2024高教社杯全国大学生数学建模竞赛B题保姆级分析完整思路+代码+数据教学

本文主要是介绍2024高教社杯全国大学生数学建模竞赛B题保姆级分析完整思路+代码+数据教学,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!

2024高教社杯全国大学生数学建模竞赛 B题保姆级分析完整思路+代码+数据教学

B题题目:农作物的种植策略

接下来我们将按照题目总体分析-背景分析-各小问分析的形式来

1 总体分析

题目提供了一个电子产品生产的案例,要求参赛者建立数学模型解决企业在生产过程中的一系列决策问题。以下是对题目的总体分析:

问题一需要企业需要从供应商购买零配件,并且需要设计一个抽样检测方案,来决定是否接受供应商提供的零配件。题目要求设计一个能够尽可能减少检测次数的方案,分别在95%和90%的置信度下,判断零配件的次品率是否超过标称值。这个问题的核心是基于统计学的抽样检验,涉及假设检验和置信区间的计算。需要考虑标称值为10%的情况下,如何设计抽样数量,使得在满足不同置信水平的条件下进行接收或拒收决策。

问题二则:在生产过程中,企业需要在多个阶段做出决策,包括:

  • 是否对零配件进行检测。

  • 是否对成品进行检测。

  • 是否对不合格的成品进行拆解,决定是否将拆解后的零配件重新利用。

  • 如何处理用户退回的不合格产品。

需要根据这些参数为企业提供决策依据,并且给出相应的指标结果。

问题3:扩展的生产决策问题

在问题2的基础上,问题3进一步扩展了生产过程,增加了多个零配件和工序的情况。题目提供了多达8个零配件和2道工序的组装过程,要求针对更复杂的生产流程给出具体的决策方案。这部分问题的复杂度更高,可能涉及到多阶段决策和动态规划。

问题4:基于抽样检测的决策调整

假设问题2和问题3中的次品率均通过抽样检测得到,要求重新进行生产过程中的决策。这一问题要求参赛者结合问题1中的抽样检测方法,重新审视生产流程中的决策,可能需要重新设计检测方案,优化成本和风险的平衡。

问题2和问题3中的各个决策环节都涉及到成本效益的权衡,需要建立一个数学模型来综合考虑检测成本、拆解费用、次品率、调换损失等。

动态规划或优化模型:面对问题3中的多工序、多零配件的复杂情况,可以使用动态规划或其他优化方法,来寻找到最优的决策路径。

2 背景分析

总结一下,题目的背景集中在生产过程中的质量控制和成本优化,企业需要在多个决策点上进行权衡,既要保证最终产品的质量,又要尽量减少生产和处理的成本损失。

3 各小问分析

这道题目是关于生产过程中的决策问题,涉及到电子产品制造中的抽样检测、装配、拆解、退换货等多个环节。问题分为四个主要部分,要求为企业设计优化生产决策的数学模型。

问题1:抽样检测方案建模与分析

该问题要求设计一个抽样检测方案,判断零配件的次品率是否超过标称值。在这个问题中,零配件次品率不会超过某个标称值(如10%)。我们需要在不同信度下,决定是否接受这批零配件。

建模目标:

我们需要设计一个抽样检测方案,确保:

1.在95%的信度下,判断零配件次品率超过标称值时拒收该批次零配件。

2.在90%的信度下,判断零配件次品率不超过标称值时接收该批次零配件。

1.抽样检测方案的基础理论

  1. 假设检验 我们可以使用假设检验来进行模型设计。设: p为零配件的真实次品率。 p0为标称的次品率(10%)。 我们抽取的样本数为n,次品数为x。 根据问题要求,我们可以构建两个假设: 原假设H_0:零配件次品率p\leq p_0(零配件次品率不超过标称值,接受零配件)。 备择假设H_1:零配件次品率p>p_0(零配件次品率超过标称值,拒绝零配件)。

  2. 二项分布建模 对于每个零配件,若其合格率为1-p,则每个零配件是次品的概率为p。假设我们从一批零配件中抽取了n个样本,次品的数量服从二项分布:

 

其中: n是抽样数量。 p是次品率。 X是次品的个数。 可以用正态分布近似二项分布:

 

通过正态近似,可以使用标准化公式:

 

  1. 双侧检验与置信区间

我们根据问题中95%和90%的信度要求进行双侧假设检验。信度要求分别对应的显著性水平alpha为:

95%信度:对应alpha=0.05。

90%信度:对应alpha=0.10。

在这两种情况下,分别计算不同显著性水平下的拒收与接收条件。

2.具体建模步骤

  1. 第一种情况:拒收零配件(95%信度) 我们希望设计一个方案,使得在95%信度下,认定次品率超过标称值时拒收该批零配件。 显著性水平alpha=0.05,对应的临界值Z_{\alpha/2}=1.96。 原假设为\(p=p_0=0.10\)(即零配件次品率为10%)。 拒收条件是当样本中检测出的次品率

 

足够大时,我们拒收这批零配件。 标准化变量为:

 

拒收条件为:

 

将p0=0.10代入,得到拒收条件:

 

通过这个公式,我们可以根据抽样的数量n得到拒收条件。

  1. 第二种情况:接收零配件(90%信度) 我们希望在90%信度下,判断零配件的次品率不超过标称值时接收这批零配件。 显著性水平alpha=0.10,对应的临界值Z_{\alpha/2}=1.645。 接收条件是次品率hat{p}足够低。 接收条件为:

 

将p0=0.10代入,得到接收条件:

 

  1. 确定最小抽样数量n

为了满足两种信度要求,我们可以根据上面的拒收和接收条件,计算不同情况下的最小抽样量\(n\)。

问题2:生产过程的决策建模

问题2的主要任务是对生产过程中的多个环节进行决策,优化每个阶段的检测、装配、拆解及不合格品处理,最终使得企业的总成本最小化或收益最大化。主要涉及零配件的检测、成品的检测、拆解和调换不合格品等多项决策。

根据题目描述,企业需要从成本和收益的角度优化生产过程的每个阶段。建模目标是:

- 最小化总成本(包括检测成本、装配成本、拆解费用、调换损失等)。

- 同时考虑成品的次品率及市场售价,确保利润最大化。

设定以下变量用于模型:

p_1, p_2 :零配件1和零配件2的次品率。

c_1, c_2 :零配件1和零配件2的购买单价。

d_1, d_2 :零配件1和零配件2的检测成本。

p_f :成品的次品率(由两个零配件的次品率决定,稍后说明计算方式)。

c_f :成品的装配成本。

d_f :成品的检测成本。

s_f :成品的市场售价。

t_f :调换不合格成品的损失。

e_f :拆解费用。

根据题目的描述,成品的次品率 由两个零配件的次品率决定:

- 若零配件1或零配件2中任一为次品,成品即为次品。因此,成品次品率为:

p_f = 1 - (1 - p_1)(1 - p_2)

该公式表明,只要零配件1或零配件2有任意一个不合格,则成品不合格。

成本函数的构建

接下来,我们需要根据生产过程的不同阶段构建相应的总成本函数。成本主要来自以下几个方面:

零配件检测与装配成本:

成品检测成本:

拆解成本:

对不合格成品的拆解费用为 \( e_f \),拆解后的零配件可重新使用。

调换不合格品的损失:

市场上的不合格品会引起退货和调换,损失为 \( n_f \cdot p_f \cdot t_f \)。

  1. 零配件检测决策

  2. 如果对零配件进行检测: - 总成本为:检测成本 + 购买零配件成本 + 装配成本

 

  1. 如果不检测零配件:

- 将不合格零配件直接进入装配,可能会产生成品不合格的额外成本。

(2) 成品检测决策

  1. 如果对成品进行检测: - 总成本为:检测成本 + 装配成本 + 不合格成品的拆解费用

 

  1. 如果不检测成品:

- 市场上出售的次品成品将导致退货,产生调换损失:

剩余后续更新。

其中更详细的思路,各题目思路、代码、讲解视频、成品论文及其他相关内容,可以点击下方群名片哦!

这篇关于2024高教社杯全国大学生数学建模竞赛B题保姆级分析完整思路+代码+数据教学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/1140533

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

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

Centos7安装JDK1.8保姆版

工欲善其事,必先利其器。这句话同样适用于学习Java编程。在开始Java的学习旅程之前,我们必须首先配置好适合的开发环境。 通过事先准备好这些工具和配置,我们可以避免在学习过程中遇到因环境问题导致的代码异常或错误。一个稳定、高效的开发环境能够让我们更加专注于代码的学习和编写,提升学习效率,减少不必要的困扰和挫折感。因此,在学习Java之初,投入一些时间和精力来配置好开发环境是非常值得的。这将为我

【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