数学建模常用算法
- 蒙特卡罗算法，又称随机模拟算法；其实就是根据条件通过大量的随机模拟得到结果或者一些参数。
- 数据拟合、参数估计、插值等数据处理算法：针对大量数据的处理和建模。
- 线性规划、整数规划、多元规划、二次规划等规划类问题：针对最优化问题。
- 图论算法：针对涉及图论的问题。
- 动态规划、回溯搜索、分治算法、分支定界等计算机算法
- 最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法
- 网格算法和穷举法
- 一些连续离散化方法
- 数值分析算
- 图像处理算法
常见问题
评价问题
评价问题包括单指标评价问题和多指标评价问题。多指标评价需要确定各个指标的权重。权重的确定包括主观赋权法和客观赋权法。当数据不全时，一般只能使用客观赋权，比如模糊综合评价，层次分析等一些方法。如果数据比较全，可以使用主观赋权法，比如主成分分析，投影寻踪，topsis等。还有一点需要注意的是，数据一定要进行预处理以及分析。数据的分析处理，包括无量纲化，相关性分析。
在多指标评价问题中，往往需要对数据进行预处理——（无量纲化、标准化/归一化等）。目的是（1）消除不同量级的指标对问题的影响（2）是为了防止成本型指标和效益型指标相互冲突（说白了，就是有些指标越大越好，有些指标越小越好，需要把他们规范一下）。
常见的评价模型使用的方法有：灰色关联分析法、模糊综合评判、 主成分分析、层次分析法（AHP）、数据包络（DEA）分析法、秩和比综合评价法、优劣解距离法(TOPSIS法)、投影寻踪综合评价法、方差分析、协方差分析等。
预测问题
预测问题的的一般情况下，核心是需要深入的分析问题的背景/原理，然后根据背景/原理建立出相关的模型，而中间的某些小的步骤需要使用某个常用的预测类型的算法。在预测后需要对结果进行分析和评价。
在选择预测方法是需要惊醒检验，确定方法是否合理。
优化问题
和预测问题相似，优化问题关键并不在于算法而在于如何建立目标函数以及约束条件。
论文写作
确认对所有假设条件都已经给出合理的解释，语句表达的逻辑，引用。
论文结构
论文中应按顺序包含这些要点：摘要，问题重述，问题分析，模型假设，符号说明，（数据预处理），模型建立，模型求解，（结果分析），模型检验，模型评价，模型推广。
摘要
一般半页到一页，加入关键词。
摘要：阐明赛题，说明假设条件及合理性，模型设计和合理性论证，结果及其分析。对于多个问题可以针对每个问题书写。坚持几个关键词“问题 方法 模型 软件 结论”。
问题分析
对赛题、要求、背景、相关成果的分析，并结合相关方法进行分析，给出应当使用的方法/模型以及结合上步的结果确定下一步的结果确定下一步使
用的模型算法。
模型建立与求解
主要包括模型建立和模型求解两大部分。不应过多介绍算法原理，并加入一些算法的对比，注重合理性以及结果的分析。
