应用数学实习报告 篇1
适用场景：数学专业学生实习准备、毕业前岗位适应训练
内容看点：应届生职场适应指南、专业实践能力提升方法
行文逻辑：明确实习目的→确定实习时间→安排实习单位→开展岗位培训→执行具体任务
一、实习目的
随着时代的发展和社会进步，用人单位对数学与应用数学专业大学生的要求越来越高，对于即将毕业的数学与应用数学专业在校生而言，为了能更好的适应数学与应用数学专业严峻的就业形势，毕业后能够尽快的融入到社会，同时能够为自己步入社会打下坚实的基础，参加数学与应用数学专业毕业实习是必不可少的阶段。
通过数学与应用数学专业毕业实习，能够让我们学到了很多在数学与应用数学专业课堂上根本就学不到的知识，提高调查研究、文献检索和搜集资料的能力，提高数学与应用数学理论与实际相结合的能力，提高协同合作及组织工作的能力，同时也打开了视野，增长了见识。只有把从书本上学到的"数学与应用数学专业理论知识应用于实践中，才能真正掌握这门知识。
二、实习时间
20xx年02月01日～20xx年03月15日
（修改成自己数学与应用数学专业实习时间）
三、实习地点
杭州市滨江经济开发区江南大道
（修改成自己数学与应用数学专业实习地点）
四、实习单位：
五、实习主要内容
我很荣幸进入杭州市振石教育集团（修改成自己数学与应用数学专业实习单位）开展毕业实习。为了更好地适应从学生到一个具备完善职业技能的工作人员，实习单位主管领导首先给我们分发数学与应用数学专业相关岗位从业相关知识材料进行一些基础知识的自主学习，并安排专门的老同事对岗位所涉及的相关知识进行专项培训。
在实习过程，单位安排的了杜老师作为技术指导，杜老师是位非常和蔼亲切的人，他也是数学与应用数学专业毕业的，从事数学与应用数学领域工作已经有十年。他先带领我们熟悉工作环境和数学与应用数学专业岗位的相关业务，之后他亲切的和我们交谈关于实习工作性质以及数学与应用数学专业课堂上知识在实际工作中应用容易遇到的问题。杜老师带领我们认识实习单位的其他工作人员，并让我们虚心地向这些辛勤地在数学与应用数学专业工作岗位上的前辈学习，在遇到不懂得问题后要积极请教前辈。
在单位实习期间，我从事的数学与应用数学专业相关的工作之外，还负责协助人事部部的日常工作，包括制定计划，利用数学与应用数学知识处理相关文书。具体实习内容过程如下：
第一、招聘。协助人资部处理首先，要熟悉招聘流程。其次，与用人部门保持密切的联系，了解用人部门的需求状况。
第二、录用并建立员工档案。给员工办好入职手续，包括签订协议、劳动合同、办工作证等等；在合同方面遇到问题时，才发现在大学里学数学与应用数学专业理论知识之外，更应该学习合同相关实践法律知识。
第三、单位考勤管理，完成每月考勤记录，并根据考勤情况进行薪资计算。虽然只是简单的计算，但也需要excel相关知识。在大学里学习数学与应用数学专业知识之外，我利用课余时间考取电脑应用二级证书终于在这里发挥了作用。
短暂的实习生活除了掌握数学与应用数学专业相关工作经验，最大的收获莫过于学习到了很多在数学与应用数学课堂上无法学到的知识，还有人生角色的变换——从校园思维模式到职场思维模式的转变，为今后尽快适应融入数学与应用数学专业岗位职场生涯奠定了基础。
六、实习总结
当我们从母校——××大学（修改成自己数学与应用数学专业所在的大学）毕业，就意味着要踏上职业生涯的道路，对于数学与应用数学专业的应届生的我来说，还没有足够的社会经验。
应用数学实习报告 篇2
适用场景：运筹学复习准备、最优化方法学习规划
内容看点：运筹学知识梳理、最优化方法应用解析
行文逻辑：回顾运筹学内容→了解最优化发展→学习一维搜索技术
实习目的：
本次实习是在专业基础课和部分专业课的基础上，为应用数学专业的学生开设的实践性学习环节，旨在通过该实习，拓宽我们的知识面，培养我们分析问题和解决问题的能力和创新意识，增强我们综合运用知识的能力，为从事毕业设计及毕业后继续深造奠定必要的实践基础，进一步增强我们的竞争能力。
实习内容：
最优化理论与方法是我很感兴趣的一个主题，也是我研究生阶段想要做的科研方向，所以我选择最优化理论与方法，这样既可以巩固本科阶段的学习，尤其是运筹学学习的成果，又可以加深对最优化理论与方法的理解，对后继阶段的学习也大有裨益。
（一）实习第一阶段
实习的第一阶段主要以回顾本科阶段所学习的运筹学为主。再次，主要参考了本科阶段的由刁在筠等人编写的《运筹学》。
运筹学的具体内容包括：规划论（包括线性规划、非线性规划、整数规划和动态规划）、库存论、图论、决策论、对策论、排队论、可靠性理论等。规划论线性规划及其解法—单纯形法的出现，对运筹学的发展起了重大的推动作用。许多实际问题都可以化成线性规划来解决，而单纯形法有是一个行之有效的算法，加上计算机的出现，使一些大型复杂的实际问题的解决成为现实。
非线性规划是线性规划的进一步发展和继续。许多实际问题如设计问题、经济平衡问题都属于非线性规划的范畴。非线性规划扩大了数学规划的应用范围，同时也给数学工作者提出了许多基本理论问题，使数学中的如凸分析、数值分析等也得到了发展。还有一种规划问题和时间有关，叫做“动态规划”。近年来在工程控制、技术物理和通讯中的最佳控制问题中，已经成为经常使用的重要工具。
日常生活和生产中的许多问题都可以用一个网络来描述。例如，交通网络，计算机网络，工程进度网络等。而网络通畅可以用一个图来表示。图与网络技术的应用可以解决实际中血多大型的优化问题。
排队论又叫做随机服务系统理论。它的研究目的是要回答如何改进服务机构或组织被服务的对象，使得某种指标达到最优的问题。比如一个港口应该有多少个码头，一个工厂应该有多少维修人员等。
因为排队现象是一个随机现象，因此在研究排队现象的时候，主要采用的是研究随机现象的概率论作为主要工具。此外，还有微分和微分方程。排队论把它所要研究的对象形象的描述为顾客来到服务台前要求接待。如果服务台以被其它顾客占用，那么就要排队。另一方面，服务台也时而空闲、时而忙碌。就需要通过数学方法求得顾客的等待时间、排队长度等的概率分布。
排队论在日常生活中的应用是相当广泛的，比如水库水量的调节、生产流水线的安排，铁路分成场的调度、电网的设计等等。
对策论也叫博弈论，前面讲的田忌赛马就是典型的博弈论问题。作为运筹学的一个分支，博弈论的发展也只有几十年的历史。系统地创建这门学科的"数学家，冯·诺依曼。
最初用数学方法研究博弈论是在国际象棋中开始的，旨在用来如何确定取胜的算法。由于是研究双方冲突、制胜对策的问题，所以这门学科在军事方面有着十分重要的应用。数学家还对水雷和舰艇、歼击机和轰炸机之间的作战、追踪等问题进行了研究，提出了追逃双方都能自主决策的数学理论。随着人工智能研究的进一步发展，对博弈论提出了更多新的要求。
决策论研究决策问题。所谓决策就是根据客观可能性，借助一定的理论、方法和工具，科学地选择最优方案的过程。决策问题是由决策者和决策域构成的，而决策域又由决策空间、状态空间和结果函数构成。研究决策理论与方法的科学就是决策科学。决策所要解决的问题是多种多样的，从不同角度有不同的分类方法，按决策者所面临的自然状态的确定与否可分为：确定型决策、不确定
型决策和风险型决策；按决策所依据的目标个数可分为：单目标决策与多目标决策；按决策问题的性质可分为：战略决策与策略决策，以及按不同准则划分成的种种决策问题类型。不同类型的决策问题应采用不同的决策方法。决策的基本步骤为：
（1）确定问题，提出决策的目标；
（2）发现、探索和拟定各种可行方案；
（3）从多种可行方案中，选出最满意的方案；
（4）决策的执行与反馈，以寻求决策的动态最优。
（二）实习第二阶段
实习的第一阶段主要以了解最优化方法的发展脉络，加强对最优化方法与理论的掌握。在此主要参考了袁亚湘等人编写的《最优化理论与方法》。
从中我了解到最优化理论与方法是一门应用型很强的年轻学科，他研究某些数学上定义的问题的最优解，即对于给出的实际问题，从众多的方案中选出最优方案。
最优化可以追溯到十分古老的极值问题，公元前500年古希腊在讨论建筑美学中就已发现了长方形长与宽的最佳比例为1。618，称为黄金分割比。其倒数至今在优选法中仍得到广泛应用。在微积分出现以前，已有许多学者开始研究用数学方法解决最优化问题。例如阿基米德证明：给定周长，圆所包围的面积为最大。这就是欧洲古代城堡几乎都建成圆形的原因。但是最优化方法真正形成为科学方法则在17世纪以后。17世纪，i。牛顿和g。w。莱布尼茨在他们所创建的微积分中，提出求解具有多个自变量的实值函数的最大值和最小值的方法。以后又进一步讨论具有未知函数的函数极值，从而形成变分法。这一时期的最优化方法可以称为古典最优化方法。第二次世界大战前后，由于军事上的需要和科学技术和生产的迅速发展，许多实际的最优化问题已经无法用古典方法来解决，这就促进了近代最优化方法的产生。
然而，他成为一门独立的学科是在本世纪40年代末，是在1947年的dantzig提出求解一半线性规划问题的单纯性方法之后。现在，解线性规划，非线性规划以及随机规划，非光滑规划，多目标规划，几何规划等各种最优化问题的理论的研究发展迅速，新方法不断出现，实际应用日益广泛，在电子计算机的推动下，最优化理论与方法在经济计划，工程设计，生产管理，交通运输等方面得到了广泛的应用，成为一门十分活跃的学科。
在了解最优化方法的发展脉络后，我学习了一维搜索的理论与方法。了解到，一维搜索，又称线性搜索，就是指单变量函数的最优化。他是多变量函数最优化的基础。实际上是（n个变量的）目标函数f（x）在一个规定的方向上移动所形成的单变量优化问题，也就是所谓的线性搜索或一维搜索技术。由于在实际计算中，理论上精确地最有步长银子一半不能求到。求几乎精确地最有步长因子与花费相当大的工作量。因而花费计算量较少的不精确一维搜索日益受到人们的青睐。
一维搜索的主要结构如下，首先确定包含问题最优解的搜索区间，再采用某种分割技术或差值方法缩小这个区间，进行搜索求解。0。618法和fibonacii法都是分割方法。起基本思想是通过取试探点和进行函数值的比较，使包含极
