美国数学建模比赛建议-实战分享

杨利霞

, U  A% Z9 N/ i+ G0 A美国数学建模比赛建议-实战分享

" k. x4 H! J% O8 B4 A" g1 ]! \一、选题（建议半天内确定）

# u+ i& |( z- F) t6 x. S* f      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。
% u, T' o/ R. R$ \
      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。
  P0 f$ D; |1 f6 }4 m/ J
      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。

. R* T: {2 A- S二、题目理解和目标细分
( ?" R" B3 B8 _/ I
      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。

      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。

      第四步：模型建立完成后，进行求解，然后根据题意给出建议。

0 ?# F$ b3 x! B# @2 N      第五步：撰写论文。
" j, |  X; E0 [3 f: m! R# U; q7 Q
三、再次迭代，继续优化模型
1 U* C& Q* d! \8 Y1 e! a! M5 y  T5 c
  a9 s9 K0 i9 ~: \* s7 Y$ B& N1 D       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。
% Q1 d3 L9 o# b) W- T. Y
7 ~3 B# q6 s; \5 p  ?" ^* x& T: w四、模型评价
# B7 x# |2 ]) o! y* H* l! J
     在论文中，要对自己模型的好坏进行评价。
$ l) P7 t7 [7 D/ C& O1 u, M) l3 @
五、其他建议

- B2 a9 e3 ?3 w8 R- V4 ~  Y  b      论文撰写建议：
( L) U3 v0 E' P7 Q. I; D
, I% u* C6 T" G, R; I/ D      1、  准备通用的论文模板。
0 T7 B& W9 j. k4 ^/ h
      2、  多采用图表进行表示。
5 ~( T/ ~0 ~& L/ g! m1 E
) p% s) S2 @& d# I8 q      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。
2 H  ^0 M4 j$ k1 v+ X
4 p9 w" ~: O( k/ F2 i4 c4 A      4、  使用最顺手的工具。
. [6 B; R/ m7 o5 T8 z

2 }8 q4 b' x2 Y+ }# g& k$ o
5 Z2 I* }: }+ z' H5 K  g      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。

      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。

( M+ ]/ {+ D6 V8 {, h& I

  B; _" L# Q# |5 k8 |& P) x      其他建议：

) }# a4 N, T+ a; q- J8 s6 p9 U      1、    当题目过于抽象的时候，可以通过分类的方式来求解。

      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。
" U4 r/ C" Q, i) j4 ^
- T- F! ~; F/ U      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。
% W8 p; [, S- Q4 z0 |原文链接：https://blog.csdn.net/LieQueov/article/details/79261885
4 V2 _- H. b! G

! w8 v* @5 U, g+ ^  Z