“华为杯”第二十一届中国研究生数学建模竞赛思路+代码预定

matlab科研社

于 2024-09-15 12:35:22 发布

阅读量63

点赞数 1

文章标签：华为数学建模

本文链接：https://blog.csdn.net/Matlab_dashi/article/details/142282642

版权

一、赛题分析

“华为杯”中国研究生数学建模竞赛每年都会围绕着科技前沿和社会热点问题，设置富有挑战性的赛题。在赛题发布之前，我们可以通过以下途径提前预判可能的赛题方向：

关注国家科技发展规划和重大科研项目: 例如国家“十四五”规划纲要中提到的科技发展方向，以及一些重大科技项目如“北斗三号”、人工智能、量子计算等，都可能成为竞赛的主题。
关注社会热点问题和产业发展趋势: 例如环境保护、能源利用、医疗健康、金融风险等社会热点问题，以及人工智能、大数据、云计算等产业发展趋势，也可能成为竞赛的命题方向。
研究往届赛题: 分析往届赛题的特点、解题思路以及使用到的模型方法，可以帮助我们更好地把握赛题趋势。

二、竞赛备赛思路

在拿到赛题后，需要快速分析赛题并制定合理的解题思路，以下是一些建议：

理解赛题: 仔细阅读赛题，明确赛题的背景、问题、数据、指标和要求，并进行深入思考。
确定模型: 根据赛题内容和数据特点，选择合适的数学模型，例如线性规划、非线性规划、机器学习、深度学习、统计分析等。
数据处理: 对赛题提供的数据进行清洗、预处理和分析，确保数据的准确性、完整性和有效性。
模型训练和验证: 使用选定的模型对数据进行训练，并进行模型验证，确保模型的准确性和鲁棒性。
结果分析: 对模型结果进行分析和解释，并结合实际情况提出合理的结论和建议。
论文撰写: 按照竞赛要求，撰写完整的论文，包括问题描述、模型建立、数据分析、结果讨论、结论和参考文献等部分。

三、代码预定

根据赛题可能涉及的领域，可以提前预定一些常用的代码库和工具：

数据处理和分析: Pandas、Numpy、SciPy、Matplotlib等。
机器学习和深度学习: scikit-learn、TensorFlow、PyTorch等。
优化算法: cvxpy、scipy.optimize等。
可视化: Matplotlib、Seaborn、Plotly等。

四、竞赛技巧

团队合作: 比赛期间，团队成员之间要密切配合，充分发挥每个人的优势。
时间管理: 合理安排时间，避免时间浪费，并确保论文的质量和完整性。
文献查阅: 积极查阅相关文献，学习前人的经验和研究成果，并结合实际情况进行创新。
代码规范: 编写规范的代码，并进行必要的注释和测试，确保代码的可靠性和可读性。
论文写作: 论文写作要清晰、简洁、准确，并使用图表和公式来辅助说明。
4.1 寻找队友
在开赛前，寻找一个能够沟通的小伙伴远比选择数学建模能力或者编程力能强的伙伴合作起来更加地舒适，当然无论是赛前的训练还是正式比赛的过程中三人可能因为某一个点上意见不合而发生争执，这种时候需要学会倾听其他两人的意见并且清晰的表达出自己的观点，三个人需要合理地调节。在建模的过程中需要三人的共同的参与，可由主要负责建模的同学首先抛出观点而后两人发表自己不同的意见，模型的建立贯穿整个数学建模比赛的过程，对于模型一定要考虑其可行性。不断地去尝试，不断地修改，先解决主要问题。
最后团队的组员架构：
一个小伙伴代码编程实现能力比较强
一个小伙伴善于搜索资料以及梳理思路
而我主要负责数学分析和建模以及团队整体进度把握
ps:大量的数学分析问题需要经过讨论才能转换成代码进行求解。
4.2 赛前训练
由于是大四毕业前报名，留给三个队友的训练时间只有毕业暑假，但是这个暑假我们三个人一直认为需要好好享受一下大学的最后一个暑假😂，所以并没有太多的训练，只是对之前备战国赛的时候做过的练习题进行了简单的回顾。建模方面主要对历年常用的思路和常见题型进行复习，主要分为优化类题目、决策类题目、数据处理类题目、物理化学类的问题。程序是对常见的MATLAB智能优化算法进行回顾，常见的算法有模拟退火算法、遗传算法、最优化路径规划算法（基础的有Dijstra算法、Fyold算法）。模拟退火算法和蚁群算法也可以规划路径，基础的路径算法只用于两点之间的最短路径算法，而这种高级的智能算法可用于多点之间的路径规划问题。论文必须要看历年的优秀论文，优秀的论文链接在前言中。看论文主要看历年论文的格式、论文排班、附录的格式。
4.3 赛前资料搜集
（1）准备数据处理软件；
（2）准备常用的论文模板；
（3）准备常用的智能优化算法；
4.4 赛前分工
按照之前寻找队友的分工，我负责建模，队伍中有一位来自计算机的同学，主要负责代码的编写和求解，还有一位同学具有较强的资料搜索能力和论文撰写能力，所以负责前期的资料搜集问题和后期的论文写作。