2024年高教社杯数学建模国赛C题超详细解题思路分析

C题一直以来都是竞赛难度最低、选题人数最多的一道本科生选题，近三年C题的选题人数一直都是总参赛队伍的一半左右，2023年六万支参赛队伍，C题选题队数2.8万。基于如此多的选题人数，本次我们将给大家带来两个版本的解题思路【思路、模型、代码完全不同】，下面进行第一版本的思路介绍。近年来，国赛在任何题目的数据预处理环节都设置了5-15分不等的数据预处理分值，因此数据预处理是必须进行的环节。数据可视化、描述性分析：我们可以对题目给出的数据进行初步分析，以便后续建模，例如我们可以进行一些数据的可视化工作。

云计算之ECS

块存储是阿里云为云服务器ECS提供的块设备产品，具有高性能和低时延的特点，支持随机读写。您可以像使用物理硬盘一样格式化并建立文件系统来使用块存储，满足大部分通用业务场景下的数据存储需求。注意：本地盘是物理磁盘直通给ECS使用，是单物理磁盘，没有Raid，存在丢失数据风险。对数据不敏感的业务可以选用快照是某一时间点云盘数据状态的备份文件。云盘创建的第一份快照是创建时间点云盘上所有数据块的全量快照，不备份空数据块，后续创建的快照均是增量快照，仅备份上一个快照以来有变化的数据块。

音乐项目

我用的是普通的的dopost方法，今天才弄明白 baseservlet 的用法，先交个总结等会再改成baseservlet方法。1.一些前端问题，触发函数之前有bug，然后用了内关联才正常，解决方法，一点点测试的。将获取验证码的消息发送给前端，再由后端发给前端。

【2024高教社杯全国大学生数学建模竞赛】B题模型建立求解

目前B题第一问的详细求解过程以及对应论文部分已经完成！- 晚上7-8点之前第二问完成- 明天中文之前全部写完按照提交论文的格式进行撰写！完整版请看文章最后！

宝塔部署Vue项目解决跨域问题

使用宝塔面板部署前端后端项目相比用命令行进行部署要简单许多，宝塔的可视化操作对那些对Linux不熟悉的人很友好。1、视频教程2、文字教程13、文字教程2以上的教程完全可以按照步骤一步一步进行部署，但是部署过程中，会遇到很多问题，例如前端的跨域问题，本文在遇到上述问题并解决后，特此记录一下。

数据分析-12-多个时间序列数据的时间戳对齐以及不同的方式补点

针对多个时间序列数据，将其时间戳对齐并补点，采用自定义方式、pandas的join，merge或merge_asof函数。

【线性代数】正定矩阵，二次型函数

本文主要介绍正定矩阵，二次型函数，及其相关的解析证明过程和各个过程的可视化几何解释（深蓝色字体）。

6 - Shell编程之sed与awk编辑器

在 Linux/UNIX 系统中，awk 是一个功能强大的编辑工具，逐行读取输入文本，默认以空格或tab键作为分隔符作为分隔，并按模式或者条件执行编辑命令。

使用PyTorch从零构建Llama 3

我们已经成功地从零开始构建了自己的Llama 3模型。我们不仅实现了模型的架构，还成功地进行了训练，并能够执行推理以生成新的文本。值得注意的是，我们在相对有限的计算资源（Google Colab Notebook提供的免费GPU和RAM）下，在较短的时间内完成了这个过程。本文中的代码和方法主要用于教育和研究目的。在实际应用中，可能需要进行更多的优化和调整，以达到生产级别的性能和效果。作者：Milan Tamang。

【2024数模国赛赛题思路公开】国赛C题思路丨附可运行代码丨无偿自提

同时，种植方案应考虑到方便耕种作业和田间管理，譬如：每种作物每季的种植地不能太分散，每种作物在单个地块（含大棚）种植的面积不宜太小，等等。根据乡村的实际情况，充分利用有限的耕地资源，因地制宜，发展有机种植产业，对乡村经济的可持续发展具有重要的现实意义。选择适宜的农作物，优化种植策略，有利于方便田间管理，提高生产效益，减少各种不确定因素可能造成的种植风险。：在假定农作物的销售量、种植成本、亩产量和销售价格稳定的情况下，为乡村2024-2030年制定最优的种植方案。：随机调整种植面积，变异概率为Pm。

AUTO TECH 2025 广州国际新能源汽车功率半导体技术展览会

技术产品，组委会将邀请比亚迪、广汽埃安、特斯拉、丰田、小鹏、理想、小米、极氪、长城、上汽、本田、日产、大众、宝马、蔚来、华为、汇川技术、宁德时代、博世、英飞凌、电装、瑞萨、安森美、意法半导体等汽车OEM厂商及Tier1 & 2 零部件供应商的上万名采购、技术工程师汇聚一堂，参加展会以寻求供应商及合作伙伴。外延片、衬底材料如碳化硅（SiC）、氮化镓（GaN）、硅（Si）、砷化镓（GaAs）等。新能源汽车主机厂、电机驱动系统、车载OBC、车载DC/DC、充电桩、半导体厂家等。

微调框架Llama-factory和Unsloth：应该选择哪个？

测试表明，UNSLOTH和LLAMA-FACTORY在社区支持、模型种类和易用性上相近，但UNSLOTH在微调速度上表现突出。尽管处理的数据量是LLAMA-FACTORY的20倍，UNSLOTH的速度仍快约2.5倍，极大优化了时间成本，尤其在大规模数据处理中的效率优势显著。

【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文

零配件与成品的次品率关联 ：成品次品率不仅取决于零配件的质量，还会受到装配过程的影响，因此需要建立合理的模型来预测成品的次品率。多阶段决策的递归性 ：在每个阶段做出的决策都会影响后续的阶段，这使得问题呈现出递归结构，适合使用动态规划或马尔科夫决策过程等递归方法解决。动态调整次品率 ：在实际生产过程中，次品率是通过抽样检测得到的，且会随着生产的进行动态变化，如何利用新的次品率数据调整生产流程是一个难点。描述 ：用于应对生产过程中的不确定性，可以通过模拟大量次品率和生产过程，评估不同决策下的平均成本。

Python办公自动化案例

下面是10个Python办公工具案例代码，以及每个代码的100字分析。

Python 数据分析— Pandas 基本操作（上）

python pandas Series DataFrame 类的创建及基本操作

LLaMA-Factory仓基础功能架构及NPU/GPU环境实战演练

LLaMA-Factory是一个开源的大规模语言模型微调框架，设计用于简化大模型的训练过程。它提供了一个统一的平台，支持多种大模型的微调，包括LLaMA、BLOOM、Mistral等，旨在帮助用户快速适应和调整这些模型以适应特定的应用场景。LLaMA-Factory通过提供一套完整的工具和接口，使用户能够轻松地对预训练的模型进行定制化的训练和调整，包括（增量）预训练、指令监督微调、奖励模型训练、PPO训练、DPO训练和ORPO训练等多种训练方法。

菜鸟入门Docker

Docker是基于Go语言实现的云开源项目。Docker的主要目标是“Build，Ship and Run Any App,Anywhere”，也就是通过对应用组件的封装、分发、部署、运行等生命周期的管理，使用户的APP（可以是一个WEB应用或数据库应用等等）及其运行环境能够做到“一次镜像，处处运行”。

llama.cpp demo

依次pip3 install numpy/pip3 install sentencepiece/pip3 install transformers/pip3 install gguf/pip3 install protobuf。另外看看是不是可以直接下载 llama-2-7b-chat.gguf。转换出llama-2-7b-chat.gguf。修改Makefile使能mfma参数。安装python3依赖。

滑动窗口学习笔记（基础部分）

首先设置变量ans和cur，因为数组中可能包含负值，所以ans变量的初值便不能设置为0，设置为一个相对较小的负数，遍历整个字符串，遵循三个步骤：进入，统计，退出，这道题的进入即：将当前遍历的元素加入cur，如果当前便利的数量不足k-1个则跳过退出步骤以及统计步骤。这句话也就代表着符合条件的minSize长度的子串也必定是符合条件的maxSize长度子串的子串，二者属于包含的关系，所以我们只需要找到符合条件的窗口大小为minSize的子串即可。，第二小的数是负数 -1。，第二小的数是负数 -2。

利用 Llama-Index为你的应用程序注入智能搜索

Llama-Index 是一个基于大型语言模型的索引和检索工具，它允许用户快速检索和使用大量文本数据。