1. 數學建模一般用哪種軟體比較好MATLAB是否有局限性
數學建模的覆蓋面太廣泛，針對不同的建模方法，一般需要不同的軟體支持。
如果做數據分析翻來覆去地折騰各種數據畫圖之類的（例如回歸、插值、數值微積分等），跡豎扒那麼python顯然非常有用，各種擴展包又快擴展性又好（比如Numpy, SciPy, Pandas），寫出來的程序短小精煉，易於修改和維護。
如果你要建數學模型，那麼最好是線性模型，然後用 @崔友志 提到的CPLEX Optimizer，CPLEX
支持用多種語言書寫，包括C,C++,JAVA,MATLAB，你只需對其中某種語言比較熟悉就可以在比較短的時間內寫出模型文件並求解。如果你對這些都
不熟悉，那麼有另兩款軟體GAMS/AMPL，他們似乎是嵌入了很多高效的solver進去，然後用統一的比較直接的語法規則來表達模型，但缺點是可能需
要license，免費版本只能求解一定規模以內的模型，同時他們也可以解一些較為簡單的非線性模型。但如果你寫出來的是非線性模型姿昌，然後規模還很大或者
比較復雜，那麼祝福你，需要想一些比較fancy的方法了。。。（我也不知道啥軟體比較適用）
如果要進行符號運算，例如求解符號微積分、求微分方程的解析解，那麼Wolfram Mathematica必然是最為適用的，它的語法規纖灶則也非常直接（它的目標是自然語言）。這個軟體對應一個網站Wolfram|Alpha，可以進行單行代碼運行，我經常使用它做一些單次的運算，可以嘗試一下。當初我和室友參加美賽，程序就是他用mathematica編寫的，效果很好，而且考慮到我們當時的需求，真的是只能用mathematica來寫。
至
於MATLAB，基本上面的這些它都能做，但我個人的經驗告訴我在數學建模上，matlab「廣而不是太專」，如果只是一些相對簡單但需要多種分析求解方
法的問題，它很好用。當然了，如果涉及到大型矩陣運算，或者可以利用自帶的一些工具箱，那matlab還是非常強大的（要體會到matlab的強大感覺也
要花不少時間），或者，你事先為一些特定的問題或者特定的演算法准備一些代碼文件。（這一段純屬個人意見）
但不管怎麼說，現在科研上我用的最多的還是MATLAB和Cplex，偶爾用用python。需要什麼就學習什麼，數學建模不是目的，解決問題才是目的。
2. python數據分析的包 哪些
IPython
IPython 是一個在多種編程語言之間進行交互計算的命令行 shell，最開始是用 python 開發的，提供增強的內省，富媒體，擴展的 shell
語法，tab 補全，豐富的歷史等功能歷液。IPython 提供了如下特性：
笑爛姿更強的交互 shell(基於 Qt 的終端)
一個基於瀏覽器的記事本，支持代碼，純文本，數學公式，內置圖表和其他富媒體
支持交互數據可視化和圖形界面工具
靈活，可嵌入解釋器載入到任意一個自有工程里
簡單易用，用於並行計算的高性能工具
由數據分析總監，Galvanize 專家 Nir Kaldero 提供。
GraphLab Greate 是一個 Python 庫，由 C++ 引擎支持，可以快速構建大型高性能數據產品。
這有一些關於 GraphLab Greate 的特點：
可以在您的計算機上以交互的速度分析以 T 為計量單位的數據量。
在單一平台上可以分析表格數據、曲線、文字、圖像。
最新的機器學習演算法包括深度學習，進化樹和 factorization machines 理論。
可以用 Hadoop Yarn 或者 EC2 聚類在你的筆記本或者分布系統上運行同樣的代碼。
藉助於靈活的 API 函數專注於任務或者機器學習。
在雲上用預測服務便捷地配置數據產品。
為探索和產品監測創建可視化的數據。
由 Galvanize 數據科學家 Benjamin Skrainka 提供。
Pandas
pandas 是一個開源的軟體，它具有 BSD 的開源許可，為 Python
編程語言提供高性能，易用數據結構和碰絕數據分析工具。在數據改動和數據預處理方面，Python 早已名聲顯赫，但是在數據分析與建模方面，Python
是個短板。Pands 軟體就填補了這個空白，能讓你用 Python 方便地進行你所有數據的處理，而不用轉而選擇更主流的專業語言，例如 R 語言。
整合了勁爆的 IPyton 工具包和其他的庫，它在 Python 中進行數據分析的開發環境在處理性能，速度，和兼容方面都性能卓越。Pands
不會執行重要的建模函數超出線性回歸和面板回歸;對於這些，參考 statsmodel 統計建模工具和 scikit-learn 庫。為了把 Python
打造成頂級的統計建模分析環境，我們需要進一步努力，但是我們已經奮斗在這條路上了。
由 Galvanize 專家，數據科學家 Nir Kaldero 提供。
PuLP
線性編程是一種優化，其中一個對象函數被最大程度地限制了。PuLP 是一個用 Python
編寫的線性編程模型。它能產生線性文件，能調用高度優化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，來求解這些線性問題。
由 Galvanize 數據科學家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基於 Python 的
2D(數據)繪圖庫，它產生(輸出)出版級質量的圖表，用於各種列印紙質的原件格式和跨平台的互動式環境。matplotlib 既可以用在 python 腳本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 應用伺服器，和6類 GUI
工具箱。
matplotlib 嘗試使容易事情變得更容易，使困難事情變為可能。你只需要少量幾行代碼，就可以生成圖表，直方圖，能量光譜(power
spectra)，柱狀圖，errorcharts，散點圖(scatterplots)等，。
為簡化數據繪圖，pyplot 提供一個類 MATLAB 的介面界面，尤其是它與 IPython
共同使用時。對於高級用戶，你可以完全定製包括線型，字體屬性，坐標屬性等，藉助面向對象介面界面，或項 MATLAB 用戶提供類似(MATLAB)的界面。
Galvanize 公司的首席科學官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一個簡單有效地數據挖掘和數據分析工具(庫)。關於最值得一提的是，它人人可用，重復用於多種語境。它基於
NumPy，SciPy 和 mathplotlib 等構建。Scikit 採用開源的 BSD 授權協議，同時也可用於商業。Scikit-Learn
具備如下特性：
分類(Classification) – 識別鑒定一個對象屬於哪一類別
回歸(Regression) – 預測對象關聯的連續值屬性
聚類(Clustering) – 類似對象自動分組集合
降維(Dimensionality Rection) – 減少需要考慮的隨機變數數量
模型選擇(Model Selection) –比較、驗證和選擇參數和模型
預處理(Preprocessing) – 特徵提取和規范化
Galvanize 公司數據科學講師，Isaac Laughlin提供
Spark
Spark 由一個驅動程序構成，它運行用戶的 main 函數並在聚類上執行多個並行操作。Spark
最吸引人的地方在於它提供的彈性分布數據集(RDD)，那是一個按照聚類的節點進行分區的元素的集合，它可以在並行計算中使用。RDDs 可以從一個 Hadoop
文件系統中的文件(或者其他的 Hadoop 支持的文件系統的文件)來創建，或者是驅動程序中其他的已經存在的標量數據集合，把它進行變換。用戶也許想要 Spark
在內存中永久保存 RDD，來通過並行操作有效地對 RDD 進行復用。最終，RDDs 無法從節點中自動復原。
Spark 中第二個吸引人的地方在並行操作中變數的共享。默認情況下，當 Spark
在並行情況下運行一個函數作為一組不同節點上的任務時，它把每一個函數中用到的變數拷貝一份送到每一任務。有時，一個變數需要被許多任務和驅動程序共享。Spark
支持兩種方式的共享變數：廣播變數，它可以用來在所有的節點上緩存數據。另一種方式是累加器，這是一種只能用作執行加法的變數，例如在計數器中和加法運算中。
3. 有哪些好的app數據分析工具推薦嗎
未至科技魔方是一款大數據模型平台，是一款基於服務匯流排與分布式雲計算兩大技術架構的一款數據分析、挖掘的工具平台，其採用分布式文件系統對數據進行存儲，支持海量數據的處理。採用多種的數據採集技術，支持結構化數據及非結構化數據的採集。通過圖形化的模型搭建工具，支持流程化的模型配置。通過第三方插件技術，很容易將其他工具及服務集成到平台中去。數據分析研判平台就是海量信息的採集，數據模型的搭建，數據的挖掘、分析最後形成知識服務於實戰、服務於決策的過程，平台主要包括數據採集部分，模型配置部分，模型執行部分及成果展示部分等。
方法/步驟
行業數據
行業數據對於一個APP來說，至關重要。了解行業數據，可以知道自己的APP在整個行業的水平，可以從新增用戶、活躍用戶、啟動次數、使用時長等多個維度去對比自己產品與行業平均水平的差異以及自己產品的對應的指標在整個行業的排名，從而知道自己產品的不足之處。這種縱向的對比，會讓自己的產品定位、發展方向更加清晰。
評估渠道效果
在國內，獲取用戶的渠道是非常多的，如微博、微信、運營商商店、操作系統商店、應用商店、手機廠商預裝、CPA廣告、交叉推廣、限時免費等等。看一個APP的數據，首先要知道用戶從哪裡來，哪裡的用戶質量最高，這樣開發者就會面臨一個選擇和評估渠道的難問題。但是通過統計分析工具，開發者可以從多個維度的數據來對比不同渠道的效果，比如從新增拆攔唯用戶、活躍用戶、次日留存率、單次使用時長等角度對比不同來源的用戶，這樣就可以根據數據找到最適合自身的渠道，從而獲得最好的推廣效果。
用戶分析
產品吸引到用戶下載和使用之後，首先要知道的就是用戶是誰。所以，我們需要詳盡地了解到用戶的設備終端類型、網路及運營商、地域的分布特徵。這些數據可以幫助了解用戶的屬性，在產品改進以及產品推廣中，就可以充分利用這些數據制定精準的策略。
用戶行為分析
在關注完用戶的屬性後，我們還要高度關注用戶在應用內的行為，因為這些行為最終決定著產品所能夠帶來的價值。開發者可以通過設置自定義事件以及漏斗來關注應用內每一步的轉化率，以及轉化率對收入水平的影響。通過分析事件和漏斗旅培數據，可以針對性的優化轉化率低的步驟，切實提高整體轉化水平。
5
產品受歡迎程度
在了解了用戶的行為之後，我們應該看一下自己的產衡蠢品是否足夠受歡迎，這是一個應用保持生命力的根本。開發者可以從留存用戶、用戶參與度（使用時長、使用頻率、訪問頁面、使用間隔）等維度評價用戶粘度。進行數據對比分析的時候，要充分利用時間控制項和渠道控制項，可以對比不同時段不同渠道的用戶粘度，了解運營推廣手段對不同渠道的效果。
如果以上5點的數據都很漂亮，說明你的APP已經做得相當不錯了。當然，如果你的APP還沒有給你帶來收入，那麼你仍然有一段較長的路要走。
app日活數據分析工具有上海風述科技的app先知。
目前國內發展不錯的可以監測web、app、流媒體等多種應用性能監測服務，叫「雲測寶」。
雲測試、友盟
雲測試主要為開發者提供自動化的移動APP測試，包括功能、UI、性能、穩定性、安全和競爭測試，返回包括日誌和截圖的詳細測試報告，支持iOS和Android兩大平台。
雲測寶主要通過分布全球真實網路中的真實終端，監測用戶訪問移動應用App、HTML5、移動Web的真實體驗數據，從最終用戶的視角跨越移動設備、網路和國家地區范圍，從移動「端」側對移動互聯網的「雲」服務性能進行監測與評估，使移動業務用戶所獲得體驗效果達到最大。
友盟是為中國開發者定製的靈活、簡單、免費、跨平台的移動應用統計分析工具。
三個產品從不同的
IPython
IPython 是一個在多種編程語言之間進行交互計算的命令行 shell，最開始是用 python 開發的，提供增強的內省，富媒體，擴展的 shell
語法，tab 補全，豐富的歷史等功能。IPython 提供了如下特性：
更強的交互 shell(基於 Qt 的終端)
一個基於瀏覽器的記事本，支持代碼，純文本，數學公式，內置圖表和其他富媒體
支持交互數據可視化和圖形界面工具
靈活，可嵌入解釋器載入到任意一個自有工程里
簡單易用，用於並行計算的高性能工具
由數據分析總監，Galvanize 專家 Nir Kaldero 提供。
GraphLab Greate 是一個 Python 庫，由 C++ 引擎支持，可以快速構建大型高性能數據產品。
這有一些關於 GraphLab Greate 的特點：
可以在您的計算機上以交互的速度分析以 T 為計量單位的數據量。
在單一平台上可以分析表格數據、曲線、文字、圖像。
最新的機器學習演算法包括深度學習，進化樹和 factorization machines 理論。
可以用 Hadoop Yarn 或者 EC2 聚類在你的筆記本或者分布系統上運行同樣的代碼。
藉助於靈活的 API 函數專注於任務或者機器學習。
在雲上用預測服務便捷地配置數據產品。
為探索和產品監測創建可視化的數據。
由 Galvanize 數據科學家 Benjamin Skrainka 提供。
Pandas
pandas 是一個開源的軟體，它具有 BSD 的開源許可，為 Python
編程語言提供高性能，易用數據結構和數據分析工具。在數據改動和數據預處理方面，Python 早已名聲顯赫，但是在數據分析與建模方面，Python
是個短板。Pands 軟體就填補了這個空白，能讓你用 Python 方便地進行你所有數據的處理，而不用轉而選擇更主流的專業語言，例如 R 語言。
整合了勁爆的 IPyton 工具包和其他的庫，它在 Python 中進行數據分析的開發環境在處理性能，速度，和兼容方面都性能卓越。Pands
不會執行重要的建模函數超出線性回歸和面板回歸;對於這些，參考 stat *** odel 統計建模工具和 scikit-learn 庫。為了把 Python
打造成頂級的統計建模分析環境，我們需要進一步努力，但是我們已經奮斗在這條路上了。
由 Galvanize 專家，數據科學家 Nir Kaldero 提供。
PuLP
線性編程是一種優化，其中一個對象函數被最大程度地限制了。PuLP 是一個用 Python
編寫的線性編程模型。它能產生線性文件，能調用高度優化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，來求解這些線性問題。
由 Galvanize 數據科學家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基於 Python 的
2D(數據)繪圖庫，它產生(輸出)出版級質量的圖表，用於各種列印紙質的原件格式和跨平台的互動式環境。matplotlib 既可以用在 python 腳本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 應用伺服器，和6類 GUI
工具箱。
matplotlib 嘗試使容易事情變得更容易，使困難事情變為可能。你只需要少量幾行代碼，就可以生成圖表，直方圖，能量光譜(power
spectra)，柱狀圖，errorcharts，散點圖(scatterplots)等，。
為簡化數據繪圖，pyplot 提供一個類 MATLAB 的介面界面，尤其是它與 IPython
共同使用時。對於高級用戶，你可以完全定製包括線型，字體屬性，坐標屬性等，藉助面向對象介面界面，或項 MATLAB 用戶提供類似(MATLAB)的界面。
Galvanize 公司的首席科學官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一個簡單有效地數據挖掘和數據分析工具(庫)。關於最值得一提的是，它人人可用，重復用於多種語境。它基於
NumPy，SciPy 和 mathplotlib 等構建。Scikit 採用開源的 BSD 授權協議，同時也可用於商業。Scikit-Learn
具備如下特性：
分類(Classification) – 識別鑒定一個對象屬於哪一類別
回歸(Regression) – 預測對象關聯的連續值屬性
聚類(Clustering) – 類似對象自動分組集合
降維(Dimensionality Rection) – 減少需要考慮的隨機變數數量
模型選擇(Model Selection) –比較、驗證和選擇參數和模型
預處理(Preprocessing) – 特徵提取和規范化
Galvanize 公司數據科學講師，Isaac Laughlin提供
Spark
Spark 由一個驅動程序構成，它運行用戶的 main 函數並在聚類上執行多個並行操作。Spark
最吸引人的地方在於它提供的彈性分布數據集(RDD)，那是一個按照聚類的節點進行分區的元素的集合，它可以在並行計算中使用。RDDs 可以從一個 Hadoop
文件系統中的文件(或者其他的 Hadoop 支持的文件系統的文件)來創建，或者是驅動程序中其他的已經存在的標量數據集合，把它進行變換。用戶也許想要 Spark
在內存中永久保存 RDD，來通過並行操作有效地對 RDD 進行復用。最終，RDDs 無法從節點中自動復原。
Spark 中第二個吸引人的地方在並行操作中變數的共享。默認情況下，當 Spark
在並行情況下運行一個函數作為一組不同節點上的任務時，它把每一個函數中用到的變數拷貝一份送到每一任務。有時，一個變數需要被許多任務和驅動程序共享。Spark
支持兩種方式的共享變數：廣播變數，它可以用來在所有的節點上緩存數據。另一種方式是累加器，這是一種只能用作執行加法的變數，例如在計數器中和加法運算中。
有 在微博里搜索 微知 這個應用。。 可以分析一條微博 被什麼人轉發 有沒有水軍 這些
SQL
樓主說的工具指的是excel本身的嗎 還是指數據分析需要的啊
4. 電力系統最優潮流用什麼求解器求解
最優潮流考慮的因素不一樣，其模型的特點也是不一樣的，相應所能夠求解的演算法也不一樣。
1、不含切機、切負荷、切容抗器等01變數的最優潮流，其模型一般是連續的，可以採用IPOPT內點法工具箱求解。這個工具箱是免費的，windows和linux系統都支持，在使用時要注意採用稀疏存儲模式，並且不要使用自動求導工具（ADOL+Colpack），求解工具bug很多，只能用來對比驗證自動手動求導的正確與否。
2、含01變數的二次連續型最優潮流，若可以線性化，則可以採用Cplex求解器，不能線性化的，可以採用GAMS平台(Cplex是GAMS其中一個求解器)。這個求解器是商用的，需要找破解版。
3、除上述兩種情況外，最優潮流模型離散，一般情況下只能採用粒子群等智能搜索演算法。
4、國內傳說很牛什麼問題都能解的求解器1stopt。不過也是收費的（他們自己放出的免費1.5版本問題多多，基本上用不了），優點是問題模型描述簡單，真的是非常簡單，沒有求導等復雜問題，但是這個所謂的簡單方法並不支持最優潮流這類優化問題，必須使用編程模式，所以就一樣變得復雜（沒有逐步調試功能）。不足問題就是沒有逐步調試功能，運行時變數的值無法跟蹤，很不方便查找問題出在哪；輸入和輸出操作都不太方便，雖然支持嵌入式excel輸入數據，但是運行時會卡頓一會；版本不向下兼容，低版本的命令到了高版本就不一定能用；不支持多個子代碼文件，所有程序必須寫在同一個代碼本里，沒有像c++和matlab可以把代碼放在不同文件調度的功能，不方便模塊化編程。
5. 數據分析工具有哪些 python
IPython
IPython 是一個在多種編程語言之間進行交互計算的命令行 shell，最開始是用 python 開發的，提供增強的內省，富媒體，擴展的 shell
語法，tab 補全，豐富的歷史等功能。IPython 提供了如下特性：
更強的交互 shell(基於 Qt 的終端)
一個基於瀏覽器的記事本，支持代碼，純文本，數學公式，內置圖表和其他富媒體
支持交互數據可視化和圖形界面工具
靈活，可嵌入解釋器載入到任意一個自有工程里
簡單易用，用於並行計算的高性能工具
由數據分析總監，Galvanize 專家 Nir Kaldero 提供。
GraphLab Greate 是一個 Python 庫，由 C++ 引擎支持，可以快速構建大型高性能數據產品。
這有一些關於 GraphLab Greate 的特點：
可以在您的計算機上以交互的速度分析以 T 為計量單位的數據量。
在單一平台上可以分析表格數據、曲線、文字、圖像。
最新的機器學習演算法包括深度學習，進化樹和 factorization machines 理論。
可以用 Hadoop Yarn 或者 EC2 聚類在你的筆記本或者分布系統上運行同樣的代碼。
藉助於靈活的 API 函數專注於任務或者機器學習。
在雲上用預測服務便捷地配置數據產品。
為探索和產品監測創建可視化的數據。
由 Galvanize 數據科學家 Benjamin Skrainka 提供。
Pandas
pandas 是一個開源的軟體，它具有 BSD 的開源許可，為 Python
編程語言提供高性能，易用數據結構和數據分析工具。在數據改動和數據預處理方面，Python 早已名聲顯赫，但是在數據分析與建模方面，Python
是個短板。Pands 軟體就填補了這個空白，能讓你用 Python 方便地進行你所有數據的處理，而不用轉而選擇更主流的專業語言，例如 R 語言。
整合了勁爆的 IPyton 工具包和其他的庫，它在 Python 中進行數據分析的開發環境在處理性能，速度，和兼容方面都性能卓越。Pands
不會執行重要的建模函數超出線性回歸和面板回歸;對於這些，參考 statsmodel 統計建模工具和 scikit-learn 庫。為了把 Python
打造成頂級的統計建模分析環境，我們需要進一步努力，但是我們已經奮斗在這條路上了。
由 Galvanize 專家，數據科學家 Nir Kaldero 提供。
PuLP
線性編程是一種優化，其中一個對象函數被最大程度地限制了。PuLP 是一個用 Python
編寫的線性編程模型。它能產生線性文件，能調用高度優化的求解器，GLPK，COIN CLP/CBC，CPLEX，和GUROBI，來求解這些線性問題。
由 Galvanize 數據科學家 Isaac Laughlin 提供
Matplotlib
matplotlib 是基於 Python 的
2D(數據)繪圖庫，它產生(輸出)出版級質量的圖表，用於各種列印紙質的原件格式和跨平台的互動式環境。matplotlib 既可以用在 python 腳本，
python 和 ipython 的 shell 界面 (ala MATLAB? 或 Mathematica?)，web 應用伺服器，和6類 GUI
工具箱。
matplotlib 嘗試使容易事情變得更容易，使困難事情變為可能。你只需要少量幾行代碼，就可以生成圖表，直方圖，能量光譜(power
spectra)，柱狀圖，errorcharts，散點圖(scatterplots)等，。
為簡化數據繪圖，pyplot 提供一個類 MATLAB 的介面界面，尤其是它與 IPython
共同使用時。對於高級用戶，你可以完全定製包括線型，字體屬性，坐標屬性等，藉助面向對象介面界面，或項 MATLAB 用戶提供類似(MATLAB)的界面。
Galvanize 公司的首席科學官 Mike Tamir 供稿。
Scikit-Learn
Scikit-Learn 是一個簡單有效地數據挖掘和數據分析工具(庫)。關於最值得一提的是，它人人可用，重復用於多種語境。它基於
NumPy，SciPy 和 mathplotlib 等構建。Scikit 採用開源的 BSD 授權協議，同時也可用於商業。Scikit-Learn
具備如下特性：
分類(Classification) – 識別鑒定一個對象屬於哪一類別
回歸(Regression) – 預測對象關聯的連續值屬性
聚類(Clustering) – 類似對象自動分組集合
降維(Dimensionality Rection) – 減少需要考慮的隨機變數數量
模型選擇(Model Selection) –比較、驗證和選擇參數和模型
預處理(Preprocessing) – 特徵提取和規范化
Galvanize 公司數據科學講師，Isaac Laughlin提供
Spark
Spark 由一個驅動程序構成，它運行用戶的 main 函數並在聚類上執行多個並行操作。Spark
最吸引人的地方在於它提供的彈性分布數據集(RDD)，那是一個按照聚類的節點進行分區的元素的集合，它可以在並行計算中使用。RDDs 可以從一個 Hadoop
文件系統中的文件(或者其他的 Hadoop 支持的文件系統的文件)來創建，或者是驅動程序中其他的已經存在的標量數據集合，把它進行變換。用戶也許想要 Spark
在內存中永久保存 RDD，來通過並行操作有效地對 RDD 進行復用。最終，RDDs 無法從節點中自動復原。
Spark 中第二個吸引人的地方在並行操作中變數的共享。默認情況下，當 Spark
在並行情況下運行一個函數作為一組不同節點上的任務時，它把每一個函數中用到的變數拷貝一份送到每一任務。有時，一個變數需要被許多任務和驅動程序共享。Spark
支持兩種方式的共享變數：廣播變數，它可以用來在所有的節點上緩存數據。另一種方式是累加器，這是一種只能用作執行加法的變數，例如在計數器中和加法運算中。
6. cplex12.8適用matlab什麼版本
matlab2019和cplex12.8能兼容，
作攔或蘆為新手其實都差不多,之後的版本主要是優化團備了效率簡帶和一些高級工具箱