2024数学建模MathorCup杯B题思路

本来参加完国赛后（高教社杯）是不想参加其他数模比赛了，但后面队员给我介绍了MathorCup的含金量，该比赛是由国家一级协会“中国优选法统筹法与经济数学研究会”举办，其第一届会长是华罗庚教授。比赛含金量也是蛮高的，在我们学校算是B类竞赛。

这两天刚比完MathorCup，我们组B题大致思路如下（菜狗思路）：

题目如下：

第一问在机器学习的框架下，使用线性回归作为一种算法来解决预测问题。然而直接应用机器学习可能因库存数据量较少而导致误差较大。因此，本问首先使用机器学习对数据进行简单的线性拟合（三次埃尔米特插值），以增强数据的连续性和特征丰富度。完成拟合后，再将数据划分为训练集和测试集，并对其进行机器学习建模和预测。

分析：

要求未来 3 个月 (7 ∼ 9) 内，对 350 个品类每个月的销量和库存进行预测。本问先将附件一给的数据进行预处理，将不同的品类放在不同的 excel 表格中进行检查，确认数据没有异常。然后，由于数据量较少，会造成预测出的结果误差较大。故我们采用分段三次埃尔米特插值，能够创建一份包含两三百行的完整数据集。这样的数据集不仅涵盖了更多的时间点，从而提升了数据的连续性和精度，还显著增加了数据量。最后，使用机器学习进行预测，从而得出答案。

库存量和销量预测可视化如图：

篇幅问题，代码就展示不全，有需要的宝子可以关注并私信领取（包括论文）

对于问题二，基于问题一预测数据建立分仓方案优化模型。通过对数据的分析，综合考虑 3 个业务目标，建立两个约束条件。业务目标分别为仓容利用率、产能利用率与租仓成本。约束条件为各仓库存量不大于仓容上线与销售量不大于产能上限。通过遗传算法，结合三个业务目标，在满足约束条件的情况下，建立多目标规划模型，对分仓方案进行优化。基于模型的优化结果，遗传算法中最大种群适应度为 4.94147 时，寻得最优的分仓方案。
 

分析：

本文考虑三个业务目标（仓容利用率，产能利用率，租仓成本），两个约束条件来寻求最优的方案。首先确定三个业务目标，利用问题一预测 2024 年 7 月 1 日的库存量与销售量建立库存量矩阵与销售量矩阵。然后建立变量分仓决策矩阵，根据库存量矩阵与销售量矩阵计算出总库存量，再结合仓容上限得出仓容利用率。同理，可以得出产能利用率。再根据租仓日成本计算出，租仓总成本。然后确定两个约束条件，即每个仓库的库存量不超过仓容上限，销售量不超过产能上限。最后利用遗传算法[3]，以 3 个业务目标的综合影响作为适应度函数，在满足两个约束条件[4] 下，优化的种群适应度，但适应度达到最优值时，返回分仓决策矩阵，利用决策矩阵得出最佳分仓方案。

将 python 所求解的数据填充到表中，结果如下图所示：

对于问题三，通过对附件 4，附件 5 的数据分析及处理，建立品类的最大关联度的评价模型，并将其作为主要业务目标，再将仓容利用率、产能利用率与租仓成本作为次要业务目标。然后建立约束条件，分别为一品至多三仓、仓库存量不大于仓容上线与销售量不大于产能上限。通过遗传算法，结合 4 个业务目标，3 个约束条件，建立多目标多约束条件的规划模型，对分仓方案进行优化。模型优化结果表示，在种群适应度为30.7586 时，寻得最优分仓方案。

分析：

问题三要求在放开一品一仓（一品不超过三仓）的情况下以最大品类关联度为主要业务目标，建立分仓方案优化模型。问题二的基础上，将关联度作为主要业务目标，其他三个业务作为次元业务目标。首先确定品类最大关联度，对自变量变量分仓决策矩阵进行分析，得出因变量关联度决策矩阵，再通过整理附件 4 得出各个品类的原始关联度矩阵，将品类的等级与件型也作为关联度矩阵的影响指标，最终得到综合关联度矩阵。然后通过关联度决策矩阵与综合关联度矩阵，就可以得到品类最大关联度，将其设置为遗传算法适应度函数中的主要目标，再满足三个约束条件的情况下，同问题二，得到最优分仓方案。

将 python 所求解的数据填充到表中结果如下图所示：

有需要完整论文及完整代码的宝子可以关注并点赞，私信我，我一一发。。。。。。。。。