美国数学建模比赛建议-实战分享

杨利霞

美国数学建模比赛建议-实战分享
. _2 o. m6 h7 \, z% I9 m7 I9 ?
一、选题（建议半天内确定）
5 |" ~" E! o- b+ {8 _0 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。

      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。
/ G+ w3 n: C. Q/ ^4 q
4 S, ?& B6 l# ]$ m$ E      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。
5 f, ?, _9 q4 `8 C4 P
二、题目理解和目标细分
' r( K; @5 ]  X  U
6 U' Y) e2 J  C4 g- E4 ^5 o/ M      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。

      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。
  C( d/ R2 k" U
      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。

, I; W/ a* O$ A  J* w! g& G      第四步：模型建立完成后，进行求解，然后根据题意给出建议。
7 c. j, _2 j) \0 M7 @. M) D
% u" X  m5 E$ Z% P; t0 |      第五步：撰写论文。
. f$ l% a2 ?5 T, y! [' m0 S
1 C& W9 r& _) X三、再次迭代，继续优化模型
6 l1 j8 ~1 W) t
) v% {* s' m) w5 _9 n" ]* Z, Q4 M       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。
! _9 p) F* |1 P1 o. v
2 x) w0 @  W: ]+ U; T; ^四、模型评价
2 G5 V- d4 C9 r2 `: |
) i; m5 Y: y) K& }" }     在论文中，要对自己模型的好坏进行评价。

五、其他建议
3 r$ ]; I1 ?/ p* m( `. f& z
      论文撰写建议：

  ^  n, Z( H; z8 P) g+ U1 X      1、  准备通用的论文模板。
* ]) J2 Z: `/ b- \# i# Y2 H# M
      2、  多采用图表进行表示。
  I6 {) g) Q, D( G7 {% ?) n* _
& @! f- \: z8 ^4 m) G! S" f      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。

: G" O1 u* [6 ~/ U6 `      4、  使用最顺手的工具。


9 l4 E3 F) I0 g
, Z$ h8 c6 A% J5 l      代码准备：
$ P+ ]  E- O( M
      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。

4 e, ]  }" s% {; t' ~' B      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。
* X3 l" G+ f) B7 \. W$ o

6 j# t/ y% v/ Z) ~& Q  H+ [( |3 s
' a+ H9 O/ j4 P" ?7 f/ u      其他建议：

; r- O, F( F) @. _8 r' s      1、    当题目过于抽象的时候，可以通过分类的方式来求解。
/ Z& d8 _8 I4 E
0 O! ?% h; c+ r% z" I      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。
2 {: Q4 n  E1 d, q
  j: E7 `6 y- h6 [4 m      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。
0 G' L6 S, @/ {/ P; o* R, X# i5 J原文链接：https://blog.csdn.net/LieQueov/article/details/79261885
8 z! s* }8 Y5 L8 y3 I* m3 D! Y3 C: j
# C; N% b1 s& u" {, K
9 E- k) R) \0 D