2024美赛数学建模F题思路分析 - 减少非法野生动物贸易

本文主要是介绍2024美赛数学建模F题思路分析 - 减少非法野生动物贸易,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!

1 赛题

问题F:减少非法野生动物贸易
在这里插入图片描述
非法的野生动物贸易会对我们的环境产生负面影响,并威胁到全球的生物多样性。据估计,它每年涉及高达265亿美元,被认为是全球第四大非法交易。[1]你将开发一个由数据驱动的5年项目,旨在显著减少非法野生动物贸易。你的目标是说服一个客户去执行你的项目。要做到这一点,必须为该客户端选择客户端和适当的项目。

您的工作应探讨以下子问题:
●您的客户是谁?那个客户到底能做些什么呢?(换句话说,你的客户应该拥有实施你提出的项目所需的权力、资源和兴趣。)
●解释为什么您开发的项目适合这个客户。从已发表的文献和你自己的分析中,有哪些研究支持你所提议的项目的选择?使用数据驱动的分析,你将如何说服你的客户,这是一个他们应该承担的项目?
●您的客户执行该项目还需要哪些额外的权力和资源?(记住要使用假设,但也要尽可能地把你的工作建立在现实中。)
●如果这个项目得以实施,将会发生什么?换句话说,对非法野生动物贸易的可衡量的影响将是什么?你做了什么分析来确定这个问题?
●该项目达到预期目标的可能性有多大?此外,基于上下文化的敏感性分析,是否存在一些条件或事件可能会不成比例地帮助或损害项目达到其目标的能力?

虽然你可以限制你对非法野生动物贸易的做法,但你也可以将非法野生动物贸易视为一个更大的复杂系统的一部分。具体来说,你可以考虑在其他领域的其他全球努力,例如,减少其他形式的贩运或减少气候变化的努力,以及减少非法野生动物贸易的努力,可能是一个复杂系统的一部分。这可能会为该领域的意外行动者创造出协同作用的机会。

如果您选择利用解决方案中的复杂性框架,请确保通过讨论此建模决策的优点和缺点来证明您的选择。

此外,你的团队必须为你的客户提交一份1页的备忘录,其中包括你的重点,强调你的5年项目提案,以及为什么这个项目适合他们作为客户(例如,获取资源,他们的部分任务,与他们的使命声明一致,等等)。

评委们将特别地在客户的选择和在整个分析过程中使用的适当建模过程的选择和理由中寻找创造力。他们还将寻求证明(1)在客户和拟议项目之间建立强有力的联系,(2)在数据分析和拟议项目的设计之间建立明确和直接的联系。

2 解题思路

🥇 最新思路更新(看最新发布的文章即可):
https://blog.csdn.net/dc_sinor?type=blog

3 选题分析

A题是自由度比较大的场景限定下的模型构建,相对比较容易,核心是找到现有的成熟的数学模型,然后找到合适的数据进行证明得到结论,估计大部分是目标优化问题。(不限制专业)

B题属于较为经典的物理建模(对海洋专业的学生具有优势)

C题今年非常难,不同往年的数据分析,不过核心还是特征提取和主成分分析(本质是在数据中找到或者构建影响比赛的有效向量),并且需要在其他数据上证明推广(这点就比较恶心了) (不限制专业)

D 本质上是资源分配和调度问题,其中保持最佳水位需要一个控制算法(估计要融合PID或者模糊PID),其中也会涉及到目标优化模型(毕竟多方需要争抢湖泊的水位),需要做灵敏度分析。难度不小!

E 核心是做相关性分析,并涉及到评价模型,就是数据会比较难找!

F 本次建模最简单的一道题,给定一个范围甚至目标都需要自己定,并且动物保护相关数据比较好找,最后结合语文建模就能搞定!

难度排名(由易到难):F < A < E < D < B < C

F题思路更新

第一次更新:初步思路框架!

大家注意一下,F题本质上也是数据挖掘,并且相关最好获取,想保底拿奖的同学可以选择F题。

F题基本框架思路更新(会持续更新),这道题本质上也属于数据挖掘类的题目,问题解决得框架很重要!

A君从目标设定、模型构建、项目策略和决策支持、监测和评估、衡量结果 为主要结构描述问题的基本架构和解决方法!

我们后面的模型构建都会围绕这个框架来进行!(框架非常重要!)

在这里插入图片描述
上面是根据A君长期建模经验为大家对框架进行的细化,更加详细的数学模型构建过程,其中包括数据处理、特征工程、模型选择和训练、评估验证、策略制定和持续优化等环节。

第一问注意事项:

重要的事情说三遍:不要先选客户!不要先选客户!不要先选客户!

实际上第一步是构建目标,第一问实际上比较具有迷惑性,看似先让你去客户再去解决问题,如果这样做就本末倒置了。本题是自由度比较高的题目,A君建议大家应该先去找到相关模型(一般一些论文),然后根据模型和资料看看别人能得到什么结论,你在根据这个模型的结论套用到所谓的客户上!

更新:一份非动数据分析报告,非常好的参考报告,甚至说是答案都不为过了!

在这里插入图片描述在这里插入图片描述

5 最新思路更新

🥇 最新思路更新(看最新发布的文章即可):
https://blog.csdn.net/dc_sinor?type=blog

这篇关于2024美赛数学建模F题思路分析 - 减少非法野生动物贸易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/670279

相关文章

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

【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

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

内核启动时减少log的方式

内核引导选项 内核引导选项大体上可以分为两类:一类与设备无关、另一类与设备有关。与设备有关的引导选项多如牛毛,需要你自己阅读内核中的相应驱动程序源码以获取其能够接受的引导选项。比如,如果你想知道可以向 AHA1542 SCSI 驱动程序传递哪些引导选项,那么就查看 drivers/scsi/aha1542.c 文件,一般在前面 100 行注释里就可以找到所接受的引导选项说明。大多数选项是通过"_

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

uva 10025 The ? 1 ? 2 ? ... ? n = k problem(数学)

题意是    ?  1  ?  2  ?  ...  ?  n = k 式子中给k,? 处可以填 + 也可以填 - ,问最小满足条件的n。 e.g k = 12  - 1 + 2 + 3 + 4 + 5 + 6 - 7 = 12 with n = 7。 先给证明,令 S(n) = 1 + 2 + 3 + 4 + 5 + .... + n 暴搜n,搜出当 S(n) >=

uva 11044 Searching for Nessy(小学数学)

题意是给出一个n*m的格子,求出里面有多少个不重合的九宫格。 (rows / 3) * (columns / 3) K.o 代码: #include <stdio.h>int main(){int ncase;scanf("%d", &ncase);while (ncase--){int rows, columns;scanf("%d%d", &rows, &col

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言