數學建模中模型的優劣如何評價

1樓：戒十三

1.模型的靈敏度分析

2模型的強健性分析

2樓：匿名使用者

優勢就是使用數學模型能更有說服力，邏輯推理更嚴緊，更直觀。

劣勢就是籠統、非精確。

3樓：新_遊戲

怎樣的模型才能叫做好的模型？例如對inter***建模，i***，ab，brite，glp等等模型層出不窮。每種模型都在關注著某種實際問題的生成機制，當然也能在一定意義上反映真實世界的結構。

但其價值究竟應該如何評價？inter***是超級複雜的問題，比不了經典模型的簡單深刻。是不是必須使用多側面的和分布式的認識才能刻畫它的性質？

還有那個經常被使用的模擬方法。考慮問題的基本機制是建模必要的方法，完全唯象的模型，比如搞個擬合什麼的（除非精度夠高而且有原理上的說明），對問題並不能達成真正的理解。但究竟應該如何界定這種方法的有效範圍？

徹底的模擬**不一定能給我們帶來有關問題的理解。**只是實驗，實驗條件是否有真實意義，實驗結果是否足夠可靠，事實上都不確切。即使可靠，許多時候也只有工程上的意義，可以看作是一種較為節儉的實驗方式。

但如果問題還存在人們不清楚的複雜機制呢？對機制究竟如何認識則很難從**本身得出。需要對**條件和結果之間的關係作進一步的研究，這可以說完全是另乙個更困難的過程。

「理解」該如何理解？基於邏輯系統、因果推理和嚴格計算的解釋堪稱典型的「可理解的」模型。但只通過模擬和**，得到的「經驗性」解釋可以作為另一種「理解」的方案嗎？

神經網路等方法和**等思路其實有某種共同特點。它們共同的特點是：能給出結果，但是不能給出解釋。

正如經過訓練的神經網路，即使效果非常出彩，人們也完全不可能知道每個連線的權重到底「意味著什麼」。整體的效果，是「分布」在網路整體上的。這種分散性的理解和**很類似，網路結構和權重是模型的「深層」，正如**的基本機制是模型的「深層」。

最終的結果是「表象」，「深層」的原理怎麼控制「表象」的？對不起，承上啟下的那個「中間層」是什麼，我們不知道。