【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文

目录

  • 问题 1:抽样检测方案的设计
  • 问题 2:生产过程中的决策
  • 问题 3:多工序、多零配件的生产决策
  • 问题 4:重新分析次品率
  • 题目难度分析
    • 1. 统计检测方案设计的复杂性(问题 1)
    • 2. 多阶段生产决策的复杂性(问题 2 & 3)
    • 3. 多工序、多零配件的组合复杂性(问题 3)
    • 4. 次品率估计的重新决策(问题 4)
  • 参考模型

问题 1:抽样检测方案的设计

目标是为企业设计抽样检测方案,以尽可能少的检测次数判定零配件次品率是否超过标称值。

  1. 假设检测过程服从二项分布,即抽取一定数量的样本,根据样本中不合格零配件的数量推断整体次品率。
  2. 根据标称值和信度水平 ,应用统计学中的假设检验理论。这里可以采用 假设检验的双侧检验,设置:
    零假设:次品率不超过标称值;
    备择假设:次品率超过标称值。
  3. 检验方案设计:
    通过计算置信区间,结合企业的次品率要求以及信度水平(95%和90%),确定需要的样本量。
    可采用 样本量计算公式 来确定最少的检测次数,确保在给定信度下可以得出正确结论。

问题 2:生产过程中的决策

为生产过程中不同阶段做出决策,包含零配件检测、成品检测、不合格成品处理等。

  1. 零配件检测:
    计算检测成本与不检测带来的潜在风险损失(如不合格零配件进入装配过程会导致更多的成品不合格)。
    通过分析次品率、检测成本等因素,决定是否对零配件进行检测。若检测成本较高且次品率较低,可能选择不检测。

  2. 成品检测:
    需要权衡成品的市场售价、检测成本以及调换不合格成品的损失。
    通过建模计算各决策方案下的总成本,找出最优的检测方案(检测或不检测)。

  3. 不合格成品拆解: 分析拆解费用与次品率,判断拆解零配件的价值是否高于直接报废不合格成品。对于高拆解费用但零配件较贵的情况,可以选择拆解,否则直接报废。

  4. 退回的成品处理:同样使用成本效益分析,对退回产品的处理(拆解或丢弃)做出最优决策。

问题 3:多工序、多零配件的生产决策

本问题在问题 2 的基础上增加了更多复杂度,要求考虑多道工序及更多零配件的生产决策。

  1. 多工序影响:
    各道工序会影响零配件和半成品的次品率,需要建立更为复杂的模型。
    通过 马尔科夫链或蒙特卡洛模拟 等方法预测不同工序下的质量演变,计算各工序的最优策略。

  2. 多零配件决策:
    不同零配件的次品率和成本不一,对每个零配件进行单独决策。
    根据总装配成本、检测成本和市场售价,优化整体生产链的成本结构。

问题 4:重新分析次品率

在问题 4 中,假设问题 2 和问题 3 中的次品率是通过抽样检测方法得到的。这意味着需要重新结合问题 1 中设计的抽样检测方案,重新计算次品率并基于此调整各个决策。

  1. 结合抽样检测数据 :
    使用问题 1 中得出的检测方案,得到更为精确的次品率估计值。
    将这些估计值替换到问题 2 和问题 3 中的模型,重新做出决策。

  2. 决策调整:
    可能由于次品率估计值的变化,导致某些阶段的检测方案或处理策略需要调整。需再次优化总成本模型。

    总结
    该题的解决思路可以通过 建立统计模型与成本分析模型 来解决。关键在于:
    问题 1 采用假设检验与抽样检测设计。
    问题 2 和问题 3 结合成本效益分析,优化生产各环节的检测与处理方案。
    问题 4 结合前面问题中的抽样检测结果,重新校正生产决策。

题目难度分析

本题涉及抽样检测、生产决策优化以及多阶段、多零配件的质量管理等问题,难度主要体现在以下几个方面:

1. 统计检测方案设计的复杂性(问题 1)

问题 1 要求设计一个抽样检测方案,并且在给定信度下最小化检测次数。挑战在于:
假设检验的设计 :需要在不同的置信度要求下分别给出拒收或接收的检测标准,涉及到统计学中的假设检验、置信区间计算以及样本量估计。
优化抽样数量 :最小化样本量的同时,确保置信区间能够准确反映实际次品率。这要求考察统计分布(如二项分布或正态分布)的性质,并进行优化计算。

2. 多阶段生产决策的复杂性(问题 2 & 3)

生产过程的各阶段决策需考虑到多种成本(检测成本、装配成本、拆解成本等)与潜在收益的平衡,且各个阶段的决策互相关联。这部分的难点包括:
零配件与成品的次品率关联 :成品次品率不仅取决于零配件的质量,还会受到装配过程的影响,因此需要建立合理的模型来预测成品的次品率。多阶段决策的递归性 :在每个阶段做出的决策都会影响后续的阶段,这使得问题呈现出递归结构,适合使用动态规划或马尔科夫决策过程等递归方法解决。

3. 多工序、多零配件的组合复杂性(问题 3)

多道工序、多零配件的组合进一步增加了问题的复杂度:
次品率与装配的复杂组合 :问题 3 中的生产过程由多个工序和多个零配件组成,导致次品率的累积效应较难精确计算。
决策空间增大 :随着零配件数量和工序数量的增加,决策变量也大幅增加,需要更为有效的搜索算法,如启发式算法、遗传算法等,来寻找最优解。

4. 次品率估计的重新决策(问题 4)

本问题要求结合抽样检测的结果,重新进行生产决策:
动态调整次品率 :在实际生产过程中,次品率是通过抽样检测得到的,且会随着生产的进行动态变化,如何利用新的次品率数据调整生产流程是一个难点
重新优化决策 :每次重新估计次品率后,都需要重新进行多阶段的决策优化,这增加了问题的动态性和复杂性。

参考模型

  1. 假设检验模型
    描述 :用于问题 1 中抽样检测的设计。
    参考模型 :二项分布假设检验、正态分布近似、置信区间计算。

  2. 成本效益分析模型
    描述 :用于问题 2 和问题 3 中的生产过程决策。
    参考模型 :在经济学和管理科学中的成本效益分析模型。

  3. 动态规划模型
    描述 :用于分阶段的决策优化问题(如问题 2 和问题 3),特别适合多阶段递归性问题。
    参考模型 :Bellman提出的动态规划框架,常用于求解多阶段决策问题。

  4. 马尔科夫决策过程 (MDP)
    描述 :用于多工序、多阶段、多零配件的生产过程决策。
    参考模型 :马尔科夫决策过程(MDP)是处理多阶段决策的标准工具之一。

  5. 蒙特卡洛模拟
    描述 :用于应对生产过程中的不确定性,可以通过模拟大量次品率和生产过程,评估不同决策下的平均成本。

  6. 启发式算法
    描述 :适用于多工序和多零配件的复杂决策问题。
    参考模型 :模拟退火算法、遗传算法等启发式搜索方法。

  7. 贝叶斯更新模型
    描述 :用于问题 4 中基于新的检测数据更新次品率的估计。
    参考模型 :贝叶斯统计推断模型,通过新的数据不断调整先验概率。

本题的难度主要在于综合应用统计分析、生产决策优化、动态规划等多种模型和算法,处理多阶段、多零配件生产中的决策复杂性和不确定性 。在解题过程中,合理选择并结合这些经典的参考模型,能够有效解决该问题中的多个挑战。

A-E题的解题思路、模型代码,论文持续更新中!

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/pingmian/53313.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

常用排序算法(上)

目录 前言: 1.排序的概念及其运用 1.1排序的概念 1.2排序运用 1.3 常见的排序算法 2.常见排序算法的实现 2.1 堆排序 2.1 1 向下调整算法 2.1 2 建堆 2.1 3 排序 2.2 插入排序 2.1.1基本思想: 2.1.2直接插入排序: 2.1.3 插…

SQL进阶技巧:每年在校人数统计 | 区间重叠问题

目录 0 问题分析 1 数据准备 2 问题分析 3 小结 区间重叠问题 0 问题分析 有一个录取学生人数表 in_school_stu,记录的是每年录取学生的人数及录取学生的学制,计算每年在校学生人数。 1 数据准备 create table in_school_stu as ( select stack(5,1,2001,2,1200,2,2000…

Vue 中 watch 和 watchEffect 的区别

watch 和 watcheffect 都是 vue 中用于监视响应式数据的 api,它们的区别在于:watch 用于监视特定响应式属性并执行回调函数。watcheffect 用于更通用的响应式数据监视,但回调函数中不能更新响应式数据。Vue 中 watch 和 watchEffect 的区别 …

linux下的Socket网络编程教程

套接字概念 Socket本身有“插座”的意思,在Linux环境下,用于表示进程间网络通信的特殊文件类型。本质为内核借助缓冲区形成的伪文件。与管道类似的,Linux系统将其封装成文件的目的是为了统一接口,使得读写套接字和读写文件的操作…

Springboot工程配置https访问

背景 因为前端工程使用nginx配置了https访问,在https直接请求我们Springboot后端的http接口会报错。那么我们就需要配置使得我们后端的springboot服务支持https访问。 证书生成 在配置springboot工程https之前,我们需要生成自签名证书以及Spring Boot…

从材料到应用:螺杆支撑座材质选择的多样性与精准性!

支撑座是连接丝杆和电机的轴承固定座,其材料的选择直接影响使用效果。那么,大家知道螺杆支撑座常用的材质有哪些吗? 1、高碳钢:高碳钢因其高强度和良好的耐磨性,是螺杆支撑座制作中常用的材料。它能够很好地配合滚珠螺…

java 给list对象根据给定条数进行分组工具类

java 给list对象根据给定条数进行分组工具类 下面是一个示例的工具类&#xff0c;可以根据给定的条数对Student对象的List进行分组&#xff1a; import java.util.ArrayList; import java.util.List;public class StudentGroupUtil {public static List<List<Student&g…

ESD防静电监控系统助力电子制造行业转型升级

在电子制造行业中&#xff0c;静电危害不容小觑。ESD 防静电监控系统的出现&#xff0c;为行业转型升级带来强大助力。电子元件对静电极为敏感&#xff0c;微小的静电放电都可能损坏元件&#xff0c;影响产品质量。ESD 防静电监控系统能够实时监测生产环境中的静电状况&#xf…

C++——类和对象(2)

目录 一、类的默认成员函数 二、构造函数 &#xff08;1&#xff09;定义 &#xff08;2&#xff09;特点 三、析构函数 &#xff08;1&#xff09;定义 &#xff08;2&#xff09;特点 四、拷贝构造函数 &#xff08;1&#xff09;定义 &#xff08;2&#xff09;特…

计算机考研真题知识点——2021(A)

目录 2021(A) 一、选择题 二、判断题 三、简答题 四、综合题 2021(A) 一、选择题 1、C语言程序是从程序中的main函数开始执行的。 2、 int x=2,y=3,z=4;x<z?y:z //的结果是? 3 4、若说明语句“int a[5],*p=a;”,则对数组元素的正确引用是() A、a[p] B、…

【2024-2025源码+文档+调试讲解】微信小程序的城市公交查询系统

摘 要 当今社会已经步入了科学技术进步和经济社会快速发展的新时期&#xff0c;国际信息和学术交流也不断加强&#xff0c;计算机技术对经济社会发展和人民生活改善的影响也日益突出&#xff0c;人类的生存和思考方式也产生了变化。传统城市公交查询管理采取了人工的管理方法…

【论文阅读】DETRs Beat YOLOs on Real-time Object Detection

文章目录 摘要一、介绍二、相关工作2.1 实时目标检测器2.2 端到端目标检测器 三、检测器的端到端速度3.1 分析 NMS3.2 端到端速度基准 四、实时 DETR4.1 模型概述4.2 高效混合编码器4.3不确定性最小的查询选择4.4 缩放的RT - DETR 五、实验5.1 与SOTA对比5.2 混合编码器的消融研…

【重构获得模式 Refactoring to Patterns】

重构获得模式 Refactoring to Patterns 面向对象设计模式是“好的面向对象设计”&#xff0c;所谓“好的面向对象设计”指的是那些可以满足“应对变化&#xff0c;提高复用”的设计。 现代软件设计的特征是“需求的频繁变化”。设计模式的要点是“寻找变化点&#xff0c;然后…

Spark2.x 入门: KMeans 聚类算法

一 KMeans简介 KMeans 是一个迭代求解的聚类算法&#xff0c;其属于 划分&#xff08;Partitioning&#xff09; 型的聚类方法&#xff0c;即首先创建K个划分&#xff0c;然后迭代地将样本从一个划分转移到另一个划分来改善最终聚类的质量。 ML包下的KMeans方法位于org.apach…

大语言模型LLM权重4bit向量量化(Vector Quantization)/查找表量化基本原理

参考 https://apple.github.io/coremltools/docs-guides/source/opt-palettization-overview.html https://apple.github.io/coremltools/docs-guides/source/opt-palettization-algos.html Apple Intelligence Foundation Language Models 苹果向量量化&#xff1a; DKM:…

在VMware虚拟机中编译文件的时候报错:找不到头文件ft2build.h

以下是报错内容&#xff0c;提示说找不到头文件ft2build.h freetype_show_font.c:12:10: fatal error: ft2build.h: No such file or directory #include <ft2build.h> ^~~~~~~~~~~~ compilation terminated. 在编译之前已经交叉编译了freetype&#xff0c;…

ic验证 -秋招

config db 用法&#xff1a; 传递virtual interface到环境中&#xff1b;配置单一变量值&#xff0c;例如int、string、enum等&#xff1b;传递配置对象&#xff08;config_object&#xff09;到环境&#xff1b; uvm_config_db #(type)::get( //ty…

MQ-2烟雾传感器详解(STM32)

目录 一、介绍 二、传感器原理 1.原理图 2.引脚描述 3.工作原理介绍 三、程序设计 main.c文件 mq2.h文件 mq2.c文件 四、实验效果 五、资料获取 项目分享 一、介绍 MQ-2气体传感器是一种常用的气体传感器&#xff0c;用于检测空气中的烟雾浓度。工作原理是基于半导…

Java项目: 基于SpringBoot+mybatis+maven+mysql图书馆管理系统(含源码+数据库+任务书+答辩PPT+毕业论文)

一、项目简介 本项目是一套基于SpringBootmybatismavenmysql图书馆管理系统 包含&#xff1a;项目源码、数据库脚本等&#xff0c;该项目附带全部源码可作为毕设使用。 项目都经过严格调试&#xff0c;eclipse或者idea 确保可以运行&#xff01; 该系统功能完善、界面美观、操…

网络安全应急响应技术原理与应用

网络安全应急响应概述 概念 为应对网络安全事件&#xff0c;相关人员或组织机构对网络安全事件进行监测、预警、分析、响应和恢复等工作 网络安全应急响应组织建立与工作机制 网络安全应急响应预案内容与类型 常见网络安全应急事件场景与处理流程 应急演练&#xff1a;对假定…