美国数学建模比赛建议-实战分享

杨利霞

1 H) m* M! r8 _- J美国数学建模比赛建议-实战分享

. q$ a6 \" E6 I3 M. R- F" |5 {一、选题（建议半天内确定）

      美国数学建模大赛分为MCM和ICM，从2017年的题目来看，ICM的要求更加明确，题目描述更加详细。那么ICM在评奖的时候，就会有所谓的标准答案。并且ICM提供了大量的参考链接和数据。在国内的话，有无法访问的可能。ICM除非确实有这个方面专业的同学。否则慎选。
8 J6 j% c3 N. j5 g9 ~
, c  H% I& j$ v6 g/ m0 G- U      MCM方面，有些题目容易理解，但是没有数据。有些题目因与美国的文化差异和地域差异，导致理解困难。这就需要在半天的时间内，快速查找资料对题目进行理解并且尝试寻找相关数据。在半天之后，根据情况，选择题目。比如A题易于理解，但是河水流量数据、水坝的具体数据是直接能够找到，还是要通过建模得到。这无疑增加了难度。而B题高速公路收费的题目，因中美差异，收费情况可能和我们理解的不一样，会造成审题的偏差。所以，需要根据资料的查找情况和大家讨论，以确定题目。
3 L9 X  ~4 N/ \) m
      注意：易于理解的题目并不见得简单，而且你易于理解也会导致其他参赛选手也利于理解，这样会造成某一个题目竞争成功的难度增大。

4 m7 p: Y8 A% C0 y- b二、题目理解和目标细分
3 p. {( q* {* J+ J, I0 \
# e% N6 y8 f; G' e" v* `      第一步：当题目确定后，首先将题目中表述任务的词语画出（一般为性能、花费、安全等），和要考虑的因素画出（比如A题中的流量、生态影响等）。将题目的目标具体分成几个部分。明确哪些是先要做的基础工作，哪些是在这些基础上进行的工作。比如A题中，要评价3种选项的优劣，那么在安全性评价上，要先得出水流量公式，此时水流量就为基础性工作，而评价位于之上。此时，可以画出一个先建模什么再建模什么的模块流程图。
" P4 x  F0 \' E/ ?' p
6 C: O6 }& g4 b& o$ x1 w      第二步：进行头脑风暴，将这些基础工作进行细化，比如题目中表述为性能，那么就要讨论以什么参数来定义性能，比如吞吐率、延时等，都是性能的定义，可以采取多个性能参数，也可以只采取一个。同理，限制因素也能够通过同样的参数定义。进一步讨论哪些因素影响了任务的完成和目标优化。此时可以建立一个简易的模型。当然，也可以在网上或数据库中搜索相关论文，如果能找到更好的模型，那么就直接拿来使用。比如在A题目中要求解水坝的花费，可以简单建模成水坝一平方的造价，也可以建模成水坝是由发电机、闸门等部件构成，通过各个部分合成来确定水坝的花费。

      第三步：定义好参数过后，来确定哪些参数能够通过互联网找到，哪些参数可以通过找到的数据进行计算，哪些参数需要假设得到。然后进一步细化各个参数。模型进一步变的复杂。

7 T7 Z/ W+ C" z9 y# V      第四步：模型建立完成后，进行求解，然后根据题意给出建议。
' k$ w3 G* I) [4 N; r
6 r6 B) R7 X# N      第五步：撰写论文。
& F8 D# R8 \% p2 @2 U
三、再次迭代，继续优化模型

! n+ J6 T) _4 [* z       在建立和解决一个模型后，可能在此过程中，又收集到了更多的数据或有新的想法加入，不用推翻原模型，再次构建一个更加准确的模型就可。
' `! w! ~) |1 ]( W. t! G  q
$ i* }" ?  t9 E: p; A0 q4 g四、模型评价
! C% T  V& {; m
: _& j# k4 f; ?* s/ X     在论文中，要对自己模型的好坏进行评价。
8 _+ l' F' q9 D4 P! l7 h
, c, i# T% d9 E  f& s' Q# w. {: k2 R五、其他建议
) i$ m0 e0 `9 ~6 r) F: @
      论文撰写建议：
& a( ^& @# n& r' C! I$ Y. J6 p
      1、  准备通用的论文模板。
  e1 F" T( U! _, `+ U
) y4 T8 Z3 S  A, x+ H      2、  多采用图表进行表示。

3 x; ~, U" R5 z+ H0 l5 ]      3、  提出重点，在自认为的模型重点部分使用斜体、增加标注等方式进行强调。

0 j$ a$ c7 f5 N4 S1 y9 r. R, T      4、  使用最顺手的工具。

: U4 d* p0 r$ h7 ]" l

- K: J" ?6 E7 g- d      代码准备：

      1、  因MCM的题目一般都为优化问题，比如求最小值、最大值等，包括单目标和多目标，建议准备遗传算法备用。

: |: d4 F9 _5 n, w6 }      2、  因为可能涉及到函数拟合部分（大数据的情况下），建议准备BP或者RBF神经网络代码。



      其他建议：

' t' @  |: C  w  _      1、    当题目过于抽象的时候，可以通过分类的方式来求解。
! h" E7 s2 A+ b' g9 _
      2、    题目中如果要给出建议，可以根据不同的情况，进行多个建议的提出。

  x9 E" X7 m" i% D+ q      3、    切记不要只提出一种建议，或者只出现一种答案。比如在A题中考虑到花费最小，那么安全性肯定就不能最优，此时就可以根据实际情况，在安全性达标的情况下，考虑花费最小。而安全性达标是考虑极端情况下达标，还是在平均的情况下达标。这就分类讨论了多种情况。
. k: M' x7 m, t; W' g8 t+ `原文链接：https://blog.csdn.net/LieQueov/article/details/79261885