当前位置: 首页 > news >正文

数学建模理论与实践国防科大版

目录

1.数学建模概论

2.生活中的数学建模

2.1.行走步长问题

2.2.雨中行走问题

2.3.抽奖策略

2.4.《非诚勿扰》女生的“最优选择”

3.集体决策模型

3.1.简单多数规则

3.2.Borda数规则

3.3.群体决策模型公理和阿罗定理


1.数学建模概论

1.数学模型的概念

2.数学建模的概念

3.数学建模的一般过程

自然界是按照数学原则设计的,自然界的真正规律必然能够通过数学来探索和表达。

几个数学建模的问题

  1. 知了鸣叫问题

  2. 网络犯罪信息的甄别(犯罪克星)

  3. 树叶形状问题

哥尼斯堡七桥问题

传球游戏问题

1705304970409

1.概率解法:

2.蒙特卡洛解法:

计算机模拟传球N回合,每回合传10次,记录下N回合传球中求最终回到A手中的次数L,则:P=L/N

3.递归解法

设An表示第n次传球后,球在A手中的概率,同样定义Bn,Cn,Dn,En。有传球规则及对称性可知:

Bn = En, Cn = Dn

1705306105682

建立模型的大致步骤

  1. 模型准备

在建模前应该对实际背景又尽可能深入的了解,明确索要解决问题的目的性和要求,手机必要的数据与信息。归纳为一句话:深入了解背景,明确目的要求,收集必要信息。

深入了解背景

明确目的要求

手机必要信息

  1. 模型假设

充分消化信息

抓住主要因素

做出恰当假设

  1. 模型建立

用数学语言描述问题

选择适当数学工具

模型要充分简化,以便于求解;同时要保证模型与实际问题有足够的贴近度。

  1. 模型求解

掌握计算方法

应用数学软件

提高编程能力

MATLAB LINGO等等

  1. 模型检验

结果检验:将求解结果“翻译”回实际问题中,检验模型的合理性与适用性。

稳定性检验:分析模型对参数变化的“容忍”程度。

敏感度分析:分析目标函数对各变量变化的敏感性。

误差分析:对近似计算结果的误差做出估计。

2.生活中的数学建模

2.1.行走步长问题

设人的质量为M,腿的质量为m,腿长为l,速度为v(固定),单位时间步长为n,步长为x(v=nx)。

单位时间重心升高所需做功为:

1705307843816

腿运动所需的能量

将人行走时腿的运动视为均匀直杆(腿)绕腰部转动,则在单位时间内所需动能为:

其中转动惯量

角动量

人行走时单位时间所做的功

势动平平

但是最后计算得到的结果是每秒要走5.4步,每步0.28m,与实际是不符合的。

1705310774478

我们进行公式化简发现能量的主要消耗在于势能的消耗上这是不合理的。

有人将腿的转动改为教的直线运动,且将腿的质量全部算到脚上,这样得到的结果大约是每秒3步,是否合理?

2.2.雨中行走问题

问题: 考虑人在雨中沿一直线行走,雨速已知,问人行走的速度多大才能使淋雨量最小?

经过数学推导,总淋雨量目标可以表示为

利用微积分求此函数极值便得到结论:

当0<a<vx时,取u=vx,其他情况下,i应当尽可能大。

建模小结:决定淋雨量大小有两个因素:淋雨时间单位时间淋雨量,忽略后者将导致错误结论。

2.3.抽奖策略

某人可获得一笔奖金x,x由他在区间[0, 1]中任意地抽取。如果他满意,可以领取x奖金而不再抽取。如果他不满意,可以放弃这个x而重新抽取。这个抽取过程可重复3次,第三次抽取后不得放弃。问他应该采取何种策略以期获得最多奖金?

获奖函数为:

1705374247984

其中X1,X2,X3均为在[0, 1]上均匀分布的随机变量。该人目标为获得的奖金H的期望达最大值。

则H=g(X1, X2, X3),根据期望计算公式有

最大期望奖金为:

最优停止问题。例如“不可召回的秘书招聘问题”。

2.4.《非诚勿扰》女生的“最优选择”

总共面试n人,不选择前k人,从第k+1人起,一旦有比前面更优秀的男生,则选择。

如何确定k。使选到最中意男生的概率最大?对于某个固定的k,能宣导最佳男生的总概率为:

用x来表示k/n的值,并且假设n充分大则上述公式可以近似表示为积分形式:

再对这个式子求导

1/e大约等于37%,即k/n=37%

按此策略,找到最中意男生的概率也是37%

同样的,这个女生空手而归的概率也是37%

3.集体决策模型

根据群体中每个成员的决策结果,综合得出群体的决策结果。两个关键因素:公平性标准、规则。

n个选民:I={1, 2, ..., n}

m哥候选人:A={a1, a2, ..., am}

Pi:选民i对候选人的一个排序

P:根据排序分布{P1, P2, ...., Pn}及选举规则确定的对A中元素群体排序结果。

传递性:对于x,y,z∈A,若x≥y,y≥z,则有x≥z。

三岐性:对一切x,y∈A,必有下列关系之一成立:x<y x=y x>y

3.1.简单多数规则

简单多数规则(x>y)等价于使(x>y)成立的i的个数大于n/2.

1705492030223

例2

1705491708960

得出一个投票悖论,就是存在最终无法成立的方案。

3.2.Borda数规则

Borda数规则是一种投票计数法,每个选民在选票上对所有候选人进行排序,每个候选人按照不同的排序名次获得相应的Borda数或积分,积分最高的候选人赢得选举。与简单多数规则相比,Borda数规则较不容易选出有争议的人士,但投票结果较容易受策略选举的影响。

在Borda数规则中,每个选民将自己对所有候选人的偏好顺序表达出来,并给予每个候选人相应的得分。例如,如果一个选民最喜欢候选人A,则给A 1分;如果最喜欢候选人B,则给B 2分;如果最喜欢候选人C,则给C 3分;如果最不喜欢候选人D,则给D 4分。这样,每个候选人的得分都会是一个分数和的总和。最终,得分最高的候选人获胜。

与简单多数规则相比,Borda数规则更能够反映出选民的真实偏好顺序,因为它考虑了每个选民对所有候选人的偏好程度。同时,Borda数规则也避免了投票悖论的问题,因为它通过计算每个候选人的总分来确定获胜者,而不是根据单一的简单多数原则来决定胜利者。

然而,Borda数规则也存在一些问题。首先,它需要每个选民对所有候选人进行排序,这需要大量的时间和精力。其次,如果选民的偏好顺序表达不准确,那么可能会导致结果失真。最后,由于计分方法可以产生扭曲的偏好(即无法单纯以一个确定位置偏好的高Borda得票数胜过另一个确定位置偏好的高Borda得票数),所以结果可能受到策略性投票的影响。

策略选举与Borda数规则

例题

设有15个选民与3个候选人x、y、z,有意向表7人 x>y>z:7人 y>x>z:1人 z>x>y B(x)=22,B(y)=21,B(z)=2,所以依据Borda数规则,最后投票结果为x>y>z。

以上称为真诚选举或非策略选举。

3.3.群体决策模型公理和阿罗定理

公理1:(个体选择与群体选择的正相关性)如果对所有i,都有(x>y)i,那么应当由(x>y)。此性质又称为Pareto效应。

公理2:(无关候选人的独立性)设x,y是任意两个候选人,若在两次投票中,每个选民对x,y的相对排序都不变,那么在两次选举结果中,x,y的相对排序也应不变。

公理3:(非独裁性,Non-dictatorial)不存在这样的选民i,使得(x>y)i推出(x>y)

阿罗定理:对于至少有三名候选人和两名选民的投票,不存在满足阿罗公理的选举规则。

阿罗的结论是:

根本不存在一种能保证效率、尊重个人意向、并且不依赖程序的多数规则的投票方案。或者说不可能通过一定的程序准确地表达社会全体成员的个人意向来达到合意的公共决策。

阿罗的结论是:完美无缺的程序民主不存在!

相关文章:

数学建模理论与实践国防科大版

目录 1.数学建模概论 2.生活中的数学建模 2.1.行走步长问题 2.2.雨中行走问题 2.3.抽奖策略 2.4.《非诚勿扰》女生的“最优选择” 3.集体决策模型 3.1.简单多数规则 3.2.Borda数规则 3.3.群体决策模型公理和阿罗定理 1.数学建模概论 1.数学模型的概念 2.数学建模的概…...

Yakit爆破模块应用

yakit介绍 一款集成了各种渗透测试功能的集成软件。&#xff08;类似于burp&#xff0c;但我感觉他功能挺强大&#xff09; 爆破模块位置 按照下面图标点击 界面就是如下。 左侧可以选择爆破的类型&#xff0c;各种数据库http&#xff0c;ssh等都支持。 爆破参数 可以选择…...

【3GPP】【核心网】【5G】NAS连接管理和UE注册管理状态(超详细)

1. NAS连接管理 NAS连接管理包括通过N1接口在UE和AMF之间建立和释放NAS信令连接的功能。NAS信令连接用于实现UE与核心网络之间的NAS信令交换。当UE接入5G网络时&#xff0c;首先与基站建立RRC连接&#xff0c;当RRC连接建立完成后&#xff0c;UE与基站的空口连接成功建立。随后…...

细粒度IP定位参文2(Corr-SLG):A street-level IP geolocation method (2021年)

[2]S. Ding, F. Zhao, and X. Luo, “A street-level IP geolocation method based on delay-distance correlation and multilayered common routers,” Secur. Commun. Netw., vol. 2021, no. 1, pp. 1–10, 2021. 智能设备的地理位置可以帮助提供多媒体内容提供商和5G网络中…...

Mac上使用M1或M2芯片的设备安装Node.js时遇到一些问题,比如卡顿或性能问题

对于Mac上使用M1或M2芯片的设备可能会遇到在安装Node.js时遇到一些问题&#xff0c;比如卡顿或性能问题。这可能是因为某些软件包或工具在M1或M2芯片上的兼容性不佳。为了解决这个问题&#xff0c;您可以尝试以下方法&#xff1a; 1. 使用Rosetta模式 对于一些尚未适配M1或M2…...

学习vue3第四节(ref以及ref相关api)

主要记录以下api&#xff1a;ref()、isRef()、unref()、 shallowRef()、triggerRef()、customRef() 1、ref() 定义 接受一个内部值&#xff0c;返回一个响应式的、可更改的 ref 对象&#xff0c;此对象只有一个指向其内部值的属性 .value&#xff0c;.value属性用于追踪并且存…...

关于电脑无法开启5G频段热点的解决方案

tips:本文是本着解决校园网开热点后限速的问题的目的&#xff0c;具体情况具体对待。 1.找到设备管理器 右键该选项 2.在新弹出窗口选择首选频带 3.选择首选5GHz频带 确定之后重新连接wifi&#xff0c;重新开启热点&#xff0c;大功告成。 后记&#xff1a;在使用2.4ghz开热点…...

清理磁盘空间 - Win系统

清理磁盘空间 - Win系统 前言系统方案TreeSize FreeSpaceSniffer 前言 我们在使用电脑时经常会出现硬盘空间不足的情况&#xff0c;下文介绍如何清理磁盘空间&#xff0c;包含系统方案、TreeSize Free和SpaceSniffer。清理Window更新等系统文件推荐使用系统方案&#xff0c;清…...

科技革新的引擎-2024年AI辅助研发趋势

随着科技的飞速发展&#xff0c;人工智能&#xff08;AI&#xff09;已经在许多领域展现出了其强大的潜力和价值。特别是在研发领域&#xff0c;AI的辅助作用日益凸显&#xff0c;成为推动科技革新的重要引擎。在2024年&#xff0c;这种趋势将更加明显&#xff0c;我们可以从以…...

【PTA】L1-021 L1-022 L1-023 L1-024 L1-025(C)第四天

目录 L1-021 重要的话说三遍 题解&#xff1a; L1-022 奇偶分家 题解&#xff1a; L1-023 输出GPLT 题解&#xff1a; L1-024 后天 题解&#xff1a; L1-025 正整数AB 题解&#xff1a; L1-021 重要的话说三遍 分数 5 作者 陈越 单位 浙江大学 这道超级简单的题目没…...

Stable Diffusion 如何写好提示词(Prompt)

本文收录于《AI绘画从入门到精通》专栏&#xff0c;专栏总目录&#xff1a;点这里。 大家好&#xff0c;我是水滴~~ 本文深入探讨了如何撰写出优质的提示词&#xff0c;内容涵盖多个维度&#xff1a;提示词的多样化分类、模型应用中的经典提示词案例、提供丰富资源的提示词参考…...

树莓派Py程序加入开机自启

创建服务文件 为你的服务创建一个 .service 文件。这个文件通常位于 /etc/systemd/system/ 目录下。例如&#xff0c;如果你的服务名称为 my_python_script.service&#xff1a; sudo nano /etc/systemd/system/my_python_script.service 在打开的编辑器中&#xff0c;输入以下…...

Java EasyExcel注解详解和实战案例

文章目录 前言一、导入依赖二、基础知识1. @ExcelProperty1.1 作用1.2 注解参数1.3 示例2. @ExcelIgnore2.1 作用2.2 示例3. @ExcelIgnoreUnannotated3.1 作用3.2 示例4. DateTimeFormat...

AHU 汇编 实验二

一、实验名称&#xff1a;实验二 不同寻址方式的灵活运用 二、实验内容&#xff1a;定义数组a[6]&#xff0c;用多种寻址方式访问对应元素&#xff0c;实现&#xff08;a[0]a[1]&#xff09;*(a[2]-a[3])/a[4],将结果保存在内存a[5]中&#xff0c;用debug查询结果。 实验过程&a…...

Spring Boot单元测试与热部署简析

1 Spring Boot的简介 Spring Boot是一个用于构建独立的、生产级别的Spring应用程序的框架。它简化了Spring应用程序的开发过程&#xff0c;提供了自动配置和默认配置&#xff0c;使得开发者只需专注于业务逻辑的实现&#xff0c;而不用去关注繁琐的配置问题。 Spring …...

3.12练习题解

1.台阶问题&#xff1a; 这道题目一看其实很容易想到可以用dp的板子去做&#xff0c;并且只需要用一维dp即可&#xff0c;其中dp的下标表示到达当前阶梯总共有多少种方法&#xff0c;由于结果有可能会很大所以一定要记得边记录边模&#xff0c;代码实现如下&#xff1a; #incl…...

Java中实现双向链表

一、目标 最近项目中实现双向链表&#xff0c;同时转为满二叉树。 二、代码 用java实现双向链表的代码如下&#xff1a; class TreeNode {int val;TreeNode left;TreeNode right;TreeNode(int x) { val x; } }public class FullBinaryTree {public TreeNode createTree(int[…...

【DevOps实战之k8s】使用Prometheus和Grafana监控K8S集群

【DevOps实战之k8s】使用Prometheus和Grafana监控K8S集群 目录 【DevOps实战之k8s】使用Prometheus和Grafana监控K8S集群系统架构Kubernetes集群指标抓取指标可视化警告PromQL示例按命名空间统计集群中的Pod数按命名空间重启Pod未就绪的PodCPU过度使用Memory过度使用健康的集群…...

【读论文】【精读】3D Gaussian Splatting for Real-Time Radiance Field Rendering

文章目录 1. What&#xff1a;2. Why&#xff1a;3. How&#xff1a;3.1 Real-time rendering3.2 Adaptive Control of Gaussians3.3 Differentiable 3D Gaussian splatting 4. Self-thoughts 1. What&#xff1a; What kind of thing is this article going to do (from the a…...

JVM理解学习

参考视频 JVM架构总览图 程序计数器 程序计数器&#xff0c;物理上用寄存器实现。 作用&#xff1a; 记住下一条JVM指令的执行地址 特点&#xff1a; 1 是线程私有的&#xff0c;随着线程的创建而创建&#xff0c;随着线程的消息而消息 2 是一小块内存 3 唯一不会内存溢出的地方…...

FFmpeg 低延迟同屏方案

引言 在实时互动需求激增的当下&#xff0c;无论是在线教育中的师生同屏演示、远程办公的屏幕共享协作&#xff0c;还是游戏直播的画面实时传输&#xff0c;低延迟同屏已成为保障用户体验的核心指标。FFmpeg 作为一款功能强大的多媒体框架&#xff0c;凭借其灵活的编解码、数据…...

Docker 运行 Kafka 带 SASL 认证教程

Docker 运行 Kafka 带 SASL 认证教程 Docker 运行 Kafka 带 SASL 认证教程一、说明二、环境准备三、编写 Docker Compose 和 jaas文件docker-compose.yml代码说明&#xff1a;server_jaas.conf 四、启动服务五、验证服务六、连接kafka服务七、总结 Docker 运行 Kafka 带 SASL 认…...

聊聊 Pulsar:Producer 源码解析

一、前言 Apache Pulsar 是一个企业级的开源分布式消息传递平台&#xff0c;以其高性能、可扩展性和存储计算分离架构在消息队列和流处理领域独树一帜。在 Pulsar 的核心架构中&#xff0c;Producer&#xff08;生产者&#xff09; 是连接客户端应用与消息队列的第一步。生产者…...

拉力测试cuda pytorch 把 4070显卡拉满

import torch import timedef stress_test_gpu(matrix_size16384, duration300):"""对GPU进行压力测试&#xff0c;通过持续的矩阵乘法来最大化GPU利用率参数:matrix_size: 矩阵维度大小&#xff0c;增大可提高计算复杂度duration: 测试持续时间&#xff08;秒&…...

如何理解 IP 数据报中的 TTL?

目录 前言理解 前言 面试灵魂一问&#xff1a;说说对 IP 数据报中 TTL 的理解&#xff1f;我们都知道&#xff0c;IP 数据报由首部和数据两部分组成&#xff0c;首部又分为两部分&#xff1a;固定部分和可变部分&#xff0c;共占 20 字节&#xff0c;而即将讨论的 TTL 就位于首…...

docker 部署发现spring.profiles.active 问题

报错&#xff1a; org.springframework.boot.context.config.InvalidConfigDataPropertyException: Property spring.profiles.active imported from location class path resource [application-test.yml] is invalid in a profile specific resource [origin: class path re…...

10-Oracle 23 ai Vector Search 概述和参数

一、Oracle AI Vector Search 概述 企业和个人都在尝试各种AI&#xff0c;使用客户端或是内部自己搭建集成大模型的终端&#xff0c;加速与大型语言模型&#xff08;LLM&#xff09;的结合&#xff0c;同时使用检索增强生成&#xff08;Retrieval Augmented Generation &#…...

scikit-learn机器学习

# 同时添加如下代码, 这样每次环境(kernel)启动的时候只要运行下方代码即可: # Also add the following code, # so that every time the environment (kernel) starts, # just run the following code: import sys sys.path.append(/home/aistudio/external-libraries)机…...

渗透实战PortSwigger靶场:lab13存储型DOM XSS详解

进来是需要留言的&#xff0c;先用做简单的 html 标签测试 发现面的</h1>不见了 数据包中找到了一个loadCommentsWithVulnerableEscapeHtml.js 他是把用户输入的<>进行 html 编码&#xff0c;输入的<>当成字符串处理回显到页面中&#xff0c;看来只是把用户输…...

Redis上篇--知识点总结

Redis上篇–解析 本文大部分知识整理自网上&#xff0c;在正文结束后都会附上参考地址。如果想要深入或者详细学习可以通过文末链接跳转学习。 1. 基本介绍 Redis 是一个开源的、高性能的 内存键值数据库&#xff0c;Redis 的键值对中的 key 就是字符串对象&#xff0c;而 val…...