- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 566777 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 175256
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
' _& Z4 g1 I) s% r) z7 h6 z% m( {美国数学建模比赛建议-实战分享
" X* |( h+ t8 }" _3 Z: i; z6 `, P
一、选题(建议半天内确定)( l0 A8 h' b1 y8 S& V0 _& w6 y
, } T% |# `" \9 C$ V4 P; r 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。# N) c5 {- A1 S# k( w$ j
0 X* n5 r! P) q1 { 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 \" p6 o1 V# e- N% G7 C# \5 `# V# a; \: I0 Z" d
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。 G5 u' b9 R6 N
2 j) Y8 D. K5 n8 y; `' q# c, R- x二、题目理解和目标细分
; m. M1 f0 a9 c B+ _+ _
3 F0 w0 B& A- i ^6 z9 t 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。0 l; o$ M# W0 i6 n4 p
3 e8 n- R1 k! L) V _& D" A" l4 \ 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。
) m/ m, ^% W5 `- x) T" e- {! j4 I
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 _) p6 T {! P
2 N" h0 ^9 i( V( @$ \$ [9 d 第四步:模型建立完成后,进行求解,然后根据题意给出建议。2 y. \8 l8 M, d3 a
, T+ M! M2 ]4 T5 l 第五步:撰写论文。: S; @) E: c( z& s' s3 b8 R! g
1 f& g7 @) m& e0 `$ _# b: ~# v
三、再次迭代,继续优化模型1 t4 q9 H. R- }8 d# }9 P3 c
: V; p, l, r" @5 @9 X* f 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。
% ?* K4 b/ N4 O' `0 k7 T
1 W7 i& M) C. A' n四、模型评价- u: E4 P# D2 a" {& f1 w( ?
7 f% n" o/ v! \, q s& _+ O
在论文中,要对自己模型的好坏进行评价。2 {/ D5 E0 T: J# W
! e* M5 V( F0 H6 _
五、其他建议
- m) }+ }, V/ D
0 l f* Y {, l, h U! g' x7 s# h4 Y 论文撰写建议:) \: `. R6 X3 P+ {/ y2 B4 Y
. p; S2 z& I' Z( ]2 Q( j4 Y# b
1、 准备通用的论文模板。0 d/ t% o+ J1 F+ q
5 F$ p, a! A" M& r0 g" s 2、 多采用图表进行表示。
7 P6 Y. k4 ~0 c2 m( D T& o* I& W% [/ ^3 T7 v8 _7 _ T
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。
5 I: B( e# P1 | o8 i: B
7 _$ p& K7 {: t" I/ B 4、 使用最顺手的工具。
0 j! X$ }9 G, F0 P- R3 B; ~: i" a/ `" a- \" [5 y" y4 Z- x
+ x5 |5 ~: h; H$ f f5 V$ b, r$ j6 \# B, M- ?# k
代码准备:
1 ]: g& D2 P% v* G. H" U0 I, J
( x. I( m; z$ t1 Z+ |4 \/ B 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。1 v, E7 m4 _7 D& d' s
6 K$ q3 @* z; e4 w
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。2 x4 a, n; F- u" s6 v7 v; Q
' [: Q7 B4 u. u# t }' j: b; N; a6 V- O
" @& B4 |0 ~$ e0 M. v
7 j* ~' K. N: ~/ H) a) \# j4 f 其他建议:
/ G$ o! _7 e+ f/ {3 s& M) J- l! U; @% A: o
1、 当题目过于抽象的时候,可以通过分类的方式来求解。
' L( }8 k: j3 ]% {1 U1 p- v B5 K, x8 V2 |
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。
: v. ^6 T; X) ?* M3 ^+ e3 X7 Y$ S$ i/ m+ ` @3 T
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。 j, n' G$ I% A$ [. @& {: z
原文链接:https://blog.csdn.net/LieQueov/article/details/79261885: @. G% b) [ u1 z
- ^7 k" i/ h) P
/ z5 B+ x, n: u" n6 O6 f& j+ W: o; [8 y |
zan
|