数学模型

数学模型 (Mathematical Model)

数学模型以变量/方程/函数等形式化表达对系统/现象的抽象描述→连接纯粹数学与应用领域的桥梁。核心目的：理解、分析、预测、优化。George Box名言："所有模型都是错的，但有些是有用的。"

建模过程（迭代循环）

1问题界定→定目标与系统边界。2假设→简化现实（过度简化失真，过度复杂难解）。3形式化→变量（自变量/因变量/状态变量）+参数（常数→数据估计）+关系（代数/微分方程/概率分布）。4求解：解析解（封闭形→简单模型，如线性方程组）或数值解（计算机→有限元法/龙格-库塔法）。5验证：内部自洽+直觉检验；外部验证→模型预测vs真实观测（交叉验证/残差分析）。6修正迭代→"构建-检验-修正"循环→达标停。

分类

静态vs动态：静态=某时刻均衡（建筑应力、市场均衡）；动态=随时间演变→微分方程/差分方程（行星轨道、SIR模型）。确定vs随机：确定→同入同出（牛顿定律）；随机→含随机变量（股票布朗运动、排队论）。线性vs非线性：线性满足叠加原理→易解（线性回归/线性规划）；非线性→混沌饱和→难解（逻辑斯蒂增长、流体力学）。离散vs连续：离散→变量取离散值（差分→代际变化）；连续→区间任意值（微分→热传导）。机理性(白盒)vs经验性(黑盒)vs灰盒：白盒→基于系统内在机理（牛顿抛体）；黑盒→数据拟合输入输出（多项式回归）；灰盒→半机理半数据。

经典示例

人口增长：马尔萨斯$\frac{dP}{dt}=rP$（指数增长→资源无限）；逻辑斯蒂$\frac{dP}{dt}=rP(1-P/K)$（非线性，引入承载力K）。线性回归：$Y=\beta_0+\beta_1X_1+\dots+\beta_pX_p+\epsilon$（静态随机经验→$\epsilon$为随机误差）。期权定价：Black-Scholes（动态连续随机→Black-Scholes偏微分方程）。

价值：精确清晰、预测、模拟优化（计算机"what-if"→数学优化找最优决策）、增进理解。局限：简化代价（假设未必成立）、数据依赖（"垃圾进垃圾出"）、误用风险（忽略假设局限→将模型当现实本身）。