2020年美赛E题的注意事项以及推荐文献

重点强调:本人纯属爱好数学建模,提供的参考文献仅供参考,切勿直接抄袭!

注意事项

1. 美赛E题主要集中对海洋塑料垃圾问题的讨论,而建立的算法模型可以并不仅仅针对于海洋,模型可拓展至陆地,国家或者社区,在对论文的建模过程中,一定要针对具体的对象进行分析,比如洲,国家或者城市,如果时间充裕,可以考虑模型的拓展性

2. 针对美赛E题的四个主要问题,建立的评价模型是成体系的,逐层深入的,切不可空谈,建议最好查找相关的数据(当然,此题的数据比较难找).另外,此题并没有固定的答案,评价类问题尽量考虑每个因素之间相互以及上下层的关系,比如废物的来源,当前废物问题的严重程度等,这些影响因素可以作为一级变量,当然也可以自由发挥,分析这些变量与目标函数的线性或者非线性关系。 

3. 此题建议多查阅文献和数据,建立的评价模型考虑的要全面,细节要到位。比如,题目中的“海洋中的塑料将要比鱼类更多。研究了对海洋生物的影响[3],然而对人类健康的影响尚未完全了解”。

推荐参考文献三:

Paper题目:

A comprehensive waste collection cost model applied to post-consumer plastic packaging waste

适用于消费后塑料包装废物的综合废物收集成本模型

Paper摘要:

消费后的塑料包装废料可以通过源分离或回收来回收后分离。在源头分类中,家庭在收集之前将塑料与其他废物分开,而在分离后,废物在收集后在处理中心进行分离。还有两个路边或通过下车地点收集计划。这些不同的方案对市一级的总收款成本。它还会影响设施的选择和网络设计。因此,需要一种可以比较各种收集方案的成本的方法。

开发了一个综合成本模型来比较市政收集计划的成本。 “市政废物收集成本模型”基于变量,包括固定变量可变变量每辆车的成本,人员成本集装箱或行李的成本以及排放成本(使用虚构的碳税)。在对集合进行战略更改时,该模型可用于决策支持考虑市政计划。该模型考虑了市政当局,包括城市化程度和家庭废物管理税制。该模型应用于荷兰的消费后塑料包装废料案例。结果显示在城市中,一般的分离后收集成本最低,路边收集没有剩余废物收集税收计划的城市最高。这些结果是进行的敏感性分析支持,表明较高的源分离响应与路边收集费负相关。温室气体排放成本很高收集消费后塑料包装废料产生的总成本的一部分,原因是密度低物料重量比。这些费用可能占总回收费用的15%。

Paper的主要工作:从定量的角度分析了荷兰的成本模型,与上一期的参考文献二分析的非洲的有同等的参考价值,同时参考文献三所引用的论文也可以借鉴。

Paper的链接:
https://www.sciencedirect.com/science/article/pii/S0921344913002279

 

  • 1
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 2020美赛e是一道社会网络建模的目,主要让参赛者通过构建社交媒体网络,来研究疫情期间人们对新闻的看法和传播情况。建模思路如下: 首先,将社交媒体的用户看作网络中的节点,将他们之间的关注关系、转发关系、评论关系等看作网络中的边。为了更好地描述节点之间的关系,可以通过构建带有权重的边来反映不同关系的强弱。 其次,针对目给出的新闻文章,可以将这些文章的发布机构、发布时间、文章内容、影响范围等信息抽象为节点属性。同时,对于文章的情感分析和语义分析,也可以作为节点属性来考虑。 接着,可以通过社交媒体平台提供的API,获取用户之间的互动数据,例如点赞数、评论数、转发数等。这些数据可以作为边属性来描述不同用户之间的响应方式和互动强度。 最后,针对所给的疫情新闻数据,可以采用基于分布式图计算的方法,如GraphX、Pregel等,来构建网络并进行分析。通过计算节点的度中心性、紧密度、介数中心性等指标,可以进一步了解不同用户之间的关系以及对新闻的态度和反应。同时,可以基于PageRank等算法,来评估不同节点的影响力和传播能力,从而研究新闻传播的规律和特点。 总之,通过综合考虑社交媒体网络的节点、边、属性和算法等多方面因素,可以实现对2020美赛e的有效建模,并得到针对新闻传播情况的深入分析和研究。 ### 回答2: 2020美赛e是一道基于数据挖掘和统计学的目,要求参赛者从多方面的角度来分析和建模一个在线游戏的玩家数据,预测该游戏未来12个月的月活跃用户数和月总收入,并给出相应的推荐策略。 对于这道目,我们可以从以下几个方面进行建模思路的分析: 一、数据清洗与预处理 首先,我们需要进行数据的清洗和预处理,对原始数据进行处理和分析,确定哪些数据是有价值和可用的,并对其中的异常数据进行处理和筛选。 在本中我们将重点关注以下几个指标:日活跃用户数(DAU)、月活跃用户数(MAU)、月总收入(MR)、付费率(PR)等,基于这些指标对数据进行分析和建模。 二、特征工程和模型选择 在进行建模前,需要进行特征工程,从原始数据中提取出有价值的特征,例如玩家类型、等级、活动参与情况、支付方式等,这些特征可能对游戏的月活跃用户数和月总收入产生影响,可以用来构建模型。接着,从多个模型中选择最优的模型来对数据进行拟合和预测。 可以考虑使用线性回归模型、决策树模型、随机森林模型、GBDT模型等常用的回归模型进行分析。 三、模型评估和结果解释 要对模型进行评估和结果解释,需要分析模型的适用性、准确性、可解释性和稳定性等方面。特别需要注意模型的拟合情况和预测结果是否具有可靠性,同时需要对模型的解释性进行分析,来了解哪些特征和指标对结果的影响最大。 综上所述,2020美赛e需要考虑的内容较为复杂,需要从多个角度进行数据分析和建模,并进行合理的模型选择和评估。只有在对数据有深入的了解和清晰的思路的情况下,才能对业务场景做出更准确的预测和推荐。 ### 回答3: 2020美赛e涉及到了贝尔塔分布在墨西哥湾漏油事故中的应用。这个问需要我们建立数学模型,并通过对数据的分析和计算,找到最佳的处理方案,以降低漏油事故对环境的影响。以下是建模思路的一些基本步骤: 1. 构建数学模型:根据贝尔塔分布的理论,我们可以将漏油量分布建立为一个密度函数。然后,我们需要根据实际数据对参数进行估计,最终得到漏油量的分布。 2. 分析数据:我们需要对实际的漏油数据进行分析,包括漏油的时间、地点、漏油量等信息。这样可以帮助我们更好地理解问,以及确定分布函数的参数。 3. 计算污染危害:我们可以使用模型,计算不同漏油量下对环境造成的危害。具体的方式可以是计算污染半径、污染范围、生态系统受损程度等等。 4. 分析处理策略:针对不同的漏油量和危害程度,我们需要提出不同的处理策略。比如,对于较小的漏油量,我们可以采用吸油海绵等物理吸附的方式处理;对于更大的漏油量,我们可以采用化学分解等方式降解污染物。 5. 制定优化方案:在确定处理策略后,我们还可以考虑如何最小化成本、最大化效果等方案优化问。具体方案可以是确定最佳清理速度、工具选择、清理范围等等,以达到最佳效果。 总之,2020美赛e需要我们综合运用数学建模和数据分析的技能,通过对问的全面理解和处理,找到最佳的解决方案。

“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
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