美賽看演算法

1. 如何評價國賽和美賽的獲獎難度

數學建模競賽（國賽和美賽）經驗分享
第一次參賽是在大一的暑假參加的國賽，當時和兩個同學剛剛組隊，我們也沒有什麼基礎，結果可想而知：無獎。在經歷了這一次國賽之後，大一時的兩位隊友也無心再參加，所以又重新找了兩位隊友。從此我們隊伍成員便確認了下來。這兩位分別是一名女生負責排版，一名男生負責建模；而我負責寫程序。我們一起准備第二年的國賽，在這期間，我們學校決定自己組織一次建模比賽為國賽做鋪墊。我們為了檢驗自己的學習成果，便參加了。憑借著很好的運氣，我們拿了二等獎的好成績。時間不久，便到了國賽。在國賽期間，我們每天熬夜熬到很晚，有了一點想法之後就開始討論，然後發現行不通，又開始討論，再進行完善……就這么一直反反復復著。直到提交了論文的最後#在找隊友的時候，一定要找靠譜的，自己熟悉的，千萬不要臨時組隊。在准備競賽這段時間，要經常溝通，彼此磨合，培養默契。在參加競賽的時候，不免會討論得過於激烈，千萬不要煩彼此，因為只有交流彼此得思想才會進行碰撞，才有可能找到適合本隊得解題辦法。在分工方面，建議有一個人主要負責建模，一個主要負責編程，一個主要負責寫論文和排版。三個人對建模、編程、排版都要了解，因為不知競賽得的時候會有誰的工作量大一些，另外的人還可以去幫忙。三樣都懂一些也可以更好的交流，更好的完成作品。

在准備建模比賽期間，要先了解常見的模型，比如：層次分析法，微分方程模型，線性規劃、非線性規劃和整數規劃等。如果感覺自己不能完全吃透，可以先進行了解，在實際競賽的過程中會查閱大量的資料，在短時間內去了解一個未知的領域，借鑒經典模型並進行完善，做出適合本問題的模型。下面推薦幾本書：第一本是《數學模型》：

《數學模型》這本書很經典，講了很多的經典模型。

第二本是《matlab在數學建模中的應用》；

第三本書是《數學建模演算法與應用》。

負責編程的人至少要有一門自己擅長的編程語言，如MATLAB，python等。建模過程中大部分人都是用MATLAB，但是也有不少人使用Python。MATLAB的工具包比較多，使用的人比較多。Python的話是庫比較多。我個人是比較喜歡使用python的，但是Matlab也會一些。在平常的學習中要找到適合本隊的題目，是數據分析題，還是優化的題目等。如果選擇數據分析的話，就要對數據分析比較了解，需要掌握數據如何可視化，選什麼圖，才能更能夠刻畫數據的特點。如果不知道選擇什麼種類的圖，可以參照下面的圖：

還要熟悉數據處理的一些軟體，如Excel，SPSS，python的某些庫等。

當然演算法是少不了的，如果時間緊，可以了解大概，明白演算法的框架，常用演算法有：常用的聚類演算法、遺傳演算法、蟻群演算法、粒子群演算法、元胞自動機等。

排版是很重要的，能夠給人第一印象，好的排版能給人帶來美的享受。 有人使用Word來進行排版，那麼就要學會Mathtype公式編輯器的使用；如果使用Latex進行排版，要好好學習語法，可以找找模板。論文中的流程圖建議使用Visio來畫。在學習排版的過程中，可以先大體看一下往年優秀論文的排版，學習學習。比如西文和數字使用Times New Roman字體會比較好看，又如自己去 探索 正文的行距是多少會感覺比較美觀，三線表的磅數是多少會自己會感覺比較美觀等。

不知道，你所說的賽是什麼比賽，我比較熟悉的是大學生數學建模競賽。在本科期間國賽和美賽都參加了兩次，且獲得了不錯的成績，特別在有了豐富經驗以後，在最後一次美賽中，獲得了最高獎（O獎）。

相比而言，美賽更難，原因如下:

其實這兩個比賽的最大不同就是語言，還有不同就是在於背景不同。

國賽是以國內的實際問題為背景，關於其資料查詢方便，閱讀起來輕鬆快捷，但是問題都是一些新穎問題，沒有現成答案，所以還是有難度。而美賽背景是美國文化，你得先搞清楚背景，然而國外資料也不易找到，並且文獻全是英文，查閱起來不方便，速度遲緩。

另一方面語言不同，對於國賽，只要你弄出來，很快能寫好。但是美賽，你把問題弄明白，還得轉化為地道的英語，這是有技術含量的，這需要能力加時間。

另外，美賽有很多國家參加，而國賽參賽人數比較少，並且很多厲害的大學基本不參加國賽而是參加美賽，所以美賽是參賽人數多，質量高。美賽是四天三夜而國賽是三天兩夜。綜上，美賽更難！

2. 亞太杯數學建模競賽和美賽哪個難些

美賽難些。
1、時間上，美賽4天，國賽3天。
2、題目上，美賽給的選擇更多，並且大多是圍繞實際的問題展開。特別是美賽的E和F題，其實對於演算法求解能力要求不是很高，重點在於模型的構建。國賽每個學校有獲獎名額限制，比如國獎幾個，省獎幾個；美賽沒有，全憑發揮。
3、要求上，國賽一般要求有具體的結果，也就意味著，編程手應當必須完成程序設計並給出正確答案。但是美賽可以給不出答案，這也就意味著某些問題的確切答案可以不給出。

3. 美賽可以用復雜演算法嗎，是不是只注重自己想一些思路

復雜演算法效率不一定有簡單演算法高，而且容易出邏輯錯誤。美賽是個綜合能力的比拼，演算法只是其中一部分，能把問題搞明白並解決了才是關鍵。

4. 准備參加大學生數學建模競賽買什麼書好美賽買什麼書好

我在校園數模論壇上買了一本《大學生數學建模競賽指南》的書，是今年的新書，很接地氣，感覺就是為我這種人量身定做的。推薦買一本！比賽流程、經典模型、編程、演算法、排版、團隊什麼的都講的很到位，甚至還有講得獎的好處，哈哈~~新手必備

5. 美賽題目類型有哪些

美賽題目類型有如下：

1、A題是指連續型（continuous），具體可以理解為是連續函數建立一類模型。常用方法是微分方程，並多為「數值分析」領域的內容，需要熟練掌握偏微分方程以及精通將連續性方程離散化求解的編程能力。

2、B題是離散型（discrete）具體需要在編程上比較熟悉計算機的 「演算法與數據結構」。

3、C題是數據分析型（data insights），最好是有統計學、數理金融、量化分析相關背景的知識。C題除了MATLAB、Python還可以是用無需編程的SPSS，也可能會用到R、STATS、SAS等統計軟體。

4、D題一般為運籌學或網路科學（operations research/network science），近幾年網路科學是一個熱門研究領域，演算法、軟體包括可視化的軟體都很多。

5、E題是環境科學題（sustainability），大體上會集中在環境污染、資源短缺、可持續發展、生態保護等幾個方面。

6、F題是政策研究題（policy），EF題的數據一般需要自己搜集。

6. 美賽E題和F題用什麼演算法

難度不同。

7. 美賽別人提供演算法和模型，自己寫論文難么

學術論文具有四大特點：①學術性 ②科學性 ③創造性 ④理論性
一、學術性
學術論文的科學性，要求作者在立論上不得帶有個人好惡的偏見，不得主觀臆造，必須切實地從客觀實際出發，從中引出符合實際的結論。在論據上，應盡可能多地佔有資料，以最充分的、確鑿有力的論據作為立論的依據。在論證時，必須經過周密的思考，進行嚴謹的論證。
二、科學性
科學研究是對新知識的探求。創造性是科學研究的生命。學術論文的創造性在於作者要有自己獨到的見解，能提出新的觀點、新的理論。這是因為科學的本性就是「革命的和非正統的」，「科學方法主要是發現新現象、制定新理論的一種手段，舊的科學理論就必然會不斷地為新理論推翻。」（斯蒂芬·梅森）因此，沒有創造性，學術論文就沒有科學價值。
三、創造性
學術論文在形式上是屬於議論文的，但它與一般議論文不同，它必須是有自己的理論系統的，不能只是材料的羅列，應對大量的事實、材料進行分析、研究，使感性認識上升到理性認識。一般來說，學術論文具有論證色彩，或具有論辯色彩。論文的內容必須符合歷史 唯物主義和 唯物辯證法，符合「實事求是」、「有的放矢」、「既分析又綜合」 的科學研究方法。
四、理論性
指的是要用通俗易懂的語言表述科學道理，不僅要做到文從字順，而且要准確、鮮明、和諧、力求生動。
1.表論文的過程 投稿-審稿-用稿通知-辦理相關費用-出刊-郵遞樣刊一般作者先了解期刊，選定期刊後，找到投稿方式，部分期刊要求書面形式投稿。大部分是採用電子稿件形式。 2.發表論文審核時間一般普通刊物（省級、國家級）審核時間為一周，高質量的雜志，審核時間為14-20天。 核心期刊審核時間一般為4個月，須經過初審、復審、終審三道程序。 3.期刊的級別問題 國家沒有對期刊進行級別劃分。但各單位一般根據期刊的主管單位的級別來對期刊劃為省級期刊和國家級期刊。省級期刊主管單位是省級單位。國家級期刊主管單位是國家部門或直屬部門。

8. 美賽即將來臨，做優化問題是不是單靠lingo就能做好了，還有看什麼遺傳演算法，粒子群演算法的必要嗎

美賽我參加過的，做優化還需要會點matlab
退火，蟻群建議都大致了解下，代碼一定要先准備好
美賽好像不給數據的，需要你們自己找相關數據

9. 數學建模演算法總結

無總結反省則無進步

寫這篇文章，一是為了總結之前為了准備美賽而學的演算法，而是將演算法羅列並有幾句話解釋方便以後自己需要時來查找。

數學建模問題總共分為四類：

1. 分類問題 2. 優化問題 3. 評價問題 4. 預測問題

我所寫的都是基於數學建模演算法與應用這本書

一 優化問題

線性規劃與非線性規劃方法是最基本經典的：目標函數與約束函數的思想

現代優化演算法：禁忌搜索；模擬退火；遺傳演算法；人工神經網路

模擬退火演算法：

簡介：材料統計力學的研究成果。統計力學表明材料中不同結構對應於粒子的不同能量水平。在高溫條件下，粒子的能量較高，可以自由運動和重新排列。在低溫條件下，粒子能量較低。如果從高溫開始，非常緩慢地降溫（此過程稱為退火），粒子就可以在每個溫度下達到熱平衡。當系統完全被冷卻時，最終形成處於低能狀態的晶體。

思想可用於數學問題的解決 在尋找解的過程中，每一次以一種方法變換新解，再用退火過程的思想，以概率接受該狀態（新解） 退火過程：概率轉化，概率為自然底數的能量/KT次方

遺傳演算法： 遺傳演算法是一種基於自然選擇原理和自然遺傳機制的搜索演算法。模擬自然界中的生命進化機制，在人工系統中實現特定目標的優化。

遺傳演算法的實質是通過群體搜索技術（？），根據適者生存的原則逐代進化，最終得到最優解或准最優解。

具體實現過程（P329~331）

* 編碼

* 確定適應度函數（即目標函數）

* 確定進化參數：群體規模M，交叉概率Pc，變異概率Pm，進化終止條件

* 編碼

* 確定初始種群，使用經典的改良圈演算法

* 目標函數

* 交叉操作

* 變異操作

* 選擇

改良的遺傳演算法

兩點改進 ：交叉操作變為了以「門當戶對」原則配對，以混亂序列確定較差點位置 變異操作從交叉操作中分離出來

二 分類問題（以及一些多元分析方法）

* 支持向量機SVM

* 聚類分析

* 主成分分析

* 判別分析

* 典型相關分析

支持向量機SVM： 主要思想：找到一個超平面，使得它能夠盡可能多地將兩類數據點正確分開，同時使分開的兩類數據點距離分類面最遠

聚類分析（極其經典的一種演算法）： 對樣本進行分類稱為Q型聚類分析 對指標進行分類稱為R型聚類分析

基礎：樣品相似度的度量——數量化，距離——如閔氏距離

主成分分析法： 其主要目的是希望用較少的變數去解釋原來資料中的大部分變異，將掌握的許多相關性很高的變數轉化成彼此相互獨立或不相關的變數。通常是選出比原始變數個數少，能解釋大部分資料中的變異的幾個新變數，及主成分。實質是一種降維方法

判別分析： 是根據所研究的個體的觀測指標來推斷個體所屬類型的一種統計方法。判別准則在某種意義下是最優的，如錯判概率最小或錯判損失最小。這一方法像是分類方法統稱。 如距離判別，貝葉斯判別和FISHER判別

典型相關分析： 研究兩組變數的相關關系 相對於計算全部相關系數，採用類似主成分的思想，分別找出兩組變數的各自的某個線性組合，討論線性組合之間的相關關系

三 評價與決策問題

評價方法分為兩大類，區別在於確定權重上：一類是主觀賦權：綜合資訊評價定權；另一類為客觀賦權：根據各指標相關關系或各指標值變異程度來確定權數

* 理想解法

* 模糊綜合評判法

* 數據包絡分析法

* 灰色關聯分析法

* 主成分分析法（略）

* 秩和比綜合評價法 理想解法

思想：與最優解（理想解）的距離作為評價樣本的標准

模糊綜合評判法 用於人事考核這類模糊性問題上。有多層次模糊綜合評判法。

數據包絡分析法 是評價具有多指標輸入和多指標輸出系統的較為有效的方法。是以相對效率為概念基礎的。

灰色關聯分析法 思想：計算所有待評價對象與理想對象的灰色加權關聯度，與TOPSIS方法類似

主成分分析法（略）

秩和比綜合評價法 樣本秩的概念： 效益型指標從小到大排序的排名 成本型指標從大到小排序的排名 再計算秩和比，最後統計回歸

四 預測問題

* 微分方程模型

* 灰色預測模型

* 馬爾科夫預測

* 時間序列（略）

* 插值與擬合（略）

* 神經網路

微分方程模型 Lanchester戰爭預測模型。。

灰色預測模型 主要特點：使用的不是原始數據序列，而是生成的數據序列 優點：不需要很多數據·，能利用微分方程來充分挖掘系統的本質，精度高。能將無規律的原始數據進行生成得到規律性較強的生成序列。 缺點：只適用於中短期預測，只適合指數增長的預測

馬爾科夫預測 某一系統未來時刻情況只與現在狀態有關，與過去無關。

馬爾科夫鏈

時齊性的馬爾科夫鏈

時間序列（略）

插值與擬合（略）

神經網路（略）

10. 數學建模美賽和國賽哪個含金量高

美賽

簡介：時間上，美賽4天，國賽3天