数学建模美赛E、F题备考策略(自用,大部分复制粘贴)

这篇具有很好参考价值的文章主要介绍了数学建模美赛E、F题备考策略(自用,大部分复制粘贴)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

这里要讲一下故事的背景,我们小组三个人都是大一大二的学生,我的队友们都是数学专业的学生,所以比赛中的编程部分就交给了我这样的工业工程系的选手。我们在看完了历年赛题后一直认为:前面的几题我们都很难建立出很棒的模型,因此我们将目光对准E、F两题,希望能够从这两题上下下功夫,曲线救国,浅浅混个S奖或者H奖就好啦!

 一、19-22年E题F题学习与解析

 

二、E题F题备考策略

        我参考了B站UP主“研究生小杨肖恩”的视频资料,并在此基础上进行了一些细化,就形成了下面的内容,在此向他表示感谢~

        在“研究生小杨肖恩”的视频中,他提到,E题和F题的共同点都是“模型简单,而且都基于引入概念建立指标体系和评价模型”,而对于其不同点,E题是环境可持续性题目,侧重于数据的量化分析,而F题更倾向于政策制定,以及评估某政策对于某个国家的动态影响。下面是他的视频中整理的模型需求,我的学习也将具体依照其展开。

(38条消息) 【Lingo 18.0及其安装教程】_春风惹人醉的博客-CSDN博客_lingo

美赛f题聚类分析,小姚的数学学习笔记,算法

1、运筹学相关内容(应用场景:需要优化时)

        这部分内容我已经学过了相关的数学运算部分,具体内容在我的大二自救手册中,可以对于这些若干规划的代码实现和一些求解器的使用方法我还不是很熟悉,下面我就来学习一下:

>>MATLAB求解线性规划问题模板

输入下面的MATLAB代码,求目标函数的最大值

clc,clear
prob=optimproblem('ObjectiveSense','max')  %目标函数最大化的优化问题

c=[4;3]; %目标函数是z=4x+3y达到最大值
b=[10;8;7]; %Ax<=b矩阵的b
a=[2,1;1,1;0,1]; %A矩阵
x=optimvar('x',2,'LowerBound',0); %2表示决策变量的数目
prob.Objective =c'*x; %目标函数
prob.Constraints.con = a*x<=b; %约束条件
[sol,fval,flag,out]=solve(prob) %fval显示最优值
sol.x %显示决策变量的值
y=fval %显示最大值

求目标函数的最小值:先化成最佳形式

美赛f题聚类分析,小姚的数学学习笔记,算法

clc,clear
c=[-4;-3]; %求z=-4x-3y的最小值
b=[10;8;7];
a=[2,1;1,1;0,1];
lb=zeros(2,1); %2*1的一个全是0的矩阵,代表x和y的下界都是0
[x,fval]=linprog(c,a,b,[],[],lb) %没有等号约束
y=fval %目标函数最小化 

 >>MATLAB求解整数规划问题

·单纯的整数规划问题(《数学建模算法与应用第三版P25-26》)

clc,clear
prob=optimproblem('ObjectiveSense','max')  %目标函数最大化的优化问题

c=[4;3]; %目标函数是z=4x+3y达到最大值
b=[10;8;7]; %Ax<=b矩阵的b
a=[2.2,1;1,1;0,1]; %A矩阵
x=optimvar('x',2,'Type','integer','LowerBound',0); %2表示决策变量的数目
prob.Objective =c'*x; %目标函数
prob.Constraints.con = a*x<=b; %约束条件
[sol,fval,flag,out]=solve(prob) %fval显示最优值
sol.x %显示决策变量的值
y=fval %显示最大值

·蒙特卡洛法求解整数规划问题

>蒙特卡洛法求解图形面积

        设计随机试验,在一定范围的矩形/其他图形区域(假设是一个【0,12】*【0,9】的矩形)内产生服从随机分布的10……7个随机点,统计随机点落在代求图形内的频数,则代求图形的面积就是上述矩形的面积乘以频数。

clc,clear,n=10^7
x=unifrnd(0,12,[1,n]);
y=unifrnd(0,9,[1,n]);
pinshu=sum(y<x.^2 &x<=3)+sum(y<12-x & x>=3);
area_appr=12*9*pinshu/n

>蒙特卡洛法求解非线性整数规划(可用Lingo软件求得精确的全局最优解)

《数学建模算法与应用第三版P28-29》

>>掌握单目标与多目标规划模型

《数学建模算法与应用第三版P482》

(38条消息) 【数学建模】多目标规划_SuperSources的博客-CSDN博客_多目标规划

 2、评价方法与模型(应用场景:)《数模P411》

评价方法大体上可分为两类:(确定权重的方法不同)
1.主观赋权法:综合指数法、模糊综合评判法、层次分析法、功效系数法等

2.客观赋权法:主成分分析法、因子分析法、TOPSIS法、秩和比法、灰色关联法、熵权法、层次分析法、模糊评价法、物元分析法、价值工程法、聚类分析法、神经网络法等

TOPSIS(逼近理想解)算法原理详解与代码实现 - 知乎 (zhihu.com)

数据包络分析DEA(Data envelopment analysis) - 知乎 (zhihu.com)

(38条消息) 秩和比综合评价法(RSR)详解及Python实现和应用_fanstuck的博客-CSDN博客_秩和比综合评价法

美赛f题聚类分析,小姚的数学学习笔记,算法

 

>>熵权法(通过样本数据确定评价指标权重的方法)

数学建模笔记——评价类模型之熵权法 - 知乎 (zhihu.com)

        完全由数据出发,且具有一定逼格的确定权重的方法。不足之处:只从数据出发,不考虑问题的实际背景,确定权重时就可能出现与常识相悖的情况。以至于评分的时候,也会出现问题。当然啦,我们完全可以灵活一点。熵权法还是有它的优势的,而且逼格比较高……

        熵权法的原理是:指标的变异程度越小,所反映的现有信息量也越少,其对应的权值也越低。也就是说,熵权法是使用指标内部所包含的信息量,来确定该指标在所有指标之中的地位。由于熵衡量着系统的混乱程度,也可以拿来衡量信息的多少,方法被命名为熵权法倒也可以理解。

        清风老师提出了一个有意思的问题。在评选三好学生时,如果X是严重违纪上档案的次数,Y是被口头批评的次数,哪一个指标对三好学生评选的影响更大?很明显,实际生活中,一旦严重违纪记入档案,基本就不可能再成为三好学生。但绝大多数人这一指标的值都是0,只有很少数人是1或者2。它的波动很小,按熵权法赋权时的权重就很小。但如果真这么做了,可能某个人即使严重违纪了,依然有可能被评为三好学生。这是与实际不符合的。

这个例子告诉我们,熵权法的局限性在于,它仅凭数据的波动程度,或者说所谓的信息量来获得权重,不考虑数据的实际意义,很可能得出违背常识的结果。

>>主成分分析法(应用场景:变量较多)《数模P281》

        主成分分析法试图在力保数据信息丢失最少的原则下,对多变量的截面数据表进行最佳综合简化,对高维空间进行降维处理。

如何理解主成分分析法 (PCA) - 知乎 (zhihu.com)

通过 恰当 的数学变换 ,使新变量—— 主成分成为原变量的线性组合 ,并选 取少数 几个在变差总信息量中 比例较 大的主成分来分析 事物 的一种方法 。 主成分在变差信息量中的比例越大 , 它在综合评价 中的作用就越大

思想:整体思想就是化繁为简,抓住问题关键,也就是降维思想。当然,既然是抓住关键,那么自然就是以牺牲精度为代价。

解决问题:因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时,变量太多会增加计算量和分析问题的复杂性。

优点:化繁为简,降低了计算量。

缺点:一定程度上损失了精度。并且只能处理“线性问题”,这是一种线性降维技术

主成分分析法(PCA)原理和步骤(超级详细) (biancheng.net)(用主成分分析法对图片进行降维)

·主成分的解释其含义一般多少带有点模糊性,不像原始变量的含义那么清楚、确切,这是变量降维过程中不得不付出的代价。
·主成分分析的困难之处主要在于要 能够给出主成分的较好解释,所提取的主成分中如有一个主成分解释不了,整个主成分分析也就失败了。
·主成分分析不可用于评价类模型。
·主成分分析可用于聚类分析,将自变量进行降维方便画图。
·主成分分析也可用于回归分析解决多重共线性的问题。
·主成分分析实际上是因子分析的特例,但是由于因子分析便于解释,所以建议大家多用因子分析。
————————————————文章来源地址https://www.toymoban.com/news/detail-797545.html

3、回归与分类

到了这里,关于数学建模美赛E、F题备考策略(自用,大部分复制粘贴)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 2023美赛ABCDEF题思路获取/2023美赛思路ABCDEF题/美赛数学建模思路

    美赛、数学建模、美国大学生数学建模、美赛思路、美国大学生数学建模思路、2023美赛、2023美国大学生数学建模竞赛、2023美赛思路、2023美赛数据、2023美赛A题、2023美赛B题、2023美赛C题、2023美赛D题、2023美赛E题、2023美赛F题、 2023美赛数据、2023美赛论文、2023美赛解析、2023美

    2024年02月13日
    浏览(42)
  • 数学建模美赛资料(赛题+获奖论文更新)

    数学建模美赛历年真题可以帮助我们了解比赛的出题思路,对建模比赛有一个大致的了解。 在备赛过程中,通过往年真题,我们可以了解考试的范围和重点,做到心中有数,可以有的放矢。 通过真题,我们可以感受到各个模型的应用范围和问题的难度,使我们在备赛过程中

    2024年01月19日
    浏览(53)
  • 美赛BOOM数学建模BOOM1-4多目标规划

    既要XXX,又要XXX ❑ 回顾:(非)线性规划都是一个目标函数,例如工业生产产品,追求最大化利润等等。 ❑ 例如:某工厂生产产品Ⅰ和产品Ⅱ,有关数据如下,若只追求最大化利润,得到模型: 现在设有 3个目标 : • 1.尽量使产品Ⅰ的产量不超过产品Ⅱ的产量; • 2.尽可能

    2024年02月16日
    浏览(36)
  • 数学建模美赛O奖、国赛国一队伍经验分享

    前言:本团队成员来自某985院校,均成功保研,有多次数学建模参赛经验,对数模有一定自己的理解和体会。本人有幸汇集了三支分别获2023美赛O奖、F奖、M奖、2022美赛F奖、国赛国一、国二的队伍经验,现整理成文章,供大家参考,内容将持续更新。 本博主参加数学建模赛事

    2024年02月08日
    浏览(70)
  • 【数学建模美赛M奖速成系列】数据可视化(二)

    上一篇文章为大家分享了 山脊图和气泡图 的绘图方法与代码,这里学姐为继续为大家分享 百分比堆叠线条图和火山图 ,包含 matlab和python的完整代码 ,需要完整代码的同学看文章最后,另外,如果没有美赛经验想要获奖,欢迎咨询哦~ 百分比堆叠线条图是一种数据可视化工

    2024年01月19日
    浏览(46)
  • 美赛BOOM数学建模4-2微分方程传染病预测模型

    注明:本文根据数学建模BOOM网课简单整理,自用 ❑从最简单的指数传播模型说起 • 不同类型传染病的发病机理和传播途径各有特点 • 有的传染病,在得过一次后可获得 免疫力 ,但有的则不会 • 有的传染病具有 潜伏期 ,有的则没有 • 需要对不同类型的传染病建立相应

    2024年02月08日
    浏览(45)
  • 2023年美赛数学建模E题思路模型分析(光污染)

    光污染用于描述人造光的任何过度或不良使用。一些我们所说的光污染现象包括光侵入、过度照明和光杂乱。这些现象最容易被观察到,就像太阳落山后天空中的辉光一样。设置在大城市:但是,它们也可能发生在更偏远的地区。光污染改变了我们对夜空的看法,对环境产生

    2024年02月10日
    浏览(38)
  • 2023年美赛数学建模F题思路模型分析(绿色GDP)

    国内生产总值(GDP)可以说是衡量一个国家经济健康状况的最著名和最常用的指标之一。它通常用于确定一个国家的购买力和获得贷款的机会,为各国提出提高其GDP的政策和项目提供动力。GDP“衡量一个国家在给定时间段内生产的最终商品和服务的货币价值;它计算一个国家

    2024年02月14日
    浏览(40)
  • 【数学建模美赛M奖速成系列】数据可视化方法(一)

    最近开始更新一个新的系列科研绘图,在同一个竞赛下,大家都近乎相同的解题思路下。之所以能出现一等二等三等奖的区别很大部分都在于结果的可视化,为了能更好地帮助大家进行可视化,近期将专门推出一个可视化板块,推出各种好看实用的可视化图形。 也称为Joy P

    2024年01月16日
    浏览(42)
  • 【数学建模美赛M奖速成系列】报名流程与论文的基本格式

    最近,请本科学校多次获得国奖的大四数模学弟来为大家分享一些美赛技巧,他曾获得数模比赛国奖,美赛M奖,并顺利保研某985,今年还将继续参加美赛。 主办单位:COMAP 报名时间:2023.07.06-2024.02.01 比赛时间:2024.02.02-2024.02.06 Outstanding美赛特等奖 Finalist美赛特等奖提名 Me

    2024年02月04日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包