2022美赛建模经历总结

今年是第一次参赛,小白简单写个总结,给大家做个参考。

目录

一、赛前准备

1.前三个月

1.1无关紧要的前情

1.2感想

2.前一个月

2.1寒假前

2.2寒假开始

二、赛中安排

1.时间安排

1.1第一天(2.18)

1.2第二天(2.19)

1.3第三天(2.20)

1.4第四天(2.21)+ 第五天(2.22)

三、赛后反思

四、附录


一、赛前准备

1.前三个月

1.1无关紧要的前情

笔者大二,之前有同学参加国赛,但笔者没经验+没人拉+知道得晚+了解得不深+没有这方面经验=就没参赛想法。

后来有团队主动来拉笔者搞美赛,笔者矜持地说考虑考虑,然后自己查美赛相关的资料。正好时值期末,把人家忘了,后来又看见学校通知,这才要参加。查了一堆资料,开始找队友(不好意思找之前那组人了,放人家鸽子放太久)。

找了两个同级队友,都是小白,但都是认真负责的人。拉人时就统一思想,要搞就认真搞,好好学习好好弄,不管结果怎么样都学点东西。一般都要分角色——建模、代码、论文,但我们都很菜,又都是信院的,就商量说都学、到时候随机应变(想得比较美)!

1.2感想

要找靠谱队友,要提前统一思想。

没有很突出的技能、没多少经验的时候,可以都学一点、都懂一点。

2.前一个月

因为之前期末,没有做多少准备,就放到寒假搞。

2.1寒假前

下载好软件(matlab&latex),要到了合适的美赛板子。

2.2寒假开始

广泛地参考了各种经验贴。基本每三天开一次学习分享会,一次半小时左右。主要内容为学习进度检查和论文理解分享交流。我们找了一本数学建模的书,每三天阅读理解一章节+O奖论文的学习感想分享+小任务(比如Latex学习、Matlab操作学习、资料查找途径共享……)。

学习程度不敢保证,至少对要做的任务、从何下手心里有数,并且在假期里保持一个比较好的学习状态。

二、赛中安排

1.时间安排

比赛北京时间2022.2.18 6:00——2022.2.22 9:00

我们尽量保证睡眠,初定为 8:00-24:00为统一在线时间,基本每间隔一小时或两小时开一次短会交流想法、安排任务。

1.1第一天(2.18)

半天决定选题+建模思路确定+写部分论文。

两小时分别看题、想思路、简单查资料。然后统一讨论确定选题。接下来查找文献资料,确定现有的、简单的、可用模型。晚上写引言的背景、问题重述、我们的工作(简单的大纲)。

都是小白,就选了任务明确、不用额外找数据的C题。赛前考虑的ABD,因为感觉大数据需要的数据可能比较多,数据处理会很复杂,没想到这回官方限制了数据,对新手非常友好。

1.2第二天(2.19)

原计划当天做出价格、风险的基础模型,第三天做优化。但没想到人太菜。半天价格预测模型+疯狂查资料改变风险模型+做策略模型的理论查找。

1.3第三天(2.20)

半天弄风险模型+策略模型建立+循环得结果+写部分论文。

到这里的时候已经没有优化的想法了,太菜了。这里先把一些建立过程的想法、公式啥的准备了准备。

1.4第四天(2.21)+ 第五天(2.22)

半天写摘要和备忘录+对机翻的错误、过长句做修改+放到Latex

机翻容易出过去式和过长句(过长可能是因为我们写的逗号太多,本身思路不够清楚)。

因为对Latex还是不够熟,出了些问题。①图片只会居中放一个,不会并列放,还容易飘走②参考文献中只要放网址就会报错,不知道问题出在哪里,只好把网址全删了。

三、赛后反思

1.学得不够踏实

比赛前对数学模型只大概有印象,却不知道怎么具体实现它。这迫使我们比赛中间换模型思路,排版遇问题。模型、Matlab、Latex都没深入学习、实践。

2.结束得过于草率

原本以为会比较早结束,结果还是熬到凌晨三点才基本统合。但可能精神不济,提前泄了口气,排版出了点问题——许多图片都飘离了原本的位置,我们还超出了一页,改图片大小效果不明显,删了附录里一页代码,急匆匆提交了。

四、附录

等有空了,看要不要来分享些O奖论文资源。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
2022美赛A题是关于自行车骑手功率分配建模的。在这个问题中,我们要考虑如何根据不同的道路、环境和骑手特点,合理地分配骑手的功率,以达到最佳的骑行效果。 首先,我们可以将问题抽象为一个线性规划问题。我们假设骑手的功率分配为x1、x2、...、xn,表示每个骑手在各自的骑行环节中所分配的功率。由于目标是达到最佳的骑行效果,我们可以将目标函数设置为总耗费的最小化,即min{f(x1, x2, ..., xn)}。其中,f(x1, x2, ..., xn)表示总的耗费函数。 在确定总耗费函数时,我们需要考虑到骑手在不同环节中所消耗的能量,以及骑行效果的权重。这些可以通过数据分析和实验来确定。比如,我们可以考虑不同道路的阻力、坡度以及环境的影响等因素。同时,我们也需要将骑行效果的权重纳入考虑,例如骑行速度、体力消耗等。总耗费函数可以表示为f(x1, x2, ..., xn) = a1*x1 + a2*x2 + ... + an*xn。其中,ai表示各个骑行环节的权重。 接下来,我们需要考虑约束条件。骑手的总功率应该等于所需要的总功率,并且每个骑手的功率应该在合理的范围内。此外,我们还需要考虑到每个环节的能量平衡。约束条件可以表示为: ∑xi = P,即总功率等于所需要的总功率。 0 ≤ xi ≤ Pi,即每个骑手的功率在0到所需功率之间。 ∑Pi = ∑xi,即每个环节的能量平衡。 最后,我们可以利用线性规划方法求解这个模型,得出最优的功率分配方案。通过调整各个环节的权重和约束条件,我们可以得到不同情况下的最佳分配方案。 总之,2022美赛A题涉及到自行车骑手功率分配建模。我们可以将其抽象为一个线性规划问题,通过确定目标函数、约束条件和权重,利用线性规划方法求解最优的功率分配方案。这样可以帮助我们合理地分配骑手的功率,以提高骑行效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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