当前位置: 首页 > news >正文

数学与经济管理

数学与经济管理(2-4分)

章节概述

最小生成树问题

答案:23

讲解地址:74-最小生成树问题_哔哩哔哩_bilibili

最短路径问题

答案:81

讲解地址:75-最短路径问题_哔哩哔哩_bilibili

网络与最大流量问题

真题

讲解地址:76-网络与最大流量问题_哔哩哔哩_bilibili

真题

讲解地址:76-网络与最大流量问题_哔哩哔哩_bilibili

线性规划

真题

真题

真题

讲解地址:77-线性规划_哔哩哔哩_bilibili

真题

答案:34

真题

暴力出奇迹(动态规划)

真题

真题

答案:17万

骚戴理解:这里我用的穷举法,一个个列出来,这个方法是最笨最容易出错的,但是是最简单的方法,同时注意在穷举的时候融入控制变量法的思想

真题

真题

答案:B

骚戴理解:这个地方采用的就是暴力破解,把甲乙丙三种组合一个个列举出来,然后去计算总收益

讲解地址:78-动态规划_哔哩哔哩_bilibili

真题

答案:B

讲解地址:78-动态规划_哔哩哔哩_bilibili

真题

答案:B

讲解地址:78-动态规划_哔哩哔哩_bilibili

矩阵化简

真题

真题

排队论

答案:C

讲解地址:79-排队论_哔哩哔哩_bilibili

博弈论

真题

答案:囚犯A坦白,囚犯B抵赖

讲解地址:80-博弈论_哔哩哔哩_bilibili

真题

答案:甲选择低价,乙选择低价

骚戴理解:这里别搞混淆了,每一栏的两个数字分别代表甲的收益和乙的收益,首先捋清楚这一点,这样的题目很容易晕的

讲解地址:80-博弈论_哔哩哔哩_bilibili

状态转移矩阵

真题

真题

答案:C

骚戴理解:首先注意这个地方要算两次,因为是两个月以后,其次注意这里可以套用数学公式

讲解地址:81-状态转移矩阵_哔哩哔哩_bilibili

真题

答案:D

讲解地址:81-状态转移矩阵_哔哩哔哩_bilibili

不确定型决策

骚戴理解:

  • 如果上面的决策矩阵采用乐观主义准则(大中取大),那就从每个策略的最大值中取最大值,也就是【500,300,300】,即取500,,所以选择积极策略
  • 如果是悲观准则(小中取大),那就从每个策略的最小值中取最大值,也就是【50,100,200】中的最大值,即取200,所以选择保守策略
  • 如果是等可能准则,那就要计算了,三种策略对应的计算公式如下所示,可以看到,其实最终也就是把这些值加起来看看谁最大就选谁,也就是【700,600,750】,所以选择保守策略
    • 积极:(50+150+500)*(1/3)= 700 *(1/3)
    • 稳健:(100+200+300)*(1/3) = 600 *(1/3)
    • 保守:(300+250+200)*(1/3) = 750 *(1/3)
  • 如果是后悔准则(最大后悔值选最小),那么需要还出下面的这个后悔值矩阵才行,然后在这个矩阵里面的最大后悔值中选最小值,然后从策略的角度来看,也就是【250,200,300】中取最小值,即取200,所以选择稳健策略,那这个后悔值怎么得出来的呢?这个后悔值其实就是一列列的看,然后取最大的值作为基础,计算其他的和这个基数的差值,差值就是后悔值,例如不景气这一列,最大值为300,那就是基数为300,然后其他的和基础的差值分别为250和200,那这些值就是对应的后悔值

讲解地址:82-不确定型决策_哔哩哔哩_bilibili

决策表与决策树

决策树

答案:水路

骚戴理解:这个题目首先会根据题目画出决策树,因为有的题目可能不给决策树,要自己画,其次就是要会求加权平均值,然后根据题目需求来决定是取最小值还是最大值,这里算的是成本,所以要取最小值,例如上面的这个题目的加权平均值如下所求

  • 水路:7000*0.75+(7000+90000*10%)*0.25=9250
  • 陆路:10000*0.75+10000*0.25 = 10000

决策表

答案:B

骚戴理解:这个就跟简单了,也是求加权平均值,然后根据题目需求来决定是取最小值还是最大值,这里是求价值,那自然是取最大值

  • A系统:95*35%+70*40%+85*25%=82.5
  • B系统:75*35%+95*40%+90*25%=86.75

真题

答案:C

骚戴理解:这个题目也一样是求加权平均值的,只是复用那里多了一个分支,这种情况用乘法即可,例如复用的情况计算加权平均值的公式:0.4*27.5+(0.6*0.2*31+0.6*0.8*49)=11+(3.72+23.52)=38.24

真题

答案:B

讲解地址:83-决策表与决策树_哔哩哔哩_bilibili

数学建模

建模过程

模型分析

模型校验

建模方法

真题

真题

答案:C

真题

答案:D

讲解地址:84-数学建模_哔哩哔哩_bilibili

无家可归

真题

真题

真题

真题

真题

真题

解析

此题考察蒙特卡洛算法的相关应用,属于常规高频考点。蒙特卡罗方法是一种统计模拟方法,其思想核心是通过模拟大量样本集或随机过程来近似实际问题对象。其名字来源于蒙特卡罗赌城,最初应用于20世纪40年代美国的曼哈顿原子弹计划,如今在数据分析和机器学习领域中有广泛的应用。蒙特卡罗方法的三个典型应用场景:近似计算不规则面积/体积/积分、模拟随机过程预测可能性结果区间范围、利用接受-拒绝采样进行对分布未知参数的统计推断

真题

真题

解析

此题考察数学建模的概念和特点,属于超纲低频考点。数学建模是利用数学方法解决实际问题的一种实践。数学建模的过程包括抽象、简化、假设、引入变量等步骤,建立数学模型,然后用先进的数学方法和计算机技术求解。数学模型是对于现实世界的一个特定对象、一个特定目的,根据特有的内在规律,作出一些必要的假设,运用适当的数学工具得到一个数学结构。对不同的问题,有不同的评价标准,数学模型难有统一的普适标准来评价。

真题

相关文章:

数学与经济管理

数学与经济管理(2-4分) 章节概述 最小生成树问题 答案:23 讲解地址:74-最小生成树问题_哔哩哔哩_bilibili 最短路径问题 答案:81 讲解地址:75-最短路径问题_哔哩哔哩_bilibili 网络与最大流量问题 真题 讲解…...

自动化测试系列 —— UI自动化测试

UI 测试是一种测试类型,也称为用户界面测试,通过该测试,我们检查应用程序的界面是否工作正常或是否存在任何妨碍用户行为且不符合书面规格的 BUG。了解用户将如何在用户和网站之间进行交互以执行 UI 测试至关重要,通过执行 UI 测试…...

眨个眼就学会了PixiJS

本文简介 带尬猴,我是德育处主任 当今的Web开发中,图形和动画已经成为了吸引用户注意力的重要手段之一。而 Pixi.js 作为一款高效、易用的2D渲染引擎,已经成为了许多开发者的首选(我吹的)。本文将为工友们介绍PixiJS的…...

WORD中的表格内容回车行距过大无法调整行距

word插入表格,编辑内容,换行遇到如下问题: 回车后行距过大,无法调整行距。 解决方法(并行): 方法1:选中要调整的内容,菜单路径:“编辑-清除-格式” 方法2&am…...

MySQL 高级函数整理

目录 MySQL 高级函数VERSIONIFCASE参考文章 MySQL 高级函数 函数描述BIN返回数字的二进制表示BINARY将值转换为二进制字符串CASE遍历条件并在满足第一个条件时返回一个值CAST将(任何类型的)值转换为指定的数据类型COALESCE返回列表中的第一个非空值CONN…...

UG\NX二次开发 连接曲线、连结曲线 UF_CURVE_auto_join_curves

文章作者:里海 来源网站:王牌飞行员_里海_里海NX二次开发3000例,里海BlockUI专栏,C\C++-CSDN博客 简介 UG\NX二次开发 连接曲线、连结曲线 UF_CURVE_auto_join_curves 效果 代码 #include "me.hpp" extern DllExport void ufusr(char* param, int* returnC…...

python爬虫入门(四)爬取猫眼电影排行(使用requests库和正则表达式)

本例中,利用 requests 库和正则表达式来抓取猫眼电影 TOP100 的相关内容。 1.目标 提取出猫眼电影 TOP100 的电影名称、时间、评分、图片等信息,提取的站点 URL 为 http://maoyan.com/board/4,提取的结果会以文件形式保存下来。 2.抓取分析…...

Mybatis-Plus CRUD

💗wei_shuo的个人主页 💫wei_shuo的学习社区 🌐Hello World ! Mybatis-Plus CRUD 通用 Service CRUD 封装 IService 接口,进一步封装 CRUD 采用 get 查询、remove 删除 、list 查询集合、page 分页的前缀命名方式区分 …...

【强化学习】08——规划与学习(采样方法|决策时规划)

文章目录 优先级采样Example1 Prioritized Sweepingon Mazes局限性及改进 期望更新和采样更新不同分支因子下的表现 轨迹采样总结实时动态规划Example2 racetrack 决策时规划启发式搜索Rollout算法蒙特卡洛树搜索 参考 先做个简单的笔记整理,以后有时间再补上细节 …...

(链表) 25. K 个一组翻转链表 ——【Leetcode每日一题】

❓ 25. K 个一组翻转链表 难度:困难 给你链表的头节点 head ,每 k 个节点一组进行翻转,请你返回修改后的链表。 k 是一个正整数,它的值小于或等于链表的长度。如果节点总数不是 k 的整数倍,那么请将最后剩余的节点保…...

VisualStudio[WPF/.NET]基于CommunityToolkit.Mvvm架构开发

一、创建 "WPF应用程序" 新项目 项目模板选择如下&#xff1a; 暂时随机填一个目标框架&#xff0c;待会改&#xff1a; 二、修改“目标框架” 双击“解决方案资源管理器”中<项目>CU-APP, 打开<项目工程文件>CU-APP.csproj, 修改目标框架TargetFramew…...

深度学习_5_模型拟合_梯度下降原理

需求: 想要找到一条直线&#xff0c;能更好的拟合这一些点 如何确定上述直线就是最优解呢&#xff1f; 由计算机算出所有点与我们拟合直线的误差&#xff0c;常见的是均方误差 例如&#xff1a;P1与直线之间的误差为e1 将P1坐标带入直线并求误差得&#xff1a; 推广到所有点&a…...

大模型时代,AI如何成为数实融合的驱动力?

10月25日&#xff0c;百度APP、百家号联合中兴通讯举办的“时代的增量“主题沙龙第二期在北京顺利召开。本期沙龙围绕“数实融合新视角”邀请学界、业界、媒体从业者等领域专家出席&#xff0c;以产学研相结合的视角深入探讨数实融合的最新技术趋势&#xff0c;并围绕数实融合在…...

MS COCO数据集的评价标准以及不同指标的选择推荐(AP、mAP、MS COCO、AR、@、0.5、0.75、1、目标检测、评价指标)

目标检测模型性能衡量指标、MS COCO 数据集的评价标准以及不同指标的选择推荐 0. 引言 0.1 COCO 数据集评价指标 目标检测模型通过 pycocotools 在验证集上会得到 COCO 的评价列表&#xff0c;具体参数的含义是什么呢&#xff1f; 0.2 目标检测领域常用的公开数据集 PASCAL …...

css实现鼠标多样化

cursor pointer&#xff1a; 手型default&#xff1a; 箭头text&#xff1a; 文本输入光标move&#xff1a; …...

21.2 Python 使用Scapy实现端口探测

Scapy 是一款使用纯Python编写的跨平台网络数据包操控工具&#xff0c;它能够处理和嗅探各种网络数据包。能够很容易的创建&#xff0c;发送&#xff0c;捕获&#xff0c;分析和操作网络数据包&#xff0c;包括TCP&#xff0c;UDP&#xff0c;ICMP等协议&#xff0c;此外它还提…...

Qt设计一个自定义的登录框窗口

今天写了一个Qt登录、注册的小demo&#xff0c;后续完善会连接MySQL使用&#xff0c;过几天写完我会放在github上。 主要页面&#xff1a; 动态演示&#xff1a; 写完这个界面后&#xff0c;我终于知道了Qt为什么几乎没什么好看的窗口设计了&#xff0c;随便写一个简单大方的登…...

05 MIT线性代数-转置,置换,向量空间Transposes, permutations, spaces

1. Permutations P: execute row exchanges becomes PA LU for any invertible A Permutations P identity matrix with reordered rows mn (n-1) ... (3) (2) (1) counts recordings, counts all nxn permuations 对于nxn矩阵存在着n!个置换矩阵 , 2. Transpose: 2.…...

[数据结构】二叉树

1.概念 一棵二叉树是结点的一个有限集合&#xff0c;该集合&#xff1a; 1. 或者为空 2. 或者是由一个根节点加上两棵别称为左子树和右子树的二叉树组成 从上图我们可以发现&#xff1a; 1.二叉树不存在大于2 的度 2.二叉树的子树有左右之分&#xff0c;次序不能颠倒。是有…...

idea 中配置 maven

前文叙述&#xff1a; 配置 maven 一共要设置两个地方&#xff1a;1、为当前项目设置2、为新项目设置maven 的下载和安装可参考我之前写过的文章&#xff0c;具体的配置文章中也都有讲解。1、为当前项目进行 maven 配置 配置 VM Options: -DarchetypeCataloginternal2、为新项…...

DockerHub与私有镜像仓库在容器化中的应用与管理

哈喽&#xff0c;大家好&#xff0c;我是左手python&#xff01; Docker Hub的应用与管理 Docker Hub的基本概念与使用方法 Docker Hub是Docker官方提供的一个公共镜像仓库&#xff0c;用户可以在其中找到各种操作系统、软件和应用的镜像。开发者可以通过Docker Hub轻松获取所…...

Cesium1.95中高性能加载1500个点

一、基本方式&#xff1a; 图标使用.png比.svg性能要好 <template><div id"cesiumContainer"></div><div class"toolbar"><button id"resetButton">重新生成点</button><span id"countDisplay&qu…...

【git】把本地更改提交远程新分支feature_g

创建并切换新分支 git checkout -b feature_g 添加并提交更改 git add . git commit -m “实现图片上传功能” 推送到远程 git push -u origin feature_g...

让AI看见世界:MCP协议与服务器的工作原理

让AI看见世界&#xff1a;MCP协议与服务器的工作原理 MCP&#xff08;Model Context Protocol&#xff09;是一种创新的通信协议&#xff0c;旨在让大型语言模型能够安全、高效地与外部资源进行交互。在AI技术快速发展的今天&#xff0c;MCP正成为连接AI与现实世界的重要桥梁。…...

OpenPrompt 和直接对提示词的嵌入向量进行训练有什么区别

OpenPrompt 和直接对提示词的嵌入向量进行训练有什么区别 直接训练提示词嵌入向量的核心区别 您提到的代码: prompt_embedding = initial_embedding.clone().requires_grad_(True) optimizer = torch.optim.Adam([prompt_embedding...

GC1808高性能24位立体声音频ADC芯片解析

1. 芯片概述 GC1808是一款24位立体声音频模数转换器&#xff08;ADC&#xff09;&#xff0c;支持8kHz~96kHz采样率&#xff0c;集成Δ-Σ调制器、数字抗混叠滤波器和高通滤波器&#xff0c;适用于高保真音频采集场景。 2. 核心特性 高精度&#xff1a;24位分辨率&#xff0c…...

Unsafe Fileupload篇补充-木马的详细教程与木马分享(中国蚁剑方式)

在之前的皮卡丘靶场第九期Unsafe Fileupload篇中我们学习了木马的原理并且学了一个简单的木马文件 本期内容是为了更好的为大家解释木马&#xff08;服务器方面的&#xff09;的原理&#xff0c;连接&#xff0c;以及各种木马及连接工具的分享 文件木马&#xff1a;https://w…...

【JVM面试篇】高频八股汇总——类加载和类加载器

目录 1. 讲一下类加载过程&#xff1f; 2. Java创建对象的过程&#xff1f; 3. 对象的生命周期&#xff1f; 4. 类加载器有哪些&#xff1f; 5. 双亲委派模型的作用&#xff08;好处&#xff09;&#xff1f; 6. 讲一下类的加载和双亲委派原则&#xff1f; 7. 双亲委派模…...

基于Springboot+Vue的办公管理系统

角色&#xff1a; 管理员、员工 技术&#xff1a; 后端: SpringBoot, Vue2, MySQL, Mybatis-Plus 前端: Vue2, Element-UI, Axios, Echarts, Vue-Router 核心功能&#xff1a; 该办公管理系统是一个综合性的企业内部管理平台&#xff0c;旨在提升企业运营效率和员工管理水…...

FFmpeg avformat_open_input函数分析

函数内部的总体流程如下&#xff1a; avformat_open_input 精简后的代码如下&#xff1a; int avformat_open_input(AVFormatContext **ps, const char *filename,ff_const59 AVInputFormat *fmt, AVDictionary **options) {AVFormatContext *s *ps;int i, ret 0;AVDictio…...