【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文

本文主要是介绍【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

  • 问题 1:抽样检测方案的设计
  • 问题 2:生产过程中的决策
  • 问题 3:多工序、多零配件的生产决策
  • 问题 4:重新分析次品率
  • 题目难度分析
    • 1. 统计检测方案设计的复杂性(问题 1)
    • 2. 多阶段生产决策的复杂性(问题 2 & 3)
    • 3. 多工序、多零配件的组合复杂性(问题 3)
    • 4. 次品率估计的重新决策(问题 4)
  • 参考模型

问题 1:抽样检测方案的设计

目标是为企业设计抽样检测方案,以尽可能少的检测次数判定零配件次品率是否超过标称值。

  1. 假设检测过程服从二项分布,即抽取一定数量的样本,根据样本中不合格零配件的数量推断整体次品率。
  2. 根据标称值和信度水平 ,应用统计学中的假设检验理论。这里可以采用 假设检验的双侧检验,设置:
    零假设:次品率不超过标称值;
    备择假设:次品率超过标称值。
  3. 检验方案设计:
    通过计算置信区间,结合企业的次品率要求以及信度水平(95%和90%),确定需要的样本量。
    可采用 样本量计算公式 来确定最少的检测次数,确保在给定信度下可以得出正确结论。

问题 2:生产过程中的决策

为生产过程中不同阶段做出决策,包含零配件检测、成品检测、不合格成品处理等。

  1. 零配件检测:
    计算检测成本与不检测带来的潜在风险损失(如不合格零配件进入装配过程会导致更多的成品不合格)。
    通过分析次品率、检测成本等因素,决定是否对零配件进行检测。若检测成本较高且次品率较低,可能选择不检测。

  2. 成品检测:
    需要权衡成品的市场售价、检测成本以及调换不合格成品的损失。
    通过建模计算各决策方案下的总成本,找出最优的检测方案(检测或不检测)。

  3. 不合格成品拆解: 分析拆解费用与次品率,判断拆解零配件的价值是否高于直接报废不合格成品。对于高拆解费用但零配件较贵的情况,可以选择拆解,否则直接报废。

  4. 退回的成品处理:同样使用成本效益分析,对退回产品的处理(拆解或丢弃)做出最优决策。

问题 3:多工序、多零配件的生产决策

本问题在问题 2 的基础上增加了更多复杂度,要求考虑多道工序及更多零配件的生产决策。

  1. 多工序影响:
    各道工序会影响零配件和半成品的次品率,需要建立更为复杂的模型。
    通过 马尔科夫链或蒙特卡洛模拟 等方法预测不同工序下的质量演变,计算各工序的最优策略。

  2. 多零配件决策:
    不同零配件的次品率和成本不一,对每个零配件进行单独决策。
    根据总装配成本、检测成本和市场售价,优化整体生产链的成本结构。

问题 4:重新分析次品率

在问题 4 中,假设问题 2 和问题 3 中的次品率是通过抽样检测方法得到的。这意味着需要重新结合问题 1 中设计的抽样检测方案,重新计算次品率并基于此调整各个决策。

  1. 结合抽样检测数据 :
    使用问题 1 中得出的检测方案,得到更为精确的次品率估计值。
    将这些估计值替换到问题 2 和问题 3 中的模型,重新做出决策。

  2. 决策调整:
    可能由于次品率估计值的变化,导致某些阶段的检测方案或处理策略需要调整。需再次优化总成本模型。

    总结
    该题的解决思路可以通过 建立统计模型与成本分析模型 来解决。关键在于:
    问题 1 采用假设检验与抽样检测设计。
    问题 2 和问题 3 结合成本效益分析,优化生产各环节的检测与处理方案。
    问题 4 结合前面问题中的抽样检测结果,重新校正生产决策。

题目难度分析

本题涉及抽样检测、生产决策优化以及多阶段、多零配件的质量管理等问题,难度主要体现在以下几个方面:

1. 统计检测方案设计的复杂性(问题 1)

问题 1 要求设计一个抽样检测方案,并且在给定信度下最小化检测次数。挑战在于:
假设检验的设计 :需要在不同的置信度要求下分别给出拒收或接收的检测标准,涉及到统计学中的假设检验、置信区间计算以及样本量估计。
优化抽样数量 :最小化样本量的同时,确保置信区间能够准确反映实际次品率。这要求考察统计分布(如二项分布或正态分布)的性质,并进行优化计算。

2. 多阶段生产决策的复杂性(问题 2 & 3)

生产过程的各阶段决策需考虑到多种成本(检测成本、装配成本、拆解成本等)与潜在收益的平衡,且各个阶段的决策互相关联。这部分的难点包括:
零配件与成品的次品率关联 :成品次品率不仅取决于零配件的质量,还会受到装配过程的影响,因此需要建立合理的模型来预测成品的次品率。多阶段决策的递归性 :在每个阶段做出的决策都会影响后续的阶段,这使得问题呈现出递归结构,适合使用动态规划或马尔科夫决策过程等递归方法解决。

3. 多工序、多零配件的组合复杂性(问题 3)

多道工序、多零配件的组合进一步增加了问题的复杂度:
次品率与装配的复杂组合 :问题 3 中的生产过程由多个工序和多个零配件组成,导致次品率的累积效应较难精确计算。
决策空间增大 :随着零配件数量和工序数量的增加,决策变量也大幅增加,需要更为有效的搜索算法,如启发式算法、遗传算法等,来寻找最优解。

4. 次品率估计的重新决策(问题 4)

本问题要求结合抽样检测的结果,重新进行生产决策:
动态调整次品率 :在实际生产过程中,次品率是通过抽样检测得到的,且会随着生产的进行动态变化,如何利用新的次品率数据调整生产流程是一个难点
重新优化决策 :每次重新估计次品率后,都需要重新进行多阶段的决策优化,这增加了问题的动态性和复杂性。

参考模型

  1. 假设检验模型
    描述 :用于问题 1 中抽样检测的设计。
    参考模型 :二项分布假设检验、正态分布近似、置信区间计算。

  2. 成本效益分析模型
    描述 :用于问题 2 和问题 3 中的生产过程决策。
    参考模型 :在经济学和管理科学中的成本效益分析模型。

  3. 动态规划模型
    描述 :用于分阶段的决策优化问题(如问题 2 和问题 3),特别适合多阶段递归性问题。
    参考模型 :Bellman提出的动态规划框架,常用于求解多阶段决策问题。

  4. 马尔科夫决策过程 (MDP)
    描述 :用于多工序、多阶段、多零配件的生产过程决策。
    参考模型 :马尔科夫决策过程(MDP)是处理多阶段决策的标准工具之一。

  5. 蒙特卡洛模拟
    描述 :用于应对生产过程中的不确定性,可以通过模拟大量次品率和生产过程,评估不同决策下的平均成本。

  6. 启发式算法
    描述 :适用于多工序和多零配件的复杂决策问题。
    参考模型 :模拟退火算法、遗传算法等启发式搜索方法。

  7. 贝叶斯更新模型
    描述 :用于问题 4 中基于新的检测数据更新次品率的估计。
    参考模型 :贝叶斯统计推断模型,通过新的数据不断调整先验概率。

本题的难度主要在于综合应用统计分析、生产决策优化、动态规划等多种模型和算法,处理多阶段、多零配件生产中的决策复杂性和不确定性 。在解题过程中,合理选择并结合这些经典的参考模型,能够有效解决该问题中的多个挑战。

A-E题的解题思路、模型代码,论文持续更新中!

这篇关于【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1140193

相关文章

浅析Spring Security认证过程

类图 为了方便理解Spring Security认证流程,特意画了如下的类图,包含相关的核心认证类 概述 核心验证器 AuthenticationManager 该对象提供了认证方法的入口,接收一个Authentiaton对象作为参数; public interface AuthenticationManager {Authentication authenticate(Authenti

NameNode内存生产配置

Hadoop2.x 系列,配置 NameNode 内存 NameNode 内存默认 2000m ,如果服务器内存 4G , NameNode 内存可以配置 3g 。在 hadoop-env.sh 文件中配置如下。 HADOOP_NAMENODE_OPTS=-Xmx3072m Hadoop3.x 系列,配置 Nam

作业提交过程之HDFSMapReduce

作业提交全过程详解 (1)作业提交 第1步:Client调用job.waitForCompletion方法,向整个集群提交MapReduce作业。 第2步:Client向RM申请一个作业id。 第3步:RM给Client返回该job资源的提交路径和作业id。 第4步:Client提交jar包、切片信息和配置文件到指定的资源提交路径。 第5步:Client提交完资源后,向RM申请运行MrAp

2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

题库来源:安全生产模拟考试一点通公众号小程序 2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题是由安全生产模拟考试一点通提供,流动式起重机司机证模拟考试题库是根据流动式起重机司机最新版教材,流动式起重机司机大纲整理而成(含2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题参考答案和部分工种参考解析),掌握本资料和学校方法,考试容易。流动式起重机司机考试技

【专题】2024飞行汽车技术全景报告合集PDF分享(附原数据表)

原文链接: https://tecdat.cn/?p=37628 6月16日,小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞,这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示,公司准备量产,并计划今年四季度开启预售小鹏汇天分体式飞行汽车,探索分体式飞行汽车城际通勤。阅读原文,获取专题报告合集全文,解锁文末271份飞行汽车相关行业研究报告。 据悉,业内人士对飞行汽车行业

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

高效录音转文字:2024年四大工具精选!

在快节奏的工作生活中,能够快速将录音转换成文字是一项非常实用的能力。特别是在需要记录会议纪要、讲座内容或者是采访素材的时候,一款优秀的在线录音转文字工具能派上大用场。以下推荐几个好用的录音转文字工具! 365在线转文字 直达链接:https://www.pdf365.cn/ 365在线转文字是一款提供在线录音转文字服务的工具,它以其高效、便捷的特点受到用户的青睐。用户无需下载安装任何软件,只

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf