2024妈妈杯ABCD题成品论文均已出（每一位完整代码+数据+运行结果）+答疑重磅更新

                     A题 移动通信网络中PCI规划问题思路

（完整资料在文末获取）

问题1：给这2067个小区重新分配PCI，使得这2067个小区之间的冲突MR数、混淆MR数和模3干扰MR数的总和最少。

假设有N个小区，每个小区分配的PCI为P1, P2, ..., PN。设冲突矩阵A=aijN根N，其中aij表示小区i和j同频的MR数量。混淆矩阵B=bijN根N，其中bij表示小区i和j同时为另一个小区k的邻区的MR数量。干扰矩阵C=cijN根N，其中cij表示小区i为主控，j为i的重叠覆盖邻区的MR数量。根据问题1的要求，需要最小化冲突、混淆和干扰的总和，可以将其表示为一个优化问题：

min ∑aij+∑bij+∑cij

subject to：

1. 每个小区分配的PCI为P1, P2, ..., PN，即每个小区都有一个唯一的PCI值；

2. 冲突矩阵A、混淆矩阵B和干扰矩阵C由小区分配的PCI值决定，即aij、bij、cij都是P1, P2, ..., PN的函数；

3. 每个小区分配的PCI值必须在0到1007之间；

4. 小区之间的冲突、混淆和干扰的MR数量需要小于等于给定的门限值，即aij+bij+cij≤δ。

因此，第一个问题可以建立如下的数学模型：

min ∑aij+∑bij+∑cij

subject to：

P1, P2, ..., PN为0到1007之间的整数；

aij=0，若小区i和j不同频；

bij=0，若小区i和j不同频；

cij=0，若小区i和j不同频；

aij+bij+cij≤δ，∀i,j∈{1,2,...,N}；

∑aij=∑bij=∑cij，∀i,j∈{1,2,...,N}。

其中，δ为给定的门限值。该问题可以通过遍历所有可能的PCI值的组合，来求解最优解。

           B题 甲骨文智能识别中原始拓片单字自动分割与识别研究 

甲骨文是我国目前已知的最早成熟的文字系统，它是一种刻在龟甲或兽骨上的古老文字。甲骨文具有 极其重要的研究价值，不仅对中国文明的起源具有重要意义，也对世界文明的研究有着深远影响。在 我国政府的大力推动下，甲骨文研究已经进入一个全新的发展阶段。人工智能和大数据技术被应用于 甲骨文全息性研究及数字化工程建设，成为甲骨文信息处理领域的研究热点[1]。

甲骨文拓片图像分割是甲骨文数字化工程的基础问题，其目的是利用数字图像处理和计算机视觉技

术，在甲骨文原始拓片图像的复杂背景中提取出特征分明且互不交叠的独立文字区域。它是甲骨文字 修复、字形复原与建模、文字识别、拓片缀合等处理的技术基础[2]。然而，甲骨拓片图像分割往往受 到点状噪声、人工纹理和固有纹理三类干扰元素的严重影响[3]。且甲骨文图像来源广泛，包括拓片、  拍照、扫描、临摹等，不同的图像来源，其干扰元素的影响是不同的。由于缺乏对甲骨文字及其干扰 元素的形态先验特征的特殊考量，通用的代表性图像分割方法目前尚不能对甲骨文原始拓片图像中的 文字目标和点状噪声、人工纹理、固有纹理进行有效判别，其误分割率较高，在处理甲骨拓片图像时 均有一定局限性。如何从干扰众多的复杂背景中准确地分割出独立文字区域，仍然是一个亚待解决的 具有挑战性的问题。

图 1 为一张甲骨文原始拓片的图像分割示例，左图为一整张甲骨文原始拓片，右图即为利用图像分割 算法[4]实现的拓片图像上甲骨文的单字分割。甲骨文的同一个字会有很多异体字，这无疑增加了甲骨 文识别的难度。

问题 1:对于附件1 (Pre test 文件夹) 给定的三张甲骨文原始拓片图片进行图像预处理，提取图像特征， 建立甲骨文图像预处理模型，实现对甲骨文图像干扰元素的初步判别和处理

问题 2:对甲骨文原始拓片图像进行分析，建立一个快速准确的甲骨文图像分割模型，实现对不同的甲   骨文原始拓片图像进行自动单字分割，并从不同维度进行模型评估。其中附件 2 (Train 文件夹) 为已标 注分割的数据集。

问题3:利用建立的甲骨文图像分割模型对附件3 (Test 文件夹) 中的200 张甲骨文原始拓片图像进行自动 单字分割，并将分割结果放在“Test results.xlsx”中，此文件单独上传至竞赛平台。

问题 4: 基于前三问对甲骨文原始拓片图像的单字分割研究，请采用合适的方法进行甲骨文原始拓片的 文字识别，附件 4 (Recognize 文件夹)中给出了部分已标注的甲骨文字形 (不限于此训练集，可自行查 找其他资料，如使用外部资料需在论文中注明来源)，请对测试集中的 50 张甲骨文原始拓片图像进行  文字自动识别，并以适当结果呈现。 "

问题背景

在这个数学建模任务中，我们要处理的问题背景是关于甲骨文智能识别的研究。甲骨文是中国最早的 成熟文字系统，刻在龟甲和兽骨上，对于研究中国文明起源和世界文明都有重要价值。目前，甲骨文 研究正处于一个新的发展阶段，人工智能和大数据技术的应用正在推动这一领域的进展。

                         

                                 C题 物流分拣中心货物预测与人员排班

电商物流网络在订单履约中由多 个环节组成，其中，分拣中心作为网络的中 间环节，需要将包裹按照不同流向进行分拣并发往下一个场地，最终使包裹到达 消费者手中。分拣中心管理效率的提升，对整体网络的履约效率和运作成本起着 十分重要的作用。分拣中心的货量预测是电商物流网络重要的研究问题，对分拣 中心货量的精准预测是后续管理及决策的基础 ，如果管理 者可以提前预知之后一段时间各个分拣中心需要操作的货量，便可以提前对资源 进行安排。在此场景下的货量预测目标一般有两个：一是根据历史货量、物流网 络配置等信息，预测每个分拣中心每天的货量；二是根据历史货量小时数据，预 测每个分拣中心每小时的货量。分拣中心的货量预测与网络 的运输线路有关，通过分析各线路的运输

货量，可以得出各分拣中心之间的网络连接关系。当线路关系调整时，可以参考 线路的调整信息，得到各分拣中心货量更为准确的预测。基于分拣中心货量预测 的人员排班是接下来要解决的重要问题，分拣中心的人员包 含正式工和临时工两种：正式工是场地长期雇佣的人员，工作效率较高；临时工 是根据货量情况临时招募的人员，每天可以任意增减，但工作效率相对较低、雇 佣成本较高。根据货量预测结果合理安排人员，旨在完成工作的情况下尽可能降 低人员成本。针对当前物流网络，其人员安排班次及小时人效指标情况如下：

1)对于所有分拣中心，每天分为 6 个班次，分别为：00:00-08:00，05:00-13:00， 08:00-16:00,12:00-20:00，14:00-22:00，16:00-24:00，每个人员（正式工或  临时工）每天只能出勤一个班次；

2)小时人效指标为每人每小时完成分拣的包裹量（包裹量即货量），正式工

的最高小时人效为 25 包裹/小时，临时工的最高小时人效为 20 包裹/小时。

该物流网络包括 57 个分拣中心，每个分拣中心过去 4 个月的每天货量如附 件 1 所示，过去 30 天的每小时货量如附件 2 所示。基于以上数据，请完成以下 问题：

本题出题方式类似于 2023 年 Mathorcup 与五一赛的相关内容, 但是在路径 规划的前提下, 还增加了预测的相关工作.或者, 我们以 2021 年国赛 C 题进行对比, 那题也是有关于转运商, 供货商的问题. 在拿到题 目的评分标准中, 对结果的判别并没有那么严苛, 国赛中说道, 只需要写出对 应的约束条件, 所有的结果都可以接受. 所以大家不需要非常纠结结果是否准 确无误, 预测结果是否会对后面的小问造成影响等小的细节问题.

问题 1：建立货量预测模型，对 57 个分拣中心未来 30 天每天及每小时的货 量进行预测，将预测结果写入结果表 1 和表 2 中。

问题 1 要求我们预测 57 个分拣中心未来 30 天每天和每个小时的货量，这里 比较关键的是对附件 1 和 2 的数据进行预处理.

我们首先看一下附件 1 和附件 2.

将 57 个分拣中心的数据分别取出构成一列，因为题目给的附件 1 和附件 2 的数据都是打乱格式的，需要注意对数据需要将其按照时间序列排好（题目给的 数据不是按照时间序列来的），

附件 1 是各个分拣中心的货量, 整理之后我们看到对于每一个分拣中心, 所 给的数据是从 2023-8-1 到 2023-11-30 每天的一个货量数据.

                                           D题

点击链接加入群聊【2024认证杯A题成品论文＋完整数据集＋代码】：