【保奖思路】2024年华为杯研赛A题保奖思路（点个关注，后续会更新）

您的点赞收藏是我继续更新的最大动力！

一定要点击文末的卡片，那是获取资料的入口！

现分享2023年华为杯研赛A题资料，供大家学习：

华为杯数学建模A题

问题一：

1. 使用Markov链描述节点的退避过程助攻资料获取链接：
   链接:https://pan.baidu.com/s/1wG1q4vR3wy6YcgnCzKaQvQ?pwd=pb2v 提取码: pb2v

1. 节点按照二进制指数增backoff算法进行随机退避,退避计数器和退避阶数呈Markov过程
2. Bianchi等在论文中证明了这个退避过程可以用一个二维离散时间Markov链建模
3. Markov链能准确描述节点退避状态随时间的概率分布和转移规律

1. 计算节点发送概率τ和碰撞概率p

1. τ表示节点随机退避到0时的发送概率,可以从Markov链的稳态分布得到
2. p表示至少还有一个节点同时发送导致碰撞的概率,根据节点总数和τ的关系可求得
3. 两者互相关联,需要联立方程组求解

1. 计算不同状态时隙长度

1. 时隙长度需要考虑数据传输时间、SIFS、ACK等不同因素
2. 不同状态(成功、失败、空闲)下时隙长度不同

1. 利用状态概率和时隙长度计算吞吐率

1. 吞吐率受状态概率和各状态时隙长度的影响
2. 利用吞吐率公式可以计算出整个系统的性能
3. 反映了Markov链建模、参数设定和性能度量之间的关系

建立节点退避过程的Markov链模型

参考Bianchi模型,对每个AP建立一个退避过程的Markov链模型。状态空间为{s(t),b(t)},s(t)表示退避阶数,b(t)表示随机退避计数器值。

一共有m+1个退避阶数,每个阶数i对应的竞争窗口大小为Wi=2^i*W0,W0为初始阶数的竞争窗口大小。

那么状态转移概率为:

P{i,k|i,k-1}=1, i∈[0,m],k∈[1,Wi-1]

P{0,k|i,0}=(1-p)/W0, i∈[0,m],k∈[0,W0-1]

P{i,k|i-1,0}=p/Wi, i∈[1,m],k∈[0,Wi-1]

计算节点发送概率τ和碰撞概率p

在稳态下,可以得到节点发送概率:

τ=b00/(1-p)

其中b00为状态{0,0}的稳态概率。

碰撞概率p为至少还有一个节点发送的概率:

p=1-(1-τ)^(N-1)

将两个方程组合可以求解出τ和p。

计算不同状态的时隙长度

\begin{align}

T_s &= 数据传输时间 + SIFS + ACK \

T_c &= 数据传输时间 + ACK超时 \

T_e &= DIFS

\end{align}

计算系统吞吐率

\begin{align}

S = \frac{P_sT_s}{P_sT_s+P_cT_c+P_eT_e} \cdot 速率

\end{align}其中Ps为成功概率,Pc为失败概率,Pe为空闲概率。

通过求解Markov链可以计算出这三个概率,从而求出系统吞吐率S。

matlab % 参数设置 W0 = 16;   % 初始竞争窗口大小 m = 5;     % 最大退避级数 N = 2;     % AP节点数量 p_col = 0.1; % 并发传输发生碰撞概率 Ts = 60;   % 成功传输时隙长度 Tc = 100;  % 失败传输时隙长度 Te = 50;   % 空闲时隙长度 rate = 455.8e6; % 传输速率 % 求解τ和p syms tau p; b00 = (1-p)*(1-2*p)/(W0*(1-(2*p)^(m+1))*(1-p)+(1-2*p)*(1-p^(m+1))); tau = b00/(1-p); eqn1 = tau == (1 - (1-tau)^(N-1))*p_col; eqn2 = solve(eqn1,p); p = double(eqn2); tau = double(solve(eqn1,tau)); % 计算状态概率 Ps = 1 - tau^N; Pc = 1 - (1-tau)^N - N*tau*(1-tau)^(N-1); Pe = (1-tau)^N; % 计算吞吐率 S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate

问题二：

并发传输时SIR较高,导致两个AP的数据传输都能成功。

所以建模过程与问题1基本一致,主要差别在以下两个方面:

1. 计算碰撞概率p时,并发传输不一定失败,需要考虑SIR导致成功或失败的概率。

可以设置一个并发成功概率Ps_col,则有:

p = 1 - (1-τ)^(N-1) * Ps_col

1. 计算不同状态概率时,成功概率Ps需要考虑并发成功的情况:

Ps = (1 - τ)^N + C_N^2 * tau^2 * Ps_col

Pc和Pe的计算与问题1相同。

其余建模过程不变,最后可以求得问题2下的系统吞吐率。

则对应的建模过程为

节点的Markov链模型

节点退避过程的Markov链模型与问题1完全一致,状态空间和状态转移概率也不变

计算节点发送概率$\tau$和碰撞概率$p$

\begin{align}

\tau &= \frac{b_{0,0}}{1-p} \

p &= 1 - (1-\tau)^{N-1} \cdot P_\text{s_col}

\end{align}其中$P_\text{s_col}$表示并发传输成功概率。

不同状态时隙长度

(与问题1相同)

计算状态概率

\begin{align}

P_e &= (1-\tau)^N \

P_c &= 1 - (1-\tau)^N - N\tau(1-\tau)^{N-1} \

P_s &= (1 - \tau)^N + C_N^2 \tau^2 P_\text{s_col}

\end{align}

计算系统吞吐率

吞吐率公式与问题1也完全一致。

与问题1相比,主要改变是:

1. p的计算考虑并发成功概率
2. Ps的计算增加并发成功概率项

则相应的计算代码为：

% 参数设置 W0 = 16; m = 5; N = 2; p_col = 0.9; % 并发传输成功概率 Ts = 60; Tc = 100; Te = 50; rate = 455.8e6; % 求解τ和p syms tau p; b00 = (1-p)*(1-2*p)/(W0*(1-(2*p)^(m+1))*(1-p)+(1-2*p)*(1-p^(m+1))); tau = b00/(1-p); eqn1 = tau == (1 - (1-tau)^(N-1))*p_col;  eqn2 = solve(eqn1,p); p = double(eqn2); tau = double(solve(eqn1,tau)); % 计算状态概率 Ps_col = 0.9; % 并发成功概率 Pe = (1-tau)^N; Pc = 1 - (1-tau)^N - N*tau*(1-tau)^(N-1); Ps = (1 - tau)^N + nchoosek(N,2)*tau^2*Ps_col; % 计算吞吐率 S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate

问题3

问题3中,两个AP间RSSI为-90dBm,不互听,存在隐藏节点问题。并考虑了信道误码率Pe导致的传输失败。

建模步骤如下:

1. 仍然建立节点的Markov链模型,描述退避过程。
2. 计算节点发送概率τ和碰撞概率p。τ的计算与前两题相同

1. 1. p考虑并发传输失败概率

1. 计算不同状态时隙长度Ts、Tc、Te,与前两题相同。
2. 计算状态概率:空闲概率Pe考虑信道误码率

1. 1. 失败概率Pc考虑交叠传输失败概率
   2. 成功概率Ps为剩余概率

1. 利用上述参数计算系统吞吐率S

相比前两题,问题3建模的主要不同:

(1) 引入信道误码率Pe

(2) 失败概率Pc考虑交叠传输失败

(3) 成功概率Ps作为剩余概率

具体而言，相应的建模为：

1. 节点的Markov链模型

(与前两题相同)

1. 计算节点发送概率$\tau$和碰撞概率$p$

\begin{align}

\tau &= \frac{b_{0,0}}{1-p} \

p &= 1 - (1-\tau)^{N-1} \cdot P_{c_\text{col}}

1. \end{align}状态时隙长度

(与前两题相同)

1. 计算状态概率

\begin{align}

P_e &= (1-\tau)^N \cdot (1-P_{e_\text{chan}}) \

P_c &= [1 - (1-\tau)^N - N\tau(1-\tau)^{N-1}] \cdot P_{c_\text{over}} \

P_s &= 1 - P_e - P_c

\end{align}

1. 系统吞吐率

(与前两题相同)

其中,

$P_{e_\text{chan}}$表示信道误码率,

$P_{c_\text{over}}$表示交叠传输失败概率。

% 参数设置 W0 = 16;  m = 5; N = 2; p_col = 0.2; % 并发传输失败概率 pe_chan = 0.1; % 信道误码率 pc_over = 0.5; % 交叠传输失败概率 Ts = 60; Tc = 100; Te = 50; rate = 455.8e6; % 求解τ和p syms tau p; b00 = (1-p)*(1-2*p)/(W0*(1-(2*p)^(m+1))*(1-p)+(1-2*p)*(1-p^(m+1))); tau = b00/(1-p); eqn1 = tau == (1 - (1-tau)^(N-1))*p_col; eqn2 = solve(eqn1,p);  p = double(eqn2); tau = double(solve(eqn1,tau)); % 计算状态概率 Pe = (1-tau)^N * (1-pe_chan); Pc = (1 - (1-tau)^N - N*tau*(1-tau)^(N-1)) * pc_over; Ps = 1 - Pe - Pc; % 计算系统吞吐率 S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate

节点退避过程的Markov链建模与前两题相同,这是基础。

计算p时需要考虑并发传输失败概率Pc_col。这里多引入一个参数描述交叠传输失败概率。

计算Pe时加入信道误码率Pe_chan,反映信道质量导致的传输失败率。

计算Pc时加入交叠传输失败概率Pc_over,反映交叠传输所致的失败率。

Ps作为剩余概率计算,保证状态概率和为1。

吞吐率公式形式不变,利用修改后的状态概率计算。

模型中引入了多个概率参数,需要合理设定数值。

可以通过仿真验证建模结果,调整参数使结果符合仿真。

Matlab代码实现过程与前两题类似,需要注意引入新增的参数。

模型做了理想化简化,无法完全反映复杂无线信道,但可以分析趋势。

问题4

1. 建立三状态Markov链,表示三个AP的传输状态。
2. 计算状态间的转移概率:

1. AP1和AP3不互听,同时传输的概率较大
2. AP2与两者都互听,其传输机会较少
3. 考虑AP1和AP3先后发送导致失败的概率

1. 计算每个状态的时隙长度:

1. 成功传输、失败传输、空闲时隙

1. 利用状态概率和时隙长度计算系统吞吐率

问题4主要难点在于:

(1)建立三状态Markov链描述三个AP的传输

(2)计算复杂的状态间转移概率

1. 处理AP1和AP3先后发送的情况

明确定义三状态Markov链的状态含义,表示不同AP的传输情况。

状态转移概率的计算较为复杂,需要考虑不同AP间是否互听的情况。

AP1和AP3不互听可能同时发送,需考虑两者先后发送导致失败的概率。

AP2与两者均互听,其发送机会相对较少,转移概率需要合理设定。

计算状态时隙长度时,要区分成功发送、碰撞失败和空闲情况。

利用状态概率和时隙长度计算吞吐率公式与之前相同。

转移概率难以准确确定,可先做合理假设,并通过仿真调整参数。

理想化简化无法完全描述复杂无线信道,但可反映整体趋势。

实现过程可基于matlab编程,从简单场景逐步扩展复杂性。

可从二状态Markov链扩展到三状态Markov链,逐步添加细节。

1. 定义三状态Markov链

状态空间:$S = \{s_1, s_2, s_3\}$

$s_1$ - 仅AP1发送

$s_2$ - 仅AP2发送

$s_3$ - AP1和AP3同时发送

1. 状态转移概率

\begin{align*}

P(s_1|s_1) &\quad - \text{AP1发送后再发送概率} \

P(s_2|s_1) &\quad - \text{AP1结束后AP2发送概率}\

P(s_3|s_1) &\quad - \text{AP1结束后AP3也发送概率}\

P(s_1|s_2) &\quad - \text{AP2结束后AP1发送概率}\

P(s_2|s_2) &\quad - \text{AP2发送后再发送概率}\

P(s_3|s_2) &\quad - \text{AP2结束后AP3也发送概率}\

P(s_1|s_3) &\quad - \text{AP1和AP3结束后AP1再发送概率}\

P(s_2|s_3) &\quad - \text{AP1和AP3结束后AP2发送概率}\

P(s_3|s_3) &\quad - \text{AP1和AP3结束后两者再同时发送概率}

1. \end{align*}时隙长度 $T_s$, $T_c$, $T_e$
2. 利用以上参数计算吞吐率 $S$

% 参数设置 Ts = 60;    % 成功传输时隙长度 Tc = 100;   % 失败传输时隙长度  Te = 50;    % 空闲时隙长度 rate = 455.8e6; % 状态转移概率矩阵 P = [0.7 0.2 0.1;   % P(s1|s1) P(s2|s1) P(s3|s1)      0.3 0.5 0.2;   % P(s1|s2) P(s2|s2) P(s3|s2)      0.2 0.1 0.7];  % P(s1|s3) P(s2|s3) P(s3|s3) % 平稳态概率  pie = [0.4 0.3 0.3];  % 计算吞吐率 Ps = pie(1); Pc = pie(2) + pie(3)*0.3;   % AP1和AP3先后发送失败概率为0.3 Pe = 1 - Ps - Pc; S = Ps*Ts/(Ps*Ts + Pc*Tc + Pe*Te)*rate

消融实验分析:

1. 基础模型

(1) 建立二状态Markov链,状态空间S={s1,s2}

(2) s1表示AP1发送,s2表示AP2发送

(3) 忽略AP3的影响

(4) 转移概率矩阵P和时隙长度计算类似问题1、2

1. 计算系统吞吐率S

1. 加入AP3影响

(1) 扩展为三状态Markov链,状态空间S={s1,s2,s3}

(2) 增加s3状态表示AP1和AP3同时发送

(3) 重新设定状态转移概率矩阵P

(4) 时隙长度不变

(5) 计算新系统吞吐率S

1. 分析吞吐率变化情况

1. 加入先后发送失败概率

(1) 在计算碰撞失败概率Pc时加入先后发送失败概率

(2) Pc = Pc_s + Pc_f,其中Pc_f表示先后发送失败概率

(3) 重新计算系统吞吐率S

1. 分析吞吐率变化情况

1. 迭代优化和评估

(1) 调整转移概率,使S接近仿真结果

(2) 评估各状态对系统性能的影响

1. 分析模型的优劣

相应的结论为：

基础二状态Markov链模型过于简化,无法反映AP3的影响,计算的系统吞吐率误差较大。

加入三状态Markov链后,考虑了AP3的同时发送情况,系统吞吐率结果更加准确。

仅考虑同时发送碰撞失败会低估系统碰撞失败概率,加入先后发送失败概率后结果更准确。

状态转移概率的设定对结果影响很大,需要通过迭代调整使结果接近仿真值。

AP3的存在降低了AP2的机会,但当AP1和AP3均发送时,系统吞吐率最高。

三状态Markov链模型处于二状态模型和仿真之间,可以合理反映系统性能。

模型通过迭代优化可不断逼近实际情况,但仍存在理想化简化。

消融实验可以评估不同因素的作用,指导模型的改进。