【论文+mtlab+py代码汇总】2024五一赛数学建模ABC题完整版

A基于欧拉定理与贪婪算法的钢板切割路径优化问题

摘  要

2024五一赛A题保姆级建模思路22页+1-3问可执行代码[py Mtlab双版本]+后续成品论文+各类可视化图https://www.jdmm.cc/file/2710585表

开头段：需要充分概括论文内容，一般两到三句话即可，长度控制在三至五行。

问题一中，解决了什么问题；应用了什么方法；得到了什么结果。

问题二中，解决了什么问题；应用了什么方法；得到了什么结果。

问题三中，解决了什么问题；应用了什么方法；得到了什么结果。

问题四中，解决了什么问题；应用了什么方法；得到了什么结果。

结尾段：可以总结下全文，也可以介绍下你的论文的亮点，也可以对类似的问题进行适当的推广。

关键词：钢板切割路径； 路径优化； 欧拉定理； 贪婪算法

• 问题重述

提高钢板下料切割过程中的工作效率，是模具加工企业降低成本和增加经济效益的重要途径，其中钢板切割的路径规划是钢板切割过程的一个关键环节。

钢板切割就是使用特殊的切割技术，基于给定的下料切割布局图纸对钢板进

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32页+可执行代码[py mtlab]+后续成品论文+处理可视化图表https://www.jdmm.cc/file/2710586

 

B题 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%

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条无需填满表格)。

C基于随机森林的煤矿深部开采冲击地压危险预测

2024五一赛C题成品论文23页word页+1-3问可执行代码[py＋mtlab]+各类可视化图表https://www.jdmm.cc/file/2710587

摘要

煤炭作为中国重要的能源和工业原料，其开采活动对国家经济的稳定与发展起着至关重要的作用。本文将使用题目给出的数据探索更为高效的数据分析方法和更先进的监测设备，以提高预警系统的准确性和可靠性。

对于问题一，干扰信号分析，分析干扰信号并识别干扰信号的时间区间。首先对数据集进行数据清洗，判断其异常值以及缺失值。利用matlab的find函数判定得出无缺失值，再利用k-s检验判定数据分布方式。得出所有的数据均不服从正态分布检验，因此使用箱型图判定异常值。对于判定结果结合实际情况进行分析处理。首先利用给出数据使用固定大小的窗口遍历整个数据集，计算每个窗口中的数据特征。计算幅度差、噪声水平、持续时间、频率特征等。使用提取的特征通过TreeBagger函数训练一个包含100棵决策树的随机森林分类模型。利用问题一特定时间段内的电磁辐射和声发射数据导入模型进行分类判定。随机森林模型的准确率高达99.78%，实现对干扰信号的高精度识别

对于问题二，前兆特征信号分析，分析前兆特征信号并识别前兆特征信号的时间区间。首先，采用与问题一相同的数据清洗方式对问题二涉及的数据进行数据清洗。采用滑动窗口方法计算每个窗口的平均值、标准差和能量等指标。使用随机森林算法训练分类模型，目的是从特征中学习区分类别A和B的模式。利用问题二特定时间段内的电磁辐射和声发射数据导入模型并对其执行与训练数据相同的预处理和特征提取步骤。识别并合并连续或近连续的预测为前兆特征的时间窗口，形成连续的时间区间。

对于问题三，前兆特征信号的实时预警，预测前兆特征信号的概率。应用滑动窗口技术，计算每个窗口的滑动平均值、滑动标准差，以及信号的能量。这些统计量能够捕获信号在每个窗口内的基本特征，为后续的模型训练提供输入特征。筛选类别为A和B的数据作为训练集，使用提取的滑动平均值、滑动标准差和能量作为特征，进行随机森林模型的训练。对每个测试数据文件的最后一个数据点使用训练好的随机森林模型进行预测，评估该时刻前兆特征信号出现的概率。

综合所述，我们通过解决上述问题有助于优化煤矿的安全监控系统，提高对冲击地压等灾害的预防和响应能力。

关键词：随机森林、煤矿深部开采、分类模型、数据清洗