_n(t)+\lambda P_{n-1}(t)+\frac{o(\Delta t)}{\Delta t} . \end{aligned} ΔtP0(t+Δt)P0(t)ΔtPn(t+Δt)Pn(t)=λP0(t)+Δto(Δt),=λPn(t)+λPn1(t)+Δto(Δt).
在以上两式中, 取 Δ t \Delta t Δt 趋于零的极限, 当假设所涉及的函数可导时, 得到以下微分方程 组:
d P 0 ( t ) d t = − λ P 0 ( t ) , d P n ( t ) d t = − λ P n ( t ) + λ P n − 1 ( t ) , n = 1 , 2 , ⋯   . \begin{aligned} & \frac{d P_0(t)}{d t}=-\lambda P_0(t), \\ & \frac{d P_n(t)}{d t}=-\lambda P_n(t)+\lambda P_{n-1}(t), \quad n=1,2, \cdots . \end{aligned} dtdP0(t)=λP0(t),dtdPn(t)=λPn(t)+λPn1(t),n=1,2,.
取 初 值 P 0 ( 0 ) = 1 , P n ( 0 ) = 0 ( n = 1 , 2 , ⋯   ) P_0(0)=1, P_n(0)=0(n=1,2, \cdots) P0(0)=1,Pn(0)=0(n=1,2,), 容易解出 P 0 ( t ) = e − λ t P_0(t)=e^{-\lambda t} P0(t)=eλt; 再 令 P n ( t ) = U n ( t ) e − λ t P_n(t)=U_n(t) e^{-\lambda t} Pn(t)=Un(t)eλt, 可以得到 U 0 ( t ) U_0(t) U0(t) 及其它 U n ( t ) U_n(t) Un(t) 所满足的微分方程组, 即
d U n ( t ) d t = λ U n − 1 ( t ) , n = 1 , 2 , ⋯   , U 0 ( t ) = 1 , U n ( t ) = 0. \begin{aligned} & \frac{d U_n(t)}{d t}=\lambda U_{n-1}(t), \quad n=1,2, \cdots, \\ & U_0(t)=1, \quad U_n(t)=0 . \end{aligned} dtdUn(t)=λUn1(t),n=1,2,,U0(t)=1,Un(t)=0.
由此容易解得
P n ( t ) = ( λ t ) n n ! e − λ t , n = 1 , 2 , ⋯ P_n(t)=\frac{(\lambda t)^n}{n !} e^{-\lambda t}, \quad n=1,2, \cdots Pn(t)=n!(λt)neλt,n=1,2,
正如在概率论中所学过的, 我们说随机变量 { N ( t ) = N ( s + t ) − N ( s ) } \{N(t)=N(s+t)-N(s)\} {N(t)=N(s+t)N(s)} 服从泊松分 布。它的数学期望和方差分别是
E [ N ( t ) ] = λ t ; Var ⁡ [ N ( t ) ] = λ t 。 E[N(t)]=\lambda t ; \operatorname{Var}[N(t)]=\lambda t 。 E[N(t)]=λt;Var[N(t)]=λt
当输入过程是泊松流时, 那么顾客相继到达的时间间隔 T T T 必服从指数分布。这是 由于
P { T > t } = P { [ 0 , t )  内呼叫次数为零  } = P 0 ( t ) = e − λ t P\{T>t\}=P\{[0, t) \text { 内呼叫次数为零 }\}=P_0(t)=e^{-\lambda t} P{T>t}=P{[0,t) 内呼叫次数为零 }=P0(t)=eλt
那么, 以 F ( t ) F(t) F(t) 表示 T T T 的分布函数, 则有
P { T ≤ t } = F ( t ) = { 1 − e − λ t , t ≥ 0 0 , t < 0 P\{T \leq t\}=F(t)= \begin{cases}1-e^{-\lambda t}, & t \geq 0 \\ 0, & t<0\end{cases} P{Tt}=F(t)={1eλt,0,t0t<0
而分布密度函数为
f ( t ) = λ e − λ t , t > 0. f(t)=\lambda e^{-\lambda t}, \quad t>0 . f(t)=λeλt,t>0.
对于泊松流, λ \lambda λ 表示单位时间平均到达的顾客数,所以 1 λ \frac{1}{\lambda} λ1 就表示相继顾客到达平均间隔时间,而这正和 ET 的意义相符。对一顾客的服务时间也就是在忙期相继离开系统的两顾客的间隔时间,有时也服从 指数分 布。这时设它的分布函数和密度函数分别是
G ( t ) = 1 − e − μ t , g ( t ) = μ e − μ t G(t)=1-e^{-\mu t}, \quad g(t)=\mu e^{-\mu t} G(t)=1eμt,g(t)=μeμt
我们得到
lim ⁡ Δ t → 0 P { T ≤ t + Δ t ∣ T > t } Δ t = lim ⁡ Δ t → 0 P { t < T ≤ t + Δ t } Δ t P { T > t } = μ \lim _{\Delta t \rightarrow 0} \frac{P\{T \leq t+\Delta t \mid T>t\}}{\Delta t}=\lim _{\Delta t \rightarrow 0} \frac{P\{t<T \leq t+\Delta t\}}{\Delta t P\{T>t\}}=\mu Δt0limΔtP{Tt+ΔtT>t}=Δt0limΔtP{T>t}P{t<Tt+Δt}=μ
这表明, 在任何小的时间间隔 [ t , t + Δ t ) [t, t+\Delta t) [t,t+Δt) 内一个顾客被服务完了(离去)的概率是 μ Δ t + o ( Δ t ) \mu \Delta t+o(\Delta t) μΔt+o(Δt) μ \mu μ 表示单位时间能被服务完成的顾客数, 称为平均服务率, 而 1 μ \frac{1}{\mu} μ1 表示 一个顾客的平均服务时间。

总结:

N ( t ) N(t) N(t) : 在时间 [ 0 , t ] [0, t] [0,t] 内到达的顾客数
P n ( t 1 , t 2 ) P_n\left(t_1, t_2\right) Pn(t1,t2) : 在时间 [ t 1 , t 2 ] \left[t_1, t_2\right] [t1,t2] 内有 n \mathrm{n} n 个顾客到达的概率
P n ( t 1 , t 2 ) = P { N ( t 2 ) − N ( t 1 ) = n } = λ ( t 2 − t 1 ) n n ! e − λ ( t 2 − t 1 ) P_n\left(t_1, t_2\right)=P\left\{N\left(t_2\right)-N\left(t_1\right)=n\right\}=\frac{\lambda\left(\mathrm{t}_2-\mathrm{t}_1\right)^{\mathrm{n}}}{n !} e^{-\lambda\left(t_2-t_1\right)} Pn(t1,t2)=P{N(t2)N(t1)=n}=n!λ(t2t1)neλ(t2t1)
若满足以下的三个条件,称顾客到达形成参数 λ \lambda λ 的泊松流

[ t , t + Δ t ] [t, t+\Delta t] [t,t+Δt] 内有:

  • 有一个顾客到达的概率为 λ Δ t + o ( Δ t ) \lambda \Delta t+o(\Delta t) λΔt+o(Δt);
  • 没有一个顾客到达的概率 1 − λ Δ t + o ( Δ t ) 1-\lambda \Delta t+o(\Delta t) 1λΔt+o(Δt)
  • 多于一个顾客到达的概率为 o ( Δ t ) − − \mathrm{o}(\Delta \mathrm{t})-- o(Δt) 表示几乎不可能

即在这个很短的时间内,要么没有顾客来,要么只有一个顾客,多于一个顾客到达的概率几乎为0

负指数分布

当顾客流为泊松流(即满足上述泊松分布的三个条件)时,相邻两个顾客到达的时间间隔 T \mathrm{T} T 满足负指数分布(直接记住)

同理,系统中一个顾客的服务时间 V \mathrm{V} V 也满足负指数分布分布函数:
P ( T ≤ t ) = 1 − e − λ t … …  相邻两个顾客的到达时间间隔  T P(T \leq t)=1-e^{-\lambda t} \ldots \ldots \text { 相邻两个顾客的到达时间间隔 } \mathrm{T} P(Tt)=1eλt…… 相邻两个顾客的到达时间间隔 T

P ( V ≤ t ) = 1 − e − μ t … …  个顾客的服务时间  V P(V \leq t)=1-e^{-\mu t} \ldots \ldots \text { 个顾客的服务时间 } \mathrm{V} P(Vt)=1eμt…… 个顾客的服务时间 V
期望(均值):
E ( T ) = 1 λ ⋯ ⋯ 相邻两个顾客的到达时间间隔 T E(T)=\frac{1}{\lambda} \cdots \cdots 相邻两个顾客的到达时间间隔 \mathrm{T} E(T)=λ1⋯⋯相邻两个顾客的到达时间间隔T

E ( V ) = 1 μ ⋯ ⋯ ⋯ 一个顾客的服务时间  V E(V)=\frac{1}{\mu} \cdots \cdots \cdots \text {一个顾客的服务时间 } \mathrm{V} E(V)=μ1⋯⋯⋯一个顾客的服务时间 V
若顾客流满足泊松分布,服务时间服从参数 μ \mu μ 的负指数分布,则在时间 [ t , t + Δ t ] [\mathrm{t}, \mathrm{t}+\Delta \mathrm{t}] [t,t+Δt]

  • 有一个顾客被完全服务的概率是 μ Δ t + o ( Δ t ) \mu \Delta t+o(\Delta t) μΔt+o(Δt);
  • 没有一个顾客被完全服务的概率是 1 − λ Δ t + o ( Δ t ) 1-\lambda \Delta t+o(\Delta t) 1λΔt+o(Δt);
  • 多于一个顾客被完全服务的概率是 o ( Δ t ) \mathrm{o}(\Delta \mathrm{t}) o(Δt);

埃尔朗分布——多服务台

k \mathrm{k} k 个顾客到达系统的时间间隔为 v 1 , v 2 , … , v k v_1, v_2, \ldots, v_k v1,v2,,vk, 独立服从于参数为 k μ \mathrm{k} \mu kμ 的负指数分布 则 T = ∑ i = 1 k v k T=\sum_{i=1}^k v_k T=i=1kvk
服从 k \mathrm{k} k 阶埃尔朗分布
f k ( t ) = μ k ( μ k t ) k − 1 ( k − 1 ) ! e − μ k t E ( T ) = 1 μ D ( T ) = 1 k μ 2 \begin{aligned} & f_k(t)=\frac{\mu k(\mu k t)^{k-1}}{(k-1) !} e^{-\mu k t} \\ & E(T)=\frac{1}{\mu} \\ & D(T)=\frac{1}{k \mu^2} \\ & \end{aligned} fk(t)=(k1)!μk(μkt)k1eμktE(T)=μ1D(T)=kμ21文章来源地址https://www.toymoban.com/news/detail-795235.html

到了这里,关于数学建模——排队论的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数学建模-多元线性回归笔记

    1.学模型✅ 2.看专题论文并复习算法 多元线性回归 无偏性:预测值与真实值非常接近 一致性:样本量无限增大,收敛于待估计参数的真值 如何做:控制核心解释变量和u不相关 四类模型回归系数的解释 截距项不用考虑 一元线性回归:y = a + bx + u x每增加1个单位,y平均变化

    2024年02月12日
    浏览(39)
  • 数学建模笔记(十二):概率模型

    从挂钩考虑 m个挂钩,n位工人 s:一周期内运走的产品数 n:所有工人在周期时间内生产总数 D:传送带效率 p:每只挂钩非空概率 q:每只挂钩为空概率,p+q=1 r:挂钩没有被某位工人触到的概率 D = s n = m p n = m ( 1 − q ) n = m ( 1 − ( r n ) ) n = m ( 1 − ( 1 − 1 m ) n ) n D=frac{s}{n}=

    2024年02月11日
    浏览(39)
  • 数学建模笔记(七):综合评价模型

    代表性,也就是这一指标的区分度,最具代表性就是对观测记录最具区分度 强调通行能力前后的变化 (一)指标一致化处理 (二)指标无量纲化处理 (三)定性指标量化 主观评价要量化,无法避免主观因素 f ( 3 ) f(3) f ( 3 ) 使用了两次,其实有四个式子,才解出了四个量

    2024年02月05日
    浏览(62)
  • 典型相关分析——数学建模清风笔记

    典型相关分析(Canonical Correlation analysis)研究两组变量(每组变量中都可能有多个指标)之间相关关系的一种多元统计方法。 它能够揭示出两组变量之间的内在联系。 典型相关分析目的是识别并量化两组变量之间的联系,将两组变量相关关系的分析,转化为一组变量的线性

    2024年02月19日
    浏览(43)
  • 【数学建模】传染病模型笔记

    传染病的基本数学模型,研究传染病的传播速度、空间范围、传播途径、动力学机理等问题,以指导对传染病的有效地预防和控制。常见的传染病模型按照传染病类型分为 SI、SIR、SIRS、SEIR 模型等,按照传播机理又分为基于常微分方程、偏微分方程、网络动力学的不同类型。

    2024年04月10日
    浏览(44)
  • 数学建模学习笔记||层次分析法

    解决评价类问题首先需要想到一下三个问题 我们评价的目标是什么 我们为了达到这个目标有哪几种可行方案 评价的准则或者说指标是什么 对于以上三个问题,我们可以根据题目中的背景材料,常识以及网上收集到的参考资料进行结合,从而筛选出最合适的指标 优先选择知

    2024年01月23日
    浏览(57)
  • 数学建模学习笔记||TOPSIS&&熵权法

    目录 评价类问题介绍 TOPSIS法 算法步骤 1.统一指标类型(指标正向化) 2.标准化处理 3.确定正理想解和负理想解 4.计算距离 5.计算相对接近度(S越大越接近理想解) 熵权法 概念 过程 python代码实现 作用         声明 评价类问题介绍 目的:得知一组方案的好坏,对数据评

    2024年01月16日
    浏览(42)
  • 数学建模学习笔记(一):插值法

    本文主要内容是分享博主在学习MATLAB插值与拟合过程中的一些笔记与见解,并记录使用代码实现的过程 一维插值问题可描述为:已知函数在 x 0 , x 1 , … , x n x_0,x_1,…,x_n x 0 ​ , x 1 ​ , … , x n ​ 处的值 y 0 , y 1 , … , y n y_0,y_1,…,y_n y 0 ​ , y 1 ​ , … , y n ​ ,求简单函数 p (

    2024年02月06日
    浏览(56)
  • 数学建模-点评笔记 9月3日

    1.摘要:关键方法和结论(精炼的语言)要说明,方法的合理性和意义也可以说明。 评委先通过摘要筛选(第一轮) 2.时间序列找异常值除了3西格玛还有针对时间序列更合适寻找的方法 3.模型的优缺点要写的详细一点(评委来观察你对模型的理解程度),时间复杂度和空间复

    2024年02月10日
    浏览(39)
  • 数学建模学习笔记(20)典型相关分析

    典型相关分析概述 :研究两组变量(每组变量都可能有多个指标)之间的相关关系的一种多元统计方法,能够揭示两组变量之间的内在联系。 典型相关分析的思想 :把多个变量和多个变量之间的相关化为两个具有代表性的变量之间的相关性。对于一组变量来说,最简单的代

    2024年02月10日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包