2024年美赛D题：五大湖水问题 Great Lakes Water Problem 思路模型代码解析

最新推荐文章于 2024-05-20 19:08:38 发布
最新推荐文章于 2024-05-20 19:08:38 发布
阅读量1.1k 收藏 15
点赞数 7
文章标签： 人工智能 数学建模 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_75432540/article/details/136002441
版权

2024年美赛D题：五大湖水问题 Great Lakes Water Problem 思路模型代码解析

【点击最下方群名片，加入群聊，获取更多思路与代码哦~】

问题翻译

image.png
美国和加拿大的五大湖是世界上最大的淡水湖群。这五个湖泊及其连接的水道构成了一个庞大的排水盆地，在这两个国家包含着许多大型城市，具有多样的气候和局部的天气条件。
这些湖泊的水被用于许多目的（钓鱼、娱乐、发电、饮用水、航运、动植物栖息地、建筑、灌溉等）。因此，许多利益相关者都对流入和流出湖泊的水的管理感兴趣。特别是，如果湖泊的排水量太少或蒸发过多，就会发生洪水，沿岸的住宅和企业就会受到影响；如果排水量过多，大型船只无法通过水道运输货物，从而影响当地经济。主要问题是调节水位，使所有利益相关者都能受益。
每个湖泊的水位由流入和流出湖泊的水量决定。这些水位是温度、风、潮汐、降水、蒸发、湖底地形（水深）、河流流量和径流、水库政策、季节循环以及长期气候变化等复杂相互作用的结果。在五大湖系统中，有两种主要的水流控制机制——苏圣玛丽斯奥洛克的补偿工程（三个水力发电站、五个航运船闸和一座位于急流头的闸门大坝）以及康沃尔的摩西-桑德斯大坝。
尽管这两个控制坝、许多水道和运河以及排水盆地水库可以由人类控制，但降雨量、蒸发、侵蚀、冰堵等水流现象的速率超出了人类的操纵范围。当地政府的政策可能产生意想不到的不同影响，季节性和环境变化也会影响水盆地。这些变化反过来又影响了该地区的生态系统，进而影响了湖泊及其周围发现的植物和动物以及生活在水盆地的居民的健康。尽管五大湖看起来具有规律的年度模式，但水位偏离正常值两到三英尺可能会极大地影响某些利益相关者。
这个动态网络流问题是“恶性”的——由于相互依赖、复杂的要求和固有的不确定性，解决起来异常具有挑战性。对于湖泊的问题，我们面临着不断变化的动态和利益相关者之间的利益冲突。有关更多信息，请参阅问题D的附录。
国际联合委员会（IJC）请求贵公司国际网络控制建模者（ICM）的支持，以协助管理和模拟控制机制（如附件中所示的两个大坝——补偿工程和摩西-桑德斯大坝），这些机制直接影响了五大湖流域网络中的水位。您的ICM主管已经指示您的团队负责开发该模型和实施该模型的管理计划。您的主管指出，有几个考虑因素可能有助于实现这一目标，首先是建立五大湖的网络模型，并连接从苏必利尔湖到大西洋的河流流量。您的主管还提到了一些其他可选的考虑因素或问题：
1. 确定五大湖在任何时候的最佳水位，考虑到各利益相关者的愿望（每个利益相关者的成本和收益可能不同）。
2. 建立算法，根据湖泊的流入和流出数据，维持五大湖的最佳水位。
3. 了解您的控制算法对两个控制大坝的排水敏感性。鉴于2017年的数据，您的新控制是否会导致对于当年各利益相关者的水位水平满意或优于实际记录？
4. 您的算法对环境条件变化（如降水、冬季积雪、冰堵）的敏感程度如何？
5. 仅将您的广泛分析重点放在影响安大略湖的利益相关者和因素上，因为对于该湖的水位管理最近引起了更多的关注。
国际联合委员会（IJC）也对您用于建立模型和确定参数的历史数据感兴趣，因为他们很想比较您的管理和控制策略与以前模型的比较。请提供一份一页的备忘录给IJC领导，介绍您的模型的关键特点，以说服他们选择您的模型。

思路解析

问题一：确定最佳水位

  1. 理解利益相关者需求： 首先，我们需要深入了解各个利益相关者（如沿岸居民、船舶运输公司、生态保护组织等）对五大湖水位的期望和需求。这可能需要通过调查、专家意见和相关文献来获取。
  2. 量化利益相关者的需求： 将各利益相关者的需求量化为目标函数的组成部分。例如，沿岸居民可能希望保持水位稳定以防止洪水，船舶运输公司可能更关注水位对航运的影响，生态保护组织可能关注水位对生态系统的影响。
  3. 建立优化模型： 将问题建模为一个多目标优化问题，目标是在满足各利益相关者需求的同时，最大化总收益或最小化总成本。
  4. 考虑约束条件： 考虑到水位的物理限制、法律法规等约束条件。
  5. 选择合适的优化算法： 根据问题的特点选择合适的多目标优化算法进行求解，如NSGA-II、NSGA-III、MOEA/D等。
  6. 验证模型效果： 使用历史数据验证模型的效果，比较模型预测的水位与实际水位的差异，评估模型的准确性和可靠性。

解题模型：

  1. 目标函数：
    • 定义各利益相关者的需求函数，如稳定性函数、航运函数、生态保护函数等。
    • 将这些需求函数组合成一个多目标优化问题的目标函数，以平衡各利益相关者的需求。
  2. 约束条件：
    • 物理约束条件：考虑五大湖的物理限制，如最大水位和最小水位。
    • 法律法规约束：考虑国际法律法规对水位管理的限制。
  3. 优化算法：
    • 选择一个适合多目标优化的算法，如NSGA-II算法。
    • 使用选定的算法对目标函数进行优化，找到最优的水位组合。
  4. 验证模型效果：
    • 使用历史数据验证模型的准确性和可靠性。
    • 比较模型预测的水位与实际水位的差异，评估模型的预测能力。

参考代码：

from pymoo.factory import get_problem, get_algorithm, get_termination
import numpy as np

# 定义问题
class WaterLevelOptimizationProblem:
    def __init__(self):
        self.n_var = 5  # 五大湖
        self.n_obj = 2  # 优化两个目标：最大化总收益，最小化总成本
        self.xl = np.array([0, 0, 0, 0, 0])  # 变量下限
        self.xu = np.array([100, 100, 100, 100, 100])  # 变量上限
        self.x_types = np.array(["real", "real", "real", "real", "real"])  # 变量类型

    def evaluate(self, x, out, *args, **kwargs):
        # 这里根据具体问题定义目标函数，计算总收益和总成本
        f1 = total_revenue(x)
        f2 = total_cost(x)
        out["F"] = [f1, f2]

# 创建问题实例
problem = WaterLevelOptimizationProblem()

# 选择多目标优化算法（这里以NSGA-II算法为例）
algorithm = get_algorithm("nsga2", pop_size=100)

# 设置终止条件
termination = get_termination("n_gen", 100)

# 解决问题
from pymoo.optimize import minimize
res = minimize(problem,
               algorithm,
               termination,
               seed=1,
               verbose=False)

# 输出最优解
print("Best water levels:", res.X)
print("Best objectives:", res.F)

问题二：维持五大湖的最佳水位

  1. 收集数据： 首先，需要收集五大湖的历史水位数据、流入流出数据，以及其他可能影响水位的因素数据，如降雨量、蒸发量等。这些数据可以从水文观测站、气象站、政府部门等渠道获取。
  2. 建立水位预测模型： 使用收集到的历史数据，建立一个水位预测模型。这个模型可以是基于统计方法（如时间序列分析、回归分析）、机器学习方法（如神经网络、随机森林）或物理模型（如水文模型）等。
  3. 制定控制策略： 基于水位预测模型的结果，制定出调整水位的控制策略。这可能涉及到调整水库的放水量、控制水坝的闸门开启程度等措施。
  4. 实时监测和调整： 对湖泊的水位变化进行实时监测，并根据实时数据对控制策略进行调整。这可能需要建立实时监测系统，定期更新数据，以及制定应急调整方案。

解题模型：

  1. 水位预测模型：
    • 数据处理： 对收集到的数据进行清洗、整理和转换，确保数据的质量和可用性。
    • 特征工程： 根据问题的特点，提取合适的特征，并进行特征工程处理，如特征缩放、特征选择等。
    • 模型选择： 选择合适的模型进行建模，可以尝试多种模型并比较它们的性能，选择最优的模型。
    • 模型训练： 使用历史数据对选定的模型进行训练，并对模型进行参数调优。
    • 模型评估： 使用交叉验证等方法对模型进行评估，评估模型的性能和泛化能力。
  2. 控制策略制定：
    • 基于模型预测： 根据水位预测模型的预测结果，制定出调整水位的控制策略。这可能需要考虑到不同时间段的水位变化趋势，以及各种因素对水位的影响程度。
    • 多目标优化： 将各利益相关者的需求量化为目标函数的组成部分，使用多目标优化方法制定出平衡各利益相关者需求的最优控制策略。
  3. 实时监测和调整：
    • 数据更新： 建立实时监测系统，定期获取最新的水位数据和其他相关数据。
    • 实时控制： 根据实时数据和预测结果，实时调整水位控制策略，以应对突发情况和变化环境。
# 这里使用的是一个简单的线性回归模型作为示例
from sklearn.linear_model import LinearRegression

# 假设我们有一组历史数据，包括流入和流出数据以及对应的水位数据
# 这里使用随机生成的数据作为示例
inflow = [1000, 1100, 1050, 1200, 1150]  # 流入数据
outflow = [800, 850, 900, 950, 1000]  # 流出数据
water_level = [500, 550, 600, 650, 700]  # 对应的水位数据

# 将数据整理成特征和标签的形式
X = [[inflow[i], outflow[i]] for i in range(len(inflow))]
y = water_level

# 建立线性回归模型
model = LinearRegression()
model.fit(X, y)

# 使用模型进行预测（这里假设有新的流入流出数据）
new_inflow = 1100
new_outflow = 850
predicted_water_level = model.predict([[new_inflow, new_outflow]])
print("Predicted water level:", predicted_water_level)

问题三：评估新控制策略对各利益相关者的满意度

  1. 敏感性分析： 首先，对两个控制大坝的排水量进行敏感性分析，确定不同排水量对水位的影响程度。这可以通过调整排水量并观察水位变化来进行。
  2. 模拟水位变化： 使用历史数据进行水位变化的模拟，根据不同的排水量方案，预测水位的变化情况。这需要建立一个水位模拟模型，可以是基于物理原理或数据驱动的模型。
  3. 评估利益相关者满意度： 根据模拟结果，评估新控制策略对不同利益相关者的水位满意度。这可能包括沿岸居民、船舶运输公司、生态保护组织等。评估水位对各利益相关者需求的满足程度，并与实际记录进行对比。
  4. 确定最佳控制策略： 结合敏感性分析和利益相关者满意度评估，确定最佳的控制策略，以维持五大湖的最佳水位。

解题模型：

  1. 水位模拟模型：
    • 输入： 流入和流出数据，控制大坝的排水量等。
    • 输出： 模拟的水位变化情况。
    • 模型类型： 可以选择基于物理原理的水文模型，如水动力模型或水库模型；也可以选择数据驱动的模型，如时间序列分析、机器学习模型等。
  2. 利益相关者满意度评估模型：
    • 指标选择： 选择合适的指标来评估各利益相关者的满意度，如水位的稳定性、波动范围、与预期水位的偏差等。
    • 权重分配： 根据各利益相关者的重要性，为不同指标分配权重，以综合评估满意度。
# 假设我们有历史数据，包括2017年的流入流出数据和水位数据
# 这里使用随机生成的数据作为示例
import numpy as np

# 历史数据
inflow_2017 = np.random.uniform(800, 1200, 365)  # 流入数据
outflow_2017 = np.random.uniform(700, 1100, 365)  # 流出数据
water_level_2017 = np.random.uniform(500, 800, 365)  # 水位数据

# 模拟新控制策略的效果
# 这里假设我们调整了排水量，模拟新的水位数据
# 可以根据具体情况调整模拟过程和参数
new_outflow_2017 = outflow_2017 * 1.1  # 增加10%的排水量

# 比较模拟结果与实际记录
# 这里可以使用各种评估指标，如水位的稳定性、波动范围等
# 假设我们的评估指标是水位的标准差
satisfaction_actual = np.std(water_level_2017)
satisfaction_new = np.std(water_level_2017 - (new_outflow_2017 - outflow_2017))

# 输出评估结果
if satisfaction_new < satisfaction_actual:
    print("新控制策略导致的水位水平优于实际记录")
else:
    print("新控制策略导致的水位水平不如实际记录")

问题四：对环境条件变化（如降水、冬季积雪、冰堵）的敏感程度

  1. 环境条件变化的影响分析： 首先，需要分析降水、冬季积雪和冰堵等环境条件变化对水位的影响程度。这包括确定这些条件变化对水位的直接影响以及可能引发的间接影响。
  2. 模拟环境条件变化： 基于历史数据和模型，模拟不同环境条件下的水位变化情况。这可以通过调整模型参数或者构建不同情景的模拟实验来实现。
  3. 敏感性分析： 对模拟结果进行敏感性分析，评估水位对不同环境条件变化的响应程度。这可以通过比较不同情景下的水位变化情况来进行。
  4. 综合评估： 综合考虑不同环境条件下的水位变化情况，评估算法对环境条件变化的敏感程度，确定其对水位管理的影响。

解题模型：

  1. 水位模拟模型：
    • 基于历史数据建立一个水位模拟模型，可以是物理模型或数据驱动的模型。
    • 根据不同的环境条件变化，调整模型参数或输入条件，模拟水位的变化情况。
  2. 敏感性分析模型：
    • 基于模拟结果，评估水位对不同环境条件变化的响应程度。
    • 可以使用统计分析方法或可视化分析方法来比较不同情景下的水位变化情况。
# 假设我们有历史数据，包括2017年的流入流出数据和水位数据
# 这里使用随机生成的数据作为示例
import numpy as np

# 历史数据
inflow_2017 = np.random.uniform(800, 1200, 365)  # 流入数据
outflow_2017 = np.random.uniform(700, 1100, 365)  # 流出数据
water_level_2017 = np.random.uniform(500, 800, 365)  # 水位数据

# 模拟不同环境条件下的水位变化
# 假设增加10%的降水量会导致水位上升10个单位
# 假设冬季积雪会导致流入增加20%，流出减少20%
# 假设冰堵会导致流入流出都减少30%
new_inflow_2017 = inflow_2017 * 1.2  # 增加20%的流入
new_outflow_2017 = outflow_2017 * 0.8  # 减少20%的流出
new_water_level_2017 = water_level_2017 + 10  # 水位上升10个单位

# 计算水位对不同环境条件变化的响应程度
sensitivity_to_precipitation = np.mean(new_water_level_2017 - water_level_2017)
sensitivity_to_snow = np.mean(new_water_level_2017 - water_level_2017)
sensitivity_to_ice_jams = np.mean(new_water_level_2017 - water_level_2017)

# 输出敏感性分析结果
print("水位对降水量变化的敏感程度:", sensitivity_to_precipitation)
print("水位对冬季积雪的敏感程度:", sensitivity_to_snow)
print("水位对冰堵的敏感程度:", sensitivity_to_ice_jams)

问题五：安大略湖水位模拟和利益相关者满意度评估

  1. 利益相关者分析： 首先，需要识别影响安大略湖水位管理的主要利益相关者，如沿岸居民、航运公司、旅游业、环境保护组织等。了解他们的需求和关切点是解决问题的关键。
  2. 因素分析： 分析影响安大略湖水位的主要因素，包括降雨量、流入流出情况、水库放水政策、大气压力、湖面蒸发率等。理解这些因素对水位变化的影响程度是解决问题的基础。
  3. 模拟分析： 使用历史数据和水位模拟模型，模拟不同因素对安大略湖水位的影响。可以针对不同情景进行模拟分析，如降雨增加、流入流出变化等。
  4. 利益相关者满意度评估： 根据模拟结果，评估不同因素对安大略湖水位的影响程度，并综合考虑利益相关者的需求和关切点，评估水位管理措施的效果。

解题模型：

  1. 水位模拟模型：
    • 基于历史数据建立水位模拟模型，可以是物理模型或数据驱动的模型。
    • 根据不同因素的变化，模拟安大略湖水位的变化情况，评估不同情景下的水位变化。
  2. 利益相关者满意度评估模型：
    • 考虑利益相关者的需求和关切点，定义合适的评估指标，如水位稳定性、对航运的影响、对生态环境的影响等。
    • 根据模拟结果，评估不同因素对各利益相关者的影响程度，综合评估水位管理措施的效果。
# 假设我们有历史数据，包括2017年的流入流出数据和水位数据
# 这里使用随机生成的数据作为示例
import numpy as np

# 历史数据
inflow_2017 = np.random.uniform(800, 1200, 365)  # 流入数据
outflow_2017 = np.random.uniform(700, 1100, 365)  # 流出数据
water_level_2017 = np.random.uniform(500, 800, 365)  # 水位数据

# 模拟不同因素对安大略湖水位的影响
# 假设增加10%的降雨量会导致水位上升15个单位
# 假设流入流出增加10%会导致水位上升10个单位
new_rainfall = inflow_2017 * 1.1
new_outflow = outflow_2017 * 1.1
simulated_water_level = water_level_2017 + 15

# 计算不同因素对水位的影响程度
impact_of_rainfall = np.mean(simulated_water_level - water_level_2017)
impact_of_flow = np.mean(simulated_water_level - water_level_2017)

# 输出影响程度
print("增加10%的降雨量对水位的影响程度:", impact_of_rainfall)
print("增加10%的流入流出对水位的影响程度:", impact_of_flow)

【点击下方群名片，加入群聊，获取更多思路与代码哦~】

七七数模sc
关注
  • 7
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab分时代码-tcd-ultrasound:从密歇根大学GreatLakes集群的M9超声图像中提取经颅多普勒数据的工具
05-21
它在MATLAB中实现，并且设计用于密歇根大学的GreatLakes群集计算资源，该资源使用了slurm调度程序。 可以在中找到更多信息。 初次设置 本教程的这一部分将指导您首次登录GreatLakes并设置您的环境。 与GreatLakes...
【2024美赛】D题（中英文）：五大湖水资源问题Problem Problem D: Great Lakes Water Problem
定期分享我的发现和想法，感谢你的陪伴和支持
02-02 1859
这些变化反过来影响该地区的生态系统，进而影响湖泊及其周围发现的动植物的健康，以及居住在水盆地中的居民。这些水位是温度、风、潮汐、降水、蒸发、湖底形态（湖底的形状）、河流流量和径流、水库政策、季节循环和长期气候变化之间复杂相互作用的结果。在五大湖水系统的水流中有两个主要的控制机制——苏锡圣玛丽的补偿工程（三座水电站、五个导航闸和一个在急流头部的闸门大坝）和康沃尔的摩西-桑德斯大坝，如附录中所示。IJC还对你使用的历史数据来通知你的模型和建立参数感兴趣，因为他们好奇你的管理和控制策略与以往模型的比较情况。
2024美赛D题获奖思路：五大湖的水问题 Great Lakes Water Problem
qq_43531919的博客
02-02 933
美赛、数学建模、美国大学生数学建模、美赛思路、美国大学生数学建模思路、2024美赛、2024美国大学生数学建模竞赛、2024美赛思路、2024美赛数据、2024美赛A题、2024美赛B题、2024美赛C题、2024美赛D题、2024美赛E题、2024美赛F题、 2024美赛数据、2024美赛论文、2024美赛解析、2024美赛思路、美国大学生数学建模竞赛思路、美赛解析、美赛免费思路。由人类控制，降雨、蒸发、侵蚀、冰塞和其他水流的速度。与预期不同的影响，流域的季节性和环境变化也是如此。有两种主要的控制机制。
【2024美赛D题】五大湖水问题Problem D: Great Lakes Water Problem
weixin_46039719的博客
02-02 1773
这些变化反过来又影响了该地区的生态系统，进而影响了湖泊及其周围地区的植物和动物的健康，以及生活在水盆地中的居民。每个湖泊的水位取决于流入和流出的水量。在五大湖系统中，有两个主要的水流控制机制——苏圣玛丽的补偿工程（三座水电站、五座航运闸和一座闸门大坝）以及康沃尔的摩西-桑德斯大坝，如附件所示。这些湖泊和相连的水道构成了一个庞大的排水盆地，涵盖了这两个国家的许多大型城市，具有多样化的气候和局部的天气条件。• 在任何时候确定五大湖的最佳水位，考虑到各利益相关者的需求（每个利益相关者的成本和收益可能不同）。
matlab的登录代码下载-Great_Lakes_SLURM:使用GreatLakes集群并通过SLURM进行批处理计算
05-22
matlab的登录代码下载大湖区SLURM 使用Great Lakes集群并通过SLURM进行批处理计算 资源 幻灯片： 幻灯片： 幻灯片： ARC-TS： ARC-TS： ARC-TS： ARC-TS： ARC-TS： 凯利的 SLURM基础 指令 命令 行动 sbatch script....
sparrow-greatlakes-js:麻雀大湖的JS版本（基于MRB3模型）
05-09
要使用该代码，您将需要以下软件：入门这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 有关如何在实时系统上部署项目的注释，请参阅部署。 注意：某些依赖项可能与新版本的Node ...
conditioncodeassistant:Great Lakes Landcare条件代码应用程序，用于现场技术人员将条件代码实时通过电子邮件发送给销售人员
04-17
条件码助手Great Lakes Landcare条件代码应用程序，用于现场技术人员将条件代码实时通过电子邮件发送回销售人员。
2024 MCM全部题目汇总
02-06
2024 MCM Problems ...Problem D: Great Lakes Water Problem Problem D: Addendum Problem D: Great Lakes.xlsx Problem E: Sustainability of Property Insurance Problem F: Reducing Illegal Wildlife Trade
智能决策引擎架构设计
猫七姑娘的小博客
05-15 1428
智能决策引擎系统是在大数据支撑下，根据行业专家经验制定规则策略、以及机器学习/深度学习/AI领域建立的模型运算，对当前的业务进行全面的评估，并给出决策结果的一套系统。一套商业决策引擎系统动辄百万而且需要不断加钱定制，大多数企业最终仍会走上自研道路，市场上有些开源规则引擎项目可参考，比较出名的开源规则引擎有drools、urule，都是基于Rete算法，都是基于java代码实现，一些企业会进行二次开发落地生产。而这类引擎功能强大但也比较“笨重”，易用性以及定制性并不够好，对其他语言栈二次开发困难。
RANSAC算法概述
最新发布
点云侠的博客
05-20 431
RANSAC算法概述
使用多实例学习进行乳腺癌组织病理学图像分类和定位
qq_47896523的博客
05-16 1097
乳腺癌是女性最主要的死亡原因，病理学家根据病理切片中观察到的各种视觉特征（例如细胞核的形态特征、细胞核的微观和宏观结构等）做出决定。计算机辅助诊断（CAD）系统可以帮助病理学家自动做出决策。卷积神经网络是最广泛使用的深度学习框架，用于学习图像类别之间的复杂判别特征。多年来，VGG16 [3] 和 ResNet18 [4] 等各种 CNN 架构在海量 ImageNet 数据集上产生了出色的结果。CNN 被用于医学图像以产生最先进的结果。为图像中存在的所有类别提供了定位信息。
2024第二届全国人工智能应用场景创新挑战赛
audyxiao001的博客
05-14 784
本文从竞赛模式、参赛组别和条件、参赛注意事项以及赛程设置四个角度介绍了第二届全国人工智能应用场景创新挑战赛，并给出大赛官网，以便读者了解更多详细信息。
长江商学院隽永参访实在智能，沉浸体验实在Agent
SHIZAIZHINENG的博客
05-16 538
长江隽永是中国首个全方位关注并赋能“她价值”的女性成长平台，此次参访实在智能，旨在深入学习并交流最前沿的Agent技术，引导企业进行科学决策和组织变革，从而帮助企业从个体成长跃升为具有全球视野的数字化领导者。随着数字化技术的不断发展，人工智能、虚拟现实等新技术的的应用已经深入社会的方方面面，并在不断地释放着创新的活力，AI+RPA技术的涌现，外加人力成本的大幅度增加，使得企业对智能数字员工的服务需求越来越大。实在智能创始人、CEO孙林君和实在伙伴一同接待。
2024成都现代职业教育及装备展6月1日举办 免费参观
wb253228的博客
05-14 700
2024成都现代职业教育及装备展6月1日举办 免费参观同期举办：中国西部职业教育产教融合高峰论坛 主办单位： 中国西部教体融合博览会组委会承办单位：重庆港华展览有限公司博览会主题：责任教育 职教兴邦组委会：交易会159交易会2351交易会9466展会和论坛背景：为推动中国职业教育产业新发展、满足时代新需求，2024第16届中国西部（成都和重庆）现代职业教育及装备博览会及中国现代职业教育产教融合国际高峰论坛在西部重镇成都举办。立足西部，覆盖全球，打造世界职业教育产业链上下游的合作、交流平台，促进产教融合和
四非、双非计算机保研夏令营入营情况
小蒋的博客
05-19 579
厦大 信息学院，电影学院，CS，人工智能浙软（海营，预推免入场券）、工程师华东科技大学网安中国科学技术大学 先进技术研究院，空间应用工程与技术中心，信工所，软件所，计算与网络中心，计算技术研究所北京师范大学 认知神经科学与学习国家重点实验室山东大学 网络空间与安全学院，SE天津大学 智能与计算机学部华中师范大学 计算机学院、大数据北航计算机南开计算机，SE吉大计算机、SE、人工智能湖南信息山大计院（不发offer），网安成电计算机，网安。
AIGC是什么?
米的
05-15 1293
AIGC，全称为Artificial Intelligence Generated Content，即人工智能生成内容，是当前AI技术发展的一个重要方向。这项技术利用机器学习、深度学习、自然语言处理以及其他高级算法，使计算机系统能够自动或辅助生成包括文字、图像、音频、视频、3D模型等多种形式的创意内容。AIGC不仅代表了从人工智能1.0向2.0时代的转变，还标志着AI在认知智能层面的巨大进步，为内容创造开启了全新的可能性。
[数据集][目标检测]抽烟喝酒检测数据集VOC+YOLO格式1026张2类别
FL1623863129的博客
05-18 274
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:[“drinking”,“smoking”]图片数量(jpg文件个数)：1026。标注数量(xml文件个数)：1026。标注数量(txt文件个数)：1026。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
多式联运奇迹：探索 GPT-4o 的尖端功能
weixin_46083783的博客
05-16 1254
GPT-4o，即 GPT-4 Omni，是 OpenAI 开发的领先的人工智能模型。该先进系统旨在完美处理文本、音频和视觉输入，使其成为真正的多模式。与其前身不同，GPT-4o 跨文本、视觉和音频进行端到端训练，使所有输入和输出都能由相同的处理器处理。神经网络。这种整体方法增强了其功能并促进更自然的交互。借助 GPT-4o，用户可以预期更高的参与度，因为它会生成文本、音频和图像输出的各种组合，反映人类交流。
lakes environmental austal view 8.6 artm 1.4.2 aermod 8.9
11-05
Lakes Environmental Austal View 8.6是一款用于环境空气质量模拟和预测的软件工具。由Lakes Environmental开发，旨在支持环境管理和决策制定过程。 Austal View是一种流行的空气质量建模工具，可以模拟和预测大气...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值