2019MathorCup数学建模挑战赛D题 钢水 “脱氧合金化”配料方案的优化

本文主要是介绍2019MathorCup数学建模挑战赛D题 钢水 “脱氧合金化”配料方案的优化,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!

钢水“脱氧合金化”配料方案的优化

首先这道题给的附件一很不整齐,应该进行数据预处理。最好是处理成那种行列都有的一个方方的矩阵形式,就比如说你平常练机器学习代码给的那种数据一样,是删还是补都行,保证数据准确,对后面模型建立很重要。

问题一

要求计算 C 、 M n C、Mn CMn两种元素的历史收得率,这个用 E x c e l Excel Excel在后面加个一列套个公式就能算出来。这个计算公式是
X 收得率 = 连铸正样 × ( 钢水净重 + 合金重量 ) − 转炉终点 × 钢水净重 加入 X 元素重量 X收得率=\frac{连铸正样\times (钢水净重+合金重量)-转炉终点\times钢水净重}{加入X元素重量} X收得率=加入X元素重量连铸正样×(钢水净重+合金重量)转炉终点×钢水净重

在这里插入图片描述
然后问影响其收得率的主要因素,这里用了因子分析。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

问题二

支持向量回归


Python支持向量回归代码实现
import pylab as plt
from sklearn.svm import SVR
import numpy as np
from numpy import array, loadtxtplt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
a = loadtxt('problem2.txt')
x0 = a[:, :7]
y1 = a[:, 7]
model = SVR()
model.fit(x0,y1)
x_np_list = np.arange(1, len(y1) + 1, 1)
plt.plot(x_np_list,y1, c="green",label='真实值')
plt.plot(x_np_list,model.predict(x0),'r*',markersize=3,label='预测值')
plt.xlabel('样本')
plt.ylabel('C收得率')
plt.legend()
plt.show()
y_di_list = model.predict(x0) - y1
sum = 0
for i in y_di_list:sum = sum + i**2
print('残差和为:',sum)
plt.plot(x_np_list,y_di_list,'g--',label='残差')
plt.xlabel('样本')
plt.ylabel('C收得率')
plt.legend()
plt.show()
a = loadtxt('problem2.txt')
x0 = a[:, :7]
y1 = a[:, 8]
model = SVR()
model.fit(x0,y1)
x_np_list = np.arange(1, len(y1) + 1, 1)
plt.plot(x_np_list,y1, c="green",label='真实值')
plt.plot(x_np_list,model.predict(x0),'r*',markersize=3,label='预测值')
plt.xlabel('样本')
plt.ylabel('Mn收得率')
plt.legend()
plt.show()
y_di_list = model.predict(x0) - y1
sum = 0
for i in y_di_list:sum = sum + i**2
print('残差和为:',sum)
plt.plot(x_np_list,y_di_list,'g--',label='残差')
plt.xlabel('样本')
plt.ylabel('Mn收得率')
plt.legend()
plt.show()

对收得率进行预测,在第一问你挑出的几个主要因子做个预测模型,BP神经网络

Python神经网络代码实现
from sklearn.neural_network import MLPRegressor
from numpy import loadtxt
import numpy as np
import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
a = loadtxt('problem2.txt')
x0 = a[:, :7]
y1 = a[:, 7]
x_np_list = np.arange(1, len(y1) + 1, 1)
md1 = MLPRegressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=500)
md1.fit(x0, y1)
plt.plot(x_np_list,y1,'-*',label='真实值')
plt.plot(x_np_list,md1.predict(x0),'*',markersize=3,label='预测值')
plt.xlabel('样本')
plt.ylabel('C收得率')
plt.legend()
plt.show()
y_di_list = md1.predict(x0) - y1
sum=0
for i in y_di_list:sum = sum + i**2
print('残差和为:',sum)
plt.plot(x_np_list,y_di_list,'--',label='残差')
plt.xlabel('样本')
plt.ylabel('C收得率')
plt.legend()
plt.show()
x0 = a[:, :7]
y1 = a[:, 8]
x_np_list = np.arange(1, len(y1) + 1, 1)
md1 = MLPRegressor(solver='lbfgs')
md1.fit(x0, y1)
plt.plot(x_np_list,y1,'-*',label='真实值')
plt.plot(x_np_list,md1.predict(x0),'*',markersize=3,label='预测值')
plt.xlabel('样本')
plt.ylabel('Mn收得率')
plt.legend()
plt.show()
y_di_list = md1.predict(x0) - y1
sum=0
for i in y_di_list:sum = sum + i**2
print('残差和为:',sum)
plt.plot(x_np_list,y_di_list,'--',label='残差')
plt.xlabel('样本')
plt.ylabel('Mn收得率')
plt.legend()
plt.show()
print(md1.score(x0,y1))

问题三

选因子做个规划模型,这里挑几个主要因子就可以
目标函数 成本最小
s.t. 所有元素的总含量都必须满足在内控区间内

from scipy.optimize import linprogk = 0.01
p = []
c = [350, 6.5, 350, 205, 11.8, 0.1, 8.5, 7.6, 6, 4.6, 8.15, 6.1, 4]
for i in c:a = i * kp.append(a)
A = [[0, 0, 0, 0.0031, 0, 0.00374, 0, 0.017, 0.0006, 0.96, 0.017, 0.3, 0.225692],[0, 0, 0, -0.0031, 0, -0.00374, 0, -0.017, -0.0006, -0.96, -0.017, -0.3, -0.225692],[0, 0.74, 0, 0.012, 0.341, 0.285, 0.3, 0.072, 0.767, 0, 0.172, 0.56, 0.392],[0, -0.74, 0, -0.012, -0.341, -0.285, -0.3, -0.072, -0.767, 0, -0.172, -0.56, -0.392],[0, 0, 0, 0, 0, 0, 0.3, 0.664, 0, 0, 0.664, 0, 0],[0, 0, 0, 0, 0, 0, -0.3, -0.664, 0, 0, -0.664, 0, 0],[0, 0, 0, 0.0006, 0, 0, 0, 0.0018, 0.0004, 0, 0.0018, 0, 0],[0, 0, 0, 0.0002, 0, 0, 0, 0.0002, 0.0002, 0, 0.0002, 0.0001, 0]]b = [[20040], [-15240], [52040], [-40040], [128000], [-104040], [3640], [3640]]
bounds = (
(0, None), (0, None), (0, None), (0, None), (0, None), (0, None), (0, None), (0, None), (0, None), (0, None), (0, None),
(0, None), (0, None))
res = linprog(p, A, b, None, None, bounds)print('目标函数的最小值为:', res.fun)
print('最优解为:', res.x * k)

问题四

我们通过一些了解得知,随着钢铁行业中高附加值钢种产量的不断提高,如何通过历史数据对脱氧合金化环节建立数学模型,在线预测并优化投入合金的种类及数量,在保证钢水质量的同时最大限度地降低合金钢的生产成本是各大钢铁企业提高竞争力所要解决的重要问题。而目前为止,国内大部分炼钢车间仅按照不同元素的固定收得率或经验值计算各种合金的加入量,难以实现当前炉次合金配料的自动优化和成本控制。因此我们针对这一问题建立了数学模型,实现对合金收得率较为准确的预测,并建立了成本最小模型,得以实现合金配料的自动优化和成本控制,下面是我们通过模型运算得出的建议…

word版论文+Python源代码
在这里插入图片描述
建模学习记录,存在错误敬请批评指正

这篇关于2019MathorCup数学建模挑战赛D题 钢水 “脱氧合金化”配料方案的优化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/290386

相关文章

Knife4j+Axios+Redis前后端分离架构下的 API 管理与会话方案(最新推荐)

《Knife4j+Axios+Redis前后端分离架构下的API管理与会话方案(最新推荐)》本文主要介绍了Swagger与Knife4j的配置要点、前后端对接方法以及分布式Session实现原理,... 目录一、Swagger 与 Knife4j 的深度理解及配置要点Knife4j 配置关键要点1.Spri

MyBatisPlus如何优化千万级数据的CRUD

《MyBatisPlus如何优化千万级数据的CRUD》最近负责的一个项目,数据库表量级破千万,每次执行CRUD都像走钢丝,稍有不慎就引起数据库报警,本文就结合这个项目的实战经验,聊聊MyBatisPl... 目录背景一、MyBATis Plus 简介二、千万级数据的挑战三、优化 CRUD 的关键策略1. 查

SQLite3 在嵌入式C环境中存储音频/视频文件的最优方案

《SQLite3在嵌入式C环境中存储音频/视频文件的最优方案》本文探讨了SQLite3在嵌入式C环境中存储音视频文件的优化方案,推荐采用文件路径存储结合元数据管理,兼顾效率与资源限制,小文件可使用B... 目录SQLite3 在嵌入式C环境中存储音频/视频文件的专业方案一、存储策略选择1. 直接存储 vs

SpringBoot服务获取Pod当前IP的两种方案

《SpringBoot服务获取Pod当前IP的两种方案》在Kubernetes集群中,SpringBoot服务获取Pod当前IP的方案主要有两种,通过环境变量注入或通过Java代码动态获取网络接口IP... 目录方案一:通过 Kubernetes Downward API 注入环境变量原理步骤方案二:通过

Springboot3+将ID转为JSON字符串的详细配置方案

《Springboot3+将ID转为JSON字符串的详细配置方案》:本文主要介绍纯后端实现Long/BigIntegerID转为JSON字符串的详细配置方案,s基于SpringBoot3+和Spr... 目录1. 添加依赖2. 全局 Jackson 配置3. 精准控制(可选)4. OpenAPI (Spri

关于跨域无效的问题及解决(java后端方案)

《关于跨域无效的问题及解决(java后端方案)》:本文主要介绍关于跨域无效的问题及解决(java后端方案),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录通用后端跨域方法1、@CrossOrigin 注解2、springboot2.0 实现WebMvcConfig

在Java中将XLS转换为XLSX的实现方案

《在Java中将XLS转换为XLSX的实现方案》在本文中,我们将探讨传统ExcelXLS格式与现代XLSX格式的结构差异,并为Java开发者提供转换方案,通过了解底层原理、性能优势及实用工具,您将掌握... 目录为什么升级XLS到XLSX值得投入?实际转换过程解析推荐技术方案对比Apache POI实现编程

Java实现本地缓存的常用方案介绍

《Java实现本地缓存的常用方案介绍》本地缓存的代表技术主要有HashMap,GuavaCache,Caffeine和Encahche,这篇文章主要来和大家聊聊java利用这些技术分别实现本地缓存的方... 目录本地缓存实现方式HashMapConcurrentHashMapGuava CacheCaffe

无法启动此程序因为计算机丢失api-ms-win-core-path-l1-1-0.dll修复方案

《无法启动此程序因为计算机丢失api-ms-win-core-path-l1-1-0.dll修复方案》:本文主要介绍了无法启动此程序,详细内容请阅读本文,希望能对你有所帮助... 在计算机使用过程中,我们经常会遇到一些错误提示,其中之一就是"api-ms-win-core-path-l1-1-0.dll丢失

利用Python实现可回滚方案的示例代码

《利用Python实现可回滚方案的示例代码》很多项目翻车不是因为不会做,而是走错了方向却没法回头,技术选型失败的风险我们都清楚,但真正能提前规划“回滚方案”的人不多,本文从实际项目出发,教你如何用Py... 目录描述题解答案(核心思路)题解代码分析第一步:抽象缓存接口第二步:实现两个版本第三步:根据 Fea