美国数学建模比赛建议-实战分享

杨利霞

1 f0 a- I$ _% A美国数学建模比赛建议-实战分享

$ y. ?7 P+ r  T' Z一、选题（建议半天内确定）
9 K% o/ P+ k- Z, }  c  d
      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。
- G5 B+ z3 k3 r8 r. Q+ ^4 e
      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。
$ O: c( K' X0 n, p, E( _" o; J
) ^1 r+ h. Z5 @0 [* J1 \1 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。
5 [- x( V# c! k* `" U7 l- Y* R
# @; f3 m7 J1 F二、题目理解和目标细分

      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。
4 H& y6 ~5 n8 _: d( ]
4 P4 B- Q# Z2 [3 ^      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。

+ D7 D3 J0 O6 L0 g. H7 K' [      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。
# |; h5 O$ ]8 f) H
      第五步：撰写论文。
" e/ E8 c. ~! X& k4 O: K
. E  {$ ^+ E7 m8 s三、再次迭代，继续优化模型

4 t) C* \  Y4 x8 o  Q, A       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。

四、模型评价
+ t- E7 p; K+ C$ b( `
# T% e% d) ~; W     在论文中，要对自己模型的好坏进行评价。
( j* @% }# q1 Z3 ^" [. `. U  z/ H- r
五、其他建议
2 w* M7 n3 n# {( k3 \/ D- W9 g# L
      论文撰写建议：
( A* V/ t' p/ y" Y. d* b' m
6 e, c7 ]9 F8 ^% E/ Z      1、  准备通用的论文模板。
+ E! _4 p0 @( x& T& C
% H9 d" e" E, m& f- Q      2、  多采用图表进行表示。

4 Q) ]2 [6 K  {- c" 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。
! A6 X6 z  L7 E) C0 A$ ?
      4、  使用最顺手的工具。
5 U( @8 M. h4 h
* P; ^' z1 n# |; `/ H: Y
: d' [0 @0 s% ~* K4 H
      代码准备：
+ U- O- i4 `# N1 _1 B
! }; F( z. h* C% ~) N" X      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。
* V, _5 H, i* w1 f5 w
7 K1 v: u1 a* m) X+ p' e      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。


' w4 p2 M7 f! U. l! h
- s3 ?# v" k# s2 J7 s      其他建议：
$ E; K0 p3 _3 j$ F) c
      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。
3 a. x+ @6 X  w1 G: I$ n
      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。
原文链接：https://blog.csdn.net/LieQueov/article/details/79261885
4 V7 f( v0 z7 f# d6 }
: K1 x7 u, q  W: z
1 x* x8 A8 |* N5 w( b) B: v