2024 年高教社杯全国大学生数学建模竞赛B题4小问解题思路（第二版）

于 2024-09-05 23:52:00 发布
阅读量443 收藏 6
点赞数 6
文章标签： python 数学建模
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/lingqi070/article/details/141947522
版权

原文链接：https://www.cnblogs.com/qimoxuan/articles/18399415

问题 1：抽样检测方案设计

详细解题思路：

  1. 确定抽样检测目标：企业需要确定一个可接受的次品率上限（标称值），以及在该次品率下，企业愿意接受或拒绝零配件的信度水平（置信度）。

  2. 选择抽样方案：根据信度要求，选择合适的抽样方案。常见的抽样方案包括简单随机抽样和分层抽样。

  3. 计算抽样大小：根据次品率的标称值、信度水平和风险水平，计算所需的最小抽样大小。

  4. 确定接受/拒绝标准：根据抽样结果，确定一个阈值，如果抽样中发现的次品数量超过这个阈值，则拒绝整批零配件。

  5. 模拟和验证：通过模拟抽样过程，验证所设计的抽样方案是否满足企业的要求。

数学模型和公式：

  1. 二项分布：假设零配件的次品率 p 是已知的，那么抽样中发现次品的数量 XX 服从二项分布 X∼B(n,p)，其中 n 是抽样大小。

  2. 抽样大小计算：可以使用以下公式来估计抽样大小 n：

    其中，Zα/2​ 是正态分布的分位数，E 是可接受的误差范围。

  3. 接受/拒绝标准：设定一个临界值 cc，如果 X>cX>c，则拒绝零配件。临界值可以通过以下公式计算： c=max{k:P(X≤k)≥1−β} 其中，ββ 是犯第一类错误的概率（即错误地接受不合格的零配件）。

示例代码：

from scipy.stats import binom

# 参数设置
p_nominal = 0.10  # 标称次品率
confidence_level = 0.95  # 信度水平
risk_level = 0.10  # 风险水平
error_margin = 0.05  # 可接受的误差范围

# 计算Z值
Z = abs((1 - confidence_level) ** 0.5)

# 计算抽样大小
n = (Z**2 * p_nominal * (1 - p_nominal)) / (error_margin**2)

# 计算接受/拒绝标准
c = binom.ppf(1 - risk_level, n, p_nominal)

# 输出结果
print(f"抽样大小: {int(n)}")
print(f"接受/拒绝标准: {int(c)}")

# 模拟抽样过程
sample_size = int(n)
defective_rate = p_nominal
samples = binom.rvs(n=sample_size, p=defective_rate, size=1000)
accept = samples <= c

# 计算接受率
accept_rate = accept.mean()
print(f"在标称次品率下，接受率: {accept_rate:.2f}")

问题 2：生产过程决策

详细解题思路：

  1. 定义决策变量：

    • D1​ 和 D2​：是否对零配件1和零配件2进行检测。
    • T：是否对装配好的成品进行检测。
    • R：是否对检测出的不合格成品进行拆解。

  2. 成本和收益分析：

    • 计算每个决策变量的成本和收益，包括检测成本、装配成本、市场售价、调换损失和拆解费用。

  3. 建立目标函数：

    • 最大化利润或最小化成本。

  4. 约束条件：

    • 零配件和成品的次品率。
    • 检测和拆解的可行性。

  5. 模型求解：

    • 使用线性规划、动态规划或决策树来求解模型。

数学模型和公式：

  1. 目标函数： Maximize Profit=Revenue−Cost 其中，Revenue 是销售合格成品的收入，Cost 包括购买成本、检测成本、装配成本、市场售价、调换损失和拆解费用。

  2. 约束条件：

    • 零配件合格率约束： P1≥(1−Defective Rate of Component 1)P2≥(1−Defective Rate of Component 2)
    • 成品合格率约束： P≥(1−Defective Rate of Final Product)

  3. 决策变量：

    • D1,D2∈{0,1}：是否检测零配件。
    • T∈{0,1}：是否检测成品。
    • R∈{0,1}：是否拆解不合格成品。

示例代码：

import pulp

# 定义问题
prob = pulp.LpProblem("Production_Decision", pulp.LpMaximize)

# 定义决策变量
D1 = pulp.LpVariable("D1", cat='Binary')
D2 = pulp.LpVariable("D2", cat='Binary')
T = pulp.LpVariable("T", cat='Binary')
R = pulp.LpVariable("R", cat='Binary')

# 参数设置
cost_component1 = 4
cost_component2 = 18
cost_assembly = 6
cost_test_component1 = 2
cost_test_component2 = 3
cost_test_final = 3
cost_disassembly = 5
market_price = 56
replacement_loss = 6

# 成本函数
cost = cost_component1 * (1 - D1) + cost_component2 * (1 - D2) + cost_assembly + \
       (D1 * cost_test_component1) + (D2 * cost_test_component2) + (T * cost_test_final) + \
       (R * cost_disassembly)

# 收益函数
revenue = market_price * (1 - 0.1) * (1 - 0.1) * (1 - T)

# 目标函数
prob += revenue - cost

# 约束条件
prob += D1 + D2 + T + R <= 4, "Total_Tests"

# 求解问题
prob.solve()

# 输出结果
print("Status:", pulp.LpStatus[prob.status])
print("Optimal Decision Variables:")
print("D1 (Test Component 1) =", D1.varValue)
print("D2 (Test Component 2) =", D2.varValue)
print("T (Test Final Product) =", T.varValue)
print("R (Disassemble Rejected Products) =", R.varValue)
print("Maximum Profit =", pulp.value(prob.objective))

问题 3：多道工序决策

详细解题思路：

  1. 定义决策变量：

    • 对于每个零配件 i，定义 Di​ 为是否检测该零配件。
    • 对于每个半成品 j，定义 Aj​ 为是否检测该半成品。
    • 对于成品，定义 T 为是否检测成品。

  2. 成本和收益分析：

    • 计算每个决策变量的成本和收益，包括购买成本、检测成本、装配成本、市场售价、调换损失和拆解费用。

  3. 建立目标函数：

    • 最大化利润或最小化成本。

  4. 约束条件：

    • 零配件和半成品的次品率。
    • 检测和拆解的可行性。

  5. 模型求解：

    • 使用多阶段决策过程或网络流模型来求解模型。

数学模型和公式：

  1. 目标函数： Maximize Profit=Revenue−Cost 其中，Revenue 是销售合格成品的收入，Cost 包括购买成本、检测成本、装配成本、市场售价、调换损失和拆解费用。

  2. 约束条件：

    • 零配件合格率约束： Pi≥(1−Defective Rate of Component i)
    • 半成品合格率约束： Qj≥(1−Defective Rate of Semi-finished Product j)
    • 成品合格率约束： P≥(1−Defective Rate of Final Product)

  3. 决策变量：

    • Di,Aj,T∈{0,1}：是否检测相应的零配件、半成品或成品。

示例代码：

import pulp

# 定义问题
prob = pulp.LpProblem("Multistage_Production_Decision", pulp.LpMaximize)

# 定义决策变量
components = ['1', '2', '3', '4', '5', '6', '7', '8']
D = pulp.LpVariable.dicts("D", components, cat='Binary')
A = pulp.LpVariable.dicts("A", components[0:4], cat='Binary')  # 假设只有前4个组件形成半成品
T = pulp.LpVariable("T", cat='Binary')

# 参数设置
cost_component = {i: 2 for i in components}  # 假设所有组件购买成本为2
cost_assembly = 8
cost_test = {i: 1 for i in components}  # 假设所有组件检测成本为1
cost_test_final = 6
cost_disassembly = 4
market_price = 200
replacement_loss = 40

# 成本函数
cost = sum(cost_component[i] * (1 - D[i]) for i in components) + \
       sum(cost_test[i] * D[i] for i in components) + \
       sum(cost_test[i] * A[i] for i in components[0:4]) + \
       cost_test_final * T + cost_disassembly * T

# 收益函数
revenue = market_price * (1 - 0.1)  # 假设成品次品率为10%

# 目标函数
prob += revenue - cost

# 约束条件
for i in components:
    prob += D[i] + A[i] + T <= 4, f"Total_Tests_{i}"

# 求解问题
prob.solve()

# 输出结果
print("Status:", pulp.LpStatus[prob.status])
print("Optimal Decision Variables:")
for i in components:
    print(f"D_{i} (Test Component {i}) =", D[i].varValue)
for i in components[0:4]:
    print(f"A_{i} (Test Semi-finished Product {i}) =", A[i].varValue)
print("T (Test Final Product) =", T.varValue)
print("Maximum Profit =", pulp.value(prob.objective))

问题 4：考虑抽样误差的决策

详细解题思路：

  1. 考虑抽样误差：

    • 抽样误差会影响对零配件、半成品和成品次品率的估计。
    • 需要考虑抽样误差对决策的影响，包括对检测和拆解决策的影响。

  2. 建立概率模型：

    • 使用概率模型来描述次品率的不确定性，例如使用贝叶斯方法或置信区间。

  3. 优化模型：

    • 建立一个优化模型，考虑不确定性下的决策，以最大化期望利润或最小化期望成本。

  4. 鲁棒性分析：

    • 评估在不确定性下，决策方案的鲁棒性，确保在最坏情况下仍能保持合理的性能。

  5. 模型求解：

    • 使用蒙特卡洛模拟或其他随机优化方法来求解模型。

数学模型和公式：

  1. 概率模型：

    • 假设次品率 p 是一个随机变量，可以使用贝叶斯方法来更新其后验分布。

  2. 优化模型：

    • 建立一个期望值模型，最大化期望利润： Maximize E[Profit]=E[Revenue]−E[Cost]
    • 其中，E[Revenue] 和 E[Cost] 分别是收入和成本的期望值。

  3. 鲁棒性分析：

    • 使用最坏情况分析或敏感性分析来评估决策方案在不确定性下的表现。

示例代码：

import numpy as np
import pulp

# 定义问题
prob = pulp.LpProblem("Robust_Production_Decision", pulp.LpMaximize)

# 定义决策变量
D = pulp.LpVariable.dicts("D", [1, 2], cat='Binary')
T = pulp.LpVariable("T", cat='Binary')

# 参数设置
cost_component = [4, 18]
cost_test = [2, 3]
cost_assembly = 6
cost_test_final = 3
cost_disassembly = 5
market_price = 56
replacement_loss = 6

# 次品率和抽样误差
defective_rates = [0.1, 0.2]  # 真实次品率
sample_sizes = [50, 50]  # 抽样大小
sampling_error = 0.05  # 抽样误差

# 模拟抽样过程
np.random.seed(0)
sampled_defective_rates = np.random.normal(defective_rates, sampling_error, (2, 2))

# 成本函数
cost = (cost_component[0] * (1 - D[1]) + cost_test[0] * D[1] +
        cost_component[1] * (1 - D[2]) + cost_test[1] * D[2] +
        cost_assembly + cost_test_final * T)

# 收益函数
revenue = market_price * (1 - np.mean(sampled_defective_rates[:, 0])) * (1 - np.mean(sampled_defective_rates[:, 1]))

# 目标函数
prob += revenue - cost

# 约束条件
prob += D[1] + D[2] + T <= 3, "Total_Tests"

# 求解问题
prob.solve()

# 输出结果
print("Status:", pulp.LpStatus[prob.status])
print("Optimal Decision Variables:")
print("D1 (Test Component 1) =", D[1].varValue)
print("D2 (Test Component 2) =", D[2].varValue)
print("T (Test Final Product) =", T.varValue)
print("Maximum Profit =", pulp.value(prob.objective))

柒墨轩
关注
  • 6
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
2023年高教社杯全国大学生数学建模竞赛-【比赛规则篇】比赛规则及比赛指导
qq_36130719的博客
09-08 2293
所有的一切都很重要，但是我觉得坚持最重要。不到最后一刻，不要轻言放弃。在我们比赛的过程中，身边很多的同学会在你的旁边说一些泄气的话，但是你一定不要被动摇，或许这是别人迷惑你的一种方式。真正有实力的队伍哪有功夫到处闲扯，他们抓紧实现自己的想法的时间都不够！数学建模考察我们短时间解决问题的能力。当我们选择了题目后，首先要以把题目解决得到一个结果为目的，然后根据这个简单的结果不断的优化自己的解题思路，解题方法。并把这个过程体现在你的论文中，这就是作为一个研究生解决实际问题或者科学研究的一个正常思路。
2023 年高教社杯全国大学生数学建模竞赛A题思路
Matlab领域的博客
09-08 626
## ⛄一、思路与参考代码 🏆1：订阅此专栏，即可见解题思路+参考论文+一次付费+持续更新！ 🏆2：订阅此专栏，即可获得以下专栏（初级版）任意代码一份，扫描文章底部QQ名片，提供订阅记录，备注所需**代码期号**；
2024 年高教社杯全国大学生数学建模竞赛B题解题思路（第一版）
最新发布
lingqi070的博客
09-05 656
2024 年高教社杯全国大学生数学建模竞赛B题解题思路（第一版）
2023 年高教社杯全国大学生数学建模竞赛E题思路
Matlab领域的博客
09-08 2514
## ⛄一、思路与参考代码 🏆1：订阅此专栏，即可见解题思路+参考论文+一次付费+持续更新！ 🏆2：订阅此专栏，即可获得以下专栏（初级版）任意代码一份，扫描文章底部QQ名片，提供订阅记录，备注所需**代码期号**；
2023 数学建模高教社杯 国赛（B题）|多波束测线问题|建模秘籍&文章代码思路大全
数学建模小秘籍的博客
09-07 5886
小秘籍希望大家都能轻松建模呀，国赛也会持续给大家放松思路滴~要保持积极的心态，不断提高建模和解决问题的能力。完整思路+代码看看这里哦~抓紧小秘籍，我们出发吧~来看看国赛B题的题目~
2021年高教杯数学建模国赛C题的解题过程附全部代码以及参赛论文（百度网盘）
热门推荐
bhegi_seg的博客
05-31 1万+
我们小组参加了2021年数学建模，本人负责代码方面，此文仅为自己的思考理解+代码分析+题目分析 题目： 注：试题完整版和对应的附件在我另一篇文章里面 某建筑和装饰板材的生产企业所用原材料主要是木质纤维和其他植物素纤维材料,总体可分为 A，B，C 三种类型。该企业每年按 48 周安排生产，需要提前制定 24 周的原材料订购和转运计划，即根据产能要求确定需要订购的原材料供应商（称为“供应商”）和相应每周的原材料订购数量（称为“订货量”），确定第三方物流公司（称为“转运商”）并委托其将供应商每周的原材料供货数量（
Python基础 5 - 类、对象、注解
云端梦留白的博客
09-04 899
面向对象（Object-Oriented, OOP）是一种编程范式，它使用“对象”来设计软件，这些对象包含数据（通常称为属性或字段）和代码（通常称为方法或函数），以模拟现实世界实体的属性和行为。面向对象是一种编程方法，通过创建包含数据和行为的对象来模拟现实世界，提高代码的组织性、重用性和灵活性。在 Pyhon 中，想要使用类，必须先创建对象。class 类名称 : # class 关键字，表示定义了一个类，类首字符大写为标准。
JS都有哪些操作数组的方法
ggq53219的博客
09-04 400
JavaScript 中操作数组的方法非常丰富，这些方法大致可以分为几类：创建和初始化数组、添加元素、删除元素、遍历数组、搜索元素、数组排序、数组映射和过滤等。
asyncio note
weixin_48232453的博客
09-03 807
python异步库asyncio入门
计算机毕业设计选题推荐-任务管理系统-项目任务分配系统-Java/Python项目实战
IT研究室的博客
09-03 782
随着信息化技术的迅猛发展，各类企业和组织越来越依赖于高效的任务管理系统以保证其日常运营的顺利进行。根据IDC（国际数据公司）发布的报告显示，全球企业在数字化转型上的投入已达数千亿美元，其中相当一部分资金用于提升企业内部的管理效率。任务管理系统作为企业信息化的重要组成部分，能有效帮助企业分配、监控和反馈任务，从而提高工作效率。然而，尽管市场上已有多种任务管理系统，它们在功能、用户体验和适用性上存在显著差异。
CUDA编程08 - 并行编程思维
GPU全栈博主-程序哥
09-02 1106
到目前为止，我们集中于学习并行编程的实用知识，包括CUDA编程接口特性、GPU架构、性能优化技术、并行模式和应用案例研究。在本章中，我们将讨论更为抽象的概念。我们将并行编程概括为一种思维过程，即设计或选择并行算法，并将一个实际问题分解基本的工作单元，这些工作单元可以由所选的算法高效地执行。具备强大思维技能的程序员不仅会分析问题，还会转变实际问题的结构：哪些部分本质上是串行的，哪些部分适合并行执行，以及将前者的部分转移到后者所涉及的一些权衡。
Python 高级特效 - 生成器 ( Generator)
weixin_48591974的博客
08-31 522
生成器是一种一边循环一边计算的机制,通过列表生成式，可以直接创建一个列表，但是受到内存的限制，列表容量是有限的，当列表元素很 大的时候，会很浪费内存空间。所以可以通过生成器 Generator 生成，它的作用相比列表，内存占用少，节约资源
【Python报错已解决】`TypeError: ‘numpy.ndarray‘ object is not callable`
鸽芷咕的博客
09-01 451
在编程中，你是否遇到过尝试调用一个Numpy数组对象时出现了`TypeError: 'numpy.ndarray' object is not callable`的报错？这个问题通常是由于误将Numpy数组当成了一个函数来调用。接下来，我们将分析这个问题并提供解决方案。
BeautifulSoup：Python网页解析库详解
零度°C的博客
08-30 877
是一个Python库，用于从HTML或XML文件中提取数据。它能够通过简单的方法处理复杂的HTML文档，并且很容易就能找到你需要的标签和数据。
java 基于Swing的随机点名
tonysong111073的专栏
09-02 269
使用java的swing开发的随机点名
4.科学计算模块Numpy（1）概述与初始操作
dxyl632956的博客
09-01 1187
我们想通过Python去学习人工智能，不可避免地要对大量的数据进行操作。在大批量的数据处理下，如果只是人为手动地修改数据信息，未免效率太低。今天我们就来介绍数据科学领域当中至关重要的一个库：Numpy
计算机毕业设计选题推荐-公司考勤管理系统-Java/Python项目实战
IT研究室的博客
09-01 1267
随着企业规模的不断扩大和员工数量的增加，传统的人工考勤管理方式已经无法满足现代企业对高效、精准和自动化管理的需求。根据《人力资源管理杂志》2022年的统计数据，超过70%的中大型企业表示，考勤管理系统已经成为企业日常管理中不可或缺的工具。然而，仍有近40%的企业采用人工或半自动化的方式进行考勤管理，这不仅耗费了大量的人力资源，还容易出现错误和遗漏，导致考勤数据不准确，影响企业的人事管理和员工的工作体验。此外，随着远程办公和弹性工作制的普及，企业对灵活、智能化的考勤管理系统的需求愈发强烈。
javascript通过while循环和switch语句制作一个简易ATM机
2301_81968528的博客
09-04 1079
输入3，提示查看余额，弹出对话框，提示账户余额。输入2，提示取钱，弹出对话框，输入取钱金额。输入1，提示存钱，弹出对话框输入存钱金额。上述代码就是一个简易ATM的代码。
2020年高教社杯全国大学生数学建模竞赛b题思路
11-25
2020年高教社杯全国大学生数学建模竞赛b题要求参赛者从实际问题出发，分析和建模，提出解决方案。这道题目的题目是：某城市的交通拥堵问题。竞赛要求参赛者以数学建模的方法，分析问题的本质，提出有效的解决方案。 首先，可以从交通拥堵的原因入手，包括道路狭窄、交通信号设置不合理、车辆过多等等。然后可以利用数学模型来描述这些原因对交通拥堵的影响，例如可以用流体力学的理论来描述车辆在道路上的运动状态，用图论的方法来描述交通网络的拥堵情况等等。 接着，可以针对这些分析得出的结果，提出解决方案。比如可以通过调整交通信号灯的时间间隔来缓解车辆拥堵情况，通过规划新的道路来分流车流量，通过公共交通建设来鼓励市民减少自驾出行等等。 在建模过程中，需要考虑到真实情况的复杂性，不能简化问题，同时也要注意数据的可靠性和合理性。提出的解决方案也需要经过合理性验证和实际可行性评估。 总的来说，参赛者在解答这道题目时需要充分发挥数学建模的优势，通过分析建模、提出解决方案来有效解决实际问题。同时，还需要注重团队合作的配合，充分发挥每个人的长处，共同完成一项完整的数学建模竞赛题。
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