2024年MathorCup妈妈杯数学建模思路C题思路解析+参考成品

1 赛题思路

(赛题出来以后第一时间在群内分享,点击下方群名片即可加群)

2 比赛日期和时间
报名截止时间:2024年4月11日(周四)12:00

比赛开始时间:2024年4月12日(周五)8:00

比赛结束时间:2024年4月16日(周二)9:00

3 组织机构
主办单位:中国优选法统筹法与经济数学研究会

中国优选法统筹法与经济数学研究会是在中国科学技术协会直接领导下的学术性社会团体,是国家一级学会。学会由华罗庚教授于1981年发起成立,至今成立了评价方法与应用、项目管理、计算机模拟、统筹、管理决策与信息系统、工业工程、高等教育管理、数学教育、经济数学与管理数学、应急管理、灰色系统研究,复杂系统研究等十余个专业分会。竞赛是由中国优选法统筹法与经济数学研究会主办,MathorCup高校数学建模挑战赛组委会具体负责竞赛的组织。

4 建模常见问题类型


趁现在赛题还没更新,给大家汇总一下建模经常使用到的数学模型,题目八九不离十基本属于一下四种问题

4.1 分类问题

神经网络分类:

BP 神经网络是一种神经网络学习算法。其由输入层、中间层、输出层组成的阶层型神经网络,中间层可扩展为多层。RBF(径向基)神经网络:径向基函数(RBF-Radial Basis Function)神经网络是具有单隐层的三层前馈网络。它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构。感知器神经网络:是一个具有单层计算神经元的神经网络,网络的传递函数是线性阈值单元。主要用来模拟人脑的感知特征。线性神经网络:是比较简单的一种神经网络,由一个或者多个线性神经元构成。采用线性函数作为传递函数,所以输出可以是任意值。自组织神经网络:自组织神经网络包括自组织竞争网络、自组织特征映射网络、学习向量量化等网络结构形式。K近邻算法: K最近邻分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。

import numpy as np# 定义神经网络类
class NeuralNetwork:def __init__(self):# 随机初始化权重np.random.seed(1)self.weights = 2 * np.random.random((3, 1)) - 1# Sigmoid激活函数def sigmoid(self, x):return 1 / (1 + np.exp(-x))# Sigmoid的导数def sigmoid_derivative(self, x):return x * (1 - x)# 训练神经网络def train(self, inputs, outputs, iterations):for iteration in range(iterations):# 正向传播output = self.predict(inputs)# 计算误差error = outputs - output# 反向传播adjustment = np.dot(inputs.T, error * self.sigmoid_derivative(output))# 更新权重self.weights += adjustment# 预测def predict(self, inputs):return self.sigmoid(np.dot(inputs, self.weights))# 训练数据集
training_inputs = np.array([[0, 0, 1],[1, 1, 1],[1, 0, 1],[0, 1, 1]])training_outputs = np.array([[0, 1, 1, 0]]).T# 初始化神经网络
neural_network = NeuralNetwork()print("随机初始化的权重:")
print(neural_network.weights)# 训练神经网络
neural_network.train(training_inputs, training_outputs, 10000)print("训练后的权重:")
print(neural_network.weights)# 测试新数据
print("新数据预测结果:")
print(neural_network.predict(np.array([1, 0, 0])))

4.2 优化问题

研究线性约束条件下线性目标函数的极值问题的数学理论和方法。英文缩写LP。它是运筹学的一个重要分支,广泛应用于军事作战、经济分析、经营管理和工程技术等方面。建模方法:列出约束条件及目标函数;画出约束条件所表示的可行域;在可行域内求目标函数的最优解及最优值。

非线性规划:

非线性规划是具有非线性约束条件或目标函数的数学规划,是运筹学的一个重要分支。非线性规划研究一个 n元实函数在一组等式或不等式的约束条件下的极值问题,且 目标函数和约束条件至少有一个是未知量的非线性函数。目标函数和约束条件都是 线性函数的情形则属于线性规划。

整数规划:

规划中的变量(全部或部分)限制为整数,称为整数规划。若在线性模型中,变量限制为整数,则称为整数线性规划。目前所流行的求解整数规划的方法往往只适用于整数线性规划。一类要求问题的解中的全部或一部分变量为整数的数学规划。从约束条件的构成又可细分为线性,二次和非线性的整数规划。

from pulp import *# 创建整数规划问题
prob = LpProblem("Integer_Problem", LpMaximize)# 定义决策变量
x1 = LpVariable("x1", lowBound=0, cat='Integer')
x2 = LpVariable("x2", lowBound=0, cat='Integer')# 定义目标函数
prob += 3*x1 + 2*x2, "Objective_Function"# 添加约束条件
prob += 2*x1 + x2 <= 10
prob += x1 + 3*x2 <= 12# 解决问题
prob.solve()# 输出结果
print("Status:", LpStatus[prob.status])
print("Optimal values:")
for v in prob.variables():print(v.name, "=", v.varValue)
print("Optimal value of the objective function:", value(prob.objective))

4.3 预测问题

灰色预测

灰色预测是就灰色系统所做的预测。是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。其用等时距观测到的反映预测对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量,或达到某一特征量的时间。

import numpy as np# 灰色预测模型
def grey_prediction(data):n = len(data)# 累加生成序列accumulation = np.cumsum(data)# 计算累加生成序列的一次紧邻均值生成序列avg_accumulation = 0.5 * (accumulation[:-1] + accumulation[1:])# 建立累加生成序列的一次紧邻均值生成序列与原始数据的关系x0 = data[0]B = np.vstack((-avg_accumulation, np.ones(n-1))).TYn = data[1:]# 求解参数a, u = np.dot(np.linalg.inv(np.dot(B.T, B)), np.dot(B.T, Yn))# 模型检验Pn = (x0 - u/a) * np.exp(-a * np.arange(1, n + 1)) + u/a# 预测predict = np.hstack((x0, np.diff(Pn).cumsum()))return predict# 示例数据
data = np.array([120, 130, 125, 135, 140, 145])# 灰色预测
prediction = grey_prediction(data)# 输出预测结果
print("原始数据:", data)
print("灰色预测结果:", prediction)

4.4 评价问题

主成分分析法(降维)

是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。在用统计分析方法研究多变量的课题时,变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形,变量之间是有一定的相关关系的,当两个变量之间有一定相关关系时,可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映课题的信息方面尽可能保持原有的信息。设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析,也是数学上用来降维的一种方法。

import numpy as np
from sklearn.decomposition import PCA# 示例数据
data = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9],[10, 11, 12]])# 创建 PCA 模型,指定主成分数量
pca = PCA(n_components=2)# 拟合数据并进行主成分分析
pca.fit(data)# 转换数据到主成分空间
transformed_data = pca.transform(data)# 主成分
components = pca.components_# 方差解释比
explained_variance_ratio = pca.explained_variance_ratio_# 输出结果
print("原始数据:")
print(data)
print("\n主成分:")
print(components)
print("\n转换后的数据:")
print(transformed_data)
print("\n方差解释比:")
print(explained_variance_ratio)

5 建模资料 

六、获取方式

思路及参考成品将在下方名片群文件中更新。

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:http://www.mzph.cn/news/800845.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

GPU部署ChatGLM3

首先&#xff0c;检查一下自己的电脑有没有CUDA环境&#xff0c;没有的话&#xff0c;去安装一个。我的电脑是4060显卡&#xff0c;买回来就自带这些环境了。没有显卡的话&#xff0c;也不要紧&#xff0c;这个懒人安装包支持CPU运行&#xff0c;会自动识别没有GPU&#xff0c;…

北京注销公司不同情况下的注销流程与所需材料

在北京&#xff0c;企业注销是一个相对复杂的过程&#xff0c;涉及到多种情况和不同的材料要求。本文将为您详细解析北京注销公司的不同情况及其所需材料&#xff0c;帮助您更好地了解并完成企业注销流程。本人从事工商行业多年&#xff0c;如果您想要注销自己的公司&#xff0…

启明智显M4核心板驱动17寸屏 为您打造无与伦比的视觉盛宴

近日&#xff0c;启明智显推出M4核心板驱动17寸屏&#xff0c;8 Link LVDS接口下1280*1024分辨率为用户展现了超强的视觉体验。 M4核心板采用纯国产架构&#xff0c;内置了16位DDR内存&#xff0c;为设备提供强大的数据处理能力和高效的运行速度。无论是处理复杂的任务还是进…

zookeeper C API client 如何设置digest鉴权验证

本文参考地址 zkCli.sh如何设置 自带的命令行客户端设置比较简单 增加授权用户。addauth digest root:111 其中digest是scheme&#xff0c;root:111是id (credential&#xff0c;root可以理解为明文用户&#xff0c;111可以理解为明文密码) :perm 2.为特定目录设置权限。 se…

【简单讲解下C++max函数的使用】

&#x1f308;个人主页: 程序员不想敲代码啊 &#x1f3c6;CSDN优质创作者&#xff0c;CSDN实力新星&#xff0c;CSDN博客专家 &#x1f44d;点赞⭐评论⭐收藏 &#x1f91d;希望本文对您有所裨益&#xff0c;如有不足之处&#xff0c;欢迎在评论区提出指正&#xff0c;让我们共…

【WRF】将modis数据2019年中国土地利用数据处理成wrf能识别的土地利用数据

step1、利用gee获取2020年中国区域的土地利用数据 //get a feature collection with china square boundary var china_square = ee.FeatureCollection(projects/hsy/assets/chinashp_square);//load modis land cover data var modisLand = ee.ImageCollection(MODIS/006/MCD1…

Java | Leetcode Java题解之第13题罗马数字转整数

题目&#xff1a; 题解&#xff1a; class Solution {Map<Character, Integer> symbolValues new HashMap<Character, Integer>() {{put(I, 1);put(V, 5);put(X, 10);put(L, 50);put(C, 100);put(D, 500);put(M, 1000);}};public int romanToInt(String s) {int …

docker-相关

打镜像 1、编写dockfile文件&#xff0c;请自行百度 2、docker build -t 镜像名称:版本号 dockerFile路径 3、docker save -o 镜像压缩包名称.tar 镜像名称:镜像版本号 部署镜像 1、将镜像tar包放到部署机器上 2、加载镜像&#xff1a;docker load -i 镜像tar包路径 3、dock…

考研数学|刷题用汤家凤《1800》还是张宇《1000》?看完这篇你就懂了

考研数学的复习是一个系统的过程&#xff0c;不同的习题集有各自的特点和适用场景。汤家凤的1800题和张宇的1000题都是非常受欢迎的考研数学复习资料&#xff0c;它们各有侧重点和优势。 汤家凤的1800题以其全面性和基础性著称&#xff0c;题目覆盖了考研数学的各个知识点&…

缓存穿透问题

缓存穿透 &#xff1a;缓存穿透是指客户端请求的数据在缓存中和数据库中都不存在&#xff0c;这样缓存永远不会生效&#xff0c;这些请求都会打到数据库。 常见的两种解决方案&#xff1a; 1.缓存空对象 优点&#xff1a;实现简单&#xff0c;维护方便 缺点&#xff1a;占用…

Ubuntu中apt使用

搜索 apt-cache search <package> 列出与<package>名称相匹配的包 安装 apt-get install <package> apt-get --reinstall install packagename 修复或者只安装最新版本 移除 apt-get remove [–purge] <package> apt-get -…

【40分钟速成智能风控4】传统风险管理体系

目录 人工审核 纸质材料评估 电话回访 线下走访尽调 专家模型 业务规则库 专家调查权重法 熵权法 随着大数据和机器学习技术的发展与成熟&#xff0c;智能风控已经逐步取代传统风控&#xff0c;成为国内互联网金融机构主流的风险管理模式。一方面&#xff0c;传统风控是…

U盘中病毒了会影响电脑吗 U盘中病毒了怎么恢复数据 easyrecovery数据恢复软件免费版 easyrecovery绿色版破解版激活密钥无需注册

EasyRecovery是世界著名数据恢复公司 Ontrack 的技术杰作&#xff0c;EasyRecovery破解版是一个威力非常强大的硬盘数据恢复工具&#xff0c;能够帮你恢复丢失的数据以及重建文件系统。您只需要按软件提示一步一步操作&#xff0c;就能恢复出你电脑上的文档、表格、图片、音频、…

LeetCode 热题 100 | 多维动态规划(一)

目录 1 多维动态规划 2 62. 不同路径 3 64. 最小路径和 菜鸟做题&#xff0c;语言是 C&#xff08;细品动态规划 ing&#xff09; 1 多维动态规划 目前的感觉&#xff1a;抽象为二维数组。 2 62. 不同路径 题眼&#xff1a;“机器人每次只能向下或者向右移动一步”。…

什么是sso?

SSO&#xff08;Single Sign-On&#xff09;&#xff0c;即单点登录&#xff0c;是一种安全协议&#xff0c;它允许用户在多个应用程序之间使用同一组登录凭据进行身份验证。这意味着用户只需要登录一次&#xff0c;就可以访问多个需要身份验证的应用程序。 SSO的工作原理如下…

全量知识系统 详细设计 之preserving{Truth,Structure,Lexicon}

全量知识系统 详细设计 之preserving{Truth&#xff0c;Structure&#xff0c;Lexicon} 1、三种对象三种库python 数据对象 none对象: 对等立方体&#xff08;PQR&#xff09; ole对象Y 。 pqr均为立体库&#xff08;工厂级的&#xff09;Java 类对象 Empty对象 &#xff1a;…

亚信安慧AntDB数据库分享“UltraSync特性介绍”技术演讲,助力客户降本增效

3月30日&#xff0c;由中国开源软件联盟组织的PostgreSQL技术峰会活动在南京举办&#xff0c;各数据库厂商研发带头人、企业资深DBA和众多技术爱好者齐聚一堂。湖南亚信安慧科技有限公司&#xff08;简称&#xff1a;亚信安慧&#xff09; AntDB-T产品线研发负责人梁博受邀参会…

「每日跟读」英语常用句型公式 第6篇

「每日跟读」英语常用句型公式 第6篇 1. As ___ as possible 越 ___ 越好 As soon as possible (ASAP)(越快越好) As happy as possible (越快乐越好) As prepared as possible (越有准备越好) As much/many as possible (越多越好 *不可数/可数) As early as possible …

探秘KMP算法:解密字符串匹配的黑科技

KMP算法 在正式进入KMP算法之前&#xff0c;不得不先引经据典一番&#xff0c;因为直接去理解KMP&#xff0c;你可能会很痛苦&#xff08;别问&#xff0c;问就是我也痛苦过&#xff09;。所以做好前面的预热工作非常非常重要&#xff0c;为了搞明白KMP&#xff0c;在没见到KMP…

快速理解vim编辑器和软硬连接

刚开始学习linux基础命令时最难搞懂的应该就是vi和ln命令了&#x1f62d;&#xff0c;写这篇文章主要想和大家分享一下我对这两个命令的理解&#xff0c;希望能更快的帮助到那些还没搞懂的同学&#x1f61c; 首先我们要知道vim编辑器主要分为三个工作模式&#xff0c;分别是图上…