Prenez place et commencez à mettre à jour le code du concours de modélisation mathématique de l'Université du delta du fleuve Yangtze 2023 en temps réel dans cet article, et obtenez-le à la fin de l'article !
Continuer à mettre à jour les idées de référence
Idées de questions
Question Une idée :
Cette question est un problème d'optimisation de la logistique et de la gestion de la chaîne d'approvisionnement. Envisagez d'utiliser un algorithme glouton, un recuit simulé et un algorithme génétique pour trouver la solution optimale. Pour être honnête, ce sujet est un peu difficile.Pour le problème de découpe 3D, il n'est pas recommandé aux étudiants novices de choisir.
Question 1. Pour les données de commande et les données de consommables indiquées dans les données d'emballage de l'annexe 1, utilisez respectivement des boîtes ou des sacs pour les emballer. Veuillez concevoir un plan de chargement adapté, exigeant que moins de consommables soient utilisés, mieux c'est. Lorsque le nombre de consommables est le même, plus le volume total des consommables est petit, mieux c'est. Donne le nombre total d'utilisations pour chaque consommable et le volume total de consommables.
Le problème 1 est un problème classique d'emballage de boîtes, également appelé problème de sac à dos, qui nous oblige à trouver la solution de chargement optimale, c'est-à-dire à utiliser le moins de consommables (boîtes ou sacs) pour charger tous les articles. Cette problématique porte principalement sur deux points essentiels : ① Pour chaque commande, il faut choisir le mode d'emballage adapté (carton, sachet ou mixte) afin de minimiser le nombre de consommables ; ② Dans le cas d'un même nombre de consommables, il faut de choisir des consommables plus petits pour réduire les frais de port.
Pour ce problème, nous pouvons prendre des algorithmes comme gourmand, meilleur ajustement, pire ajustement, etc. Pour trouver des solutions optimales approximatives , et leur efficacité de calcul est élevée. De plus , nous devons également mélanger diverses méthodes d'emballage pour trouver la solution optimale. Par exemple, pour certains petits et grands articles, nous pouvons privilégier l'utilisation de sacs pour l'emballage, car les caractéristiques déformables du sac peuvent économiser plus d'espace lors du chargement de petits articles.
Question 2. Sur la base des données de l'annexe 1, il est maintenant nécessaire d'optimiser la taille des consommables Veuillez donner un plan d'optimisation de la taille des consommables. Il est nécessaire que le nombre de consommables après optimisation reste le même, mais la taille des consommables est modifiée ; pour les articles chargés avec succès à la question 1, le nombre de boîtes ou de sacs utilisés dans la solution optimisée doit être minimisé ; le volume total ne peut pas dépasser le volume total de la solution d'origine ; dans le même temps, plus le volume total de consommables est petit, mieux c'est. La taille spécifique de chaque consommable après optimisation, le nombre total d'utilisations et le volume total du consommable sont indiqués.
La deuxième question porte sur l'optimisation de la taille des consommables. Le cœur de ce problème est d'optimiser la taille des consommables en partant du principe que le nombre de consommables reste constant, de sorte que le nombre de boîtes ou de sacs utilisés dans la solution optimisée puisse être réduit autant que possible pour les articles chargés avec succès dans le problème. 1 , et le volume total ne peut pas dépasser le volume original Le volume total du programme.
Pour ce problème, nous devons d'abord effectuer une analyse détaillée des données afin de connaître les tailles de consommables les plus fréquemment utilisées, ainsi que les types et quantités d'articles correspondants. Nous pouvons ensuite utiliser ces informations pour optimiser la taille du consommable. Par exemple, si nous constatons que la plupart des articles peuvent tenir dans une certaine taille de boîte/sac, nous pouvons alors envisager d'augmenter la production de consommables de cette taille, réduisant ainsi l'utilisation de consommables d'autres tailles. La variété de formes et de tailles d'articles doit également être prise en compte pour s'assurer que la nouvelle taille de consommable peut accueillir la plupart des articles.
Question 3. Les deux questions ci-dessus supposent que les biens et consommables sont rigides. Si les biens et consommables sont flexibles ou peuvent être légèrement comprimés, veuillez répondre à nouveau aux questions 1 et 2. Selon la situation réelle, lorsque l'on considère l'étirement des consommables ici, la longueur, la largeur et la hauteur ne doivent pas dépasser 5 % de la taille d'origine.
La question 3 introduit une nouvelle variable : la flexibilité des biens et consommables. Ce problème est légèrement plus difficile , car nous devons considérer le comportement des biens et des consommables lorsqu'ils sont comprimés ou étirés. Certaines marchandises, par exemple , peuvent changer de forme lorsqu'elles sont pressées, ce qui affecte la manière et l'efficacité de leur chargement. De même, les consommables flexibles peuvent subir des changements de forme pendant le chargement, ce qui affecte également l'efficacité du chargement.
Lors de la résolution de ce problème, nous devons introduire de nouvelles hypothèses et contraintes, telles que l'élasticité des biens et des consommables, la quantité maximale d'étirement des consommables, etc. Cela signifie que nous devons avoir une solide compréhension de la physique des objets et des consommables afin de simuler plus précisément leur comportement lors du chargement.
Ici, nous devons modifier notre algorithme d'optimisation pour nous adapter à ces nouvelles contraintes. Nous devons tenir compte de l'impact de l'élasticité des articles et des consommables sur le processus de chargement, et nous pouvons utiliser, par exemple, des algorithmes génétiques ou des algorithmes de recuit simulé pour trouver des solutions optimales.
Idée de la question B :
Ce sujet est un sujet typique du Big Data. Il est nécessaire de prévoir le développement futur du marché des véhicules à énergies nouvelles et d'analyser la relation entre le développement des véhicules à énergies nouvelles et les objectifs d'émissions de carbone. Le degré de difficulté n'est pas très élevé. Il s'agit principalement de collecter et de traiter des données.
Question 1. Analyser le développement de véhicules à énergies nouvelles dans la région du delta du fleuve Yangtze, étudier le statut et le rôle de la production de véhicules à énergies nouvelles dans la région du delta du fleuve Yangtze sur le marché national des véhicules à énergies nouvelles et prédire la propriété du marché des véhicules à énergies nouvelles dans la région du delta du fleuve Yangtze au cours des 3 prochaines années.
Lors de l'analyse du développement de véhicules à énergies nouvelles dans la région du delta du Yangtsé, il est d'abord nécessaire de collecter des données pertinentes sur la production et les ventes de véhicules à énergies nouvelles, y compris, mais sans s'y limiter, le volume de production, le volume des ventes, la part de marché, le nombre de fabricants , etc. Ces données peuvent être obtenues à partir de statistiques officielles, de rapports de l'industrie automobile, de reportages, etc.
Lors de l'analyse de ces données, nous devons tenir compte de certains facteurs susceptibles d'affecter le développement de nouveaux véhicules à énergie, tels que le soutien politique, la demande du marché et la construction d'installations de recharge. Ces facteurs peuvent avoir un impact significatif sur la production et les ventes de véhicules à énergies nouvelles. Nous pouvons utiliser des méthodes d'analyse statistique ou d'apprentissage automatique, telles que l'analyse de régression, l'analyse de séries chronologiques, etc., pour établir un modèle de prédiction du nombre de marchés de véhicules à énergies nouvelles dans la région du delta du fleuve Yangtze.
Question 2. Le développement rapide de l'industrie des véhicules à énergie nouvelle a posé de grands défis aux véhicules à carburant traditionnels. Veuillez étudier la relation de concurrence sur le marché entre les véhicules à énergie nouvelle et les véhicules à carburant traditionnels dans mon pays, analyser les facteurs qui affectent la concurrence et donner loi d'évolution de la propriété du marché des véhicules à énergies nouvelles et des véhicules à carburant traditionnel dans mon pays au fil du temps.
La relation de concurrence sur le marché entre les véhicules à énergies nouvelles et les véhicules à carburant traditionnel est une question complexe impliquant de nombreux facteurs, tels que le prix, les performances, le coût du carburant et les politiques de protection de l'environnement. Nous devons collecter des données sur ces facteurs, puis utiliser des méthodes quantitatives (telles que l'analyse comparative, l'analyse de régression, etc.) pour étudier leur impact sur la propriété du marché des véhicules à énergie nouvelle et des véhicules à carburant traditionnels.
Plus précisément, nous pouvons établir un modèle de concurrence, tel qu'un modèle de concurrence topologique, pour décrire la relation de concurrence entre les véhicules à énergies nouvelles et les véhicules à carburant traditionnels. Dans ce modèle, la part de marché des véhicules à énergies nouvelles et des véhicules à carburant traditionnel peut être considérée comme le résultat de la concurrence, tandis que des facteurs tels que le prix et les performances peuvent être considérés comme les conditions de la concurrence. Ensuite, nous pouvons utiliser ce modèle pour prédire les changements futurs dans la propriété du marché des véhicules à énergie nouvelle et des véhicules à carburant traditionnels.
Question 3. Le développement de véhicules à énergies nouvelles a un rôle positif dans la promotion de la réalisation de l'objectif de double carbone. Veuillez étudier la relation entre le développement de véhicules à énergies nouvelles et le double carbone, et prédire le moment du pic carbone et la neutralité carbone dans le Région du delta du fleuve Yangtsé Le cas échéant D'autres facteurs pertinents peuvent être combinés si nécessaire.
Le développement de véhicules à énergies nouvelles joue un rôle positif dans la promotion de la réalisation des objectifs du double carbone, car l'utilisation de véhicules à énergies nouvelles peut réduire considérablement les émissions de carbone. Par conséquent, nous devons étudier la relation entre le développement de véhicules à énergies nouvelles et les émissions de carbone.
Nous devons collecter des données sur les émissions de carbone des véhicules à énergies nouvelles, qui peuvent être obtenues à partir de la production et de l'utilisation de véhicules à énergies nouvelles. Ces données sont ensuite utilisées pour construire un modèle décrivant la relation entre le développement de véhicules à énergies nouvelles et les émissions de carbone. Ce modèle peut nous aider à prédire l'impact du développement des véhicules à énergies nouvelles sur le pic carbone et la neutralité carbone.
Il est également nécessaire de prendre en compte d'autres facteurs susceptibles d'affecter les émissions de carbone, tels que la production industrielle et la consommation d'énergie. Ces facteurs doivent également être intégrés dans nos modèles analytiques.
Pour la prédiction de l'heure du pic de carbone et de la neutralité carbone dans la région du delta du fleuve Yangtze, nous devons établir un modèle de prédiction qui prend en compte le développement de nouveaux véhicules à énergie et d'autres facteurs pouvant affecter les émissions de carbone en entrée et les émissions de carbone en sortie. . Ce modèle peut être comme un modèle de prévision de séries chronologiques, un réseau de neurones, un modèle de prévision d'apprentissage en profondeur, etc. En formant ce modèle, nous pouvons prédire le moment du pic de carbone et de la neutralité carbone dans la région du delta du fleuve Yangtze.
La difficulté de ce sujet est que la relation entre le développement de véhicules à énergies nouvelles et les émissions de carbone peut être affectée par de nombreux facteurs.Nous devons collecter autant de données pertinentes que possible pour améliorer la précision du modèle de prédiction. Enfin, nous devons également effectuer une analyse de sensibilité sur les résultats de prédiction pour comprendre l'impact de chaque facteur d'entrée sur les résultats de prédiction.
Idées de questions C :
La question C est également un sujet d'analyse de données. Il est nécessaire de trouver une source de données appropriée et d'être en mesure de nettoyer et de traiter efficacement les données. La difficulté n'est pas élevée, et elle peut être envisagée en premier.
Question 1. Analysez quantitativement la difficulté de passer l'examen d'entrée au troisième cycle en 2023 et quels sont les principaux facteurs qui conduisent à la difficulté de l'examen d'entrée au troisième cycle ?
Cette question examine principalement si les principaux facteurs affectant la difficulté de l'examen d'entrée au troisième cycle peuvent être extraits des données, et la difficulté peut être quantifiée. Nous devons d'abord collecter des données pertinentes, notamment le nombre de candidats par an, le nombre d'admissions, les informations de l'école d'admission, les informations professionnelles, le nombre d'étudiants diplômés, y compris l'impact de la nouvelle épidémie de couronne , etc. Les données peuvent être trouvées à partir des données publiques du département de l'éducation, des données publiques de l'école ou de fournisseurs de données tiers sur l'éducation . Je vous aiderai à collecter des données plus tard.
Lors de la sélection du modèle, nous pouvons utiliser l'analyse en composantes principales ou l'analyse factorielle pour extraire les principaux facteurs d'influence de plusieurs indicateurs. Envisagez d'utiliser un modèle de régression linéaire multiple, en prenant la difficulté de l'examen d'entrée au troisième cycle comme variable dépendante et d'autres facteurs tels que le nombre de candidats, le nombre d'étudiants admis et le nombre d'étudiants diplômés comme variables indépendantes. , nous pouvons obtenir le degré d'influence de chaque facteur sur la difficulté de l'examen d'entrée au troisième cycle.
En termes d'indicateurs de quantification de la difficulté des concours d'entrée en troisième cycle, on peut choisir comme indicateur principal le taux d'admission (nombre de candidats/nombre de candidats) ou le taux de concours (nombre de candidats/nombre de candidats). On peut également considérer le taux de garantie de troisième cycle (le nombre d'étudiants de troisième cycle garantis / le nombre de candidats) comme un facteur affectant la difficulté de l'examen d'entrée de troisième cycle.
Question 2: Cette question nécessite une recherche sur la tendance historique de la difficulté des examens d'entrée au troisième cycle et de connaître les 10 écoles et les 10 majeures avec les examens d'entrée au troisième cycle les plus difficiles au cours des trois dernières années. Tout d'abord, nous devons collecter des données historiques sur les examens d'entrée au troisième cycle, y compris, mais sans s'y limiter, le nombre de candidats, le nombre d'admissions, le nombre de diplômés garantis et le taux de diplômés garantis. Deuxièmement, nous devons utiliser l'analyse des séries chronologiques ou d'autres méthodes pour analyser l'évolution de la difficulté des examens d'entrée aux cycles supérieurs. Ensuite, nous devons utiliser des indicateurs appropriés, tels que le ratio de concours d'admission, pour découvrir les écoles et les majeures avec les examens d'entrée de troisième cycle les plus difficiles au cours des trois dernières années.
Cette question examine principalement s'il est possible d'analyser l'évolution historique de la difficulté des examens d'entrée au troisième cycle et de connaître les 10 écoles et les 10 majeures avec les examens d'entrée au troisième cycle les plus difficiles au cours des trois dernières années. Il est encore nécessaire de collecter d'abord les données pertinentes. En plus des données de la question 1, ces données doivent également inclure des données historiques sur les examens d'entrée au troisième cycle.
Ici, nous pouvons utiliser des méthodes d'analyse de séries chronologiques, telles que le modèle ARIMA, pour analyser la tendance historique de la difficulté des examens d'entrée de troisième cycle. Afin de connaître les 10 écoles et 10 majors les plus difficiles , nous pouvons utiliser la méthode d'analyse par grappes pour classer les écoles ou les majors en fonction de la difficulté de l'examen d'entrée au troisième cycle.
Dans la sélection des indicateurs, on peut toujours choisir le taux d'admission ou le taux de compétition comme indicateur principal. Nous pouvons également envisager d'utiliser la ligne de score d'admission, la ligne de score moyen, etc. comme indicateur pour mesurer la difficulté de l'examen d'entrée au troisième cycle.
Question 3. Prédisez les changements dans la difficulté de l'examen d'entrée au troisième cycle au cours des 3 prochaines années et, sur la base de vos recherches, donnez quelques suggestions aux candidats qui postulent à l'examen d'entrée au troisième cycle en 2024.
Cette question examine principalement s'il est possible de prédire la difficulté de l'examen d'entrée au troisième cycle au cours des trois prochaines années et de donner des suggestions correspondantes. En termes de collecte de données, en plus des données des questions 1 et 2, nous devons également collecter certains facteurs susceptibles d'affecter la difficulté de l'examen d'entrée au troisième cycle à l'avenir, tels que les changements , etc. .
Bien sûr, la difficulté de l'examen d'entrée au troisième cycle augmentera certainement d'année en année.
Y compris des choses comme : l'échelle d'inscription des collèges et des universités augmente d'année en année, et la concurrence s'intensifie.
Le marché du travail est atone et le nombre d'examens d'entrée aux études supérieures continue d'augmenter.
Le ministère de l'Éducation a accru son soutien aux examens d'entrée de troisième cycle et les possibilités d'examens d'entrée de troisième cycle ont augmenté.
Sous l'influence de ces facteurs, la difficulté de l'examen d'entrée au troisième cycle continuera d'augmenter.
En termes de sélection de modèles, nous pouvons continuer à utiliser le modèle ARIMA pour prédire la difficulté de l'examen d'entrée au troisième cycle au cours des trois prochaines années. De plus, nous pouvons également envisager d'utiliser des méthodes d'apprentissage automatique, telles que la machine à vecteurs de support (SVM), la forêt aléatoire, etc., pour former un modèle prédictif. Dans le processus de formation du modèle, nous devons utiliser les données historiques de l'examen d'entrée de troisième cycle comme ensemble de formation et les futures données de l'examen d'entrée de troisième cycle comme ensemble de test.
Dans le processus de suggestion, nous combinons les résultats prédits et l'analyse des données historiques pour donner des suggestions ciblées. Par exemple, si les résultats de la prédiction montrent que la difficulté de l'examen d'entrée au troisième cycle à l'avenir augmentera, nous pouvons alors conseiller aux candidats de se préparer à l'avance, de déterminer l'école et la majeure cibles dès que possible et d'améliorer leur compétitivité. Si les résultats de la prédiction montrent que certaines écoles ou majeures deviendront plus difficiles pour les examens d'entrée de troisième cycle, alors nous pouvons conseiller aux candidats d'être vigilants sur ces écoles ou majeures, d'organiser raisonnablement leurs propres plans d'examen d'entrée de troisième cycle, etc., et chacun peut analyser ces par eux-mêmes .
↓↓↓