数学建模中，大多数人都在用MATLAB，但MATLAB不是一门正统的计算机编程语言，而且速度慢还收费，最不能忍受的就是MATLAB编辑器不支持代码自动补全。python对于数学建模来说，是个非常好的选择。python中有非常著名的科学计算三剑客库：numpy,scipy和matplotlib，三者基本代替MATLAB的功能，完全能够应对数学建模任务。
下面列举几个python解决数学建模的例子：
线性规划问题的求最大最小值问题
max： z = 4x1 + 3x2
st: 2x1 + 3x2<=10
x1 + x2 <=8
x2 <= 7
x1,x2 > 0
from scipy.optimize import linprog
c = [4,3] #默认linprog求解的是最小值，若求最大值，此处c取反即可得到最大值的相反数。
A = [[2,3],[1,1]]
b = [10,8]
x1_bounds = [0,None]
x2_bounds =[0,7]
res = linprog(c,A,b,bounds=(x1_bounds,x2_bounds))相关推荐：《python视频教程》
多项式的最小二乘法曲线拟合
import numpy as np import matplotlib.pyplot as plt x = np.arange(1990,1997,1) y = np.array([70 ,122 ,144 ,152, 174, 196, 202]) z1 = ployfit(x,y,1) #之前画过原始数据，数据走向为ax+b类型。故采用一次多项式拟合 p1 = np.ploy1d(z1) yvalue = p1(x) plt.plot(x,y,'*',label = '原始数据') plt.plot(z1,yvalue,label = '拟合曲线') plt.xlabel('x axis') plt.ylabel('y axis') plt.legend(loc = 4 ) plt.tittle('多项式拟合') plt.show()
方程求导
from __future__ import print_function from __future__ import division import numpy as np import scipy as sp import scipy.misc def f(x): return 2*x*x + 3*x + 1 print(sp.misc.derivative(f, 2))
求不定积分
from __future__ import print_function from __future__ import division import numpy as np import scipy as sp import scipy.integrate f = lambda x : x**2 print(sp.integrate.quad(f, 0, 2)) print(sp.integrate.fixed_quad(f, 0, 2))
求解非线性方程组
from __future__ import print_function
from __future__ import division
import numpy as np
import scipy as sp
import scipy.optimize
def f(x):
return [5*x[1] + 3, 4*x[0]*x[0], x[1]*x[2] - 1.5]
ans = sp.optimize.fsolve(f, [0, 0, 0])
print(ans)
print(f(ans))求解线性方程组
from __future__ import print_function from __future__ import division import numpy as np import scipy as sp import matplotlib.pylab as plt import scipy.linalg a = np.array([[1, 3, 5], [2, 5, 1], [2, 3, 8]]) b = np.array([10, 8, 3]) print(sp.linalg.solve(a, b)) # print(sp.linalg.inv(a).dot(b))
以上是数学建模可以用Python吗的详细内容。更多信息请关注PHP中文网其他相关文章！
