(附带双版本代码+最终结果!)2024五一赛数学建模B题参考论文32页

2024年五一数学建模竞赛B题参考思路

2024五一赛B题保姆级建模思路+可执行代码+后续成品论文+各类可视化图表icon-default.png?t=N7T8https://mbd.pub/o/bread/ZpWWmZly

B未来新城背景下的交通需求规划与可达率问题

交通需求指从特定起点出发,到达指定终点的交通量(车辆数)。以图1中的交通网络1为例,假设(起点,终点)对(1,4)的交通需求为100辆,其中40辆分配到路径1-2-4,60辆车分配到路径1-3-4,该过程称为交通需求分配。在道路完全通畅的情况下,从起点1到达终点4的交通量比例(以下称为“可达率”)为(40+60)/100=100%。而一旦产生突发状况,例如路段1-2发生了交通事故导致该路段无法通行,那么原本选择通过1-2-4路径的交通需求将无法满足。此时,只有通过路径1-3-4的交通需求才能够被实现,交通需求可达率为60/100=60%。

其中 R (s,t)是从起点 s 到终点 t 的所有可能路径的集合,Fr是分配到路径 r 上的交通量,T (s,t)是(起点, 终点)对 (s,t) 的总交通需求量。

假设每个(起点,终点)对之间使用的路径数不超过5(各路段长度均为单位1,优先选择距离短的路径)。做题过程中不能遗漏的约束条件。假设交通网络中所有车辆均为无人驾驶车辆,并且所有车辆都服从系统预先规划的路径进行出行。不需要考虑会额外出现的交通事故。注意:本题的图2和图3中的路段为双向路段,即路段2-3和路段3-2是两条不同的路段。也就意味着计算交通需求可达率的时候不需要考虑逆向路段,仅需考虑路径中包含出现交通事故的路段,

这一点是对题目的简化。在本题中,不要求交通流量值取整数,即交通流量值可以为任意的非负实数。对结果的说明。请依据附件1~3,建立数学模型,完成以下问题:

问题1:图2为一个小型交通网络。各(起点,终点)对之间的交通需求见附件1。请建立数学模型,给出各(起点,终点)对之间交通需求分配到对应路径上的交通量,使得网络中任意1条路段出现突发状况时(每个路段出现突发状况概率相同),网络中所有交通需求的期望可达率最大。在表1中填入指定(起点,终点)对规划的路径,以及对应分配的交通量(若规划路径数不足5条无需填满表

由于每个路段出现突发状况的概率相同,且假设这些事件是独立的,那么EAR可以通过计算所有可能的突发状况下可达率的平均值来得到。

(2)交通需求的期望可达率(Expected Accessibility Rate, EAR) 

在交通网络中,假设每个路段出现突发状况的概率为 P,并且这些事件是独立的。对于给定的(起点, 终点)对 (s,t),其交通需求可达率 AR (s,t)  取决于网络中各路段的状态。

首先,定义 R (s,t)为(起点, 终点)对 (s,t) 的所有可能路径的集合。对于每一条路径 rR (s,t) ,定义 Fr为分配到路径 r 上的交通量,T(s,t)为(起点, 终点)对 (s,t) 的总交通需求量。

在没有任何路段失效的情况下,交通需求可达率 AR (s,t)为 1,因为所有分配的交通量都能到达目的地。但是,当某个路段失效时,只有那些不经过该路段的路径上的交通量能够到达目的地。

为了计算交通需求的期望可达率 EAR (s,t) ,需要考虑所有路段可能的状

  • 5
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
以下是一个简单的连杆机构优化设计实例,使用 Python 语言编写。代码中使用了 Scipy 库的优化函数,以及 Matplotlib 库的绘图函数。 设计变量: - 连杆长度 L1 和 L2 - 连杆角度 theta1 和 theta2 数学模型: - 连杆机构的位置:x = L1 * cos(theta1) + L2 * cos(theta1 + theta2),y = L1 * sin(theta1) + L2 * sin(theta1 + theta2) 目标函数: - 最小化连杆机构的长度:minimize(L1 + L2) 约束条件: - 连杆机构的位置必须满足要求:x >= x_min,y >= y_min - 连杆机构的长度必须满足要求:L1 >= L1_min,L2 >= L2_min 代码实现: ```python import numpy as np from scipy.optimize import minimize import matplotlib.pyplot as plt # 定义目标函数 def objective(x): L1, L2, theta1, theta2 = x return L1 + L2 # 定义约束条件 def constraint1(x): L1, L2, theta1, theta2 = x x_val = L1 * np.cos(theta1) + L2 * np.cos(theta1 + theta2) y_val = L1 * np.sin(theta1) + L2 * np.sin(theta1 + theta2) return np.array([x_val - x_min, y_val - y_min]) def constraint2(x): L1, L2, theta1, theta2 = x return L1 - L1_min def constraint3(x): L1, L2, theta1, theta2 = x return L2 - L2_min # 定义初始值 x0 = [1.0, 1.0, np.pi/4, np.pi/4] # 定义优化问 problem = {'type': 'eq', 'fun': constraint1} constraints = [{'type': 'ineq', 'fun': constraint2}, {'type': 'ineq', 'fun': constraint3}] # 求解优化问 solution = minimize(objective, x0, method='SLSQP', constraints=constraints) # 输出结果 print('优化结果:') print(solution) # 绘制连杆结构图 L1, L2, theta1, theta2 = solution.x x = [0, L1*np.cos(theta1), L1*np.cos(theta1) + L2*np.cos(theta1+theta2)] y = [0, L1*np.sin(theta1), L1*np.sin(theta1) + L2*np.sin(theta1+theta2)] plt.plot(x, y, 'bo-') plt.xlim([0, 2]) plt.ylim([0, 2]) plt.gca().set_aspect('equal', adjustable='box') plt.show() ``` 在代码中,我们首先定义了目标函数和约束条件函数。然后,我们使用 Scipy 库的 minimize 函数求解优化问,其中使用了 SLSQP 方法进行求解。最后,我们输出优化结果,并绘制了优化后的连杆结构图。 请注意,这只是一个简单的优化问,实际的连杆机构设计问可能需要考虑更多的因素,例如动态载荷、摩擦等。在实际应用中,还需要根据具体情况进行调整。
评论 2
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