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

kotlin中const 和val的区别及使用场景分析

《kotlin中const和val的区别及使用场景分析》在Kotlin中,const和val都是用来声明常量的,但它们的使用场景和功能有所不同,下面给大家介绍kotlin中const和val的区别,... 目录kotlin中const 和val的区别1. val:2. const:二 代码示例1 Java

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

在React中引入Tailwind CSS的完整指南

《在React中引入TailwindCSS的完整指南》在现代前端开发中,使用UI库可以显著提高开发效率,TailwindCSS是一个功能类优先的CSS框架,本文将详细介绍如何在Reac... 目录前言一、Tailwind css 简介二、创建 React 项目使用 Create React App 创建项目

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4