2023 COMAP 建模算法整理
1.Genetic Algorithm， GA
遗传算法，隶属于进化算法，通过模仿生物遗传进化中基因的自由组合、变异等行为，以及自然选择的过程来求解复杂约束条件下的优化问题。
2.Simulated Annealing， SA
模拟退火，借鉴固体的退火原理，用来在一定时间内搜寻一个很大的搜索空间中的近似最优解。可以证明，模拟退火算法所得解依概率收敛到全局最优解。
3.Ant Colony Algorithm， ACA
蚁群算法，灵感来源于蚂蚁在寻找食物过程中发现路径的行为。可以应用于多种组合优化问题，相比于传统的遗传算法，其能适应问题的实时变化。
4.Principle Component Analysis， PCA
主成分分析，一种用来对数据进行降维的统计分析方法，其利用正交变换来对一系列可能相关的变量的观测值进行线性变换，以得到一系列线性不相关变量的值，也即主成分。
5.Cellular Automata， CA
元胞自动机，原理为模拟细胞的自我复制与相互作用。其属于仿真型机理建模，可以用于模拟复杂系统的时空演化过程，要求状态的改变在时间和空间上是局部的。
6.Particle Swarm Optimization， PSO
粒子群优化算法。将可能的解视为一个个粒子，通过粒子群之间的信息共享与探索，适用于在庞大的解空间中寻找候选的最优解。
7.Gray Model， GM
灰色预测算法，是一种对含有不确定性系统进行预测的方法。其通过对原始数据序列的处理、挖掘，建立微分方程模型。较常用于对连续、平滑序列的预测。
8.ARIMA
\(\mathtt{ARIMA}\)模型分为三个部分，\(\mathtt{AR}\)部分拟合历史观测值，\(\mathtt{MA}\)部分拟合误差，\(\mathtt{I}\)部分对序列进行差分以增强稳定性。\(\mathtt{ARIMA}\)模型可便捷应用于对时间序列的预测。
9.Regression
回归分析。较为常用的回归分析包括一元回归、多元回归、逻辑斯蒂回归以及逐步回归等。
10.Statistical Machine Learning
统计机器学习，是采用机器学习的方法，提取待学习的数据的特征，抽象出数据的模型，进而对数据进行分析和预测。常用的统计机器学习方法，包括\(K-\)近邻、朴素贝叶斯方法、支持向量机以及决策树等。
11.Decision Making
这里叙述决策论中的两个重要算法，分别为\(\mathtt{AHP}\)以及\(\mathtt{EWM}\)，二者均被用于确定不同的决策标准的权重，进而对各个样本进行综合打分。