0 賽題思路

（賽題出來以后第一時間在CSDN分享）

https://blog.csdn.net/dc_sinor?type=blog

1 競賽信息

全國大學生數學建模競賽（以下簡稱競賽）是中國工業與應用數學學會主辦的面向全國大學生 的群眾性科技活動，旨在激勵學生學習數學的積極性，提高學生建立數學模型和運用計算機技術解 決實際問題的綜合能力，鼓勵廣大學生踴躍參加課外科技活動，開拓知識面，培養創造精神及合作 意識，推動大學數學教學體系、教學內容和方法的改革。

競賽題目一般來源于科學與工程技術、人文與社會科學（含經濟管理）等領域經過適當簡化加工的實際問題，不要求參賽者預先掌握深入的專門知識，只需要學過高等學校的數學基礎課程。題目有較大的靈活性供參賽者發揮其創造能力。參賽者應根據題目要求，完成一篇包括模型的假設、建立和求解、計算方法的設計和計算機實現、結果的分析和檢驗、模型的改進等方面的論文（即答卷）。競賽評獎以假設的合理性、建模的創造性、結果的正確性和文字表述的清晰程度為主要標準。

競賽分為本科組和專科組進行。本科學生只能參加本科組競賽，不能參加專科組競賽。專科（高職高專）學生一般參加專科組競賽，也可參加本科組競賽，無論參加何組競賽，均必須在報名時確定，報名截止后不能再更改報名組別。同一參賽隊的學生必須來自同一所學校。

2 競賽時間

報名結束時間：2023年9月4日20:00

比賽開始時間：2023年9月7日（周四）18:00

比賽結束時間：2023年9月10日（周日）20:00

3 建模常見問題類型

趁現在賽題還沒更新，A君給大家匯總一下國賽數學建模經常使用到的數學模型，題目八九不離十基本屬于一下四種問題，對應的解法A君也相應給出

分別為：

分類模型

優化模型

預測模型

評價模型

3.1 分類問題

判別分析：

又稱“分辨法”，是在分類確定的條件下，根據某一研究對象的各種特征值判別其類型歸屬問題的一種多變量統計分析方法。

其基本原理是按照一定的判別準則，建立一個或多個判別函數；用研究對象的大量資料確定判別函數中的待定系數，并計算判別指標；據此即可確定某一樣本屬于何類。當得到一個新的樣品數據，要確定該樣品屬于已知類型中哪一類，這類問題屬于判別分析問題。

聚類分析：

聚類分析或聚類是把相似的對象通過靜態分類的方法分成不同的組別或者更多的子集，這樣讓在同一個子集中的成員對象都有相似的一些屬性，常見的包括在坐標系中更加短的空間距離等。

聚類分析本身不是某一種特定的算法，而是一個大體上的需要解決的任務。它可以通過不同的算法來實現，這些算法在理解集群的構成以及如何有效地找到它們等方面有很大的不同。

神經網絡分類：

BP 神經網絡是一種神經網絡學習算法。其由輸入層、中間層、輸出層組成的階層型神經網絡，中間層可擴展為多層。RBF（徑向基）神經網絡：徑向基函數(RBF-Radial Basis Function)神經網絡是具有單隱層的三層前饋網絡。它模擬了人腦中局部調整、相互覆蓋接收域的神經網絡結構。感知器神經網絡：是一個具有單層計算神經元的神經網絡，網絡的傳遞函數是線性閾值單元。主要用來模擬人腦的感知特征。線性神經網絡：是比較簡單的一種神經網絡，由一個或者多個線性神經元構成。采用線性函數作為傳遞函數，所以輸出可以是任意值。自組織神經網絡：自組織神經網絡包括自組織競爭網絡、自組織特征映射網絡、學習向量量化等網絡結構形式。K近鄰算法：　K最近鄰分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一。

3.2 優化問題

線性規劃：

研究線性約束條件下線性目標函數的極值問題的數學理論和方法。英文縮寫LP。它是運籌學的一個重要分支，廣泛應用于生產計劃、物流運輸、資源分配、金融投資等領域。建模方法：列出約束條件及目標函數；畫出約束條件所表示的可行域；在可行域內求目標函數的最優解及最優值。

整數規劃：

規劃中的變量（全部或部分）限制為整數，稱為整數規劃。若在線性模型中，變量限制為整數，則稱為整數線性規劃。目前所流行的求解整數規劃的方法往往只適用于整數線性規劃。一類要求問題的解中的全部或一部分變量為整數的數學規劃。從約束條件的構成又可細分為線性，二次和非線性的整數規劃。

非線性規劃：

非線性規劃是具有非線性約束條件或目標函數的數學規劃，是運籌學的一個重要分支。非線性規劃研究一個 n元實函數在一組等式或不等式的約束條件下的極值問題，且 目標函數和約束條件至少有一個是未知量的非線性函數。目標函數和約束條件都是 線性函數的情形則屬于線性規劃。

動態規劃：

包括背包問題、生產經營問題、資金管理問題、資源分配問題、最短路徑問題和復雜系統可靠性問題等。

動態規劃主要用于求解以時間劃分階段的動態過程的優化問題，但是一些與時間無關的靜態規劃(如線性規劃、非線性規劃)，只要人為地引進時間因素，把它視為多階段決策過程，也可以用動態規劃方法方便地求解。

多目標規劃：

多目標規劃是數學規劃的一個分支。研究多于一個的目標函數在給定區域上的最優化。任何多目標規劃問題，都由兩個基本部分組成：

（1）兩個以上的目標函數；

（2）若干個約束條件。有n個決策變量，k個目標函數， m個約束方程，則：

Z=F(X）是k維函數向量，Φ（X）是m維函數向量；G是m維常數向量；

3.3 預測問題

回歸擬合預測

擬合預測是建立一個模型去逼近實際數據序列的過程，適用于發展性的體系。建立模型時，通常都要指定一個有明確意義的時間原點和時間單位。而且，當t趨向于無窮大時，模型應當仍然有意義。將擬合預測單獨作為一類體系研究，其意義在于強調其唯“象”性。一個預測模型的建立，要盡可能符合實際體系，這是擬合的原則。擬合的程度可以用最小二乘方、最大擬然性、最小絕對偏差來衡量。

灰色預測

灰色預測是就灰色系統所做的預測。是一種對含有不確定因素的系統進行預測的方法。灰色預測通過鑒別系統因素之間發展趨勢的相異程度，即進行關聯分析，并對原始數據進行生成處理來尋找系統變動的規律，生成有較強規律性的數據序列，然后建立相應的微分方程模型，從而預測事物未來發展趨勢的狀況。其用等時距觀測到的反映預測對象特征的一系列數量值構造灰色預測模型，預測未來某一時刻的特征量，或達到某一特征量的時間。

馬爾科夫預測：是一種可以用來進行組織的內部人力資源供給預測的方法.它的基本 思想是找出過去人事變動的 規律,以此來推測未來的人事變動趨勢.轉換矩陣實際上是轉換概率矩陣,描述的是組織中員工流入,流出和內部流動的整體形式,可以作為預測內部勞動力供給的基礎.

BP神經網絡預測

BP網絡（Back-ProPagation Network）又稱反向傳播神經網絡， 通過樣本數據的訓練，不斷修正網絡權值和閾值使誤差函數沿負梯度方向下降，逼近期望輸出。它是一種應用較為廣泛的神經網絡模型，多用于函數逼近、模型識別分類、數據壓縮和時間序列預測等。

支持向量機法

支持向量機(SVM)也稱為支持向量網絡[1]，是使用分類與回歸分析來分析數據的監督學習模型及其相關的學習算法。在給定一組訓練樣本后，每個訓練樣本被標記為屬于兩個類別中的一個或另一個。支持向量機(SVM)的訓練算法會創建一個將新的樣本分配給兩個類別之一的模型，使其成為非概率二元線性分類器(盡管在概率分類設置中，存在像普拉托校正這樣的方法使用支持向量機)。支持向量機模型將樣本表示為在空間中的映射的點，這樣具有單一類別的樣本能盡可能明顯的間隔分開出來。所有這樣新的樣本映射到同一空間，就可以基于它們落在間隔的哪一側來預測屬于哪一類別。

3.4 評價問題

層次分析法

是指將一個復雜的 多目標決策問題 作為一個系統，將目標分解為多個目標或準則，進而分解為多指標（或準則、約束）的若干層次，通過定性指標模糊量化方法算出層次單排序（權數）和總排序，以作為目標（多指標）、多方案優化決策的系統方法。

優劣解距離法

又稱理想解法，是一種有效的多指標評價方法。這種方法通過構造評價問題的正理想解和負理想解，即各指標的最大值和最小值，通過計算每個方案到理想方案的相對貼近度，即靠近正理想解和遠離負理想解的程度，來對方案進行排序，從而選出最優方案。

模糊綜合評價法

是一種基于模糊數學的綜合評標方法。 該綜合評價法根據模糊數學的隸屬度理論把定性評價轉化為定量評價，即用模糊數學對受到多種因素制約的事物或對象做出一個總體的評價。 它具有結果清晰,系統性強的特點,能較好地解決模糊的、難以量化的問題,適合各種非確定性問題的解決。

灰色關聯分析法（灰色綜合評價法）

對于兩個系統之間的因素，其隨時間或不同對象而變化的關聯性大小的量度，稱為關聯度。在系統發展過程中，若兩個因素變化的趨勢具有一致性，即同步變化程度較高，即可謂二者關聯程度較高；反之，則較低。因此，灰色關聯分析方法，是根據因素之間發展趨勢的相似或相異程度，亦即“灰色關聯度”，作為衡量因素間關聯程度的一種方法。

典型相關分析法：是對互協方差矩陣的一種理解，是利用綜合變量對之間的相關關系來反映兩組指標之間的整體相關性的多元統計分析方法。它的基本原理是：為了從總體上把握兩組指標之間的相關關系，分別在兩組變量中提取有代表性的兩個綜合變量U1和V1（分別為兩個變量組中各變量的線性組合），利用這兩個綜合變量之間的相關關系來反映兩組指標之間的整體相關性。

主成分分析法（降維）

是一種統計方法。通過正交變換將一組可能存在相關性的變量轉換為一組線性不相關的變量，轉換后的這組變量叫主成分。在用統計分析方法研究多變量的課題時，變量個數太多就會增加課題的復雜性。人們自然希望變量個數較少而得到的信息較多。在很多情形，變量之間是有一定的相關關系的，當兩個變量之間有一定相關關系時，可以解釋為這兩個變量反映此課題的信息有一定的重疊。主成分分析是對于原先提出的所有變量，將重復的變量（關系緊密的變量）刪去多余，建立盡可能少的新變量，使得這些新變量是兩兩不相關的，而且這些新變量在反映課題的信息方面盡可能保持原有的信息。設法將原來變量重新組合成一組新的互相無關的幾個綜合變量，同時根據實際需要從中可以取出幾個較少的綜合變量盡可能多地反映原來變量的信息的統計方法叫做主成分分析或稱主分量分析，也是數學上用來降維的一種方法。

因子分析法（降維）

因子分析是指研究從變量群中提取共性因子的統計技術。最早由英國心理學家C.E.斯皮爾曼提出。他發現學生的各科成績之間存在著一定的相關性，一科成績好的學生，往往其他各科成績也比較好，從而推想是否存在某些潛在的共性因子，或稱某些一般智力條件影響著學生的學習成績。因子分析可在許多變量中找出隱藏的具有代表性的因子。將相同本質的變量歸入一個因子，可減少變量的數目，還可檢驗變量間關系的假設。

BP神經網絡綜合評價法

是一種按誤差逆傳播算法訓練的多層前饋網絡，是應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。

4 建模資料

資料分享: 最強建模資料