掃一掃
關(guān)注中圖網(wǎng)
官方微博
數(shù)學(xué)建模(PYTHON版) 版權(quán)信息
- ISBN：9787302652373
- 條形碼：9787302652373 ; 978-7-302-65237-3
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
數(shù)學(xué)建模(PYTHON版) 本書特色
本書包括運籌優(yōu)化、圖論模型、微分方程、隨機模擬和統(tǒng)計方法等傳統(tǒng)建模方法，同時還增設(shè)了智能優(yōu)化算法、機器學(xué)習(xí)方法和深度方法，可以滿足廣大讀者和參賽者的學(xué)習(xí)需求。本書算法實現(xiàn)以Python語言為主，每章內(nèi)容均有詳細(xì)的代碼，可以幫助讀者高效掌握Python編程實現(xiàn)算法。本書共包含19章，前兩章為基礎(chǔ)部分，分別為數(shù)學(xué)建模簡介和Python簡介； 第3~11章為傳統(tǒng)建模方法部分，其中，第3章和第4章分別介紹運籌優(yōu)化中的線性規(guī)劃和非線性規(guī)劃，第5章介紹圖論，第6章介紹微分方程，第7章介紹
插值與擬合，第8章介紹隨機模擬，第9~11章介紹統(tǒng)計方法，包括回歸分析、聚類分析和主成分分析； 第12~19章為智能優(yōu)化和機器學(xué)習(xí)部分，其中，第12~14章為智能優(yōu)化，分別介紹模擬退火算法、遺傳算法和粒子群優(yōu)化算法，第15~19章為機器學(xué)習(xí)方法，分別介紹支持向量機、決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。
本書可作為高等學(xué)校數(shù)學(xué)建模、數(shù)學(xué)實驗課程教材，也可作為數(shù)學(xué)建模競賽的培訓(xùn)教材。
數(shù)學(xué)建模(PYTHON版) 內(nèi)容簡介
本書包括運籌優(yōu)化、圖論模型、微分方程、隨機模擬和統(tǒng)計方法等傳統(tǒng)建模方法，同時還增設(shè)了智能優(yōu)化算法、機器學(xué)習(xí)方法和深度方法，可以滿足廣大讀者和參賽者的學(xué)習(xí)需求。本書算法實現(xiàn)以Python語言為主，每章內(nèi)容均有詳細(xì)的代碼，可以幫助讀者高效掌握Python編程實現(xiàn)算法。本書共包含19章，前兩章為基礎(chǔ)部分，分別為數(shù)學(xué)建模簡介和Python簡介； 第3~11章為傳統(tǒng)建模方法部分，其中，第3章和第4章分別介紹運籌優(yōu)化中的線性規(guī)劃和非線性規(guī)劃，第5章介紹圖論，第6章介紹微分方程，第7章介紹 插值與擬合，第8章介紹隨機模擬，第9~11章介紹統(tǒng)計方法，包括回歸分析、聚類分析和主成分分析； 第12~19章為智能優(yōu)化和機器學(xué)習(xí)部分，其中，第12~14章為智能優(yōu)化，分別介紹模擬退火算法、遺傳算法和粒子群優(yōu)化算法，第15~19章為機器學(xué)習(xí)方法，分別介紹支持向量機、決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。 本書可作為高等學(xué)校數(shù)學(xué)建模、數(shù)學(xué)實驗課程教材，也可作為數(shù)學(xué)建模競賽的培訓(xùn)教材。
數(shù)學(xué)建模(PYTHON版) 目錄
第1章數(shù)學(xué)建模簡介
1.1數(shù)學(xué)模型與數(shù)學(xué)建模
1.1.1數(shù)學(xué)模型
1.1.2數(shù)學(xué)建模
1.2數(shù)學(xué)建模的步驟
1.3數(shù)學(xué)建模的作用
1.3.1數(shù)學(xué)建模課程的思政
作用 1.3.2數(shù)學(xué)建模對大學(xué)生能力
的培養(yǎng)作用 1.4數(shù)學(xué)建模論文的撰寫 1.5數(shù)學(xué)建模競賽 1.5.1全國大學(xué)生數(shù)學(xué)建模
競賽 1.5.2中國研究生數(shù)學(xué)建模
競賽 1.5.3美國大學(xué)生數(shù)學(xué)建模
競賽 第2章Python簡介 2.1Python概述 2.2Python的安裝 2.2.1Anaconda的安裝 2.2.2PyCharm的安裝 2.3Python基礎(chǔ) 2.3.1數(shù)據(jù)類型和變量 2.3.2條件判斷 2.3.3循環(huán) 2.3.4自定義函數(shù) 2.3.5類 2.3.6可視化 本章小結(jié) 習(xí)題 第3章線性規(guī)劃 3.1線性規(guī)劃的基本原理 3.1.1線性規(guī)劃的一般模型 3.1.2線性規(guī)劃模型的求解
方法 3.2線性規(guī)劃模型的建立和
Python求解 3.3線性規(guī)劃的應(yīng)用 3.3.1建立線性規(guī)劃模型 3.3.2線性規(guī)劃模型的Python
求解 3.3.3與線性規(guī)劃問題相關(guān)的
建模真題 本章小結(jié) 習(xí)題 第4章非線性規(guī)劃 4.1非線性規(guī)劃的基本理論 4.1.1非線性規(guī)劃模型的一般
形式 4.1.2無約束非線性規(guī)劃的
求解 4.1.3有約束非線性規(guī)劃的
求解 4.2非線性規(guī)劃問題的Python
求解 4.2.1使用scipy.optimize模塊
求解 4.2.2使用cvxopt.solvers模塊
求解
4.2.3使用cvxpy庫求解 本章小結(jié) 習(xí)題 第5章圖論 5.1圖的基本原理 5.1.1無向圖和有向圖 5.1.2簡單圖、完全圖和賦
權(quán)圖 5.1.3頂點的度和子圖 5.1.4道路與回路和連通圖與
非連通圖 5.1.5圖的表示及networkx庫
簡介 5.2*短路徑算法及其Python
實現(xiàn) 5.2.1固定起點的*短路徑算法
及其Python實現(xiàn) 5.2.2每對頂點間的*短路徑算法
及其Python實現(xiàn) 5.3*小生成樹算法及其Python
實現(xiàn) 5.3.1*小生成樹算法的基本
概念 5.3.2求*小生成樹的算法
及其Python實現(xiàn) 本章小結(jié) 習(xí)題 第6章微分方程 6.1建立微分方程模型的常用
方法 6.1.1根據(jù)規(guī)律建模 6.1.2微元法建模 6.1.3模擬近似法建模 6.2微分方程數(shù)值求解方法 6.2.1歐拉方法 6.2.2梯形方法 6.3微分方程的Python求解 6.4微分方程模型典型案例 6.4.1SI模型 6.4.2SIS模型 6.4.3SIR模型 6.4.4參數(shù)時變的SIR模型 本章小結(jié) 習(xí)題 第7章插值與擬合 7.1插值 7.1.1拉格朗日插值 7.1.2分段插值 7.1.3樣條插值 7.1.4二維插值 7.2插值問題的Python求解 7.2.1插值相關(guān)模塊介紹 7.2.2一維插值問題的應(yīng)用
舉例 7.2.3二維插值問題的應(yīng)用
舉例 7.3數(shù)據(jù)擬合 7.3.1*小二乘法擬合 7.3.2擬合函數(shù)的選取 7.4擬合問題的Python求解 7.4.1擬合相關(guān)模塊介紹 7.4.2擬合問題實例 本章小結(jié) 習(xí)題 第8章隨機模擬 8.1隨機數(shù) 8.1.1隨機數(shù)的生成 8.1.2使用NumPy庫函數(shù)生成
隨機數(shù) 8.1.3使用sklearn庫函數(shù)生成
隨機數(shù) 8.2隨機模擬方法 8.2.1起源與發(fā)展 8.2.2隨機模擬方法的特點 8.2.3解題步驟 8.2.4Python實現(xiàn) 8.3隨機模擬的應(yīng)用 本章小結(jié) 習(xí)題 第9章回歸分析 9.1一元線性回歸 9.1.1一元線性回歸模型的
基本原理 9.1.2一元線性回歸的Python
實現(xiàn) 9.2多元線性回歸 9.2.1多元線性回歸模型的
基本原理 9.2.2多元線性回歸的Python
實現(xiàn) 9.3嶺回歸和LASSO回歸 9.3.1嶺回歸和LASSO回歸的
基本原理 9.3.2嶺回歸和LASSO回歸的
Python實現(xiàn) 9.4非線性回歸 9.4.1可轉(zhuǎn)換為線性回歸的曲線
回歸 9.4.2多項式回歸 9.4.3非線性*小二乘法 9.4.4非線性回歸方程的
Python實現(xiàn) 本章小結(jié) 習(xí)題 第10章聚類分析 10.1聚類算法介紹 10.1.1層次聚類 10.1.2KMeans聚類 10.2聚類分析的Python實現(xiàn) 10.2.1層次聚類的Python
實現(xiàn) 10.2.2KMeans聚類的
Python實現(xiàn) 10.3KMeans應(yīng)用 10.3.1數(shù)據(jù)信息可視化 10.3.2KMeans聚類 10.3.3聚類結(jié)果可視化 本章小結(jié) 習(xí)題 第11章主成分分析 11.1主成分分析的基本原理
和步驟 11.1.1主成分分析的基本
原理 11.1.2主成分分析的步驟 11.2主成分分析的Python實現(xiàn) 11.3主成分分析應(yīng)用1 11.3.1構(gòu)建主成分 11.3.2數(shù)據(jù)可視化 11.3.3降維后數(shù)據(jù)的相關(guān)
信息 11.4主成分分析應(yīng)用2 本章小結(jié) 習(xí)題 第12章模擬退火算法 12.1模擬退火算法原理 12.1.1Metropolis算法 12.1.2退火過程 12.2模擬退火算法流程及參數(shù)
設(shè)置 12.2.1模擬退火算法流程 12.2.2模擬退火算法的參數(shù)
設(shè)置 12.2.3模擬退火算法的改進 12.3模擬退火算法的應(yīng)用 12.3.1模擬退火算法實例 12.3.2模擬退火算法的
Python實現(xiàn) 本章小結(jié) 習(xí)題 第13章遺傳算法 13.1遺傳算法的原理 13.1.1遺傳算法的思想起源 13.1.2遺傳算法中的生物遺傳
學(xué)概念 13.2遺傳算法的Python實現(xiàn)及
應(yīng)用 13.2.1遺傳算法的相關(guān)
運算 13.2.2遺傳算法的步驟 13.2.3遺傳算法的應(yīng)用 13.3遺傳算法的改進 13.3.1改進基本遺傳算法的
遺傳算子 13.3.2自適應(yīng)遺傳算法 13.3.3引入層次遺傳模式的
遺傳算法 13.3.4混合遺傳算法 本章小結(jié) 習(xí)題 第14章粒子群優(yōu)化算法 14.1粒子群優(yōu)化算法的思想起源
與原理 14.1.1粒子群優(yōu)化算法的思想
起源 14.1.2粒子群優(yōu)化算法原理 14.2粒子群優(yōu)化算法流程及參數(shù)
分析 14.3粒子群優(yōu)化算法的應(yīng)用 14.4粒子群優(yōu)化算法的改進 14.4.1加慣性權(quán)重的粒子群
優(yōu)化算法 14.4.2帶收縮因子的粒子群
優(yōu)化算法 14.4.3混沌粒子群優(yōu)化算法 本章小結(jié) 習(xí)題 第15章支持向量機 15.1支持向量機基本原理 15.1.1支持向量機分類 15.1.2支持向量機回歸 15.1.3核函數(shù) 15.2支持向量機的Python實現(xiàn) 15.3支持向量機應(yīng)用 15.3.1構(gòu)建支持向量機 15.3.2模型評估 15.3.3參數(shù)調(diào)優(yōu)——網(wǎng)格搜
索法 15.3.4數(shù)據(jù)可視化 本章小結(jié) 習(xí)題 第16章決策樹
16.1決策樹的基本原理 16.1.1ID3算法 16.1.2C4.5算法 16.1.3CART算法 16.2決策樹的Python實現(xiàn) 16.3決策樹應(yīng)用 16.3.1案例一： 影響加班的
因素 16.3.2案例二： 乳腺癌
預(yù)測 本章小結(jié) 習(xí)題 第17章隨機森林 17.1隨機森林原理 17.1.1隨機森林分類和回歸
步驟 17.1.2隨機森林特征重要性
排序 17.1.3隨機森林算法流程 17.2隨機森林的Python實現(xiàn) 17.3隨機森林應(yīng)用 17.3.1隨機森林分類 17.3.2隨機森林回歸 17.3.3隨機森林特征選擇 本章小結(jié) 習(xí)題 第18章神經(jīng)網(wǎng)絡(luò) 18.1神經(jīng)網(wǎng)絡(luò)的基本原理 18.1.1感知機 18.1.2激活函數(shù) 18.1.3前饋神經(jīng)網(wǎng)絡(luò) 18.1.4BP神經(jīng)網(wǎng)絡(luò) 18.2神經(jīng)網(wǎng)絡(luò)的Python實現(xiàn) 18.3神經(jīng)網(wǎng)絡(luò)的應(yīng)用 本章小結(jié) 習(xí)題
第19章深度學(xué)習(xí) 19.1深度學(xué)習(xí)簡介 19.1.1深度學(xué)習(xí)基本框架 19.1.2深度學(xué)習(xí)基本模型 19.1.3深度學(xué)習(xí)應(yīng)用 19.2深度學(xué)習(xí)基礎(chǔ) 19.2.1損失函數(shù) 19.2.2學(xué)習(xí)率 19.2.3動量 19.2.4過擬合 19.3深度學(xué)習(xí)案例的Python
實現(xiàn) 19.3.1數(shù)據(jù)集簡介 19.3.2卷積神經(jīng)網(wǎng)絡(luò)手寫數(shù)字
識別的Python實現(xiàn) 本章小結(jié) 習(xí)題 參考文獻(xiàn)
作用 1.3.2數(shù)學(xué)建模對大學(xué)生能力
的培養(yǎng)作用 1.4數(shù)學(xué)建模論文的撰寫 1.5數(shù)學(xué)建模競賽 1.5.1全國大學(xué)生數(shù)學(xué)建模
競賽 1.5.2中國研究生數(shù)學(xué)建模
競賽 1.5.3美國大學(xué)生數(shù)學(xué)建模
競賽 第2章Python簡介 2.1Python概述 2.2Python的安裝 2.2.1Anaconda的安裝 2.2.2PyCharm的安裝 2.3Python基礎(chǔ) 2.3.1數(shù)據(jù)類型和變量 2.3.2條件判斷 2.3.3循環(huán) 2.3.4自定義函數(shù) 2.3.5類 2.3.6可視化 本章小結(jié) 習(xí)題 第3章線性規(guī)劃 3.1線性規(guī)劃的基本原理 3.1.1線性規(guī)劃的一般模型 3.1.2線性規(guī)劃模型的求解
方法 3.2線性規(guī)劃模型的建立和
Python求解 3.3線性規(guī)劃的應(yīng)用 3.3.1建立線性規(guī)劃模型 3.3.2線性規(guī)劃模型的Python
求解 3.3.3與線性規(guī)劃問題相關(guān)的
建模真題 本章小結(jié) 習(xí)題 第4章非線性規(guī)劃 4.1非線性規(guī)劃的基本理論 4.1.1非線性規(guī)劃模型的一般
形式 4.1.2無約束非線性規(guī)劃的
求解 4.1.3有約束非線性規(guī)劃的
求解 4.2非線性規(guī)劃問題的Python
求解 4.2.1使用scipy.optimize模塊
求解 4.2.2使用cvxopt.solvers模塊
求解
4.2.3使用cvxpy庫求解 本章小結(jié) 習(xí)題 第5章圖論 5.1圖的基本原理 5.1.1無向圖和有向圖 5.1.2簡單圖、完全圖和賦
權(quán)圖 5.1.3頂點的度和子圖 5.1.4道路與回路和連通圖與
非連通圖 5.1.5圖的表示及networkx庫
簡介 5.2*短路徑算法及其Python
實現(xiàn) 5.2.1固定起點的*短路徑算法
及其Python實現(xiàn) 5.2.2每對頂點間的*短路徑算法
及其Python實現(xiàn) 5.3*小生成樹算法及其Python
實現(xiàn) 5.3.1*小生成樹算法的基本
概念 5.3.2求*小生成樹的算法
及其Python實現(xiàn) 本章小結(jié) 習(xí)題 第6章微分方程 6.1建立微分方程模型的常用
方法 6.1.1根據(jù)規(guī)律建模 6.1.2微元法建模 6.1.3模擬近似法建模 6.2微分方程數(shù)值求解方法 6.2.1歐拉方法 6.2.2梯形方法 6.3微分方程的Python求解 6.4微分方程模型典型案例 6.4.1SI模型 6.4.2SIS模型 6.4.3SIR模型 6.4.4參數(shù)時變的SIR模型 本章小結(jié) 習(xí)題 第7章插值與擬合 7.1插值 7.1.1拉格朗日插值 7.1.2分段插值 7.1.3樣條插值 7.1.4二維插值 7.2插值問題的Python求解 7.2.1插值相關(guān)模塊介紹 7.2.2一維插值問題的應(yīng)用
舉例 7.2.3二維插值問題的應(yīng)用
舉例 7.3數(shù)據(jù)擬合 7.3.1*小二乘法擬合 7.3.2擬合函數(shù)的選取 7.4擬合問題的Python求解 7.4.1擬合相關(guān)模塊介紹 7.4.2擬合問題實例 本章小結(jié) 習(xí)題 第8章隨機模擬 8.1隨機數(shù) 8.1.1隨機數(shù)的生成 8.1.2使用NumPy庫函數(shù)生成
隨機數(shù) 8.1.3使用sklearn庫函數(shù)生成
隨機數(shù) 8.2隨機模擬方法 8.2.1起源與發(fā)展 8.2.2隨機模擬方法的特點 8.2.3解題步驟 8.2.4Python實現(xiàn) 8.3隨機模擬的應(yīng)用 本章小結(jié) 習(xí)題 第9章回歸分析 9.1一元線性回歸 9.1.1一元線性回歸模型的
基本原理 9.1.2一元線性回歸的Python
實現(xiàn) 9.2多元線性回歸 9.2.1多元線性回歸模型的
基本原理 9.2.2多元線性回歸的Python
實現(xiàn) 9.3嶺回歸和LASSO回歸 9.3.1嶺回歸和LASSO回歸的
基本原理 9.3.2嶺回歸和LASSO回歸的
Python實現(xiàn) 9.4非線性回歸 9.4.1可轉(zhuǎn)換為線性回歸的曲線
回歸 9.4.2多項式回歸 9.4.3非線性*小二乘法 9.4.4非線性回歸方程的
Python實現(xiàn) 本章小結(jié) 習(xí)題 第10章聚類分析 10.1聚類算法介紹 10.1.1層次聚類 10.1.2KMeans聚類 10.2聚類分析的Python實現(xiàn) 10.2.1層次聚類的Python
實現(xiàn) 10.2.2KMeans聚類的
Python實現(xiàn) 10.3KMeans應(yīng)用 10.3.1數(shù)據(jù)信息可視化 10.3.2KMeans聚類 10.3.3聚類結(jié)果可視化 本章小結(jié) 習(xí)題 第11章主成分分析 11.1主成分分析的基本原理
和步驟 11.1.1主成分分析的基本
原理 11.1.2主成分分析的步驟 11.2主成分分析的Python實現(xiàn) 11.3主成分分析應(yīng)用1 11.3.1構(gòu)建主成分 11.3.2數(shù)據(jù)可視化 11.3.3降維后數(shù)據(jù)的相關(guān)
信息 11.4主成分分析應(yīng)用2 本章小結(jié) 習(xí)題 第12章模擬退火算法 12.1模擬退火算法原理 12.1.1Metropolis算法 12.1.2退火過程 12.2模擬退火算法流程及參數(shù)
設(shè)置 12.2.1模擬退火算法流程 12.2.2模擬退火算法的參數(shù)
設(shè)置 12.2.3模擬退火算法的改進 12.3模擬退火算法的應(yīng)用 12.3.1模擬退火算法實例 12.3.2模擬退火算法的
Python實現(xiàn) 本章小結(jié) 習(xí)題 第13章遺傳算法 13.1遺傳算法的原理 13.1.1遺傳算法的思想起源 13.1.2遺傳算法中的生物遺傳
學(xué)概念 13.2遺傳算法的Python實現(xiàn)及
應(yīng)用 13.2.1遺傳算法的相關(guān)
運算 13.2.2遺傳算法的步驟 13.2.3遺傳算法的應(yīng)用 13.3遺傳算法的改進 13.3.1改進基本遺傳算法的
遺傳算子 13.3.2自適應(yīng)遺傳算法 13.3.3引入層次遺傳模式的
遺傳算法 13.3.4混合遺傳算法 本章小結(jié) 習(xí)題 第14章粒子群優(yōu)化算法 14.1粒子群優(yōu)化算法的思想起源
與原理 14.1.1粒子群優(yōu)化算法的思想
起源 14.1.2粒子群優(yōu)化算法原理 14.2粒子群優(yōu)化算法流程及參數(shù)
分析 14.3粒子群優(yōu)化算法的應(yīng)用 14.4粒子群優(yōu)化算法的改進 14.4.1加慣性權(quán)重的粒子群
優(yōu)化算法 14.4.2帶收縮因子的粒子群
優(yōu)化算法 14.4.3混沌粒子群優(yōu)化算法 本章小結(jié) 習(xí)題 第15章支持向量機 15.1支持向量機基本原理 15.1.1支持向量機分類 15.1.2支持向量機回歸 15.1.3核函數(shù) 15.2支持向量機的Python實現(xiàn) 15.3支持向量機應(yīng)用 15.3.1構(gòu)建支持向量機 15.3.2模型評估 15.3.3參數(shù)調(diào)優(yōu)——網(wǎng)格搜
索法 15.3.4數(shù)據(jù)可視化 本章小結(jié) 習(xí)題 第16章決策樹
16.1決策樹的基本原理 16.1.1ID3算法 16.1.2C4.5算法 16.1.3CART算法 16.2決策樹的Python實現(xiàn) 16.3決策樹應(yīng)用 16.3.1案例一： 影響加班的
因素 16.3.2案例二： 乳腺癌
預(yù)測 本章小結(jié) 習(xí)題 第17章隨機森林 17.1隨機森林原理 17.1.1隨機森林分類和回歸
步驟 17.1.2隨機森林特征重要性
排序 17.1.3隨機森林算法流程 17.2隨機森林的Python實現(xiàn) 17.3隨機森林應(yīng)用 17.3.1隨機森林分類 17.3.2隨機森林回歸 17.3.3隨機森林特征選擇 本章小結(jié) 習(xí)題 第18章神經(jīng)網(wǎng)絡(luò) 18.1神經(jīng)網(wǎng)絡(luò)的基本原理 18.1.1感知機 18.1.2激活函數(shù) 18.1.3前饋神經(jīng)網(wǎng)絡(luò) 18.1.4BP神經(jīng)網(wǎng)絡(luò) 18.2神經(jīng)網(wǎng)絡(luò)的Python實現(xiàn) 18.3神經(jīng)網(wǎng)絡(luò)的應(yīng)用 本章小結(jié) 習(xí)題
第19章深度學(xué)習(xí) 19.1深度學(xué)習(xí)簡介 19.1.1深度學(xué)習(xí)基本框架 19.1.2深度學(xué)習(xí)基本模型 19.1.3深度學(xué)習(xí)應(yīng)用 19.2深度學(xué)習(xí)基礎(chǔ) 19.2.1損失函數(shù) 19.2.2學(xué)習(xí)率 19.2.3動量 19.2.4過擬合 19.3深度學(xué)習(xí)案例的Python
實現(xiàn) 19.3.1數(shù)據(jù)集簡介 19.3.2卷積神經(jīng)網(wǎng)絡(luò)手寫數(shù)字
識別的Python實現(xiàn) 本章小結(jié) 習(xí)題 參考文獻(xiàn)
展開全部
數(shù)學(xué)建模(PYTHON版) 作者簡介
秦喜文,博士，教授，現(xiàn)任長春工業(yè)大學(xué)大數(shù)據(jù)科學(xué)研究院院長兼校學(xué)科建設(shè)辦公室副主任，中科院研究生院理學(xué)博士，吉林大學(xué)數(shù)學(xué)博士后，吉林省第七批拔尖創(chuàng)新人才，吉林省工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會副理事長、省運籌學(xué)會常務(wù)理事、省現(xiàn)場統(tǒng)計研究會理事、省數(shù)學(xué)學(xué)會理事，曾赴美國奧克蘭大學(xué)、澳大利亞悉尼科技大學(xué)訪學(xué)。主持承擔(dān)了國家自然科學(xué)基金項目2項，省部級項目7項，發(fā)表學(xué)術(shù)論文28篇。獲省教學(xué)成果三等獎2項，指導(dǎo)國家級“大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃”項目4項，指導(dǎo)學(xué)生參加全國數(shù)學(xué)建模競賽獲國家一等獎1項，二等獎2項。
書友推薦
- >
有舍有得是人生
- >
莉莉和章魚
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
名家?guī)阕x魯迅:故事新編
- >
朝聞道
- >
巴金－再思錄
- >
回憶愛瑪儂
- >
苦雨齋序跋文-周作人自編集
本類暢銷
