2024 数学建模高教社杯 国赛（B题）| 生产过程中的决策 | 建模秘籍&文章代码思路大全

铛铛！小秘籍来咯！
小秘籍团队独辟蹊径，运用等多目标规划等强大工具，构建了这一题的详细解答哦！ 为大家量身打造创新解决方案。小秘籍团队，始终引领着建模问题求解的风潮。

抓紧小秘籍，我们出发吧~

完整内容可以在文章末尾领取！

第一个问题是关于如何为企业设计一个抽样检测方案，以确定零配件的次品率，确保检测次数尽可能少。其中需要考虑的两个情形是：

1. 在95%的信度下认定零配件次品率超过标称值时，拒收该批零配件。
2. 在90%的信度下认定零配件次品率不超过标称值时，接收该批零配件。

具体要求是根据给定的标称值（10%），提供一个针对这两个情形的抽样检测方案。
为了设计一个抽样检测方案以确定零配件的次品率，需要利用统计学的方法和公式。在此，我们将分别为两种情形建立适当的数学模型。

问题 1

1. 抽样方案设计

我们设定一个零配件批次的次品率为$p$，根据供应商的声称，这个值不会超过10% (即 $p\le 0.1$)。为了进行检验，我们可以使用二项检验的方法。

设：

• $n$为抽样检测的样本数量。
• $k$为样本中次品的数量。

抽样计划要求进行以下两个测试：

1. 在95%的信度下拒收次品率超过标称值的批次。
2. 在90%的信度下接受次品率不超过标称值的批次。

(1) 95%信度下拒收批次

我们希望确定样本大小$n$，使得在次品率为10% (即$p=0.1$)的条件下，没有超过$k$个不合格品的概率至少为5%（即选择拒收批次的机会小于5%）。

采用二项分布：
$$P(X\le k)=\sum _{i=0}^k\left(\genfrac{}{}{0ex}{}{n}{i}\right)(p{)}^i(1-p{)}^{n-i}.$$

在95%的信度下，我们有：
$$P(X\le k)\le 0.05$$

根据正常近似，我们可以利用以下公式计算样本数：
$$n\ge {\left(\frac{Z_{\alpha }\cdot \sqrt{p(1-p)}}{d}\right)}^2$$

其中：

• $Z_{\alpha }$为标准正态分布的临界值，对于95%的置信度，$Z_{0.05}\approx 1.645$。
• $d$为可接受的误差范围，这里我们可以设定为0.1，即10%。

根据计算：
$$n\ge {\left(\frac{1.645\cdot \sqrt{0.1(1-0.1)}}{0.1}\right)}^2={\left(\frac{1.645\cdot 0.9487}{0.1}\right)}^2\approx {\left(15.55\right)}^2\approx 242.6$$

因此，建议抽样数量 $n\ge 243$。

(2) 90%信度下接受批次

其次，我们需要确定样本大小$n$，使得在次品率为10% (即$p=0.1$)的条件下至少有一定数目的合格品的概率为90%。

可使用相同逻辑，选取合格品概率建立：
$$P(X\ge k)=1-P(X<k)\ge 0.9$$

即
$$P(X<k)\le \mathrm{0.1.}$$

此时，我们选取的同样的样本量为:
$$n\ge {\left(\frac{Z_{0.1}\cdot \sqrt{p(1-p)}}{d}\right)}^2$$

这里，$Z_{0.1}\approx 1.2816$，可得到：
$$n\ge {\left(\frac{1.2816\cdot \sqrt{0.1(1-0.1)}}{0.1}\right)}^2={\left(\frac{1.2816\cdot 0.9487}{0.1}\right)}^2\approx {\left(12.14\right)}^2\approx 147.4$$

因此，建议抽样数量 $n\ge 148$。

总结

1. 在95%的信度下，拒收次品率超过标称值的批次，建议抽样数量为243；
2. 在90%的信度下，接受次品率不超过标称值的批次，建议抽样数量为148。

通过以上抽样方案的设计，企业可以有效地决定是否接收供应商所提供的零配件批次。
在问题1中，我们需要为企业设计一个抽样检测方案，来验证零配件的次品率。我们将利用统计学中的假设检验方法。

设定假设：

• 原假设 $H_0$: 次品率不超过标称值 $p\le 0.10$
• 备择假设 $H_1$: 次品率超过标称值 $p>0.10$

我们会使用二项检验来进行假设的检验。

(1) 在95%的信度下拒收不合格零配件的方案：

根据正态近似（当样本量足够大时），我们可以使用正态分布来估计。

1. 确定样本大小：

   设 $n$ 为抽样的数量，$k$ 为抽样中不合格的数量。我们希望拒绝原假设 $H_0$，即保证在95%的置信水平下我们能拒绝 $H_0$。

   对于二项分布 $XB(n,p)$，在$n$个零配件中，发生错验的概率在5%时，求出 $k$ 的临界值。通常，我们可以使用正态近似：

   $$z=\frac{\hat{p}-p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}$$

   其中，$p_0$ 为标称值（0.10），$\hat{p}=\frac{k}{n}$ 为样本不合格比例。

   对于95%的置信水平，设临界值:

   $$z_{0.05}\approx 1.645$$

   当我们设定 $\hat{p}=0.10+ϵ$ 以避免接受被拒绝的原假设，假设 $ϵ$ 为一个小的正数，因此

   $$z_{0.05}=\frac{0.10+ϵ-0.10}{\sqrt{\frac{0.10\cdot 0.90}{n}}}$$

   解出 $n$ 使得 $z_{0.05}$ 的值大于 1.645，从而得到抽样的数量。

2. 计算样本大小：

   通过代入可以逐步推导样本量：
   $$n\ge \frac{(z_{0.05}{)}^2\cdot p_0(1-p_0)}{{ϵ}^2}\to n\ge \frac{(1.645{)}^2\cdot 0.10\cdot 0.90}{0.01^2}\approx 239$$

   所以，抽样大小 $n$ 应为239(为方便保守向上取整).

如抽样后，若次品率 $k/n>0.10$ 则拒绝这批零配件。

(2) 在90%的信度下认可不合格零配件的方案：

同样设定假设：

• 原假设 $H_0$: 次品率不超过 $p\le 0.10$
• 备择假设 $H_1$: 次品率超过 $p>0.10$

1. 对于90%的信度水平，设 $z_{0.10}\approx 1.282$。

   按照同样逻辑，计算样本大小：
   $$n\ge \frac{(z_{0.10}{)}^2\cdot p_0(1-p_0)}{{ϵ}^2}\to n\ge \frac{(1.282{)}^2\cdot 0.10\cdot 0.90}{0.01^2}\approx 164$$

   所以，抽样大小 $n$ 应为164。

如抽样后，若次品率 $k/n\le 0.10$ 则接收这批零配件。

通过这种方式，企业可以在最小检测次数的情况下，对零配件的质量进行有效的控制。这些计算与推导能够帮助公司做出准确与合理的决策。
为了设计一个有效的抽样检测方案，以确定两种零配件的次品率并确保检测次数尽可能少，我们可以采用统计学中的抽样方法。下面是针对问题1的详细方案：

抽样检测方案

首先，我们设定一些符号：

• $(p_0)$: 标称次品率 = 10% = 0.1
• $(n)$: 抽样检测的样本大小
• $(\alpha )$: 统计显著性水平
• $(Z_{\alpha })$: 对应于显著性水平的Z值（从Z分布表中查找）

1. 在95%的信度下认定零配件次品率超过标称值，拒收这批零配件：

   对于在95%信度下检验次品率是否超过0.1，即设定显著性水平 $\alpha =0.05$。根据Z检验，我们可以通过以下步骤构建检验：

   • 当样本中不合格件的数量为 $X$ 时，样本的次品率为 $\hat{p}=\frac{X}{n}$。
   • 判决规则设定为：如果 $\hat{p}>p_0+Z_{\alpha }\sqrt{\frac{p_0(1-p_0)}{n}}$，则拒绝$H_0:p\le p_0$。

   查找 $Z_{\alpha }$，对于 $\alpha =0.05$，则 $Z_{0.05}\approx 1.645$。

   因此，设定拒绝域：
   $$\hat{p}>0.1+1.645\sqrt{\frac{0.1(1-0.1)}{n}}$$
   该式为统计判断条件，我们需要根据 $n$ 来计算具体的样本大小。

2. 在90%的信度下认定零配件次品率不超过标称值，接收这批零配件：

   对于在90%信度下检验次品率是否不超过0.1，即设定显著性水平 $\alpha =0.10$。可以通过以下步骤构建相应的检验：

   • 设定接受规则为：如果 $\hat{p}\le p_0+Z_{0.10}\sqrt{\frac{p_0(1-p_0)}{n}}$，则接收$H_0:p\le p_0$。

   查找 $Z_{0.10}$，对于 $\alpha =0.10$，则 $Z_{0.10}\approx 1.281$。

   因此，接收域设计为：
   $$\hat{p}\le 0.1+1.281\sqrt{\frac{0.1(1-0.1)}{n}}$$
   该式同样依赖于样本大小 $n$，根据具体的 $n$ 值我们可以计算出具体的接受条件。

样本大小的决策

为了保证检测次数尽可能少，我们希望通过计算确定最小的样本大小$n$，使得这两个条件都得到满足。根据上述公式，我们将可以设定一个合适的 $n$ 值以进行实际采样。

结论

综上所述，我们可以通过抽样对零配件的次品率进行有效的判断，并设定在不同信度下的拒接与接收决策，确保企业能有效控制产品质量。具体的样本量$n$可以根据统计学方法进行仿真或计算，以满足上述要求。
要解决这个问题，我们首先需要利用统计学的方法来设计我们的抽样检测方案。标称值为10%的次品率意味着我们希望确保从供应商处接收到的次品率在可接受的范围内。

为此，我们需要进行假设检验：

1. 针对情形：
   • 情形(1): 在95%的信度下，拒收次品率超过10%的零配件。
   • 情形(2): 在90%的信度下，接收次品率不超过10%的零配件。

我们可以使用正态分布近似来进行抽样推断。

1. 抽样检验方案

假设我们进行n次抽样，X表示抽样中的次品数。假设次品率为p=0.1 (10%)，则有：

• 情形(1)：

  • 设定拒绝域：当次品数X超过某特定值时拒绝接受。
  • 依据正态分布近似，我们需要找到合适的n，使得P(X/n > 0.1)的显著性水平小于0.05。

• 情形(2)：

  • 设定接收域：当次品数X不超过某特定值时接受。
  • 我们需要找到合适的n，使得P(X/n ≤ 0.1)的显著性水平大于0.10。

import numpy as np
from scipy.stats import binom, norm

def sample_size_for_rejection(alpha, p, delta):
    # Calculate sample size required to reject the null hypothesis
    z = norm.ppf(1 - alpha)  # Z-score for the specified confidence level
    n = np.ceil((z**2 * p * (1 - p)) / (delta**2))
    return int(n)

def sample_size_for_acceptance(beta, p, delta):
    # Calculate sample size required to accept the null hypothesis
    z = norm.ppf(beta)  # Z-score for the specified confidence level
    n = np.ceil((z**2 * p * (1 - p)) / (delta**2))
    return int(n)

# Parameters
observed_p = 0.1  # The nominal defect rate
alpha = 0.05  # For 95% confidence level
beta = 0.10  # For 90% confidence level
delta = 0.01  # Small deviation from p for testing

# Calculate sample sizes
n_rejection = sample_size_for_rejection(alpha, observed_p, delta)
n_acceptance = sample_size_for_acceptance(beta, observed_p, delta)

print(f'为拒绝次品率超过10%的抽样次数: {n_rejection}')
print(f'为接收次品率不超过10%的抽样次数: {n_acceptance}')

说明

• sample_size_for_rejection函数用于计算在95%的信度下拒绝次品率超过10%需要的抽样次数，使用公式包含Z-score的计算。
• sample_size_for_acceptance函数用于计算在90%的信度下接收次品率不超过10%需要的抽样次数。
• 我们设定了一个小的偏差delta以更精确地进行每个检验的计算。

运行此代码后，将得到两个可接受的抽样检测次数，分别对应情形(1)和情形(2)。请根据输出的结果来制定具体的抽样方案。
第二个问题的内容涉及到企业对生产过程中的零配件和成品进行检测和决策的多个方面，具体如下：

问题 2

已知两种零配件和成品的次品率，企业需要为生产过程的各个阶段作出决策，主要包括以下几个方面：

1. 对零配件（零配件 1 和/或零配件 2）是否进行检测：

   • 企业需要决定对于每种零配件是否进行检测。如果选择不进行检测，这种零配件将直接进入装配环节；如果进行检测，则会将检测出的不合格零配件丢弃。

2. 对装配好的每一件成品是否进行检测：

   • 企业需决定对每一件成品是否进行检测。如果选择不进行检测，装配后的成品将直接进入市场；如果选择检测，则只有检测合格的成品会进入市场。

3. 对检测出的不合格成品是否进行拆解：

   • 企业要决定对于检测出的不合格成品是否进行拆解。如果选择不拆解，这些不合格成品将直接被丢弃；如果选择拆解，企业需要对拆解后的零配件进行进一步的检测和处理，重复步骤(1)和步骤(2)。

4. 对用户购买的不合格品的处理：

   • 企业将无条件对用户购买的不合格产品进行调换，并产生一定的调换损失（如物流成本、企业信誉等）。对退回的不合格品，企业需要重复步骤(3)。

决策方案要求

企业需要根据以上决策问题，结合表 1 中的具体情境，给出具体的决策方案，包括：

• 针对每个情形的检测决策
• 各项决策的依据
• 相应的指标结果

表 1 涉及的情形包括多种次品率、购买单价、检测成本等信息，企业需综合这些信息进行决策分析。
为了解决问题 2 的决策方案，我们需要综合考虑零配件的次品率、购买单价、检测成本、装配成本、市场售价、调换损失和拆解费用等因素，同时计算出每种情况下的成本和收益来制定相应的检测和处理策略。

参数定义

定义参数如下：

• $P_{1i}$: 零配件 1 的次品率（情况 $i$）
• $P_{2i}$: 零配件 2 的次品率（情况 $i$）
• $P_{ci}$: 成品次品率（情况 $i$）
• $C_{1i}$: 零配件 1 的购买单价（情况 $i$）
• $C_{2i}$: 零配件 2 的购买单价（情况 $i$）
• $D_{1i}$: 零配件 1 的检测成本（情况 $i$）
• $D_{2i}$: 零配件 2 的检测成本（情况 $i$）
• $C_{si}$: 成品的装配成本（情况 $i$）
• $C_{mi}$: 市场售价（情况 $i$）
• $L_i$: 调换损失（情况 $i$）
• $R_i$: 拆解费用（情况 $i$）

决策逻辑

1. 是否检测零配件

   • 检测零配件的决策取决于检测成本与可能的损失之间的权衡。
   • 检测后，只有合格的零配件进入装配环节，导致无效或不合格零配件的处理成本。

2. 检测成品

   • 同样，是否检测成品将影响我们能够出售的合格成品的数量，以及退换货造成的损失。

3. 拆解不合格品

   • 对检测出不合格品的拆解，可以考虑其拆解费用和通过重新利用零配件降低成本。

成本计算

• 不检测的情况下，成本计算如下：

对于零配件 1 和零配件 2，可能情况为：
$$C_{tota{l}_i}=C_{1i}+C_{2i}+C_{si}+L_i\cdot (P_{1i}\cdot P_{2i}+P_{ci})$$
这里的 $(P_{1i}\cdot P_{2i}+P_{ci})$ 模拟了由于零配件不合格或成品不合格带来的消费者损失，所有都以次品率计入。

• 检测的情况下，成本计算如下：

1. 如果选择检测零配件 1：
   $$C_{det{1}_i}=D_{1i}+C_{2i}+C_{si}+L_i\cdot ((1-P_{1i})\cdot P_{2i}+P_{ci})$$
2. 如果选择检测零配件 2：
   $$C_{det{2}_i}=C_{1i}+D_{2i}+C_{si}+L_i\cdot (P_{1i}\cdot (1-P_{2i})+P_{ci})$$
3. 如果对成品进行检测：
   KaTeX parse error: Double subscript at position 10: C_{det_c_̲i} = C_{1i} + C…

决策案例分析

对表 1 中的每种情况进行计算，选择具有最小总成本的检测策略：

情况 1 计算示例

• $P_{11}=10\%$, $C_1=4$, $D_1=2$, $P_{21}=10\%$, $C_2=18$, $D_2=3$, $P_{c1}=10\%$, $C_{s1}=6$, $M_1=56$, $L_1=6$, $R_1=5$。

进行相关的计算，判断各种决策选项的成本，同时计算出如下：

• 选择不检测、检测零配件 1 或 2、检测成品等情况下的成本。

最终决策

对于每种情况，通过各项决策下的成本对比，最终选择成本
针对问题2，我们需要为每种情况设计检测方案，并做出相应的决策。我们将根据次品率、成本和可能的损失来制定最佳的决策方案。

决策方案

情况摘要（表1）

情况	零配件1 次品率	购买单价	检测成本	零配件2 次品率	购买单价	检测成本	成品 次品率	装配成本	检测成本	市场售价	调换损失	拆解费用
1	10%	4	2	10%	18	3	10%	6	3	56	6	5
2	20%	4	2	20%	18	3	20%	6	3	56	6	5
3	10%	4	2	10%	18	3	10%	6	3	56	30	5
4	20%	4	1	20%	18	1	20%	6	2	56	30	5
5	10%	4	8	20%	18	1	10%	6	2	56	10	5
6	5%	4	2	5%	18	3	5%	6	3	56	10	40

1. 对于零配件的检测决策：

企业应选择检测次品率较高的零配件，且在一个合理的检测成本和潜在损失之间取得平衡。

• 情况1：
  • 零配件1和2均次品率10%，检测成本低。进行检测。假设抽样检测10件，检测出次品的概率为$P(\text{次品})\le 0.1$。
• 情况2：
  • 两个零配件次品率均为20%，建议检测，以控制次品进一步装配的风险。
• 情况3：
  • 次品率10%，由于成品的调换损失较大（30），建议进行检测。
• 情况4：
  • 对两种零配件进行检测，以降低次品。相比之下，零配件2的检测成本更低。
• 情况5：
  • 对零配件1进行检测，零配件2虽然次品高，但直接进入装配会更具成本效益。
• 情况6：
  • 检测零配件1的必要性高于零配件2的检测。

2. 对成品的检测决策：

由于成品的不合格会导致公司损失（调换损失），建议对成品进行检测。

3. 对不合格成品的拆解决策：

针对检测出不合格的成品，尽量选择拆解以回收可用组件，特别是在损失较大的情况下，这样可以减少整体损失。

决策依据和指标结果

• 指标结果对于每种情况的总结：
  • 情况1：检测后可以避免销售不合格品，预计损失降低。
  • 情况2：选择检测后，避免次品产品引发的返修及企业信誉受损。
  • 情况3：对成品人力和时间损耗，建议进行拆解。
  • 情况4-6：由检测费用、调换损失、拆解费用综合决定。

综合决策建议

• 进行合理的检测以及严格的质量控制，确保进入市场的产品达标。
• 在高次品率情况下，适当投入检测成本来避免潜在的高额损失。
• 对于高调换损失的成品，采用拆
  以下是根据问题2中提供的情境，为企业生产过程中各阶段作出的详细决策方案。我们将考虑零配件的处理、成品的检测、拆解以及调换损失的决策，并给出相应的依据和指标结果。

基本参数

情况	零配件1 次品率	购买单价	检测成本	零配件2 次品率	购买单价	检测成本	成品 次品率	装配成本	检测成本	市场售价	调换损失	拆解费用
1	10%	4	2	10%	18	3	10%	6	3	56	6	5
2	20%	4	2	20%	18	3	20%	6	3	56	6	5
3	10%	4	2	10%	18	3	10%	6	3	56	30	5
4	20%	4	1	20%	18	1	20%	6	2	56	30	5
5	10%	4	8	20%	18	1	10%	6	2	56	10	5
6	5%	4	2	5%	18	3	5%	6	3	56	10	40

决策方案

针对表1中的每种情况，我们将按照以下步骤制定决策：

1. 对零配件的检测决策：

   • 状况1和3（次品率较低，费用较高）：
     • 由于次品率均为10%，且检测成本合理，建议进行检测。
     • 对于零配件1，进行抽样检测。若检测出不合格，则丢弃。
     • 对于零配件2，同样进行检测。
   • 状况2和4（次品率较高）：
     • 次品率为20%，由于检测成本相对低，建议进行检测。
   • 状况5（次品率中等，检测成本高）：
     • 首先进行对零配件2的检测，次品率高导致损失较大。
   • 状况6（次品率低，拆解费用高）：
     • 次品率低且检测均等，优先检测两类零配件。

2. 对成品的检测决策：

   • 针对所有情况，建议对成品进行检测。因为若成品不合格将导致潜在的调换损失。
   • 对于检测出的不合格成品，进行拆解。

3. 对不合格成品的处理：

   • 对于检测出不合格的成品，将其拆解，从而对零配件进行再检测。
   • 拆解后的零配件同样会面临检测，进行后续决策。

4. 调换损失的计算：

   • 调换损失在情况1、2、3、4、5、6中都需要计入，这部分损失直接基于市场售价与不合格品比例计算。

指标结果

在针对上述决策，针对每种情况进行具体的参数计算。

• 情况1的指标计算：
  • 预计投入=（单价×数量） + 检测成本= $(4+18)+2+3=27$
  • 预计损失=(次品率×市场售价) + 拆解费用 = $0.1\ast 56+5=10.6$

代码根据给定的零配件、成品的次品率、检测成本、购买单价等信息，评估是否进行检测以及如何处理不合格品。

import pandas as pd

# 表 1 的数据
data = {
    '情况': [1, 2, 3, 4, 5, 6],
    '零配件1次品率': [0.1, 0.2, 0.1, 0.2, 0.1, 0.05],
    '零配件1购单价': [4, 4, 4, 4, 4, 4],
    '零配件1检测成本': [2, 2, 2, 1, 8, 2],
    '零配件2次品率': [0.1, 0.2, 0.1, 0.2, 0.2, 0.05],
    '零配件2购单价': [18, 18, 18, 18, 18, 18],
    '零配件2检测成本': [3, 3, 3, 1, 1, 3],
    '成品次品率': [0.1, 0.2, 0.1, 0.2, 0.1, 0.05],
    '成品装配成本': [6, 6, 6, 6, 6, 6],
    '成品检测成本': [3, 3, 3, 2, 2, 3],
    '成品市场售价': [56, 56, 56, 56, 56, 56],
    '调换损失': [6, 6, 30, 30, 10, 10],
    '拆解费用': [5, 5, 5, 5, 5, 40],
}

# 创建 DataFrame
df = pd.DataFrame(data)

# 进行决策分析
def decision_analysis(df):
    results = []
    for index, row in df.iterrows():
        # 计算不进行检测时的收益情况
        no_inspect_cost = row['成品次品率'] * (row['成品市场售价'] - row['调换损失'])
        
        # 进行检测的成本收益情况
        # 计算合格和不合格成品数量
        clean_parts1 = (1 - row['零配件1次品率']) * row['零配件1购单价'] - row['零配件1检测成本']
        clean_parts2 = (1 - row['零配件2次品率']) * row['零配件2购单价'] - row['零配件2检测成本']
        clean_products = (1 - row['成品次品率']) * (row['成品市场售价'] - row['成品检测成本'] - row['成品装配成本'])
        
        total_cost_with_inspection = (row['零配件1检测成本'] + row['零配件2检测成本'] + 
                                       row['成品检测成本'] + row['调换损失'] + row['拆解费用'])
        
        profits_with_inspection = clean_parts1 + clean_parts2 + clean_products - total_cost_with_inspection
        
        # 决策依据
        decision = "不检测" if no_inspect_cost > profits_with_inspection else "检测"
        
        results.append({
            '情况': row['情况'],
            '是否检测': decision,
            '不检测收益': no_inspect_cost,
            '检测收益': profits_with_inspection
        })
    
    return pd.DataFrame(results)

# 运行决策分析
decision_results = decision_analysis(df)
print(decision_results)

解释

1. 数据结构: 使用 Pandas DataFrame 存储和计算各种情况下的决策。
2. 决策函数 decision_analysis: 对每种情况下，计算不进行检测和进行检测的收益，并根据收益决策是否进行检测。
3. 输出: 返回的 DataFrame 包含每种情况的检测决策及相应的收益比较。

运行代码

第三个问题的内容可以总结为以下几点：

问题 3：生产过程的决策方案

在这一问题中，企业已经知道了不同零配件和半成品的次品率，并且给出了组装的工序情况。问题的具体要求是：

1. 决策方案的制定:

   • 对每种零配件进行决策，是否进行检测。检测结果将影响后续生产过程。
   • 对由检测出的不合格零配件采取相应措施（丢弃或进一步处理）。
   • 针对半成品的检测和不合格情况下的处理，也需做出决策。
   • 最终成品是否需要检测，以及对不合格成品的处理。

2. 决策的依据:

   • 决策需基于成本效益分析，包括购入成本、检测成本、装配成本、市场售价、调换损失等。
   • 分析不同情况下的收益和损失，以制定出最优决策。

3. 相应指标的结果:

   • 在给定的半成品和成品的次品率下，计算出最终的利润或者其他关键绩效指标。
   • 考虑所有阶段的检测、处理不合格品的成本和产生的监督与管理效益，形成完整的决策分析结果。
     

附加信息：

• 该问题提供了一种系统分析决策过程中的信息流、成本流和价值流的方法，旨在优化企业的生产效率及经济效益。

问题 3：生产过程的决策方案

针对给出的零配件及半成品的次品率、购买单价、检测成本和装配成本等信息，以下是决策方案的制定、依据及指标结果。

1. 决策方案的制定

我们需要决定：

• 对每种零配件是否进行检测。
• 对检测出不合格零配件的处理方式。
• 进行半成品生产时对半成品是否进行检测，以及如何处理不合格半成品和成品。

2. 基本数据整理

根据表 2 提供的信息：

零配件	次品率	购买单价	检测成本	半成品	次品率	装配成本	检测成本	拆解费用
1	10%	2	1	1	10%	8	4	6
2	10%	8	1	2	10%	8	4	6
3	10%	12	2	3	10%	8	4	6
4	10%	2	1		—	—	—	—
5	10%	8	1	成品	10%	8	6	10
6	10%	12	2		—	—	—	—
7	10%	8	1		—	—	—	—
8	10%	12	2		—	—	—	—

成品的市场售价及调换损失:

• 市场售价：200
• 调换损失：40

3. 决策依据

利润计算模型:

对每个零配件及半成品的决策，我们的目标是最大化利润，利润可以通过以下公式计算：

$$\text{利润}=\text{收入}-\text{总成本}$$

其中：

• 收入 = 成品数量 × 市场售价
• 总成本 = 采购成本 + 检测成本 + 装配成本 + 拆解费用 + 调换损失（若适用）

4. 决策分析

连续决策过程如下：

1. 对零配件检测决策:

   • 针对每一个零配件1到8，决定是否进行检测。由于零配件的次品率均为10%，且检测成本低，我们选择对所有零配件进行检测。

2. 半成品的检测:

   • 各个半成品的次品率同样为10%，且我们同样选择对所有半成品进行检测。

3. 成品的检测:

   • 成品的次品率为10%，我们选择对成品进行检测，以减少市场上的不合格品，避免调换损失。

4. 不合格品处理:

   • 对于检测出不合格的零配件，成本为它们的购买价和检测价之和，需要进行替换。
   • 不合格的半成品和成品需拆解，拆解费用需要纳入总成本计算。

5. 利润及指标结果计算

例如：

以零配件1为例：

• 采购成本 = 购买单价 × 总数量
• 检测成本 = 检测次数 × 检测成本
• 成品数量计算 = (1 - \text{次品率})^2 × (\text{零配件1合格数量} \times \text{零配件2合格数量})

以下是每个阶段的具体计算示例（假设每种组件的数量为100件）：

1. 零配件1：
   • 合格率 = $(1-10\%{)}^1=0.9$
   • 成本 = 购买成本 + 检测成本
   • 利润 = 收入 - 总成本

问题 3：生产过程的决策方案

在处理这种多步骤的生产过程时，企业需要仔细考虑每个环节的成本与效益，基于已知的零配件和半成品次品率来做出合理决策。以下是针对每种零配件和半成品的检测和处理决策方案。

1. 决策方案的制定

• 零配件的检测

  1. 零配件1、2、3：建议进行检测，因为次品率为10%，检测成本相对较低（1元），能有效降低后续装配的风险。
  2. 零配件4、5、6、7、8：由于其次品率同样为10%，检测成本与零配件的购入价格（2元-12元）相比是合理的，因此也建议进行检测。

• 半成品的检测

  1. 半成品1、2、3：建议对每个半成品进行检测，检出不合格后可丢弃，确保成品质量。

• 成品的检测

  1. 对成品进行检测是必须的，成品次品率为10%，具有相对较高的市场售价（200元），而检测成本（6元）相较之下是可接受的。

• 对不合格成品的处理

  1. 不合格成品可选择拆解，拆解费用（10元）相较于全部报废后失去的收益（市场售价与调换损失的对比）是可控的。

2. 决策的依据

• 成本效益分析
  • 检测成本：每个零配件的检测费用必须低于其潜在损失。
  • 产生的不合格产品：须考虑不合格产品造成的成本，包括拆解费用、调换损失等。
  • 销售价格：成品的市场售价（200元）与次品率所导致的潜在损失结合在一起，形成一种收益与支出的框架。

对于每个环节的决策，可以用以下公式进行简化计算：

总成本 = 购入成本 + 检测成本 + 装配成本 + 拆解费用 + 调换损失

3. 相应指标的结果

根据提供的表格数据，进行成本和收益的具体计算示例如下：

• 零配件的总购入和处理成本计算：

  1. 零配件1的检测成本：$(2元\cdot 1+1元=2元)$
  2. 零配件2的检测成本：$(8元\cdot 1+1元=9元)$
  3. 零配件3的检测成本：$(12元\cdot 1+2元=14元)$

• 装配后的成本计算：
  例如装配成品的成本为：
  $$\text{总成本}=\text{购入成本}+\text{检测成本}+\text{装配成本}+\text{拆解费用}$$
  对于成品：
  $$\text{成品总成本}=10\%\times (\text{零配件总购入价}+\text{检测费用}+\text{装配费用})+\text{拆解费用}+\text{调换损失}$$

• 最终利润计算：
  $$\text{利润}=\text{市场售价}-\text{总成本}$$

通过分析与计算每个步骤的预测，企业能够更加合理地做出决策，提高产生合格产品的比例，最大化效益。这就是以系统化方法优化生产过程的必要步骤，目的是在保证产品质量的前提下，最小化成本和损失，达到最佳的经济效益。
针对问题3，企业需要为每个零配件及半成品是否检测、相应措施及最后成品的决策做出具体分析。我们将通过成本效益分析，来确定最优决策方案。以下是详细的决策分析框架。

决策方案的制定

1. 对每种零配件的检测决策:

   • 设定策略是否进行检测，如果不检测，可能直接进入装配环节。
   • 考虑检测成本和次品率，通过检测丢弃不合格零配件可减少后续损失。

2. 对半成品的检测及处理决策:

   • 每个半成品的次品率将基于其已装配零配件的合格情况来评估。
   • 采取相应措施，如检测不合格的半成品，决定是否丢弃或再进行装配。

3. 对成品的检测决策:

   • 最终成品的检测可减少市场风险，判断是否放入市场。
   • 不合格成品需决定是拆解还是直接丢弃，再考虑调换损失。

成本效益分析

对于每个零配件（1到8），分析每种情况下总成本的预期，以选择最佳方案。

定义成本公式

• 对于零配件的决策，设定以下损失成本公式：

  $$C_{\text{total}}=C_{\text{purchase}}+C_{\text{inspection}}+C_{\text{assembly}}+C_{\text{waste}}$$

  • $C_{\text{purchase}}$: 采购成本
  • $C_{\text{inspection}}$: 检测成本
  • $C_{\text{assembly}}$: 装配成本（根据合格率推测）
  • $C_{\text{waste}}$: 因次品率产生的废品损失（次品率 × 数量 × 市场售价）

• 半成品的总成本计算公式类似，只是需要结合其装配的零配件次品率。

决策实例

假设零配件1（次品率10%、购买单价2、检测成本1）和零配件2（次品率10%、购买单价8、检测成本1）决策如下：

1. 零配件1：

   • 进行检测：检测1个，需要花费$1$元，且假设抽样发现的不合格零配件率为$10\%$。

   • 平均不合格数量 = $10\%\times n$，假定$n=100$：

     $$C_{\text{waste}}=10\times 200=2000$$

   • 计算总成本：

     $$C_{\text{total,1}}=2\times 100+1+8+2000=2411$$

2. 零配件2：

   • 同理进行分析，决定是否也进行检测及相应处理。

3. 半成品与成品的决策：

   • 重复上述分析方法，分析半成品1、半成品2、半成品3的决策。
   • 最后计算成品承接上线的各项成本，选择最低总成本作为最终方案。

最终输出

在问题3的情形中，根据计算的总成本，企业应针对每一个零配件、半成品进行综合剖析，形成决策报告，输出结果包括：

• 决策明确，即选择检测与否，并记录合格/不合格品的数量。
• 各个环节成本总和，以及最终的利润预期。
• 针对不合格品的后续处理措施（拆解或丢弃）。

通过上述分析，企业可以据此明确各阶段的策略，从而实现生产效率与成本控制的优化。

决策方案

1. 检测零配件：对于每种零配件，由于次品率均为10%，为了降低整体不合格品率，建议对所有零配件进行检测以确保质量。

2. 处理不合格零配件：对于检测出不合格的零配件，直接弃弃以避免进入后续生产环节。

3. 半成品装配检测：所有经过合格的零配件将进行装配。建议对半成品进行检测，避免不合格的半成品影响到最终成品。

4. 成品检测：建议对每一个成品都进行质检，确保其达到质量标准，避免不合格品流入市场。

5. 处理不合格成品：对于不合格的成品，可以选择拆解进行处理，以回收有用的零配件。拆解后，对连同零配件进行检测，提高整条生产线的合格率。

决策实施依据

• 成本效益分析：评估各阶段的购入、检测、拆解、市场售价及调换损失，通过利润计算和风险分析来优化决策。
• 市场售价和预期损失：考虑市场售价与调换损失，设计合理决策以降低损失并提高收益。

# 定义零配件、半成品和成品的属性
parts_data = {
    '零配件': [
        {'次品率': 0.1, '购买单价': 2, '检测成本': 1},
        {'次品率': 0.1, '购买单价': 8, '检测成本': 1},
        {'次品率': 0.1, '购买单价': 12, '检测成本': 2},
        {'次品率': 0.1, '购买单价': 2, '检测成本': 1},
        {'次品率': 0.1, '购买单价': 8, '检测成本': 1},
        {'次品率': 0.1, '购买单价': 12, '检测成本': 2},
        {'次品率': 0.1, '购买单价': 8, '检测成本': 1},
        {'次品率': 0.1, '购买单价': 12, '检测成本': 2}
    ],
    '半成品': [
        {'次品率': 0.1, '装配成本': 8, '检测成本': 4},
        {'次品率': 0.1, '装配成本': 8, '检测成本': 4},
        {'次品率': 0.1, '装配成本': 8, '检测成本': 4}
    ],
    '成品': {'次品率': 0.1, '装配成本': 8, '检测成本': 6, '市场售价': 200, '调换损失': 40}
}

# 计算零配件检测与处置成本
def calculate_part_costs(parts):
    total_cost = 0
    for part in parts:
        total_cost += part['购买单价'] + part['检测成本'] + (part['次品率'] * part['购买单价'])
    return total_cost

# 计算半成品检测与处置成本
def calculate_half_product_costs(half_products):
    total_cost = 0
    for hp in half_products:
        total_cost += hp['装配成本'] + hp['检测成本'] + (hp['次品率'] * hp['装配成本'])
    return total_cost

# 计算成品总成本和利润
def calculate_final_product_cost_and_profit(parts_costs, half_products_costs):
    total_parts_costs = calculate_part_costs(parts_data['零配件'])
    total_half_products_costs = calculate_half_product_costs(parts_data['半成品'])
    
    total_cost = total_parts_costs + total_half_products_costs + parts_data['成品']['检测成本']
    expected_revenue = (1 - parts_data['成品']['次品率']) * parts_data['成品']['市场售价']
    
    profit = expected_revenue - total_cost
    return total_cost, profit

# 计算成本与利润
total_cost, profit = calculate_final_product_cost_and_profit(parts_data)

第四个问题是：假设问题2和问题3中零配件、半成品和成品的次品率均是通过抽样检测方法（例如，你在问题1中使用的方法）得到的，请重新完成问题2和问题3。

这个问题要求在假设次品率是通过抽样检测得到的情况下，重新对第二与第三个问题中提到的生产决策进行评估和制定方案。即需重新考虑是否对零配件和成品进行检测，并做出相应的决策，包括检测、报废及因检测引起的成本等各个环节的决策。
在第四个问题中，假设所有的次品率是通过抽样检测得出的，因此我们需要对每一个零配件、半成品和成品的次品率进行重新评估，以确定是否进行检测、报废以及进行拆解等操作。以下是对这个问题的数学建模及决策方案。

1. 模型假设

• 每种零配件、半成品与成品的次品率均是通过抽样检测得出，且具有一定的信度（如95%或90%）。
• 我们需要设定一个决策阈值，以决定是否接受或拒绝某类零配件或成品。

2. 决策变量

定义以下决策变量：

• $X_{ij}$: 如果对零配件$i$进行检测，则$X_{ij}=1$，否则$X_{ij}=0$。
• $Y_j$: 如果对半成品$j$进行检测，则$Y_j=1$，否则$Y_j=0$。
• $Z$: 如果对成品进行检测，则$Z=1$，否则$Z=0$。
• $A$: 如果对不合格成品进行拆解，则$A=1$，否则$A=0$。

3. 目标函数

我们的目标是最小化总的成本（包括采购成本、检测费用、报废成本、拆解费用及调换损失）：

$$\text{Minimize}C=\sum _{i=1}^n{X}_i\cdot c_i+\sum _{j=1}^m{Y}_j\cdot d_j+Z\cdot e+A\cdot f-\sum _{k=1}^p{g}_k$$

• 其中，$c_i$为零配件$i$的检测成本，$d_j$为半成品$j$的检测成本，$e$为成品的检测成本，$f$为拆解费用，$g_k$为调换损失（根据市场的售出情况与退换政策计算得出）。

4. 约束条件

对于每一种零配件、半成品和成品，基于抽样检测结果，我们可以设定以下约束条件：

1. 零配件的检测：

   • 如果第$i$个零配件的次品率超过标称值时，必须进行检测：

   $$\text{If }{\hat{p}}_i>p_0,\text{ then }{X}_i=1$$

   • 如果次品率不超过标称值，则可以不检测，如果不检测，次品率进入装配：

   $$\text{If }{\hat{p}}_i\le p_0,\text{ then }{X}_i=0$$

2. 半成品的检测：

   • 类似地，对于半成品$j$，

   $$\text{If }{\hat{p}}_j>p_0,\text{ then }{Y}_j=1$$
   $$\text{If }{\hat{p}}_j\le p_0,\text{ then }{Y}_j=0$$

3. 成品的检测：

   • 对成品的检测条件为：

   $$\text{If }{\hat{p}}_s>p_0,\text{ then }Z=1$$
   $$\text{If }{\hat{p}}_s\le p_0,\text{ then }Z=0$$

4. 拆解的决定：

   • 如果成品不合格，决策拆解或报废：

   $$\text{If成品不合格, then }A=1\text{ (拆解或丢弃)}$$

5. 决策流程

1. 针对每种零配件，进行抽样检测，统计次品率。
2. 根据次品率与标称值比较，决定是否进行检测。
3. 对于检测出的不合格零配件，计算报废或拆解的成本。
4. 装配合格的零配件，进行半成品的装配。
5. 针对半成品，执行相同的检测与决策流程。
6. 装配完成的成品，
   在第四个问题中，我们需要在假设次品率是通过抽样检测方法得到的情况下，对第二与第三个问题中提到的生产决策进行评估和制定方案。这个过程包括对零配件和成品的检测决策，以及相应的成本分析。

问题背景

在问题2和问题3中，企业需要做出关于零配件、半成品和成品的检测决策。根据问题1中的抽样检测方案，企业可以确定次品率的上限，并在此基础上决定是否接收零配件以及是否进行其他环节的检测。

抽样检测方案

假定我们按照问题1的抽样检测策略进行检测，设定的标准为：

• 以10%的次品率为基准。
• 采用95%和90%的信度进行检测。

次品率的确定

对于每一个零配件和成品，采取抽样检测后获得的次品率会影响后续决策。如果抽样结果显示次品率超过10%，便会拒收该批零配件或对成品进行报废；如果次品率不超过10%，可能接受并进入下一步。

决策分析（针对问题2和问题3）

为了进行检测决策，我们可以采用决策树分析方法，分析在各个决策节点上的可能情况。以下是具体步骤：

1. 零配件检测决策：

   • 对于每种零配件1至零配件8，根据抽样得到的次品率判断是否进行检测。
   • 如果检测结果显示次品率在10%之下，则可以直接接收。
   • 否则，将不合格的零配件进行报废或拆解。

2. 成品检测决策：

   • 对于装配后的成品，同样进行抽样检测。
   • 如果成品次品率超过10%，则进行报废或拆解；如果不超过，可以进入市场。

3. 拆解决策：

   • 对于检测出的不合格成品，企业需要考虑是否进行拆解。
   • 拆解后返回的零配件将重新进行检测。

4. 成本评估：

   • 根据不同检测决策的结果计算成本，包括购买、检测、拆解、调换等费用。

   • 具体计算公式如下：

   • 总成本 $C_{total}$:
     $$C_{total}=C_{purchase}+C_{detection}+C_{assembly}+C_{return}+C_{scrap}+C_{disassemble}$$

   其中:

   • $C_{purchase}$: 购买成本
   • $C_{detection}$: 检测成本
   • $C_{assembly}$: 装配成本
   • $C_{return}$: 调换损失
   • $C_{scrap}$: 报废成本
   • $C_{disassemble}$: 拆解费用

具体决策方案

1. 对于每种零配件：

   • 针对次品率数据，评估抽样检测后的接收与否。
   • 选择合适的检测方式，最大化合格率，降低不合格品率。

2. 对于成品：

   • 决定是否进行成品的检测，根据其次品率和市场需求等进行决策。

3. 对不合格品的处理：

   • 计算因调换及拆解产生的成本，优化拆解与报废决策，并保持良好的客户关系。

总结

在重新评估决策方案时，企业需要提高对各个环节次品率的控制，制定合适的抽样检测方案，以降低潜在成本，并确保市场产品的质量。决策依据应将经济成本与客户满意度结合起来，综合考虑各环节的运作效率和风险管理。
为了解决问题4，首先我们需要重新评估和制定第二和第三个问题中提到的生产过程中的决策方案。在这一假设下，零配件、半成品和成品的次品率是通过抽样检测方法得到的。因此，检测的必要性和策略将受到影响。

1. 检测决策的重新评估

对于零配件1和零配件2，假设次品率的抽样检测通过如下两条标准：

• 拒收标准：在95%的信度下，如果抽样检测指示的次品率高于标称值（例如10％），则拒收该批零配件。

• 接收标准：在90%的信度下，如果抽样检测指示的次品率不超过标称值，则接收该批零配件。

我们需要依据逐步递归决策的原理，确定在每个阶段是否检测，以及在不同情况下采取的最佳措施。

2. 具体决策评估框架

2.1. 零配件检测决策

零配件1和零配件2的评估：

1. 抽样检测：将进行抽样检测，设定样本量$n$，通过调和分析得出次品率的估计值。次品率的估计值为$\hat{p}$，即
   $$\hat{p}=\frac{D}{n}$$
   其中$D$为样本中不合格件数。

2. 决策：

   • 如果在抽样检测中$\hat{p}>0.1$（10%），按照拒收标准，拒收该批零配件。
   • 如果$\hat{p}\le 0.1$，则可选择接收。

2.2. 成品检测决策

对于每一件装配好的成品：

• 决定是否进行成品的抽样检测。

• 检测后，处理结果：

  • 如果次品率数据显示成品不合格，根据决策标准，可以选择：
    • 拆解并重用合格零配件，进行拆解$C_{拆解}$费用；
    • 或直接报废。

• 成品次品评估公式：

  • 成品次品率：
    $$P_{成品次品}=1-(1-P_{零配件1})\times (1-P_{零配件2})$$
  • 考虑到次品率影响，最终成本会包含检测成本及是否拆解的费用。

2.3. 报废与调换损失

对于不合格成品，计算调换损失：
$$L_{调换}=\text{调换损失}\cdot \text{不合格成品数量}$$

3. 决策依据与指标结果

通过上述决策模型，可以更新各类零配件与成品的检测策略，并结合市场售价与调换损失，调整生产成本及效率。

最终，决策方案将包括：

• 各零配件的检测必要性；
• 不合格成品的处理方式；
• 零配件的报废或再利用的经济性分析。

这些决策将根据实际数据分析及模型推导的结果，不同细节及相关变量都应根据企业的具体需求进行动态调整。

4. 总结

在假设次品率是通过抽样检测得到的情况下，各个阶段的决策需要重新进行评估。在确定要进行检测的成本和市场风险后，企业能够制定出更符合市场需求的有效方案，以提高整体的生产效率和经济效益。
为了重新评估并制定第二与第三个问题的生产决策方案，基于假设零配件、半成品和成品的次品率均是通过抽样检测方法得到的，这个代码将决策过程包含的问题如零配件检测、成本计算，逐步输出决策结果。

import numpy as np

# 定义参数
data = [
    {'part': '零配件1', 'fail_rate': 0.1, 'purchase_price': 2, 'test_cost': 1},
    {'part': '零配件2', 'fail_rate': 0.1, 'purchase_price': 8, 'test_cost': 1},
    {'part': '零配件3', 'fail_rate': 0.1, 'purchase_price': 12, 'test_cost': 2},
    {'part': '零配件4', 'fail_rate': 0.1, 'purchase_price': 2, 'test_cost': 1},
    {'part': '零配件5', 'fail_rate': 0.1, 'purchase_price': 8, 'test_cost': 1},
    {'part': '零配件6', 'fail_rate': 0.1, 'purchase_price': 12, 'test_cost': 2},
    {'part': '零配件7', 'fail_rate': 0.1, 'purchase_price': 8, 'test_cost': 1},
    {'part': '零配件8', 'fail_rate': 0.1, 'purchase_price': 12, 'test_cost': 2},
]

# 成品信息
final_product = {'fail_rate': 0.1, 'assembly_cost': 8, 'test_cost': 6, 'market_price': 200, 'exchange_loss': 40}

# 决策函数
def decision_process(parts):
    total_cost = 0
    for part in parts:
        # 选择是否检测零配件，简单的策略是始终检测
        test_cost = part['test_cost']
        if part['fail_rate'] > 0.1:  # 假设100件中如果次品率大于10%选择检测
            total_cost += test_cost
            expected_passed = (1 - part['fail_rate']) * 100 # 通过率
        else:
            expected_passed = 100 

        total_cost += (expected_passed * part['purchase_price'])
        print(f"{part['part']} - 预计合格件{expected_passed}, 检测成本: {test_cost}, 总成本: {total_cost}")

    # 处理成品
    assembly_cost = final_product['assembly_cost']
    test_cost = final_product['test_cost']
    expected_final_units = sum((1 - part['fail_rate']) * 100 for part in parts)

    # 成品检测决策
    cost_for_final = expected_final_units * assembly_cost + test_cost
    total_cost += cost_for_final

    final_fail_rate = final_product['fail_rate']
    if final_fail_rate > 0.1:  # 假设成品次品率大于10%选择检测
        total_cost += test_cost
        expected_output = (1 - final_fail_rate) * expected_final_units
    else:
        expected_output = expected_final_units

    # 计算调换损失
    exchange_loss = expected_final_units * final_product['exchange_loss']
    total_cost += exchange_loss

    print(f"成品总成本: {total_cost}, 预计合格成品: {expected_output}")

# 运行决策流程
decision_process(data)

我们首先定义了零配件和成品的基本信息，包括次品率、购买价格、检测费用等。然后，使用函数 decision_process 进行检测决策。该函数计算每个零配件的预计合格件数和相关成本，决定是否需要进行检测，并计算最终成品的成本和合格情况。最后，它输出每个步骤的相关信息。这个代码可以作为更复杂决策过程的基础进行扩展和细化。

国赛跟紧小秘籍冲冲冲！！更多内容可以点击下方名片详细了解！
记得关注 数学建模小秘籍打开你的数学建模夺奖之旅！