26年美赛需要代码吗

好，大家好，那这里是本次美赛 c 题目啊，第一问完整代码以及结果的讲解视频， 那本次这个代码呢，量是非常大的啊，因为这个 c 题目呢，数据库处理啊，包括后面这个实际求解啊，这个步骤是非常繁琐的啊，我收获都跟大家去讲清楚啊，包括这个数据处理之后什么样的样子啊，后面就求其结果，因为我们要得出那个投票数嘛，啊，就这个观众的投票数 啊，我都会一一的去给大家展示啊，请大家务必有耐心的把这个视频呢仔细的去看完啊，那目前第二问代码也是已经完毕了啊，等我后面把三四问全部解决完毕之后，我再给大家录一个完整代码的讲解视频吧。好吧，那么这个视频呢，就先给大家讲一下这个第一问吧。呃， 还有就是这个 a 题目啊， a 题目呢，第一问的代码呢 啊， a t m 这个完整代码我也是已经完成了。呃，一会我会再录一个视频给大家讲一下这个 a t m 的 代码，好吧，好，那么这个 a t m 和 c t m 完整原创论文以及相应代码和结果的说明呢， 大家可以看这个视频的评论区啊，我们预计会在明天，也就是一月三十一号的中午左右就会更新完毕这两道题目的完整论文啊，即刻的代码。好，那么废话不多说，我们来看一下这个梅赛 c t m 的 第一问。呃，题目背景 好，包括这个思路呢，我就不用再给大家去多说了吧，因为我前面这两个视频呢，都跟大家讲过了啊，大家可以继续看前面讲个视频，我就直接从代码开始入手了，好吧，呃，首先我们带人第一步首先要去处理这个数据，我们可以看到呢题目给出我们这个原始的数据呢， 他这个非常非常长的这样一个宽表啊，什么叫宽表？就是他很宽，就是他这个宽度呢？大概是有 这个五十三列吧，应该五十三列，然后呢他这个行数一共是这个四百二十二行，然后包括呢这个题目后面有很多的关于这个数据的一些描述啊，包括呢这个数据的一些注示啊，比如说 n a 指是什么意思，那么进零分的是什么意思啊？ 啊？再比如说一共矮有四位评委啊，然后各种周次啊，反正各种中东西啊，那么这些呢，都是我们在数据处理过程中需要考虑到的东西， 能理解吧？啊？当然我们这个数据处理呢，在第一步的时候，我们最重要的是要把这个数据呢这个官表呢处理为一个适合我们建模的这样一个长表的格式啊。然后在这个处理为长表的这个格式的过程中呢，我们再去把每一个变量 啊，每一个数值啊，包括什么空值啊，零啊， n a 啊这些呢，都做统一的处理，能理解吧？好，我们来看一下这个具体的数据与处理的过程。 呃，还那句话啊，这道题目呢，还是比较复杂的。呃，目前呢，也可以看到网上各种满天飞的什么完整的每一问的代码呀，思路什么的都出来了，我只能说大家 见仁见智吧。啊，就是你这么快的速度，要是把每一问的代码和结果全部都得出的话，那这个质量你可想而知吧啊，总之呢，呃，我只做好我自己的这个代码和结果啊，呃， 好，大家自己去看一下我这个代码就知道了。好，我们来看一下第一步，呃，我们把这个数据呢先上传到这里啊，这是题目原始的这个数据 啊，这原始的数据，我们首先呢第一步先去读取数据，那么这对于原始数据数据中呢？啊，还有这个 n a 的 这个字符串的我们进行处理，然后呢清理列名，去除掉可能会有的空格，然后呢统一进行小写啊，这是为了方便我们后去读取列名， 接下来我们要去解析他们的淘汰周数，那么关于这个思路的方面呢，我们前面就免费思路的原因给大家讲过了，就是我第一问都用的这个模型呢，是这个 mcmc 啊，这个模型这个方案。那么在后面我不是给大家讲了一个这个 每一问的这个关键信息和一些雷区和注意点吗？啊，包括这个阶段一怎么处理百分比置，然后阶段三这个混合之家评为拯救， 然后在数据惊喜中的一些雷区我也给他讲过了。呃，这个呢，大家自己去看我之前的那个数字讲解视频就可以了，我在这里就不多做赘述了。好吧，就顺着代码去跟大家讲吧。总之第一问我们的目标不就是通过题目之后给我们的啊，这个他是否淘汰以及评委的 啊，这个评分啊，包括一些其他的各种数据来去推断出来，他最初时的就是反建构出他最初时的这个粉丝投票数嘛，对不对啊？这是题目要求我们的第一问要去做的这个事情，看一下题目第一问估算的粉丝投票数，好吧， 好，来看一下数据处理。呃，然后呢，接下来下一步呢，我们是要去解析他们的淘汰周数了，我们需要去知道每一个选手到底是在第几周被淘汰的，或者说他是进入了决赛，那么假如说他是没有结果的话呢，那么他就是说啊，坚持到了最后 啊，这是第一个处理，那我们把决赛的处理呢啊，决赛的这个选手呢？进行一个处理啊，就是说假如说 是这样的，那么他们说明他们参加了所有周四啊，我们可以给他们很大的一个数字，一直去表示他们直到这一季的最后一周他都在，那么这个最大数字呢？我就设置为九十九了啊，大家也可以设置为其他数字都行了的啊，都行的， 这个呢，我，我无所谓的，就是你随便设置一个比较大的数字啊，一一百多也行，总之代表就是说他们一直是重活到了决赛，能理解吧？ 好，然后接下来是应用这几级函数，然后我们构建这个长格式数据，去构建这个长格式数据表，我们获取一下它的最大周数，然后提取它所有可能出现的周数， 提取完之后我们去构建这一周这个评委翻数的列名和列表。那么我们这里是假设最多有四个评委，为什么要这样假设呢？因为题目呢，原初始的这个 数据说明里面我们跟我们说过了啊，就是这个 n a 值，通常用于一个，就是说第四位评委的分数啊，假如说这周没有第四位评委，就是一般有三位啊，就是意思就是说最大就是四位嘛，这么个意思。好， 显然在这里我们假设是最多有四个评委，然后提取这一周的分数，然后把这个 n a 值啊和控值呢全部处理 过滤完了之后呢，我们只在这一周有有效分数时候才记录该条数据啊，这周呢，我们就把那些被淘汰之后的周次，我们就自动过滤掉了，因为这个被淘汰之后的周次呢，他的得分都是零嘛，对不对？好，那么接下来就是个长表，他都包含一些什么样的这个 变量啊？一个是他的赛季，一个是他的这个周数啊，然后包括有这个原始列吧，他可以查啊，评委的总分，评委的数量，他是三个还是四个，有的时候可能是三个，有的时候可能是四个，然后呢？这个是本周 啊，由于结果被淘汰的，然后这个全居记录何人该时淘汰，然后呢？这是一个最终名次，这是一个预处理之后的数据啊，这是最终整理出来这个场表 啊，一共就这么几个变量，对，淘秒呢，一共就是两千七百多。行了。好，然后我们去提取它的技术信息表啊，用于这个我们的第三问，这个建模啊，我们一行这个处理就可以了， 处理完了之后呢，我们做一个比较简单的一个结果检查，然后保存这个结果就可以了，我这个结果呢，是保存为了一个域处理后数据啊，那么大家大家可以继续改这个表名啊，这我就不用读，跟大家读说了吧。啊，好， 呃，我们检测的最大周数呢，是一到十一周这个范围，假如呢，我们数据处理之后呢，一共是两千七百七十七行，然后一共是九列包含的总赛季数量呢，一共三十四个赛季嘛，根据这个题目来说， 然后我们检查两个具体的例子吧。啊，好吧，我们来看一下题目给我们的这几个例子， 这个结婚呢，是给我们了一个第一季第四周啊，这几个参赛者，他们最终的这个排名情况啊，排名情况和他们预估的这个粉丝投票数啊，我们就根据这个例子来做一下，来看下代码， 我们可以先看一下这个 s 一 啊，被淘汰的这个人啊，那么他呢是在第四周就被淘汰了，对不对？好，我们来看下代码， 所以呢，他就应该就是说运行完之后呢，他应该被标记为在第四周是淘汰的。其实大家可以看到呢，这个 week 四啊，就是第一赛季的第四周，那么这个人呢，就被标记为淘汰了，后面是个处，对吧？那么另外一个例子就是 s 一 的这个冠军 啊，就是这个评委评判排名的啊，这个第一哦。啊，他就是呢，一直没有被标记过淘汰啊，一直没有被标记过淘汰。好， 那么整个这个数据处理步骤就完成了，然后呢我们检测了一下这两个视力啊，也是正常的合理的啊，但是你们大家也可以去踩，就是说啊，使用一些其他的例子去验证也可以啊，也可以。 ok， 那 么在数据处理全部完成之后呢，我们就要去做这个 啊，实际的我们估算他每一个周四中产生的这个粉丝图飙数 啊，那么这部分的思路呢，我前面也给大家讲过了啊，就是我这题采用的这个模型呢啊，我最终采用的这个方案的是这个避风啊，也是个 mcmc 啊，就是求粉丝投票的这个概率分布情况。 好，我们做一下模拟，那么这部分的核心代码呢？我就不给他展示了，这个核心代码呢，也比较长，呃，也很难，那么这个呢？呃，大家都能拿到我这个论文和代码的人，自己去看就可以了。好吧，呃，我这我就不多赘述了，因为我要保证这个限量，我就给大家展示一下最终这个结果啊，那么最终这个结果呢，我们模拟完之后 也可以得到这样的一个结果，那么这个结果呢啊，我们可以做一些结果分析啊，这个非常非常合理的。然后这里呢，我们求出来其实就是他这个占比，就是投票的占比，大家能理解吗？啊，这是一个投票的占比， 因为我们这个种票数呢，他是不定的啊。这个是还那句话，这个题目在求解决过程中有许多我们需要去注意的点，大家千万不要去忽略啊，去瞎写，哎，记住， 可以看到就像网上各种满天飞的各种思路啊，什么代码视频啊啥的，可能有的很多人都没有讲到这个问题，这是个总票数呢，他是不定的，这是未知的，所以呢，他只是选择一个假设值去产生最终的正确排名，而且呢，这个总票数呢，是我们永远无法得知的，大家能理解吗？ 因为我们这个总收视率的是不定的啊，你，你这个总票数可能是，呃，一百万，有可能是一千万，这个没有人能知道，没有人能知道，我们在书学方面成层面的 最多最多就只能纠解出来他们的投票占比，能理解吗？啊？所以在纠解完这个之后呢，我们得到了他最终的这个结果啊，保存为这个，我们打开给大家看一下这个结果这个结果表格，那这就是他们最终得到这个结果表格啊。我们反推出来这个粉丝投票数， 那么当然了，这也就是我们得出来的这个反推出来的是粉丝投票的占比。投票的占比，那有人要问了， 可是人家题目要求的是让我们给出他们的粉丝投票数呀，对不对啊？人家第一位让让我们给出他具体的粉丝投票数呀，我们估算粉丝投票数呀，包括我们第二问，第三问也都是要用这个粉丝投票估算值和其余数据来计算呀。那，那那以现值投票占比怎么办呢？啊？没关系的，没关系的，这这个呢很好处理， 首先代码里面呢，我们再加入这么一段，把这个估算的份额呢去转换为具体的票数就可以了。那么怎么转换啊？其实就是根据它们的舒适率假设一下，假设一下能理解吧， 那它这个，呃，一般来说啊，这个电视节目呢，都是早期赛季是比较火爆的，那么后期是略有下降的，是我们可以设定为啊，早期的这个 s 一 到 s 十是一千五百万票，那么 s 十一到 s 二十是一千万票，那么后面的这些数是六百万票，那么当然在这个数值大家可以自己去先假设， 而且呢这个数值怎么假设呢？跟我们后面两三位的二三位的求解呢？是没有关系的，能理解吧？就后面二三位呢？有人可能要问了，那这个你假设为这么个票数，那么前面赛季是一千五百万票，后面是六百万票，会不会导致我们第二三问求解的时候，出现这个求解不一致的这个情况呀？ 对不对？这个是完全不会的，因为我们求解一个人淘汰呀，什么排名啊？这情况呢，都是在单个赛季内去完成的， 不存在说是你这一个第一个赛季跟第三十四个赛季进行对比，这个我情况的是不存在的，那样理解吧。啊，所以我们都是在这个单个这个赛季里面循行求进， 所以呢，当然你们也可以设置为 s， 一 到 s 三四都是稳定的，都是一千万票也行，都行，这个呢，我们只是想把这个投票占比呢去转化为他们的 绝对票数而已，这个呢，其实意义也没有多大，包括这个 a 多少万票，你们给黑市进行修改啊，拿到代码的到时候也可以自己去进行修改啊，我这里设置一千五百万票，你刚刚可以把它设置为你一百五十万票啊，这个这个你多减个零也行嘛。啊，这个这个影响都不大的， 因为我们题目上面给出这个意思呢，哎，他也这个票数呢，也是一个估算的，这个估算的好，我们转化完之后我们就可以得到这样一个结果，我们把这个结果打开给大家看一下啊，那这里就是转化之后的啊，这个总的票数我们拖到最后，我们也给大家看一下 啊，那这里就是最后的这个这一点啊，就是他们的这个投票总数了啊，啊，投票数，这这一点就是他们的投票数。好， 那接下来啊火美这个代码呢，就是做这个一致性的检验和确定性的检验了吗？对不对？这也是题目明确要求我们的，其实我们要去看一下啊，他这个一致性的度量啊，是否是一致性的，然后呢再一个就是呢，这个投票总数呢，是有多大的确定性？ 这个一致性度量呢？其实就是说我们这个求解第一问这个模型呢，是精准还是不精准啊？你要就一致性的很低的话，那证明你完全是错的嘛，你投票总数就关键是求解错了的， 就你根据这个投票总数我现在去计算啊，他还跟咱们的淘汰这个结果是完全一致的，比如说我们第一问的这个模型呢，是完全正确且合理的啊，这就是一致性度量的意思。另外一个就是说这个投票的总数呢，有多大的确定性 啊？就这个训练型呢，对于每一个参赛者，每一周或者是总是相同的，是否是总是相同的啊？提供我们一个训练型的度量，这个呢就是我们这个思路得兼独厚的一种优势，因为我们采用这个 mcsm 模型呢， 我们的确定性读量呢，就直接通过我们后延风格的这个标准差和执行区间呢，就会完全能够就直接回答其波中说提出的这个确定性的问题了。哎，所以这也是我为什么最终舍弃掉了其他两个方案。其实我们这个呢，在回答确定性上面呢，是一个非常非常好的一个顶级方案。好，我们来看一下代码， 那么这部不带马的实际确定性度量和一致性检验的这个核心结构，我就给大家展示了，我来开案就用这个结果吧。好吧，那么我在这里呢，我是哎 啊，就是查看了两个人啊，一个是第一个赛季的这个和第一个赛季这个做了一个一次性检验和确定性的毒粮，然后做了一个二十七第二十七个赛季的这个一次性检验和毒粮，那么我为什么会采用二十七赛季呢？啊？这也是根据提议 啊去确定的，就在这个提议里面呢，他是从二十八赛季不是开始变这个规则了吗？啊？二十八赛季开始变规则了，这是因为呢，我们前面中期的这个到二十七赛季发现这个可能啊，这个规则可能不太好或者怎么样的翻开，二十八开赛季不是变了吗？而而且这个二十七赛季呢，不是冲见出现了一个争议吗？就这个人 啊，可能就是因为它出现争议啊，所以最终导致二十八赛季这个规则改变了，所以我们呢最好呢是把二十七赛季呢啊去做一个展示啊，当然你们采用其他赛季也行啊，也行，那我这里给大家展示一下这个第一个赛季的吧。啊，二十七赛季我就给大家展示了，那我这里就会生成一个第一赛季的这样一个趋势图 啊，这就是一个不确定性范围的这样的一个呃呃，图啊，然后这里是他们的不确定性的热力图啊，这是他们的不确定性的热力图， 颜色越红，那就是表示他越不确定啊，那么颜色越淡呢，就是表示他越确定啊。大家这就是完美回答了这个节目中所提出的这个问题啊，一方面我们的一致性呢，全部检验完毕了，再一个呢，我们也就确定性 啊，我们给出了注量啊，也计算出来了啊，然后呢，对于每一个参赛者或者每一周出是否总是相同的，那当然不相同了吗？对不对？那代码这里面热力图都已经给出了吗？每一个这个人啊，每一周他的这个确定性的注量都不一样，我们热力图也获取出来了， 那就完事了啊，二十七赛季的我就不给他多展示了。好，那么第一问完整的这个代码和节目呢，大致就是这个样子啊，我们把第一问的所有决定目标全部都学完毕了，对不对？再来回顾一下啊，这个我们也纠结完毕了，这个也纠结完毕了，这个也纠结完毕了，全部完成了。好吧，呃， 那再给大家说一下，到时候大家拿到我的这个代码和论文的人呢，这个所有代码图片的颜色也都可以进行修改啊，那么关于这个代颜色怎么修改，我到时候在代码里面也都会有注置， 大家到时候拿到我代码和这个代码操作视频的人呢，自己去看就可以了。好吧，那关于问这个完整成品论文和代码的书们，大家可以看这个视频的评论区。 呃，我预计会在明天中午，也是一月三十一号中午左右就更新完毕。呃，美赛 c 题目啊，完整的原创论文签代码和结果，那么到时候呢，也会有一个完整代码和论文的详细视频，那么这个视频呢，只是给大家讲一下第一问， 希望能够帮助到大家，特别是关于这个数据处理部分。呃，希望能够帮助到大家吧，好吧，那么就说到这里吧，呃，谢谢大家。

哦，今天早上我发现很多同学来私信我，然后问的都是一些美才 a t 的 一些疑问，因为可能大家对这个电池模型 soc 估计这一块不太理解 啊，我今天就给大家集中讲一下主要的一些疑问吧。呃，我觉得首先这个电池模型呢，我推荐大家用这个二 g r c 模型或者一些其他简单的模型都可以，因为我发现有的同学去尝试那个电化学模型啊，我觉得电化学模型还是相对比较复杂的，它更加倾向于 一些科研方面的应用，就是关于电化学内部机理的一些分析，大家去看那些论文也可以发现它电化学模型它有二十几个参数，然后也有七八条那种偏微分方程，所以我不太推荐大家去使用，毕竟这个比赛有一个时间限制嘛。 那这个电池模型呢，主要是这样的，它首先有一个欧姆内阻 r 零，就是我们大家初中学的电路的那个内阻嘛，就很很简单。然后它有两个极化电压的模拟，它会通过这个 r 一 c 一、 r 二 c 二去模拟这两个极化电压。那这两个 极化它模拟的是什么呢？模拟的就是锂离子电池的一个浓差极化和电化学极化的一个过程。 那么第二个问题，很多同学就是问这个，他那个美赛 a 题嘛，他是有很多要求，他其中一个要求呢，讲的就是需要通过，呃，有需要有不同载和不同空旷下的一个 soc 估计，以以及他的剩余时间的预估。 那么这个电流要怎么算呢？啊？其实我以我的理解的话，我觉得这个电流是请求出来的，而不是计算出来的。因为有些同学陷入这个误区了，就是 当你使用这个负荷的时候，他会向电池请求多少多少安的电流啊？就比如说 我这个手机啊，我现在亮度是百分之二十，那我现在需要向手机电池请求多少安的电流呢？那如果我这个屏幕亮度达到了百分之八十，那我是不是需要请求更多的电流来维持我这个亮度呢？那假如说我这个手机啊， 我在呃，我在玩游戏或者什么的，处于一个比较高能耗的高功耗的一个情况下，那其实那你是不是就需要请求更多的电流 来维持你这个手机的这个功率呢？所以说这个电流是请求出来的，然后不是计算出来的。 那电压呢？电压就是通过你的开路电压，电流与以及你的电池模型参数，就是刚刚讲的嘛内阻根激发电压来计算出来的。那开路电压是怎么计算呢？ 开路电压是需要根据一个 h p p c 的 数据，你去拟合一条 soc， 呃， socv 的 曲线，那 根据你当前手机的电量去可以查表得到你当前手机的这个开路电压，然后根据你当前的电流 以及你的 rc 参数，你就可以计算出你当前手机的电压，然后这个是电压的一个数学方程。端这个就是端电压吗？然后这个是开路电压，减去你的电流乘以你这个欧姆内阻，然后减去两个极化电压， 然后这个 soc 估计的流程呢？你们可以用 hpc 数据去离线辨识这个电池模型参数，你也可以在线辨识模型参数。 呃，就我我的往期视频里都有讲这个在线辨识模型参数的代码以及文档，大家可以去留意一下，以及一些 soc 估计的。呃，文档和代码我在往期视频也有讲，大家可以也可以看一下。 我的视频和代码都是基于二阶 rc 模型来的基础上来来给大家做的。 那它这个流程呢？主要就是在 soc 估计中电池模型的参数，你通过 你先通过当前的 soc 得到当前的一个开路电压，然后根据你的辨识得到的。呃，电池模型参数与电流的关系式就是刚才这个关系嘛，就可以算出你的模拟电压，根据你的模拟电压与实测电压的一个误差，卡尔曼律波会 判断你当前如果你这个误差比较大，那他就会更加相信实测的值，如果你这个误差比较小，那他会更加相信模拟的值，然后通过这个这个先验估计跟后验估计，你就可以自动调正这个 soc。 然后下面呢都是一些嗯，电池的一些。呃模型的一些状态方程什么的，这边我就不给大家讲了，因为大家时间也比较紧急，如果需要的话可以私信我获取，然后这边我也有些，我也有些其他的文档。呃， 对，这边我有一些我的 soc 估计的文档，也有我的，也有我的一些资料吧，这些都是我往期视频的一些元代码以及它的对应的数据， 大家如果感兴趣的话可以可以看一下。 那今天的视频就到此为止，祝大家竞赛顺利。

二零二六美赛即将开赛，你准备好了吗？这份备战攻略记得收好！二零二六年美赛将在北京时间一月三十号凌晨六点开启，二月三号上午九点结束。 美赛一般分为 mcm 和 icm 共六道题目，这里给大家汇总了近五年题型以及规律完整的历年优秀作品，大家可以到 sims pro 社区获取哦！数学建模比赛时间一般只有四天，时间紧任务重，四天内需要完成选题模型建模与代码，并拷写数模论文。 接下来介绍常见的问题分类和对应常见求解模型算法。数学建模最常用的算法分为为优化类、预测类、评价类、机理建模类、对应类别。常用的算法有以下这些，大家可以暂停观看。 另外，以上算法都可以用 spro 一 键输出报告哦，赶紧试试看吧！

大家好，欢迎来到数码教学站，那么本次给带来的是这样数码美赛的一个速成攻略，那么本次视频的话，除了我们整个的一个备赛流程之外，还有我们的一个工具合集，特别是我们的一个 ai 的 一个合集，因为我们知道现在这个数学建模这一块的话， 其实 ai 还是用的比较多的，比较典型的，对吧？像我们用来解题的，用来画图的，或者是用来干其他的事情的，那么比如说我们这地方还有一个是 用来排版的，可以给大家大概的去看一下这个效果， 对吧？这个是 ai 生成的一个排版的一个文件， 可以看到，对吧？里面的一些样式的话，它其实已经绑定好了，已经和我们模板的样式是绑定好了的， 这样的一个有序列表，像我们一般用 ai 写的话，它里面都是没有绑定样式的啊，我们这地方是直接给帮样式给绑定好了，而且我们的一个公式也是完全，对吧？按照它的一个 word， 我 的一个公式的一个格式， 那么绑了样式之后的话，我们就可以很容易的干嘛？我们绑了样式之后，我们一改的话，它就会整个的去进行修改，就不需要担心，对吧？我们改了前面之后，后面要一个一个的去修改了， 这个的话就是我们用来用来建的一个拍板的一个 ai， 但的话里面还有一些缺陷，就是它这个序号，对吧？这个序号的话还没它里面原先就有序号，然后加上我们自带的一个样式，这个序号的话就有两个序号，但是的话应该还可以，说的话也是可以帮我们节约非常多的一个时间了。 那么其次的话还包括我们一些画图的 ai， 还有包括我们这样的一个，对吧？这样的一个翻译润色、审教、预审，来看看我们这样的一篇论文写的到底怎么样？ 然后包括我们这样的一些，比如说查看文献的一些 ai 对 不对？用来查看文献的一些 ai 里面的话，会告诉我们我们应该去参考哪一些文献， 包括去帮助我们去辅助这样的一个编程的一些 ai， 让我们去快速的学习如何实现这些算法，我们到底用对吧？怎么去调库，怎么去调包，怎么去完成我们代码， 这样的话我们既能够学到东西，又能够快速的去完成整个的一个备赛的一个过程。那么我们话不多说，我们直接进入我们的一个正题，那么首先的话是大概的介绍我们的一个美赛的一个情况， 我们这地方的话一共分了九个小节里面都破坏好我们的一个美赛的基本情况。然后我们美赛近几年用了哪些算法，然后我们各个位置，我们到底要准备哪些东西？我们到底要准备哪些软件，以及我们整个的一个 ai 工具的一个汇总。 还有我们就是美赛里面比较重要的一个点，就是我们的一个绘图的一个专题，还有我们的一个数据，我们如何去进行剪辑，以及我们今年美赛的一个论文和翻译，我们到底应该怎么去做 好？那么我们题目类型的话，其实这个东西在美赛里面它的一个官网上面已经有提到过了，那么的话我们一共分为六个赛题，前三个的话是偏数学的就是 mcm， 后三个的话是偏向于交叉学科，就是我们的 acm。 那 么历年来的一个数据题的话是选的最多的，那么对应的一般就是我们的 c 题和 e 题，去年比较特殊，去年选 b 题的人也很多，但是一般的情况下选择 c 和 e 的 人在往年的情况下是最多的， 这两个的话分别是一个数据科学的一个科目，另外一个是我们的可持续发展的一个题目，他们两个的话都是这种数据性比较强的， 所以说的话可能上手的话就相对容易一点。而我们 a 题的话就偏向于我们整个偏向于一个物理机制，类似于呃，像我们国赛的一个 a 题，对吧？里面会有一些微分方程和动力学方程这些东西。然后 b 题的话是一个偏向于优化的一个题目， 他近些年的考点的话还是主要是偏向于可持续发展和社会科学的一个题目， 主要的用的方法的话就是我们的一个东北语言化，然后 d、 c、 d 题的话就是一个专门用来描述图论的一个题目，里面的话百分之百会考到的数据结构就是我们的一个图结构， 然后 f 体的话就是我们的政治经济学，也是我们一个偏向于刺客的一个内容。然后里面比较常用的模型的话就是政治经济学里面比较常用的模型，比如说 d、 i、 d， 然后的话我们的一个 固定效应啊这些东西，那么的话我们要拿到我们的一个 h 奖以上，我们大概的话只要能够打进百分之前三十就可以了，它的一个整体的一个获奖比例还是比较比较高的，相比于国赛而言的话，因为国赛的话我们要拿国奖的话，比例可能就就百分之 百分之二，百分之二左右，对不对？还可能还不到百分之二，但是的话整个美赛的话，你要拿到 m 加以上的话，它的一个概率的话是能够到百分之三十以上的，所以大家完全不用担心。 那么我们来详细介绍一下我们这样的几个题目到底要考哪些东西。 那么 a 题的话主要是解答的还是微分方程这一块，或者是说更加详细一点，动力学方程。那么近些年来 a 题的一个考点的话，基本上还是围绕着动力学去展开， 呃，像一些其他的东西，比如说像我们扩散方程啊，这些东西的话，其实不怎么考到，基本上的话就是在我们动力学，不管是我们的我们的生物环境，还是说我们这种呃自行车的功率，还是说我们这种磨损，这些东西的话，其实都是和我们的一个动力学相关的。 所以说的话如果说我们要去准备 a 题的话，那么的话我们的一个核心的点的话，其实应该放在我们的一个动力学上面来， 那么比较典型的话就是会考到一个 lot 卡方程， lot 卡的话基本上只要涉及到这种环境类的问题，或者是说呃跟环境这种沾边的，基本上的话每赛的话就会用到我们的那个 lot 卡方程， 这个 lot 卡方程的话在我们的 a 题、 b 题和 e 题里面是出现的频率非常高的，它这一个东西会涉及到三个考点。 lot 卡， 它的话是 logist 的， 它的话是 logist 的 一个扩展型，它的话主要的话是描述它的一个增长率的， 基本上的话也是可以呈现出一个 s 型曲线的一个特点，这个的话也是一个非常老的一个模型，已经是上个世纪提出来的，是美赛最喜欢考的模型之一，常见于 a、 b、 e 三道题。 那么其次的话，像数学建模比赛，近些年来喜欢考的一些比较新的内容的话，就是我们的一个贝爷斯用来做繁衍， 那贝耶斯相信大家都不陌生，那像这这个东西在哪些地方考过？在二零二四年国赛的 b 题，二零二五年国赛的 a 题，然后的话在二零 二四年美赛和国美赛的美赛的哪个是来着？二零幺四年，二零五二五年美赛里面也考过，然后的话同时的话研赛也考过。这个东西，现在的话贝耶斯的话相当于是一个现在这个就考考察的一个趋势，也就是说 他现在不光要求你会正着推过去，还要求你会反着推过来。因为为什么呢？我觉得可能是和我们的一个 ai 有 关， 因为 ai 的 话，他喜欢遇到这种问题的话，喜欢做模拟，而不喜欢去推它的概率，而做模拟的话，实际上他喜欢自己去设值，这样的话其实是很很缺乏积极性的。 所以说一般的时候的话，他可能是用来去仿仿 ai， 用我们的一个贝塞尔来仿 ai， 因为说实话我用 ai 测过非常多的题目， ai 非常非常不喜欢用概率分布去进行模，去 模拟一些东西，虽然他本身就是一个概率模型，但是他特别不喜欢用概率分布，他更多的时候会设置一些值或者设置一些常数， 而用概率分布用的非常非常的少。所以说的话，你可以看到我们近两年来各种各样的比赛考概率分布考的非常多，目前就这两年来已经考过的分布有二项分布，拨通分布、指数分布、 几何分布、正态分布，还有哪些？我想一下，去年啊，去年还考了一，去年有一个贝塔分布，呃，还有均匀分布， 然后还有啊对数正态分布，这个的话也是去年，去年的国赛和今年的美赛里面考过的对数正态，然后还有一个韦布尔分布。 其他的话应该就是这近两年来几个大的比赛里面考过的分布的话，基本上就有这些东西。 都说了。现在这个概率分布的话也是一个非常非常热门的一个考点，尤其是在我们偏数学的题目里面，以及在我们一些统计学的题目上面，这种常见分布是一个非常重要的一个考点。 那么第二个的话是我们那个 b 题， b 题的话它是一个也是关于一个优化的一个问题，那么用的最多的话其实是东边优化以及动力学， 那么你可以看到它现在 b 题的一个处出题的一个趋势的话，基本上也是和我们那个可持续发展相关的。比如说我们油货房制啊，对不对？ 什么水电呀，什么保护区呀，什么旅游保护啊，对不对？其实的话很多时候他考的东西的话也是和我们的可学发展相关的，然后的话主要的话也会涉及到一些生态的动力学模型，那么既然有生态动力学模型的话，那么基本上美声的话是离不开这个东西的，洛特卡，对不对？我刚刚说了， 那么其次的话，它里面还有一个是多目标优化，那么的话和我们国赛不同，国赛的话一般不考多目标优化，国赛一般只考我们那个单目标优化，用的比较多的就是我们 遗传魔力退火加智力咨询，对吧？然后的话每赛的话 b 题是喜欢考多目标优化，那么用到的方法的话基本上也很固定， n s g r， 而且一般来说的话，它的一个 b 题的话不会考的 太难，对你的模型要求太高，因为很多时候他的一个难点的话主要是在找数据上面，所以说基本上的话他对于你模型的一个限制没有那么高，就算就像我们之前复现一样，里面可能会有一些明显的，对吧？明显不合理的地方，但是的话， 呃，没有太大的一个影响啊，对吧？对人家评价好像没有什么太大的影响。所以说呢，其实 b 题的话在解析这一块的话是比较容易的，但是的话他的难点的话就是怎么能够找到 能够支撑你去解析的一个数据，你的一个数据来源是不是足够权威，是不是足够官方，那么我们就可以看到有一些同学的话，他们喜欢在什么地方去找数据。简书 c s d n， 知乎 就如这些类似于这种，对吧？这种博客平台，或者说一些贴吧里面这种非官方的一些数据源上面去找数据， 从而导致你整个解决方案的话，他的一个数据，对吧？他的一个基层就没有，就失去了的一个可信性， 那么是从数据上面都出了问题，从机器上面都出了问题，那么你后面的模型你建的再好又有什么用呢？所以说的话，这个的话就是很多同学喜欢遇到遇到一个问题，就是查资料总是喜欢在那一些，对吧？对于我们学术性的一些内容的话，总是喜欢在一些这种薄客平台上面去查资料， 这个的话是非常非常致命的。我们要保证我们的数据，我们的解决方案是足够权威，足够有效的，那么的话，而这些数据的话，它是每个人都可以去写的，它的话是没有 这种，对吧？没有权威的这种背景的，那你不能够保证你的数据是有效的。 那么 ct 就是 我们的一个数据题，数据题的话像往年的话其实考的比较杂，现在的话也开始慢慢的回归我们的一个统计了， 这个的话也是整个数学建模比赛的一个趋势，你可以看一看往年都喜欢考些什么东西，二零幺一一年的巨型狂风，这个的话它当年是考了一个 c b 的 一个题目，对吧？计算机视觉， 然后的话你们会涉及到一些，对吧？一些神经网络、深度的网络的这些理论，甚至还会考到扩散模型 这些比较新颖的一些东西。而往越往后面的话，你会发现他的一个模型是越来越简单，越来越回归传统，不会再考虑那些比较先进的一些东西。二零二二年这种量化的一个问题， 二三年这样的一个关于我们的一个，呃，应该是属于我们的一个自然元处理 nip 的 一个内容， 但是 nip 它没有考的太深，基本也不需要你去去用什么全息薄膜啊，用什么其他的东西去建模，它的话，基本上的话你去用一般的机器学习，它也是可以做的。然后第四第五的话，一个是网球动量效应，一个是我们奥运奖牌预测， 这两个的话就是一个类似于这种序列的一个模型，然后的话加上它的一个贝叶斯 去做繁衍。那么对于数据写的话，它的一个核心的话，现在是越来越回归统计上面的，而不是积极学习，越来越回归传统。那么对于传统问题的话，我们基本上要准备的点的话，就是我们一些比较基础性的 这种计算学模型或者统计学模型，比如说我们回归的现金回归，然后的话我们的决策树，对吧？ 然后我们多相似，多相似回归，然后的话我们的 gbt， 然后的话 random forest， 或者说那 gbt 整个算法族，对吧？里面还有什么擦街 boss 的， 什么那 gbm 什么开的 boss 的， 然后要分类模型的话，这个逻辑的，对吧？逻辑的回归，然后的话还有一个 svm 矩阵数，然后的话加上我们整个元素家族，对吧？ finn forest， 叉级 boss， gbt， 然后的话我们的来的基本 m 开的 boss， 诸如此类。 当然的话还有一些是比较更加传统的这种分类模型，比如说我们的朴素贝叶斯，那么第三个的话就是我们的一个时间训练，时间训练的话基本上考察的点也是那么几个，一个是我们的 lma， 对 吧？ 智慧会叉分移动模拟平均模型，然后的话还有我们的一个 lstm 长短是 gg 网络，然后的话可能对于我们多变量的话还可以用一个我们那个 one 向量智慧微， 那么的话，其实这个地方的话，我们也给大家去准备了那个今天一些比较常见的模型， 对吧？比较常用的 a m a s l t m， 然后 proper hat， 然后一个 one， 然后我们的一般回归现金回归，多向式回归，逐步回归拉索 s o m， 绝对数水就是零 g b d t 分 类逻辑回归 s o m， 绝对数水就是零 g b d t t， 然后剧类的话，目前用的最多的话就是我们一个 k means 和我们的一个 db scan， 所以说的话，其实你觉得这个它里面考的东西很杂，但是实际上的话，你把它归正一下的话，其实也就是那么些东西。如果说你要去准备某一个赛题的话，其实你所要准备的东西没有那么多， 那么第一题的话就是一个永恒不变的一个图论的一个题目了，图论加上我们的一个评价， 那么因为图的话，它本身的话像一些 python 包，比如说我们的 networks， 基本上你只要把图建出来之后，所有的图的一些算法的话，你都可以直接去用一个函数去实现，说实话它不可能只可能那么简单，不然的话你只要把图给建立出来了，那个题目你就解出来了，不管你用什么模型，它里面都要有一个函数去实现， 那么所以说的话，他怎么去增加你这样的一个建模的难度呢？他就喜欢把我们的这个图和我们的评价模型去靠起来。你要建图，你必须要有什么东西？要有节点和边，对不对？ 那么边要有什么东西，边是不是应该有权重？那我很简单，我不把这个边的权重给你，或者说把权重啊给你很多个指标，你不知道你选选哪个指标作为他的一个核心权重，你也不知道怎么把它综合起来。那么这个时候我怎么去确定边权呢？我就等于用评价模型，对吧？就会给他们打分。 它的核心的话就是要去量化我们的一个编权，原先的话我们只需要去把我们的节点和编识别出来，然后建立一个图就完事了。现在的话就需要你去自己去计算它的一个编了， 这个的话就是他目前喜欢考的一个点，尤其是像我们那个去年建的一个交通网络，那么我们一个交通，我们一个马路有什么？有它的一个长度，对吧？有车道的数量，车道的数量和长度这两东西决定了它这个地方能够容容纳多少辆车， 然后他的一个限速，限速的话决定他每个单时，每个单位时间内可以通过多少辆车，以及我们当一个节点失效的时候，比如说我们有基本上要维修，对吧？或者说什么像去年可能就是倒塌一个边失效了之后，那么他的一个流量应该怎么去分割？ 分割之后会对虾的编权，会对虾的编造成什么的影响？然后的话它整个是一个从静态到动态的一个过程，但是的核心的话仍然是围绕图去展开。好，那么我们来看一下一体一体的话，历年的话都是可持续发展的一个题目。 那么什么食物系统啊，什么碳烊，什么财产保险，什么龙帝，它的一个考法非常非常的多变， 因为我们可持续发展的话其实是一门课，对吧？它是一个很大的一个议题，它没有说专门的去针对某一个特定的领域 所说的话，这个东西是比较头疼的，但是的话里面一些比较典型的一些方法，呃，有我们的一个裸特卡。其次的话就是我们美赛最喜欢考的评价模型，评价模型的话基本上在美赛里面用的就是三个 i、 g、 p、 top、 cs 和商权法这么三个模型。 如果说你想把我们这个一体里面所有可能考的模型全都学一遍的话，那么的话可能就不太可能了，因为你可以可以看看到底是考些什么东西，像我们去年，去年什么玩意，不对，前年 保险里面都考精算，考你的精算这个东西，所以说的话它里面实际上实际上的专业非常非常的多，你很难去完全的准备好，但是的话我们可以把它经常考的一些东西，就是说 这些比较通用的模型给它准备好，像这些专用的模型的话，我们是没办法去一一准备的，我们只需要掌握好它通用模型，其他内容的话，我们到时候现去查文献，或者说现去用我们的 ai 的 话，呃，它的一个效率的话其实也很高， 而且非常节约，我们这个时间我们还是尽可能去把我们整体的一个基石去准备好，而我们其他的，对吧？这个东西的话，我们要去准备的话，它这个性价比实在太低了， 你总不能可能，对吧？还有这么几天的时间，还有十天的时间，你去把我们这么多的专业全部学一遍，这个的话不太现实，也没有那个必要。 那么 f d 的 话就是一个政治经济学的内容了，那么政治经济学这个东西的话，其实应该有相关专业同学，对吧？ 基本上你要用的那一个模型的话，就是政治经济学里面那几个 d i d， 对 吧？双重差分面板回归，然后我们的 还有什么来着？那个叫什么来着？那个结构方程 s e m， 然后的话用来去做我们的一个因果的，对吧？ 还有呃，固定效应，然后以及我们万年不变的这样的一个平价模型。而平价模型呢，我没有说过每三里面设计的平价模型就是基本上就三个， a h p、 top six 和双转法，然后的话常用组合就是 a h p 加双转法和 top six 加双转法。这个的话不管你怎么搞的话，选择这几个模型是不会出错的，如果说考平价问题的话，选择这几个模型是不会出错的。 除此之外呢，我们评价模型的话，还有一些其他的什么模糊中的评价，然后什么这种数据报告分析，什么字和笔灰色关联，这东西虽然说里面呃也有用到，但是的话你要去看具体场景，你不如这些东西通用的不如这些通用的模型，对不对？ 三权法加乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘 乘乘乘乘乘乘乘乘乘乘， 乱七八糟的什么都考一点，但是的话其实模型就是那么些，只是说换了一个场景而已。那么如果说要准备这样 f 题的话，最好还是有这么一点点的去准备一点点这样的一个政治经济学的一个内容， 这的话相当于说一些比较专业的一个领域。但是的话其实模型也我们也说过了 d i d， 然后的话我们的面板回归我们的结构方程 s e m， 然后还有一个是我们这个固定效应 政治经营协议用来用去的话，基本上就是这么东西，然后我让你去衡量一下，对吧？这个用这几个模型去衡量一下这个政策实施对于我们这样的一个东西有什么影响，这个影响是否显著就 ok 了。 好，那么我们来看一看各个位置的一个速成攻略，那么的话这个地方后面的话都是给大家附上这个超链接的，大家可以直接去拿着使用。 那么一般的时候我们在做数学建模的时候，还是会建议大家去用 python， 因为 ai 写 python 的 能力比较强，这个是确实是这样的，目前 ai， 呃， ai 拷定它的一个， 它的一个强项的话，基本上就体现在它的一个 python 和一个 js 上面，因为这两个东西它是开源的，而且的话生态非常丰富，所以说的话基本上我会如果说你是完全小白的话，我会建议你去用 python 来写，它的环境也比较比较好，安， 也不像 maclab 那 么一搞就是二十多个 g， 而且如果说大家不想去一个一个的去安纳第三方库的话，你可以直接去安装一个 l 空的，里面的话基本上就包含了我们这样数据建模里面一些比较常见的库， 比如说我们矩阵预算单派，然后的话我们表格，对吧？数据分析 panda， 我 们的科学计算三派，然后的话我们的统计学 this models， 然后我们的画图 maple 和 c 泵里面的话，已经完全集成了，你不需要再去重新下载。那么除了一些比较特殊的情况啊，比如说你对于 像我们一些素专的同学，或者说数学相关的同学的话，可能还是用 maclab 用的比较多，那么的话如果说你之前没有接触过 python， 你 之前一直用的是 maclab 的 话，那么的话你也没必要去为了这个东西去专门重新学学一门语言，你继续用你的 maclab 也也可以， 这个的话一定是按照自己的一个自身的一个情况来的，不要说对吧？为了追求某一个语言啊，又追求某一个工具，因为工具最后还是为我们人类服务的嘛，对不对？你最后还是要选择自己顺手的一个。 那 my lab 的 话，它主要是在它的一个稳定性和它的一个运行速度上面，它的一个运行速度的话是要比 python 要稍微快一些的，而且的话它不会有很多那种环境的问题，因为 python 的 话， 它的优点就是它的各种各样的库很多，那么缺点的话就是它的各种各样的库可能会有冲突问题，所以说的话 maclab 的 话，它的稳，它的胜呢？就是胜在稳定性，不会有各种各样的环境问题，对于我们这种完全没有搞过计算机同学来说的话，可能还是比较友好的， 因为你遇到的环境问题的话，你可能完全没有搞过计算机的话，可能完全不知道该怎么去修这个东西，它又不像我们这个程序保守它是环境问题。 然后的话我们可以去根据我们这样的一些算法去收集我们的代码包，去准备好我们自己的一个知识库，然后同时确保我们这些代码都可以正常运行，不要到时候我们到了美赛的时候再去 再去搞，结果呢发现啊，你这个当你本地的一个环境出了问题，你这些有些算法你是不能运行的，然后呢到时候去现场修环境，那么你就非常浪费时间说提前把我们常见的算法去准备好，常见的算法的代码包准备好，去一个一个测一遍， 看你到底有没有哪些问题，能不能够跑得通，跑得通的话就没有什么问题，当然的话我们这地方的话也可以去借助 ai 来帮我们完成，对不对？我们可以去告诉他，你需要准备 ai 去， 你需要准备 mcmic 竞赛，作为编程手，你要了解常见的比如说优化算法，或者说统计算法，或者说怎么预测算法，或者说具体分析算法，然后的话以及对应的 api 实现 api 的 话就它的一个编程的接口嘛，然后给它详细的算法，应用场景，适用条件， api 说明，代码视力说明，然后的话整理出来，整理成我们一个讲义的形式， 然后的话我们就知道哦，有一些 lp， lp 的 话可以在我们一个包叫做零 pro， 然后约束是什么？ x 一 加 x 大 于等于十，哦，计算于负 x 一 减 x 二小于等于负十，对不对？哦？那就是系数是负一，系数是负一，结果是负十，这个是我们那个标准形式，要化为我们那个标准形式，标准形式的话是小于等于的形式，然后约束公式二 x 一 加一 x 二，对吧？小于等于的形式， 然后约束公式二 x 一 加一 x 二，对吧？小于等于的十六，那么就是二一，然后一个十六， 那么的话这个的话就是我们的一个，我们的一个矩阵就定义完毕了，然后我们就直接调一个库，对吧？把这个函数给调用进来，把我们这些约束条件，我们的目标函数全部都传入进去，然后我们就可以完成一个求结了， 然后还有包括我们各种各样数学题目比赛里面最常见的一类这个混合整数陷阱规划，对吧？ m a l p， 哦，要用这个包 p o l p 这个包，然后的话你去完成这样的一个实线， 然后什么约束规划呀，对吧？突优化呀，然后连续非限性优化，然后我们非限性最小而成，对吧？图，网络背包，然后我们插帧净化，然后的话模拟退火， 地方是给了一个文档，然后 ga 啊，这个地方也是给了一个文档，还没有给出具体的代码性，然后我们那个拍末 n s g r 也在拍末里面， 然后哪些东西是我们翻车点，然后的话我们怎么把它写成约束，然后我们验证一下我们是不是真的能够解得好，它会，对吧？全部都给你输出来， 所以说的话这个东西来这个地方就有世界代码了，所以说的话来辅助我们学习的话，整体的一个效率还是非常高的， 比起我们自己去一步一步的学的话，它的一个效率肯定是可以成倍的提高，我们不要去抗拒新工具的使用，对吧？我们要学会把新工具用的熟练，然后的话去加快自己的一个效率。 那么对于剑魔手而言呢？剑魔手就是整个团队的大脑，对于剑魔手而言的话，你必须要熟悉我们常用的模型，熟悉他们常用的场景，然后并且能够有拍板的一个能力，对不对？你要能够确定下来我这个场景里面什么样的模型就是最适合的， 我们这个队伍大的方向是什么？我们必须要朝着这个大的方向走，你也必须要作为我们团队大脑的一个身份，然后的话去推动整个团队前进。那么对于我们数学建模而言的话，常用的算法，常用的算法就是这么四类， 基于分析、运筹、优化去梳理、统计和评价，那么的话，这地方的话，我们前面的话也给大家去展示过这个流程图了，对不对？我们常用的哪些算法？ 那么对于我们很多同学来说的话，那么学习这个东西，学习这个 模型去看公式，实际上是非常枯燥无味的，而且很多时候的话，你对于一个背三而言的话，你并不需要去把公式的原理给它扣清楚，你只需要知道它这个模型应该用在哪些地方就可以了？那么比较典型的我们也可以用我们的 ai 去辅助我们， 比如说我们可以用那个 labkin， 那 么 labkin 的 话它就可以，我们怎么去用呢？我们可以首先的话我们去用我们的 gmail 呀，或者说用我们的 gpt 啊，去让它去给你规整出一套。呃，这样的一个模型， 它是用在哪地方的？然后让它用非数学的新的语言给你描述出来，然后你就把这一段语言，然后的话你直接扔给 labkin， 然后的话它就可以去给你生成出一些小卡片， 对不对？比如说什么是正在分布呀？然后我们怎么去分类啊？嗯， 那的话大概的话就是这么样一个效果，对不对？比如说我们的 a h p 每赛里面出现频率最高的一个模型，我们要干嘛？首先的话写清目标，加备选项，然后列出我最在乎的三到五个标准，然后标准之间两两对比算出权重，然后每个方案按照标准 表现评分自动汇总得到排名 啊，在这个地方对不对？然后比如说什么是吉拉斯坦估计啊？哦，我们要通过我们观察到的数据。嗯， 它这个的话是国内访问，国内访问比较慢，它这个是外网的，不挂贴纸也可以访问，但是的话访问速度比较受限， 大概的话就是这么一个效果，可以，你可以让 jimmy 呀这些东西用，让他去用非数学性的语言，用讲故事的语言把你让，让他把一个模型给他，给你讲清楚。 今天这个网是这么慢吗？这谁偷我网呢？这是 好，让他先深层一会吧，这平常按道理来说的话，平常都是秒出的，今天这是发生什么事情了？这是网被偷了 对吧？我们要把一团乱麻的复杂问题拆分成一个一个简单的二选一的小问题，然后的话通过像洋葱一样怎么分析基于内心的真实偏好，哪个选手是这样赢家？ 然后比如说我们要去搭建一个金字塔对不对？然后去擂台侧对比较，然后的话加权。 我们的目的就是让我们把我觉得这种模糊的感觉变成清晰的结构，然后的话不忽略主观喜好，如实的计算对于这种结果的影响。比如说把我们的主观变得客观，然后如果团队有错的话，可以分头给权重，最好算平均值，避免吵架。 通过这些方式的话，我们就可以很清楚明了的去把我们这样一些难搞的数学公式，然后的话变成我们比较生动的语言， 但的话我们也不能够只懂原理，我们完全没有实战经验对不对？我们可以去通过我们这样的一些教材啊，对吧？这这个是非常经典的一本书，可以通过里面的这些教材，然后的话去干嘛呢？去做一做里面的题目， 看看我们学会了之后到底能不能够把它给用出来，到底能不能把它用的好。我们需要用实战来进行演练， 然后的话当然我们演练的话也不能够只靠我们自己，我们需要我们三个人来进行协调， 因为你一个人效率高，并不能代表你在美赛里面就可以取得非常好的成绩，我们最后的话我们还是要三个人协同去完成的，当然的话，如果说你能够去单刷的话，那么要当我没说，对吧？单刷的话你应该也不需要来看这个课了， 那么对于我们团队大脑来说的话，你必须要保证，对吧？保持你的一个思维是活跃的，如果说你没有办法去保持你的思维活跃的话，那么你就一定要把工具给用好，确保你能够把握整个团队的一个效率。 那么对于论文而言的话，其实除了写作之外，还有一个非常非常重要的点是画图。虽然说数据格式化是应该由编程手去完成，但是的话 里面我们知道美册里面除了数据格式化还有很多其他东西，比如说我们 ourwork， 对 吧？很多流程图、框架图、示意图这些东西。 而且对于诺言来说的话，你提交的就是你们整个队伍的一个脸面，如果说你的这样的一个排版非常乱，然后的话，你让你的这种图标非常不专业的话，那么基本上你的一个内容的话，对于屏幕来说就完全没有任何吸引力了，因为他根本就不会去细看，他在我们的第一关就把你给 pass 掉了，因为他对你的印象实在太差了， 这个是大家非常要注意的点，至少说你的一个排版看起来不那么乱，至少要要工整一点，不是说你要排的多么的好，多么的专业，至少说你的一个基本项还是要保持的。那么我看到的话啊，就目前我们带过的这些队伍里面有一些非常典型的一些问题， 图表字体不统一、大小不统一、样式不统一， 这个是我们遇到的队伍里面非常常见的一种现象，我们为什么一直强调大家要去用模板去写作呢？因为你用模板刷了之后，你可以强制的保证他们的样式是一样的， 但是如果说你自己去一个一个的调格式的话，你要到时候你有的大，有的小，很乱很乱，让人看着之后第一印象非常非常的差。所以说的话还是不建议大家自己去一个一个的去调格式，尽可能的去用模板去刷格式，保证你的文的样式是一样的， 否则你做的再好，你的模型建立的再完美，你的这个第一关就没过去，那都没有什么用。 那么对于一个论文而言的话，你不能说你只会排版就完事了，你还要去写作呀？你写作的话，你如果说你完全不懂这些东西的话，那你写的出来吗？你不能够完全指望着去复制粘贴吧， 也不能够完全百分之百的去抄 ai 吧，这个东西的话你必须要有带有一些自己的一些理解，否则的话你的这样一个论文那个拼凑痕迹是非常重的， 而且这个东西的话是很容易看出来的，至少说我们拿到一篇这种拼凑痕迹比较明显的论文的话，我们可以很明显的看出来你哪些东西不是你自己写的，和你的这个文风完全不统一。 所以说的话，你一定要把自己的一个这样的一个写作的一个专业性给提起来，当然怎么提的话，我后面的话也会给大家列出一个工具，然后最后的话，我们这一段时间的话，就是尽可能的去协同，尽可能的去合作，尽可能的去加快我们整个团队这个效率。 那么我们数学建模比赛里面会涉及到哪一些软件呢？那么除了我们编程用的 python lab 对 不对？还有的话就是我们的 alaconda 和拍唱或者是我们 vs code 的， 那么 alaconda 的 话就是用来就是一个环境管理的一个东西，它的话自带了一些数据科学的环境，可以去帮助我们，可以包含我们大部分数学建模比赛里面的一些算法 来加快我们的效率。拍像和 vs 刻的话就是写代码的一个工具，那么一般的话，我们追求轻量化的话，我们还是用 vs 刻的用的比较多一点，拍像的话可能相对于而言会更专一点，更适合于用工程环境一点。 然后的话，一般的情况下我们用 g 拍的环节，那么 g 拍的话也是按照 ctrl 自带的，他的话就可以，你他的话就可以让你写多少，对吧？有有一边写边测试，边写边测试，而不是说你一次把一道题全部写出来，到后到时候啊改一改，全部都要改， 那么就很麻烦。所以说我们一般的时候会建议大家去用我们那个主拍的环境去完成。那么我们一般的绘图软件的话，那么 visa 的 话，我相信大家应该都是用过的，这个学校的话应该也会教，对不对？ 其次的话 ppt 也是我们一个常用的一个绘图的一个工具，那么的话之前的话，比如说我们一些环状图啊，其实用 ppt 绘制还是比较方便的，我来找一找。 嗯，应该不是这一门， 应该是第三个吧， 比如说一些环状图啊，对不对？这种类型的图片用 ppt 绘的话还是其实还是比较方便的， 无非就是给它加一个什么设限渐变嘛，对不对？然后把大家都给调整，然后到环状文字的话， ppt 里面也有自带的，这个的话就没有什么 挺方便的，只要说你用的比较熟的话，就没有什么太大问题。然后 wechat on 的 话，这种东西的话，它是一个在线网站，它里面的话也是有比较多的一些素材，来找一找 wechat on 在 每个点 wechat on 对 吧，里面的话其实也有非常多的一些素材， 它里面可以绘制的图还是挺多的，各种各样的都有。 再然后的话就是我们的一个 auto cad， cad 的 话这个应该学功课的同学的话都会接触到，对不对？可以画一些这种示意图啊，尽力图啊，特别是几何这一块的东西， 用 cad 的 话应该可以非常方便的进行模拟，而且的话你可以去把它的一个比例给它还原出来。然后的话还有一个的话是我们的一个飞格桌 里面，头面给我们提供了非常多的绘图模板，但是的话它主要的话还是面向于生物科学的，里面有些内容的话我们可以拿来套，但是的话有些内容的话我们不好直接套， 比如说这种我们去掏一些可持续发展的话，可能就没有什么问题，对不对？然后这个的话我们可能要去换一换他的一些样式和底色，然后这个的话我们倒是可以直接拿来用，只是说要把这个，对吧？这些东西换一换就可以用 里面的内容的话其实还是挺多的。 还有个的话就是我们的一个意图图示，那么的话这个意图图示的话我相信大家都已经非常熟悉了，那么比如说我们前面去复现的这项一些 我们之前去复现的一些论文，那里面那些图片就是 overwork 那 一部分的话都是用意图图示去做还原，或者是用 ppt 去做还原。但我觉得意图图示可能要更好用一点， 因为里面的话给我们提供非常多的模板和样式，我们可以直接拿来去套，然后的话 ppt 的 话可能很多东西，很多形状的话要自己去剪，所以说我们尽可能的去加快一下我们的一个， 加快一下我们的一个效率，这个是一个七零五 啊，比如说这个是我们的一个 f 题的， 那么写作软件的话，基本上呢它就是我们那个 lo word 和 laxt， 那 么 laxt 的 话我们一般都会用我们 laxt 加 vs code 的 一个形式。那么前面我们不是给大家展示那个有一个自动排版的吗？里面其实是同样的可以去拍了，我们的一个 laxt 应该在我们啊在这个地方扣子，当然的话这个的话也是基于我们美赛的一个模板，不因为我们 不然的话到时候环境冲突的话会麻，很麻烦。所以说的话，你首先的话要把我们那个美赛的模板和我们他那个模板文件给它传入进去，然后的话再去让他去做生成， 这样的话它里面生成出来的文件的话就可以去完全的去符合我们模板的一个内容， 然后最后的话就会给我们生成出来一份 text 文件，然后我们直接把 text 文件去替换掉我们原来的文件就可以了，还是非常方便的。 那么对于我们 ai 工具的话，那么我们比较头疼的查文献，查文献的话有我们的星火科研助手里面我给看暗度了，我们可以去搜，对吧？可以去搜我们的文献， 然后还可以去生成我们的中数。那么其实美赛的话里面有一个小节的话，是用来写我们的中数的，就是我们那个 layer feature view 那 一个部分， 嗯 啊，这是解锁历史中数列表这个地方， 对吧？它里面的话是可以给我们去生产钟数的，我们可以去根据我们这样的一个比赛里面的一个情况，然后的话去看看我们到底用哪些文献来辅助。 那么除此之外的话还包括我们什么深度研修啊，对不对？比如说我们要研究哪个主题，当然话这个的话一般在美赛里面可能还是不怎么用的到，以及我们论文研读啊，对不对？我们这个论文讲的什么东西？但是我看这个论文研读的功能的话，我感觉还是不如这个网站好。 然后包括我们翻译，当然翻译的话里面有限制，它里面的翻译的话是有，对吧？两千个字母的限制，每次的话只有两千个字母，所以说基本上我们写完一个小节之后，我们就要去翻译一个小节了， 然后包括我们的一个润色，我们怎么让他去更加学术化一点，怎么让他看起来，对吧？高级一点，怎么符合英语的一个说话习惯，我们可以通过这样的一个学术润色的一个功能， 那比如说我们来随便审一篇论文吧， 那么比如说我们前面有的同学，对吧？自己写了论文之后，不知道自己写的怎么样，就可以通过这样的一个审校的一个功能 来看看，对吧？自己到底有哪些缺陷？看看大家我们这个团队有哪些内容是没有考虑到的，就可以通过对吧？这样的一个 ai 评选的这样的一个功能来帮助我们提高整个团队的一个水平。这么慢， 今天这个网络真的不对劲， 好，终于上传出上来了啊，这样一篇论文是干到一个什么东西？ id， 哦，老朋友了， 好，优点是哪些缺点呢？模型假设较为理想化，数据预处理细节不足，对不对？模型验证和比较不充分，缺乏与其他基建模型的对比分析， 无法全面评估所提模型的相对优越性。对模型局限性讨论不足，对吧？没有存在扩力、扩力和问题以及泛化能力的讨论 符号和公式没有解释得清楚，对吧？ apple shell i 的 具体含义未作详细说明，参考文献引用不规范 对不对？然后改进了建议综合评分。哇，欧奖论文三点五分刚刚集合，所以说的话，这个竞赛论文和我们的学术论文，对吧？看看这个差距还是挺大的，因为欧奖论文的话在我们这里也就是刚刚过几何线的一个水平。 然后其次的话就是我们那个 s c s pace， s c s pace 的 话，这个动画应该之前有跟过我们国赛的同学的话应该知道， 他的话只需要你，比如说你这个地方用的很，用了很多 ai， 结果你完全没有查文献，到时候你要交的时候发现你没有文献，那么的话怎么办？你直接把你的一个专利给它上传上去， 那么的话他就会根据你的个专利内容，或者是说根据你所提的内容去寻找对应的文献，同时的话生成一篇类似于中数的这样一个东西， 然后后面的话就会附上它的一个参考文献，而且的话它里面还可以去做一个分类， 对不对？ d p 模型 rostop 文件优化，然后的话 rcf 质量控制对吧？不是质量控制，生产质量，制造质量啊，系统上面的生产质量有个问题， powermad 生产质量问题， scholar 生产质量问题，质量控制， 对吧？有模型也有我们的来源，这个的话都很明确的， 这样的话也可以避免我们这样的一些 ai 去胡编乱造一些文献。 当然的话这些我们也给大家提到过扣子那个智能体 这个又改版了， 这个里面的话就可以根据我们这样的一篇，我们直接把我们的一个赛题给上传上去， 把它的赛题上传上去之后，它就会直接根据我们这样的一些内容，然后的话去对应的去查找文献，去查找我们的一个解决方案，对不对？后面的话也会附上我们的一个文献 啊，这个还是比较少的，这个的话是因为它里面的话在原文里面是给我们提供了一些文件，所以的话比较少。之前我们测过的那个 a t 的 话，它后面附的文件还是比较多的， 那么阿密的话就是我们之前说过的我们这个东西的话，如果说我们要去做我们的一个问答的话，那么的话我们就可以通过我们这样阿密的去来做我们的一个交互， 他会告诉你这个东西哈，我还研究了一个什么样内容，然后的话按那个论文概要，然后的话可以问一问他这个里面到底用的什么东西啊？这个的话就可以加快我们读文献的一个过程， 比如说我这地方提问模型一部分用的哪些方法解决哪些问题，他就告诉我们哦， 首先抽向我们的交通网络，然后的话用双旋法确定我们的边权，然后用流量平衡方程模拟我们的一个桥梁的倒塌，最后用我们的这样的迪迦斯克拉算法去分析他的一个最短路， 然后用 a a d t 去分析它的一个交通流的一个变化，这样的话就可以非常快的，对吧？快速的去过一篇论文，省得我们还要一个的去翻，一个去读，到时候又浪费时间，然后的话还不一定读的明白。 当然的话我们也可以让他去给出我们的一些思路，它里面的话其实是类似的我们一个 glm 模型所制服的一个模型，对不对？ 它里面集成了我们制图的模型，然后你可以让他去给你一些这种解决的思路，那么的话一般的还有这种学术专用型的 ai 的 话，他一般给的内容还是偏向于学术性一点的。 那么对于我们编程的话，我们也可以直接让我们的一个 gpt 去帮助我们去编程，让他直接给出我们的一个代码，然后我们直接把代码去跑就可以了。 然后同样的我们的一个 ai 的 话，它里面也有一个画图的一个功能，嗯，这地方好像 ppt 没更新， 那么的话这地方的话一个是我们那个 infamend 的， 一个是我们那个 sora， 这个的话我之前我前面还加了一个 banana 的， 就是我们那个 juma 的 juma 里的，那么 infamend 是 里面可以去有一个科研汇总的过程，哎， 但是问题的话就是它那个中文不太油耗，所以说一般的中文的图片的话，一般还是用我们的一个呃节目来说画，但是的话我们美赛的英文的话可以考虑用我们的 infamend， 那 个有点太卡了吧。今天 so 的 话是我们的一个 gpt 里面的一个模型，然后的话它里面同样的也可以用 gpt 来画图，然后我们也可以去用我们的 啊接下来来画图，那么接下来的话我就帮自己来演示吧。比如说我们把我们的论文上传给他，然后告诉他我们到底应该要怎么画图， 对吧？我们把我们的一个问题上传给他，然后问他，让他去帮我们设计 t 的 十，然后的话去让他去给我们生成对应的 t 的 十，我们就会把 t 的 十直接复制到我们的积木栏里面来，然后的话让他去帮我们去生成对应的图片， 那么的话我们可以来测一测，看看他在这个地方画出来的东西到底是怎么样的。 这个是不是题词有点简单呢？ 等一下我们换一个题，他的一个内容比较丰富一点的。 好，他终于出来了，大概的话，画出来的话又是一个这样的一个效果，虽然说题词是很少，但是的话画出来内容的话还是没有什么太大的问题，对吧？内容还是比较丰富的， 而且图标的话基本上也是和我们这样的一个它的一个文本的内容是比较匹配的，比如说钱啊，对不啦？ 十亿人民币的知识，然后的话就应该是一个金币的一个图标，然后的话我们这样的一个 teach teaching innovation 科技研究啊，它是一个芯片的一个图标。然后第二个是我们 talent development， uh talent development and edu education， 人才发展与教育，它的话就是一个这样的一个学时髦，对吧？然后 infrastructure and economy， growth， 基础设施与经济增长，它又是一个这样的一个桥梁，对吧？这个的话都是很匹配的。 然后下面的话一个环路数据分析啊，这两个可能好像还有点啊，啊，没有重复，没有什么问题。 data analytics， monitor， policy， adjustment， 政策适应， resource relocation 啊，这个的话可能它下面中间这一块的话有点问题，它的话就会有一点重复，是不是有点重复？ 但是的话整体的话，它的一个出错率的话，在我们的一个美观性以及它的一个错率上面的话应该是比较低的， 基本上的话它画出来图的话，基本上可以直接用到我们的一个论文里面来，没有什么太大的问题。现在的一个 ai 深图这个技术的话，还是相对而言的话是比较成熟的， 好，出来了。然后的话，首先的话是数据和处理，有我们的 world bank 啊，世界银行的数据 top， 五百超算的数据， open， alex， 学术数据， patent families， 然后的话， github， activity， gorms， index， 政府指数，然后问题，我们的一个指标系统与我们的一个指标系统里的构建， 那问题二，我们的一个 a c i 的 一个评价和我们二零二五年的一个排名，然后问题三，我们的一个预测，二零二四啊。问题四，政策优化来最大化，我们中国的 a c i 在 二零三五年， 然后这地方还给了一行小字， policy in size 与反 microsoft and scanners， 政策洞察重新来，政策洞察的重新定义，我们的一个 什么场景，对吧？坏了，太久没背单词了啊，不过反正总体来说的话，他的一个生图，对吧？这样一个风格的话，风格风格还是样式的话，基本上还是比较美观的，可能比我们很多同学他的一个画图水平都要好一点，对吧？ 所以说的话，这个的话也是我们的一个画图的一个方案，大家也可以拿去用。 那么还有一个比较麻烦的是我们数据网站，那么数据网站的话，我们这地方也给大家准备好了，这里有吗？有这么多的数据网站， 包括我们美团里面最常用的就是我们什么东西呢？世界银行， 嗯，我的世纪银行都跑哪去了？他这个最近，最近浏览器都是罢工了嘛， 改的内容他也没没存进去，我的计算夹还没了。 这个地方的话给大家就总结出来了，我们地方的话比较常见一些数据，这的话都是一些偏比较官方的数据，就不会像我们有的同学，对吧？用什么简书啊，什么知乎什么这种东西到处去找数据员，结果找到了数据的话，他又不是官方的 结果，人家也导致你的一个论文不可信，你做的再好，有一个数据员从根本上就错了，那，那就那不就完蛋吗？ 把世界银行的一个公开数据，这个的话是我们美赞里面比较常用的一些数据网站，然后还有包括我们什么卡购啊，对不对？这个的话相信计算机的同学应该不陌生， 那么这地方的话也是把它给大家，把所有的超链接都练好了，大家可以直接链接给跳过去， 当然的话现在的一个 ai 的 话也能够去帮我们去找一些数据，你只需要去干嘛呢？你只需要把它的一个 网页搜索的一个功能给它打开就可以了， 你就可以让它根据题目的内容去帮你去整理一些文件出来，所以说的话，现在的话，对吧？干什么都很方便，只要说你会用这些工具的话， 那么对于我们一些比较喜欢这种古法解题的同学来说的话，对吧？我还是有的时候还是喜欢自己一个人搞搞题目 啊，有的时候但是一个人有的时候搞不过来，因为现在毕业了嘛，有的时候可能无聊的时候可能去单刷一下，但是现在毕业的话没有队友，有的时候而且还要上班，所以说的话时间很紧， 时间很紧的话，有的时候画图的话就不是很想去画，特别是像 python 的 话，它 maclab 现在的一个画图的一个，它原生画图的话就是不去做什么样式修改的话，它的那个图有点看不上，所以说的话我有的时候为了图方便的话，我就会去找一些数据网站， 因为实在不想在我们画图上面花费太多的功夫，因为解析已经够头疼了，还要去花时间挑图的样式，也不想去写 r 语言更麻烦，所以说的话就直接用我们的数据网站直接一一次性搞定， 那么的话这三个的话都是集成了 r 语言的一些网站，它的话是用 r 语言来画图，它里面的出的图的效果是非常好的，只需要你把数据上传上去，它就可以帮你出图。 那么比方我们典型的看看我们相关性的矩阵，我们一般做 p 小 卷四 p 尔曼的，我们是不是都画的方框，他的话就可以帮我们出一些其他的东西，比如说我们的圆块，然后下面的话我们一些字， 当然的话我们也可以去给它调一调，对吧？我们可以用换成四 p 尔曼，然后我们还可以用换成什么，还可以选择椭圆，对吧？ 可以显示我们的饼图，可以显示我们的方框，各种各样的， 这个樱花纹还是太丑了，那么椭圆的话就可以表示它们之间相关性的一个方向，是正相关还是负相关。 那么 cs， nova 它也是一样的，来看一下它应该在我们的一个， 对吧？这个里面的话也有非常多的一些图， 非常省事，省得我们自己去写代码，去一个调乱七八糟的格式里面都已经帮我们集成好了， 毕竟现在 a 有 ai 里面 ai 画的有些图的话，我也是有点看不上的，如果说他画个数据格式化的话，我也不想花很多时间去调那个提示词，太麻烦了，要一个一个的调，所以说干脆就用我们的一个在线网站已经给我生成好了，省事 上，毕竟上传，对吧？打开一个网站上传数据，这样的一个时间的话，比我自己挑战码这样的一个时间还是少多了， 里面基本上什么图都有， 然后包括我们这个 high pro 的 也是一样的，也是我们的一个二元 p c a 生成分析，然后的话我们的各种各样的分析的图，什么热图，什么相关性热图啊，乱七八糟的全部都有， 第一次呢是用 map 这些我们比较常用的 p c a 对 吧？有了这些网站之后，我们这样的一个 效率就可以提高了，然后的话省的我们，嗯啊， 省得我们头上自己写代码，对不对？能用工具就用工具，不要重复的造轮子对吧？这个东西 好，那么其他的话，像我们之前给大家说过我们的 weisson， figuero s c i 这些东西，然后包括我们用 sora 去生成图片，然后的话导入我们的 dob library 里面去进行编辑，或者是说我们用我们的 那的 banana， 也是我们 jama 去生图，然后再用我们的一个 lobe illustrator 去进行编辑也可以，但是一般的话应该不需要编辑吧？就像我们刚刚给大家看过的一样，它生图的一个质量还是比较高的，基本上不需要我们再怎么去修改，基本上去应付一个美赛的话，还是没有什么问题的，对不对？ 那么对于我们那个整体的时间安排的话，那么的话我们比赛的话在我们那个早上六点钟开始，那的话我们拿到赛题之后三个人就要去干嘛？齐心协力的去找文献，找资料，去确定选择题，确定我们的大方向， 我们到底应该走哪些方向？不管你们是用 ai 也好，还是说你们自己手动去查也好，最开始的话肯定是三个人一起把整个思路给它统一掉的，不要觉得这个统一思路之后，对吧？去搞这些思路会浪费你的一个时间， 因为我们写作的时候越复杂的项目就越要去达成共识，然后的话收敛我们的要素，我们达成共识比我们先干不一定会花花费更多的时间， 因为我们达成共识之后，我们后期的话分歧就会越来越少，同时的话也能够让我们整体的一个思路更加的稳定，对吧？ 当然我们不能够在这上面去浪费太多太多的时间，因为我们这个是有时间限制的，对吧？我们只有四天的时间，比我们国泰多一点四天的时间，那么的话基本上我们第一天的上午的话，那我们拿到题目开始 第一天上午的话，我们就要去大概的去明白我们到底应该用哪些模型了，到底应该去 走哪个大方向，然后下午的话基本上我们的一个步骤就要出来了，然后的话我们编程和论文的话就同步进行推进编程，把我们论文的框架给搭出来，然后的话等到我们的论文手跑出了结果就直接填填直就可以了， 然后差不多到晚上的时候的话，就可以去大概的去完成我们第一问的一个写作。然后一般的情况下，我们第一天的话是不建议大家去熬夜的，因为我们四天的时间它是一个拉力赛，对吧？它是一个马拉松， 你在前面花费的精力过多的话，那么你后面可能会影响你的一个效率。我们要保证我们四天的时间每天都可以去高负荷，高负荷运转，不能够因为我们第一某一天而影响到后面那个效率，当然除非说你是干地，那么的话就当我没说。 然后第二天的话，基本上我们来到之后的话也不用起的太早，毕竟我们第一天是六点钟开始嘛，我第二天的话也不用起太早，就像我平时上学一样，对吧？早拔就可以了。然后的话我们继续完成我们的第一问，然后的话准备开始我们的第二问， 那么有了第一问的结论之后，你对于整个题目的一个理解的话，应该会上升一个台阶。所以说的话在上午的时候，虽然说你花的时间比第一天要少，但是的话你在第二天上午的话，基本上也可以把第二问的一个大概思路给弄出来了，然后基本上你第二天的话就可以去 完成我们第二问的一个模型建立了，然后的话根据他的一个结果的话去不断调整优化你的一个内容，因为很多时候你跑出来的结果的话并不一定能够满意。 在很多时候的话，我们第一次见模的时候，我们总会我们的一个结果总会和我们的一个想象是有一点出入的，那么他这个时候你就要去慢慢的去优化迭代的一个过程呢，看看内容里面到底有哪些东西是没有考虑到的，或者说有哪些东西是考虑的太复杂的可以简化掉的， 然后的话去不断的去迭代和修改，然后的话到了晚上的时候差不多的话就能够 拿到我们问题二的一个初稿以及他的一个结果。那么的话第二天的话同样的话不建议大家去熬夜，那么的话基本上建议大家，对吧？十二点多之前睡觉一天奋斗个在早八到晚十二，对吧？十六个小时差不多了， 当然的话现在这个工具这么发达的一个情况的话，一天的话应该是用不到十六个小时的，我觉得一天可能啊十个小时都已经很多了。 那么第三天的话他的一个整体安排实际上是差不多的，但是的话我们基本上第三天的话，我们的一个整个题目的调解都已经要完成了。然后的话下面的话就是灵敏度分析这个部分了，对于每一次而言的话，灵敏度分析是非常非常非常重要的一个板块， 如果说你这个灵敏度飞行做的不好的话，那么很容易就直接降档，因为美赛一般的话都是面向于他的一个现实问题， 那么面向现实问题的话，它里面就会有非常多的不确定性，那么你怎么证明你这个模型是能够用的呢？你怎么证明你这个模型是稳定的呢？那你就只能够通过我们灵敏度分析的方法了，那么现在的现在主要的灵敏度分析的话，基本上也就是说改改参数啊， 然后或者是用什么蒙特卡洛进行模拟啊，看看他们之间那个变化到底是什么样的，整体的难度不是很高，但是的话我们的一个灵敏度分析一定要复图，一定要有图，只有表不行，必须要有图。 所以说为什么总是说美赛是一个跨国大赛，因为它里面对图的一个要求非常高，同时到了最后一天的话，我们不要去 卡点提交，因为美赛那个网站的话是非常拉垮的，如果说你到时候卡点的话很容易容易交交不上去，一般的话建议大家提前两个小时提交，为了避免他那个网站过于拉垮，对吧？然后的话给自己保一个底， 然后交上去之后的话就不要再去修改了，不是说不要修改，不是说我不要修改你论文，只是说修改不要去重复提交，因为它本身的话那个东西就很拉垮，你重复提交的话，你指不定你能够出什么 bug， 所以 说话基本上你交一次就行了，它那里面也没有什么邮件确认的这种功能，就是整个网站还是优化需要优化的比较多， 反正就是至少给自己预留两个小时的时间，不要去卡点提交，然后的话提前两小时把它交上去，然后的话你就可以去休息了。 那么对于我们整个论文的一个编辑和翻译的话，目前我们最好的翻译软件的话还是 d p l， 因为它它里面可以选择你的专业领域的话去去做翻译，但是 d p l 的 话它里面有这种地区的限制，而且的话 翻译文档用需要氪金，所以说的话我们之前的话就可以，我们之前的话就给大家去看过，对吧？星火科研它里面的话也支持这样的一个翻译的一个功能，学术翻译对不对？ 只是说它里面的一个这样的一个文本是有限制的，所以说的话建议大家都是写完一个小结就去翻译一个小结，随时翻译，随时随时，那个 大家的话记得给自己留一版中文的底稿，对吧？然后的话后面的话如果说我们要修改的话，那么的话不至于到时候自己都看不懂自己的论文，不知道自己要改哪里对不对？有一版中文稿有留一版，有一版英文稿，最后提交英文稿， 要修改的话要先改中文稿，然后再把修改的那一部分重新翻一遍，然后再到英文稿上面去。同时的话我们之前也给大家看过我们的这样的一个润色呀，审教啊，预审啊这些功能， 所以说的话我们在写完之后，我们是可以去反复的去根据它里面的一个评选意见来打磨我们的一个论文的， 尽可能的让我们的论文的一个考虑的更多，更加的完善，不要让人家挑出毛病，毕竟也不是只有你会用 ai， 人家也是会用 ai 的， 对吧？评文也是会用 ai 的， 就是说可能有的有的评委他甚至可能是懒，直接懒得用 ai 来看你的论文，直接大概的瞄一眼就过去了，但是的话为了避免这种情况，对吧？ 我们也可以提前用 ai 来帮我们审校一下我们的一个论文，尽可能的让我们的整篇论文更加的专业化，更加的学术化，更加的 有这种可执行性。好，那么我们的一个分享的话就到此结束，所有的资料的话，大家都可以看评论区置顶进行领取，然后的话希望大家可以在我们的美赛里面取得好的成绩。

好的，小伙伴们，大家好，接下来我们讲 c 题哈，大部分同学呢，我看了一下后台的选择题数据哈，大部分同学都会选择这个 c 题哈， c 题的话呢，怎么说呢，你选这个没问题啊，同学们，我告诉大家哈，你选 c 题没问题，但是你必须要有创新啊，因为大部分的同学都在选这个 c 题，目前 c 题比例已经达到了恐怖的百分之四十哈， a 题百分之三十， c 题百分之四十，两个题目加起来接近百分之七十了，老铁们哈，百分之七十的人都会选这个 c 题啊，都会选这个 c 题 啊，所以说呢，我建议同学们哈，要慎重啊，其实我是非常不建议选这个 c 题的，我觉得吧，你就是大家大部分同学选这个 c 题都是为了图简单啊，但是呢，我告诉你们啊，图简单，不要去图简单哈啊，不要去图简单， 为什么呢？因为 c 题你看着哈，但其实它很麻烦啊，很麻烦 啊， c 题很麻烦，所以说，我建议你们不要去盲目的去做这个 c 题啊，不要盲目做 c 题，好吧，老铁们，我建议你们避开它，因为因为这样的话，获奖是比较难的，你不要图简单，大家说实话都知道，数据都知道，怎么建， 那你说对不对？你，你说你怎么获奖呢？你的创业点怎么来搞呢？对不对？所以说，我不建议大家选 ct 啊，真的，我，我是真心的劝大家啊，要慎重哈，要慎重好吧 啊，老哥，选哪个题？我建议我建议选 a 题或者选 b 题啊，你最好就是选，要么选冷一点，冷门一点的，这样选的人少，竞争压力会小一点，对吧？你选这个 c， 那 么大家都选这个 c 了，所以当然了，我，我不说，不给你分析哈，我给你分析，但你要慎重，你想拿奖，你必须要有创新点， 你必须要有创新点，如果你做这个 c 题没有创新点，那就白搭了，而这个 c 题的创新点 百分之大部分的都是两种创新方案，第一种改进的模型就是你用改进算法去做，第二种融合模型啊，就你选择不同的模型一块来做， 你说交叉你行不行？交叉创新的话，在这个地方的话啊，也可以试一下。好吧，只能也可以试一下，因为我们创新模型的话一般就有这么几种方案吗？所以说这几种方案的话没法说，但是改进算法的话，我觉得在这个地方是最常见比较常见一点的，所以大家呢，如果想做 c 的 同学呢，你要慎重， 你要能够有创新。好吧，你要有创新啊，真的哈，啥也不会，只能选 c 你， 那你，你不至于啥也不会，老铁们，真的不至于，你有 ai 了，理论，你没有不会的题目了，好吧，你没有不会了，而且 c 题呢，也没有那么简单，还是比较复杂的，大家都做， 所以说呢，就看谁做的好了，你想做的好的话，我觉得你和高手竞争是有很大的压力的哈，要有压力的，所以建议同学们呢，要慎重一点哈，要慎重一点 哎， ok 啊，这个这个大家呢要慎重哈啊，与这个题目的话呢，我们简单阅读一段的话，就是与星共舞啊，美国为美国，美国节目舞动奇迹啊， 然后呢，这个这个我们前面呢就是专家投票吗？专家通过什么在线投票？这是他们最喜欢的情侣啊，观众的话每周可以投票一次或多次，上下为当中公布的次数，然后呢，还有就是评委也可以投票之类的，然后选出第前几名来，对不对 啊？评委投票和得分和观众投票的组合方有多种，在美国版节日前两季采用基于排名的组合方式。第二季因什么什么啊啊， 然后，然后呢，就修改了这个争议哈，第二十四季又出现争议了对不对啊？评，尽管评委得分低，仍赢得冠军，作为回应，二十八级就说白了他的他的评分吧，是由评委和 评和这个观众投票来综合决定的。有的时候呢，评委觉得不好，但是观众觉得好，那观众投票多了，那么就有可能得得得这个最终的这个成绩了。但是，但是呢，又因为不专业，比如说一二流子一些选手，那么特别会讨观众喜欢，那也有可能对不对？ 还有有有，如果，如果评委特别的占比权重比较大，观众占比比较少的话，那有可能这很多啊，迎合评委的啊，评委的角度不能代表大众的，所以有可能引发歧义啊，就来构建一个比较合理的评价的这么一个啊，评分的这么一个模型啊，这就是整个题目的核心哈， 来开发数学模型啊，估算每个选手在其参赛的每周获得观众投票数啊，就估算这个呢，就是一个基础的预测模型了啊，每个每个这个来，同学们，来，大家告诉我哈， 开发数学模型一个和多个来，你告诉我到底开发几个？首先啊，首先到底开发几个？这个是一个要点哈，到底开发几个？ 你们记住哈，那就一定要开发多个。你想做 c， 我 还那句话，你必须是勇士，你必须要有胆量， 你必须要牛逼，对吧？要不然你要说你就开发一个，你开发一个非常基础的，你做 c 题，哪讲？我就这么说，你再创新也没有希望，因为因为选 c 的 人太多了，高手太多了。老哥这里统计了百分之四十的同学会选 c 了，都是勇士啊。说实话，所以你必须要开发多个， 而且多个模型来估算明白吧，来估算明白吧，你的模型估测关注投票结果是否能得出与每周淘汰结果一致的结论啊，提供一致性的衡量标准就是你要，你要能什么？ 你要结果要准确，你不能结果不准确，对不对？确定性如何？每种确定性这个就需要有验证了，就你的结果也有验证，说白了我我告诉大家哈， 真的，这个地方就看谁的模型精度高了，但是你们记住你们的精度啊，很多情况下来大家告诉我，来来，我问一下哈， 我问一下哈，来，这个的话你说老哥，我不单纯的用美赛官方给的数据，我用别的数据来佐证一下，可不可以？老铁们，就是我用一些达人秀，或者我用一些别的投票的一些结果来做，可不可以？老铁们，别的投票的模型来做，可不可以？ 可不可以？老铁们，你们跟我说完全可以，反而会把你的模型的这个精度啊，反而会提高的比较高。来这个地方一定要注意两件事一定要注意两件事哈， 一定要注意，除非他明确的说了啊，你可以看了没，你可以自行选择纳入信息或其他数据。看了没？其他数据，但必须要记录数据来，同学们， 我这地方要注意两件事，第一个叫什么过你河，第二个叫欠你河。来，你们觉得哈，你们觉得你们最容易做预测模型的时候最容易出现的一个问题是什么啊？最容易出现的一个问题是什么？ 就是你们如果来做这个题目啊，后面会有啊，我会讲到啊，你不用担心啊，啊，你会讲到来 你们容易出现了一些问题是什么？做预测的问题，做回归问题啊，过你河，我告诉你们，你们最容易出现的就是过你河了，真的，所以说你们一定要注意一点，好吧，不要出现过你河 啊，这个很关键啊，很多同学呢，做预测经常会出现过你和还有同学这么这么来做的哈，来，还有同学这么来做的，我们来，来啊，我，我后面会讲到哈，这里有一个完整的看了没？完整的来 看一下啊，来，看到没，他有一个完整的解析思路，第一步，一定要做数据处理。第二步， 观众投票预测构建贝叶斯啊，这是基于概率的模型，以评委得分选手特征周次为自变量，以淘汰结果为约束啊，预测观众投票数，预测知信区间。来这个地方呢，很多同学这么来说的， 我看你们的方案了哈，你们说老哥我预测他的投票得数，那我这样不就行了吗？啊，我，我这样不就行了吗？ 来，我直接就是用他每前几个周的得数预测他未来每个周的得数可不可以？老铁们，原来这样来说的哈，我用他前几个周的得数来预测他后几个周的得数 来。老铁们，你们觉得这样的行不行啊？你们觉得这样行不行啊？我刚才有同学在上面是这么说的啊，在评论区留言啊，包括在那个老哥私信我这么说的，行不行？老铁们，行不行啊？ 为什么啊？包括你们告诉我为什么？我告诉你是百分之百不可能的，不行的哈， 你别乱搞哈，你记住哈，投票结果是未知的，严格保密的，你不可能说用这个是吧？哦，前一个数据来预测未来几个周的数据，你就你就，你就完整的变成时间序的预测了， 知道吧？你是不可能的啊，你，你别乱搞，你别乱整哈，你别乱整来。 但是我可以构建一个什么样的模型呢？老铁们告诉我，既然如此， 那我就不能用时间虚的预测预测了，对不对？但我可以用什么预测来，我要我现在要做的一个一个参数叫什么？观众投票数，他和很多项数据有关系，包括什么评委的得分打分，包括一些其他的。哎，这地方有哈，包括其他的 看啊，哎，在这地方包括他的年龄，包括行业啊，包括一些是吧？他的这个这个是吧？这个这个选手的一些特征，包括他日常的动态，包括一些其他的淘汰的一些结果。来 来，同学们告诉我来，我相当于我要预测一个指标，它和若干个指标有关系。那你告诉我要构建的是一个什么样的模型啊？啊？要构建的是一个什么模型啊？这是这种预测方案不叫持续预测，这叫什么预测？老铁们， 哼哼，叫什么预测呀？到现在啊，大家都提出了有用 xd 版的啊，随机森林对吧？ 这就是回归吗？对不对啊？某一个变量和若干变量有关系，不就是回归吗？ 是不是？那不就是回归吗？所以说你这个地方既然构建回归，你们就记住我刚才就要返回来，我刚才提到那个那个逻辑了，不要出现过你河，也不要出现欠你河，好吧，过你河就是你回归的模型，太美完美了。 来，你告诉我这种未知的投票数量的能过于完美吗？老铁们，所以说谁的预测的模型的精度达到百分之百，你反而应该要慎重了，你百分之九十六九九九你都要慎重， 你的精度不可能那么高的。我可以告诉你哈，因为他是未知的，而且这两组变量之间理论上没有什么必然的情况， 不能说他评委得分就高，他观众投票就高，对不对？也不可能说，但是呢，来评委投票高，有没有可能观众投票也高啊，也有关系啊，也有可能啊，那评委投票高，有没有可能观众投票低呢？ 也有这个可能，对不对？所以说哈，这里面比较麻烦，比较复杂， 你呢，一定要慎重啊，一定要一定要考虑，就是自变量和一变量之间没有很强的关联度，没有很强的关联性，这个是很关键的哈， 明白吧，做这个做回归理论者是一个大忌，就是自变量和一变量之间没有很强的关联性，我们说这属于大忌，但是呢， 不代表说他俩没有关系，往往会呈现一个啊，就是典型的比如大部分选手可能评委投票比较高，观众得分也会比较高一点，只是说有一个大概的对不对？但是你要考虑极端场景之下的一些情况 啊，因为因为前面说了吗？对不对？来前面说了，以前面已经给你讲了很多了，对不对？说有有可能会出现专家评分高。所以说呢，这个 第一小问啊，我建议你们不要你合的精度太高。好吧，不要你合的精度太高啊，太高了确实会有问题的哈。来 第二小问啊，利用你的观众投票结果估算结果和其他数据比较和对比节目使用的两种投票方法，排名反而百分之在各季产生的结果是吧？就每一季对应的两种结果，如果结果再查也其中一种方法似乎更清，更似乎偏向于观众投票， 对吧？就是比较吗？对不对？和个体产生的结果比较结果的结果，如果，如果结果存在差异，那么其中就哪一种方法可能会偏向接受投票，说白了就是看看哪一种方法和观众投票的相关度更高吗？对不对？ 然后考察这两种投票之外存在两种投票方法存在争议与观众或观众意见存在分析的特定选手的拥有情况，投票组组合方法的选择是否会导致这位每位选手的结果相同，是吧？每周什么什么的啊？ 然后呢，咱们就那个一考虑一些具体的视力，把你建立的模型，再把具体的视力，然后呢这个考虑进去，然后呢，利用包括投票观众估算结果，在你的数据开发、模型分析、专业舞者以及数据中可用的名人数据的影响 对不对？这些因素对名人在比赛中的影响有多大啊？说白了就是你前面不是估算了一个观众投票的模型吗？对不对？利用观众估算投票结果在你的数据啊， 开发模型分析专业舞者以及数据中可用的名人特征的影响啊，这些因素对名人在比赛中的表现影响有多大 啊？啊，就你那个像年龄啊，特征啊，对比赛影响到底有多大？来评来他们对评委得分和观众投票的影响是否相同，这个也是要建立一个合适的模型哈啊，也要建立合适的模型的 啊。然后第四位提出另一种每周观众投票结合系统认为系统更公平。说白了就是就是啊，提出另一种每周结合观众投票评委的问题，说白了就是你提出一个新的打分方法啊，打分方法不是传统的这两种方法了，提出新的解决方法来哈，这样的话呢，你就需要全新的设计一种投票组合方法了哈， 让我们看一看完整的一个解决方案哈，来第一个啊，第一个来美赛啊，第一，一共四个小问，第一小问预测类题目，第二小问评价加决策类，第三小问影响因素分析，第四小问优化设计类啊，因为第四小问的话，它涉及到 新的投票方案嘛，对不对？所以说需要用到用到这个优化设计类问题哈，优化设计类来每一个小问，第一个问，预测每位选手每周的观众投票数，验证一致性和确定性，说白就验证精度啊，验证投票的这个预测的精度到底怎么样？ 评价两种投票方法的优劣啊？分析争议的案例，提出决策建议，就两种方法，他有没有什么两种投票方法啊？选人的方法有没有什么对错优劣啊？这叫是吧？那第三个分析专业舞者和名人特征对比赛结果的影响啊，然后呢？这叫做影响因素的分析吗？对不对？ 然后设计新的投票方案，这叫设计新的投票组合方案。系统一般就是优化了，对不对？优化方案找到最佳方案吗？对不对？最佳的这个投票组合方案，来，我们看一下理方法哈。方法 来，第一个用预测类模型，我们说了不能用单纯的时间性的预测模型，这个地方是不适用的，而是要用回归预测的思想，比如 c g c 的 模型加广义县域回归也可以啊， b e s 模型可量化观众投票的不确定性 对不对？然后 glm 能整合评委得分啊，选手特征等预测变量适合小样本高维度的需求，所以这两个模型组合，那个这叫组合创新，类似的组合创新还有很多很多的 好吧？很多很多的组合创新，比如说，比如说你这个地方可以用模特卡罗模拟，模特卡罗模拟来来得到与观众投票的不确定性数据，因为观众投票不确定性数据可以用模特卡罗模拟来做一做， 然后再结合一些预测模型来做，更好了啊，结果更，这样的话更好了好吧。有很多种创新方案，说白了就是你这个地方你不能上来就构建一个基础的方案，比如 igbo 的 cc 零，那这样的话是不太合适的，你要考虑到很多的不确定性因素好吧，而这些不确定性因素反而成了获奖的关键， 明白吧？啊？活跃的关键啊，你这里构建的模型呢？就是小样本高维度的预测数据。因为维度数据比较高，指标特征比较多吗？所以需要构建高维度的啊，高维度不能用基础的什么灰色预测什么的，不可能好吧，不可能的就是老哥老哥我用深度学习神经网络可不可以也可以 深度学习神经网络本身也适合于高维度的预测，但是呢，你的数据量最好大一点好吧，数据量太小的话很容易陷入过你核的现象啊。 啊过你和因为神经网络还有这个这个深入学习很容易过你和。所以说你需要有大量的样本来做哈来做。 还有第二个就是评价了啊，评价两种方案的对比。你可以啊，选择量量化两种方式的多维度，比如说两种方案每一种方案的公平性是观赏性 等等，如何？然后看到系数呢？看到系数用于衡量结果的一致性，这是评论结论，这两个组合起来也可以解决这个第二问啊，就是评价类评价两种方案的一个优劣吗？评价就是是吧，先构建评价指标体系，比如说公平性，观赏性是吧，这个效率之类的效率 啊，成本啊之类的，你可以都把这些特把这些呃，样本把这些指标啊，然后呢构建一个评价指标指标，然后呢再构建这个相关的一个权重 来这个地方你们最好来，你们告诉我啊，权重怎么来确定啊？要用双权法， 双权法能有公平性观赏性能能确定吗？啊？专权法能确定吗？做 a g p， 这是最最基础的一种做法了，因为公平性观赏性这玩意 甚至有模糊综模糊综合评价法，因为里面有很多模糊因素。公平性？什么叫公平？什么叫不公平观赏性？什么叫高傲低啊？较高傲，较低，这有很多大量的模糊因素，所以说用模糊综合评价法， a g b 模糊综合加模糊综合评价法，这个地方是比较适合的。好吧，你用双减法什么的，没有数据支撑压根对不对， 只能用这种模糊综合啊来做啊，来，还有影响因素分析，可以用多元现金回归加随机森林，如果你上面用过随机森林了，在这个地方我建议你就不要再用随机森林了好不好？不要再用随机森林了，你上面如果用了这个地方就不要用了哈，你如果上面没用这个地方啊，第一位也可以用这个地方，就需要换个别的哈，好不好？ 影响因素分析啊，你可以用随随随心回归加随心随林啊，回归模型量化限性因素效果。然后呢，这个随心随林捕捉非限性和交互效率，全面分析各行的重要性。说白，用随性回归来评价每限性 量限性影响啊，限性影响哪些因素啊？是限性限性哪些限性因素他的影响影响效益是比较大的，因为这样的话，他的限性限性参数里面的那个参数值参数影响会比较大一点吗？对不对？那么非限性参数， 那么就需要用 c c 森林了，来得到哪些非限性参数啊？来，你那个因素是比较重要的啊，这两个综合来考虑。哎，这个挺好哈挺好啊，营养因素分析用这种两种方法来分别构建限性因素和非限性因素，哪一个影响分别影响是最大的啊？这个反而挺好哈挺好的 啊，还有优化方案的设计第四位你必。你如果想拿奖，整个废题，你不能单纯的就上来就是提个建议或者等等之类的，或者随便上一个方案。你需要构建一个优化模型 啊，你优化模型的话，这样的话是有说服力的啊，不要多目标优化啊，既满足什么？满足公平性又满足观赏性，这样的话两种目标对不对？ 然后建立一个优化模型来得到一个最终的一个新的模拟，新新的一个投标系统来做新的一个一个打分系统。来来来得来得到哈。这打分系统既兼顾了观赏性又兼顾了平稳公平性。好吧，这样的会更好一点更好一点啊， 来，这个题目的难度呢？在三点五分左右，我的难度系数呢？中等吧。中等啊，不算高也不算低哈啊，不算高也不算低啊。首先呢比较复杂，就是他不是一个常规的时间训练预测模型啊， c 题就是很多预测都是用时间训练预测来说，但这个题目不是啊，他比较麻烦一点 啊，需要整合很多，又里面又有评价又有预测又有影响又有优化四种题型他完全还改了，你还要做到创新是吧？你没有创新还不行 对不对？你没有创新的话，因为本身原有的方案就有就不好了对不对？你还没有创新，那你怎么能获奖呢？对不对？ 所以就是他，他就是要求你创新，他不是说不要求他要求你创新啊，他就数据量工作，数据处理工作量也比较大， 因为题目给了你大量的数据集，你需要做数据处理，你不做也不行，对不对？数据处理比较大，你万一漏了那也不行。而且 c 题百分之百数据是有问题的哈，我告诉大家每赛官方的尿性，百分之百数据是有问题的，你不做也不行哈。 啊，难点啊，刚才说了是吧，投标的间接预测，无直接数据交准是吧？说白了就是你，你需要人为人为的来判断一下一致性，没有数据作为交准，未知的投票结果，观众投票结果都是未知的哈。 两种投票方式你需要兼顾公平性、观赏性这种呢？公平性和观赏性吧，本身就属于模模糊数据级，又要把它变化成量化，所以需要构建成吗？绿水多函数， 这个函数的构建很关键，到底是限行函数还是还是一些其他的非限性函数来，你和这个量化指标，这个就很关键，你要构建一个模糊综合的话，你需要你绿水多函数，这管重要是吧？这个绿水多函数一旦做错了，那就很危险啊。 来，还有选手的特征，评委得分啊，很复杂啊，既有这个年龄行业又有得分，又有主观客观的一些内容交杂在一起就复杂的建模啊，很麻烦哈。还有新的投标系统吧，也比较麻烦，一种条件怎么来设定 对不对？目标函数怎么来制定？目标函数又要兼顾两种，两种内容，这两种内容又不是那种传统的量化那种，他整个题目真的是既有哎，预测优化，模拟。哎呦我的妈呀，我头大，我头有点大了啊。真的啊， 头有点大了是吧，还要脸？数据处理必须要做对吧？零得分啊是吧？控制啊，都需要补充是吧？预测需要明确假设条件，量化不确定性是吧？有很多的不确定性，你还需要量化他 对不对？你不像这个 b 体吧，太空电梯吧，有些不确定因素我们还能知道是吧？异常了，别结果突然变大，结果变小的，这玩意不确定性怎么来量化对不对？比较麻烦 是吧？还有评价指标的确定，指标的确定呢？还都是一些啊，一些难以量化的一些模糊指标， 对不对？也很麻烦对吧？新系统设计还要既要保证效率，还要你不能整的太过于复杂是吧？你整的太过于复杂的话，那就可推广性，可朴实性，就朴实性就比较小了。所以这个题目看着简单，实际上一包子坏水哈，一包子麻烦哈， 来啊，首先解决思路，先数据处理，然后呢啊，选举选手特征，变量，年龄，行业，然后构建观众投票，观众投票预测模型。贝叶斯这样的模型是不是 以什么评，以评委得分，选手特征周期为自变量，以淘汰结果为约束，观众预测投预测，观众投票数，计算预测执行区间 啊，这两种模型来分别构建啊，以什么为质，变量为什么为约束什么的，然后投票方法评价啊，设计指标评价体系，如争议、防范力， top 三偏重等于得分，用 h b 量化权重。然后呢，分析差异， 第四个要因素分析，构建回归和森林分析，专业舞者啊，来来和对投票的一个影响程度啊。然后呢？第五第五种设计多目标优化模型来确定啊，这整个的这个这个思路啊，还是比较比较明啊。思路倒是比较明显了啊。思路第一步，第二步，第三步，第四步该干什么？我们刚才的分析已经比较明显了啊， 要点就是创新，必须要融合多元信息的创新。好吧，这个模型的创新之管重要。这个我觉得这个题目的关键就在于创新，你到底能不能得到一个创新性的一个评价，一个预测模型，一个一个那个，呃，打分模型这个很关键啊，都是逼着你创新， 还有就是量化结果啊，量化结果是吧，给出投票的准执行区间，预测区间，这个说白了，你这你的预测值和预测区间千万不要太高，我建议不要整个百分之百，你说老哥我就等着百分之百，那你这是过你河了啊，一定是过你河了哈。 还有就是这个可制化哎，最好做一下可制化分析，模型检验也最好做一下啊，模型检验啊，然后呢？呃呃，擅长哎，这个题目就比较擅长数据处理。擅长擅长擅长。那个数值分析的题目推荐做， 计算机人工智能的也推荐做，功课的就不要不推荐了，因为里面也没有你能发挥的余地，全都是一些统一建模的东西啊。功课的不建议你做，尽管的呢，也还能做哈，也还能做哈 啊。然后呢，这个零基础的啊，我也不太推荐啊，比较麻烦。中等基础的也可以，高基础，中等基础，基础能力比较好的可以做一做，因为这个题目呢，写的人多，意味着你比较有创新点啊，看着简单，但是入手很麻烦，你看啊，一步一步的很麻烦，你千万不要觉得这个题目简单，我反正做到了，我没觉得很简单哈， 我真是觉得比 b 题都麻烦哈，真的哈，你可以你可以试试啊，你想做的同学，好吧，然后呢，我们一会呢还是会用我们整个的 ai 的 这个这个教程啊， ai 的 教程来给大家全详细的做一遍哈，来把这个是吧，尤其是注重创新，看到没， 我这里面还是会注重创新啊，这个方案二里面会注重创新，然后呢，把整个 ct 完整的从零到一的建模过程，代码调试都给大家做出来哈， 然后呢，我们把相关的代码包括我们的老师也在研发了，到时候相关的原代码都给咱放在这里面，好吧，我们导出的原代码都给大家放在这个里面哈， 好吧啊，大家到时候一定要去领取一下，千万不要忘记领取哈啊，不要忘记领取相关的原代码，相关的参考资料，相关的代码成品那边都给咱放在里面了，你到时候可以比对一下老哥团队做的和你们团队做的到底怎么样，好吧 啊，不一定，我们做的完全就百分之百对，仅供做一个参考哈，相关的源代码资料，每个题目的源代码资料，还有相关的解析文档之类的，就给大家放到我们我们的网盘链接里面去了，大家一定要去领取一下哈。 ok， 谢谢大家。

哈喽，大家好，我是小吴老师。嗯，我先做个自我简单的自我介绍吧。我是，嗯，本科都毕毕业于国内的 top， 博士毕业于嗯，海外的一个 qs 前， 嗯，前五的一个学校，目前是在高校做一个青椒。然后这次也是受啊云顶数膜的啊云总的一个邀请，来谈谈如何从科研角度去打磨和优化美赛的一个作图问题。 然后我本人也是曾经数学建模大赛的一个，全国的一个一等奖的获得者，也是美国大学生数学建模竞赛，原我们原来叫高校设备，我不知道现在叫什么 啊。同时我自己也当时我读博的时候也辅导辅导过一个 o 酱团队，也辅导过带出来过 a 个 f 酱团队 啊。其实我最本质的，我对美菜的感受是图，所以我出一个视频讲讲，特别是这一次的美国大学生数学建模竞赛，也是世界大学生数学建模的一个比赛。如何去优化你的一个作图， 然后我先给大家展示一下这个图，大家可以展示一下这个图，这个是我们团队的去我们团队发的一篇 nature 子刊的一个作图， 那这种图的配色以及这种图的构局是远胜于平常大数数学建模这样的一个构思的。那基本上你的文章中出现了这种图，基本上要不 o 奖，要不 f 奖，我觉得不太可能出现 f 奖以上，因为美赛我再强调一遍，它的重点是图图图， 他的图片非常重要啊。所以的话，其实我们从科研角度朝下看这个比赛是降维的打击，因为我们发论文不会仅限于去看一个图，我们会用不同的组图组成一个大图，可能几十张组图和配色，然后最终达到一个 一眼看上去很震撼的一个效果啊，所以我就讲讲如何去优化美赛的这次建模的这次美美国大学数学建模竞赛这样的一个所有的一个图，然后这个是我刚刚做的图，我也会告诉大家如何去出这样一个类似的图啊。我们就以 啊 c 题为例吧，因为 c 题是相当于是一个数据特征的数据特征分析和大数据分析挖掘这样的一个题目吗？啊，我就以啊我，我 因为比赛已经到了第三天嘛，所以我会以啊最快的干货去介绍哪些部分可以怎样去优化你的一个图， 比如说啊 ct 要求分析舞伴与人民特征的一个比赛表现，以及是否对啊，评委评分和投票一个影响方式不同嘛。那其实我们常规的思路就是抽取啊舞伴的一个历史或者动态加选手的特征，对吧？去做一个预测和 这样的一个判别，预测可能是回归，可能是二分类的嘛，这样是一个常态的思维，但是那常态的思维我们会怎么做呢？我们可能就用 cad boost 或者 lite， gbm 或者叉 gboost 或者等等，你加了 attention 机制的这样的一个神经网络啊，去预测评委的得分和粉丝的投票嘛，对吧？那做得好一点呢，可能顶多加一个 share 可解释性。为什么要加个 share 可解释性呢？ 啊？我待会跟大家说，第一个是 app 可解释性，它出图会非常漂亮，第二个是什么呢？第二个是机器学习，它是那么新，哪里天然缺少一个可解释性可解释机制？它是一个 black box， 你 加了 app 之后，可以把所有的特征它在这个模型，在这个任务中，它产生了怎样的作用？是正反馈还是负反馈？给整个量化？那正常做，我们可能就用一个开的 boss 去做一个预测，预测出来结论啊，就结束了。 no， no， no， 这样的一个出来的东西是完全不够的，至少是不够 m m 奖以上的。在我看来，如果我作为评委，哦啊，我其实也当过啊，亚太杯数学建模的一个评委，被邀请做过啊啊几个，相当于是看过一些， 就是一些团队，三个人团队做出来的任务啊。我从评委的角度告诉你们啊，怎样去组图会让我们眼前一亮吧。比如说像这边的话，我们用开的 gbm， 单单用这一样一个模，这这一种模型去做这样一个回归任务，那肯定是非常单调的。首先你的 r 方，你的 rock 曲线，对吧？还有包括你的啊，各种一些机制的 matrix 等等，嗯，包括混淆矩阵那些，他只能出一个图，一个图，看起来就非常的单调，那我们怎么可以对他做一个升级呢？那我们可以用一百零一种机器学习去做一个预测，对吧？我们谁说只能用一种模型去做呢？我们可以用一种集成模型去做， 不是选择一个模型，而是建立一个模型库这样的一个思路去验证这样的一个结论是否稳健。比如说我们可以按家族分组啊， 把各种特征对吧全部输入到啊限性的、非限性的和间隔的以及集成模型当中，把这一套模型全部用呃去把这些特征进行一个训练学习，再进行一个预测，那这样预测出来的一个结果就可以出一种组图。 怎么出这个组图呢？我给大家看一下，看一下这样的一个效果，那这个组图的效果就是 在这个地方，我可以把这个图放大，我把这个图放大的话，大家就可以看到什么呢？啊？大家看这个图可能不知道他在做什么，只能看到这个好像是一个输入层和输出层这样的一个简单的网络嘛， 你们看 excel 就 可以非常明确了，我们就可以用一百零一种模型，它是一个集成模型去进行一个预测，这个是一个视力数据啊，是一个真实的科研数据的一个视力预测，它有 lasso 加 step、 g、 l、 m， 它有 svm， 对 吧？它有很多一百多种模型，这样叠带去做，做出来的一个效果，然后这边就是它的一个 r 方， 对吧？那这样的话做出来的一个效果，我们就可以出一个大的热力图，出完了就在哪呢？就在这个右侧， 这个右侧就是他所有的，我把这个放大给大家看一下，就所有的模型，我们最后再对配色啊做了一个调整，比如说这个以红蓝啊 加上一个黄蓝红去进行一个配色，这边就是一百零种模型，它的一个格式化，这样就会形成一种非常正观，嗯，震撼的一个视角，然后这边再足以啊神经网络这样的一个简单的手搓一个网络图，那这样搭配起来，这个其实就是 rock 曲线啊，其实 rock 曲线我们把它配色做的非常好看， 那这样的话就会这样一张组图出来了之后，就会达到了一种非常震撼的效果啊，能直接去吸引平省这样的一个眼光，对吧？那有很多啊，包有很多模型啊，都可以用啊，为什么只能用一种去做预测呢？ 对吧？那这样的话，在这一小小部分，你出这样一个组图，直接就把你整个文章和做的项目拉伸了一个档次。 我不简单讲这些思路，我不展开讲这些思路了，因为到最后一天了，讲这些思路没有用，那我们做出来的模型，它是不是有个最好的儿方呢？对吧？那最好的这个预测的儿方，我们可以把 儿方最高的这个模型，不管是在训练级上 validation 还是 test， 还是 validation 上表现最好的这个模型，我们再把它进行一个提取，提取过后可以对它做一个 sharp 可解释性。 sharp 可解释性，重点来说它就是对模型 啊，模型的参数，模型的性能以及我们输入的这些特征进行了这样的一个分析。比如说我们要去做一个预测回归任务嘛？你像这条题目啊，对吧？我们要去啊， 我们我们要去预测一个，相当于是啊，这边要去预测一个评委得分与粉丝投票，那影响评委得分与粉丝投票就有很多一个很多这个特征嘛，我们不简单展开去讲这些特征，因为现在没有意义。 那这些 x 一 到 x 十的特征，他对这样的结果有什么影响呢？这个是基于学习所得不出来的，那你通过下课课解释性就可以把这个特征给得出来，像这个下课课解释性一下子是可以出六张图的，那六张图我把它朝着简单的一组，是不是立马啊？又提升了 我们这样的一个文章的质量，对吧？我们这边就是一个下课课解释性得出来的，这样所有的特征的重要性， 特征重要性这样的比重，然后这边是他这个特征对他的结果是展成一个正反馈，还付款付反馈，这个是机器学习，普通机器学习得不出来的。但是你加了下一步可解释性以后，可以把它得出来，然后我们还可以得到出一个热力图， 得到出一个热力图，还可以得到一个力图。力图其实也是为了组图，它的含义并没有多大，但是我们这样一个组图之后，你这样一展开，你一看 评委，一看这种配色，这种组图的风格就会给你美赛加很多分。基本上这两个张图一出，你美赛就不可能是 m 奖以下了。因为美赛我再强调一遍，最重要的就是图图图，他的图是非常重要的，那所有的特征我们是不是也可以通过一个无监督学习？无监督学习啊，其实就是剧类嘛。 那我们能够把它所有的特征进行一个具类吗？对吧？那具类又可以组一个图，所有的上面的横线这种竖状图都是对它进行具类吗？你又可以组一个小图，那小图也可以嵌套到这种大图底下，那你就形成了一种组图思路，而这种组图思路就是美菜的加分项， 对吧？那肯定有很多啊。同学会说，呃，我如果不会组图怎么办？那没有关系，因为在最后一天，我已我们已经把所有的啊能组的代码库和包括你图的一个啊优化的代码已经全部整理好了，你们也可以找我啊，找我们， 比如说你们要出哪些组图，可以告诉我们，我们在你原本的数据上做一个优化，我们最后一天帮的就是把你们怎么样，你们这个文章所有的图进行一个质的提升和飞跃。怎么样把以你们原来单一的模型和单一的思路进行一个组合，变成一个集成模型出一种组图 啊。与此同时啊，当然这个这这个 cd 还有很多这样的一个组图思路，包括你可以，比如说你可以组一个数据全景与赛季结构图，比如说你可以， 比如说从 a 到 m 吗？嗯，你你像你每个赛季参赛的人数，你就可以通过柱状折线去进行一个调色组图，你也可以组五瓣出现的次数，包括赛季分布，包括缺失图，包括啊有数据流程图等等，你都可以去进行一个组图，这样就是有九个子图，九个子图组成了一个大的集合的图， 就会非常的震撼。当然这个是每一个组图思路啊，你们需要的话，我们也可以无偿把它分享出来啊，我这边只列了五个组图思路，有很多很多的组图思路了啊，最终组合的就是这样的一张图， 其实你们现在再来看这张图就会非常啊，相当于是非常显著了，就大概能懂一些了。这个其实就是用了一百零一种集成堆叠模型去出的这样的一个图，就是根据这个数据去量化嘛， 图就是什么？图就是数据，有数据就好出，这个就是什么，这个就是神经网络的一个啊，对吧？一个示意图，这个就是他的一个 aoc 值，对吧？就很简单，你现在就能 一下子就理解了，只是我把它组合到了一块就会非常的震撼。然后我们团队也独自开发了一个微调大模型吧， 啊，是通过训练的很多组图思路出的一个大模型。就比如说我举个例子啊，我们给他一个视力的这样的一个图片， 让他学习一下，然后你再给他一个指令，指令之后就仿照这种视力的图片，让这个大模型去进行出图，他就可以一键出图。比如说他分析了六十四秒，他出的一个图是什么呢？他的一个效果就是这样的一个配色，就保持这样一个样本 啊，这样的一个样本，这样一个案例的图片根据这个结构去出的，他可以用来干什么呢？比如说你文章已经写完了，对吧？你想出一个这种高级别的高质量的这样一个案例的图片，根据这个结构去出的，他可以也联系我们 啊，你比如说你想做一个全局的这样的一个流程图优化，你就可以联系我们，我们就可以用我们微调的出图大模型去帮你们进行啊这样的一个总流程图的一个优化，对吧？然后总流程图的优化之后，你整个 你可以放在整个文章的第一页，让评委直接去看，那评委就会觉得第一眼就能看到你这种高质量的图，对吧？与此同时我们也专门开发了啊，这样的一个一百零一种机器学习的一个 这样的一个在线网页，大家可以看到这种在线网页，他可以一键去出图的，包括模型性能比较啊，他有 training 啊，平均 a u c 啊，对吧？他还可以一键出这种热力图，这种热力图只是他的一个模板啊，然后，嗯， 我展示的那个热力图啊，我们有另外的代码可以去出这个只是因为我为了他不报错这种网站不报错去给的一个模板，他也可以直接出 rock 曲线啊，包括他的镶嵌图，也可以在线交互啊， 进行一些分析啊，这个是我啊我们团队自己研发的一个在线分析平台，要根据这些美赛，包括也可以一键出这些 shift 的 一些特征的分析啊等等，都是可以在线交互的，包括你不同特征也有依赖和交互作用，在这边也是可以一键去出图的， 好吧，如果你们啊有想要把你们的文章的所有的图进行一个质的去优化，包括你们啊想要说啊，通过我们的这样的一个自己开发的啊出图大模型去进行一个辅助出图的，你们都可以联系我们 啊，我们在今天晚上我们团队也会进行通宵，就包括我们整个团队都会进行通宵去啊，处理这样一个事情，一定会给大家及时把你们想要的图给出出来的啊， 你们也可以后台，如果感兴趣的话也可以后台延续。呃，我们的一个小助理联系他这边的话去安排。好吧，大概我就给大家讲一下如何通过组图去提升你文章文章档次这样一个事情。

好的，接下来呢，我们看一下 f 题哈， f 题的话呢，叫生成是人工智能啊，这个说白了会影响各行各业的工作吗？对不对？ 尤其是会影响哪些工作呢？官方呢？给了三种工作类型是吧？ s、 t、 e、 m 和就说白了就是科学工程，比如说工程师啊，是吧？那个那个软件工程师啊之类的啊，数学领域的大神之类的啊，这些专业 对不对？就是我们所说的工科专业，还有叫技工贸易类，比如说厨师啊，水电工啊这种工种啊，工程类的工种，还有就是一些艺术家啊，这三种职业，那么未来生成是人工智能对这三种职业会是一个什么样的影响 对不对啊？怎么人工智能对这专者专者的职业会有一个什么影响啊？这个很关键啊，然后呢？分析，然后呢？这第一问啊，第二问就是分析啊，每个职业确定的特定的高校机构学项目，然后呢提出建议来，就是就是你觉得这三种职业啊，或者这每种职业， 那么如何来安排啊？这个这个针对这个职业项目如何来安排相关的课程来应对未来人工智能的一个发展哈， 还有就是这个，呃啊，以下就是些思考了哈，就是你，你可以作为你的补充啊，本质上来说啊，其实那个没有什么，这个这个这个主要就是两两位比较多一点哈，两位比较多一点哈，然后我们看一下具体的一些细节哈，可以把它生成这么几个小问哈。几个小问？ 第一个就是这个，这是一个首先是个综合类题目哈，包括这个优化加决策啊，加评价优化都都在里面哈啊，我们可以分为这么几个小问，第一个就是这个预测啊，每种职业的发展趋势。第二个就是决策啊，教育方案怎么做优化。第三个就是评价啊，多因素影响的一个分析啊， 有多个因素对对于就业什么的影响。然后第五个就泛化推广建议相关的 每个小问，哎，第一个就是选择 stm， 技工、贸易、艺术各一个职业啊，预测啊，美人工智能对他未来的一个发展的影响。这第一个小问问题为一，这是我们的第一个小问。第二个就是为了应对职业教育机构设计 ar 项目课程怎么来设置相关的课程 对不对？第三个就是分析就业需求外的其他影响因素啊，调整模型与建议。第四个角度就是论正建议的推广性啊，说明适用的范围，来，我们看一看，可以看一下，可以选择哪些模型来做啊，哪些模型来做。 第一个就比如说这个啊，我们说这个啊，记住哈，你们记住，预测一个政策或者发布一个政策对未来的影响， 大部分的概率都会选择用什么系统动力学模型啊，这个是百分之百的啊，大部分 f t f f t 啊，都是用系统动力学模型是最常见的，所以呢，这个题目我估计大部分的同学都会选择系统动力学模型来做的啊啊，比如说用系统动力学 来模拟，那么 ai 到底对于这些啊，学科这些职业，他的一个影响的内容是怎么样的啊？影响内容怎么样？比如 ai 先影响了，哎，怎么怎么，然后又影这个正反馈机制是怎么来构建的？这就叫兴同力学模型 啊，这个很关键啊，来用贝叶斯网络。为什么要融合贝叶斯网络呢？就是来有些不确定性，比如说技术迭代，这 ai 突然间发展的特别快了啊，突然间质的迭代， 那么不， vr 不是 说长期就按照这样的稳不变的或者稳固的版，它会技术迭代非常的快的，所以我可以融合 b s 网络，再加系统里学模拟，我整个的来模拟未来的一个演化程度，工作的一个演化程度，这个很好，这个思路哈。 然后第二位决策。决策的话呢？我可以说，哎，要构建哪些啊？比如说 先确定用 h p 来啊，决策就是端标优化，加一层的面积把，先用 h p 算法来优先确定权重标。比如说就业还是最高，还是说论语素养最高，是吧？就业能力肯定是最强的，对不对？哪一？每一个目标每一个是吧？这个这个指标他的那个权重先确定一下， 然后构建多标优化模型来优化我的课程，对吧？我设计哪些课程，哪些课程可以入选，哎，我的月儿条件可以是哪些？比较课时，学生的课时是固定的对不对？别不能说太多对不对？是不是？ 还有就是我有一些最基本的一些选优要求，课程要求啊，我都可以作为我的约束条件，这样我构建一个多目标优化模型啊，这叫目标优化模型啊，优化目标就是我的选择的那个，是吧？我我，我的优化目标是什么？ 我的就业最好对不对？我就业最好，或者说，哎，因为你学生本身来还是就业吗？就业率最高 可以是我的优化目标，还可以是什么？我学生的能力更强，这叫多目标，目标不唯一啊，目标有很多， 你也可以有别的目标，但是我觉得这两个目标就可以了。就是第一就是就业，就学生的就业比较好，他不会失业。第二个就是这个学生，那么他的这个工作能力啊，整个的学业的能力是比较强的啊，你也可以有其他的，这没毛病。 来第三个分析就业需求外的其他因素的，就哪些因素还会影响到我的，我的这个课程的设计，或者我的相关的一个建模。 那我们可以评价一下，就评价类某个同学，评价一下相关性分析，确定哪些变量啊？非优化变量，别论理风险创新能力啊。来来，然后呢，找到这些哪些变量是比较关键的？然后再相关性分析算法，然后呢，识别哪些变量是不之间是高度相关的，然后呢，找到哪些变量啊，影响因素是比较大的。 然后第四个就是建议推广嘛，可以，你可以啊，构建一些其他的来， 比如说可以构建这个案例推案例推理模型， c r c c r c c b p c b， 加上地理甲醛回归啊，来来，这个是 c c b p 的 c b。 二、这个模型没见过哈，基于啊，机构相似案例进行推广，然后 j w r 的 量化啊，地区差异对推广影响的效果的一个影响 啊。其实这个题目吧，本质上来说就第一个问题最关键的啊。第一小问最关键了，就是说啊，和 ai 对 各个因素啊，各个这个 ai 对 那个各个的这个 ai 对 各个行业他未来会什么样的影响？其这个就是性动力学模型，这个很关键啊，这个很也很麻烦，对不对？这个的话你要把这个模型构建出来以后，你整个的建模是比较流畅和比较顺利的哈 啊？第二小问，其实也还好哈啊？策略就是选课吗？其实就是一个选课模型，明白吧？就是一个选课模型， 我们都知道你可以，你可以那个构建啊？你在数学建模领域，其实这样是一个比较典型的一个优化类算法，就是选课算法，选课模型，选课模型一般你们你们也知道，就是如何，呃？给你们安排选课， 对不对？怎么选课？让你的学分达到最高，让你的学习时间达到最短，就是这样的话学分最高，你的占有率的时间最短，这就是一个选课模型，你可以移植到这个地方来，明白吧？移植到这个地方来 啊，这就是一个移植的一个过程哈。这两个搞定了，其实其他的都不难哈。什么评第三位，评价第四位，什么回归啊？其实都还好，第一位和第二位主要就是建模的核心，好吧，这这个的话你要搞定了，很关键。 系统动力学也好，是吧？这个呃，多多元回归也好，都还好，没有什么难点哈。没有什么太难点，就系统动力学建模会比较复杂一点哈。 来，我们呢也会把相关的原代码然后放到这个位置哈。放到把 f t 的 相关的原代码放在这个位置，以及我的系统文心文档以及我的想用 ai， 一 会呢？我会用 ai 完整的解决这个 这个题目完整的来解决这个题目哈完整啊，非常完整的解决这个题目用我们的 ar 提示词来完整的解决这个。呃 f 题。好吧，到时候呢看看这个相关的模型检验代码呀调试啊之类都会都会放在这个放到这个文档里面去哈。 啊想有有取相关的思路源代码啊，大家可以可以那个领取一下。好吧，我把相关的源代码都放在这个地方啊。思路解析相关的好吧来 难度系数不大。三点五分啊不大啊，难整个的模型复杂度呢？中等啊，只需要两个模型一个系统立体，一个多，一个多描优化模型啊，还有就是这个呃 难点呢就是首先呢不同职业类型亮化建模很麻烦，尤其是艺术技木这些呢 内容吧比较复杂一点哈，尤其厨师什么的对吧。这些艺术啊这都比较抽象对不对。难以量化建模啊。这个呢算是一个难点哈，非就业因素啊，像创新社会责任论语啊也不好量化，这都属于模糊，模糊因素对不对 啊。核心要点呢就是啊模型需要覆盖三类且具有代表性，数据来源权威可追溯啊，模型需要明确这个 ai 影响职业的核心内容驱动，别自动化替代效率提升啊。就 ai 是 怎么来影响这个工作 的，是是他是吧，他能够提高效率啊，原来两个人原来一个人三个人一个人的三个人的工作一个人就能干了，他可以提高效率吗对不对。 还有就是教育建议需具体可行啊，包括课程设置中这里啊学生你不要说这个同学选这个课程吧 是吧，选了很多课程，内容太多太杂了也不行，对不对？就是需要满足这要求条件，要同一个学生同一时间不能上两门课，对不对？不同的选修课之间不能冲突。是哎，等等之类的 啊，需要这些约束条件需要考虑到位啊。解析思路，按照这样流程来，第一步啊，职业与机构选择，选择代表性职业，然后匹配对应教育机构啊， 然后呢？影响预测模型，构建 sd 模型，然后呢？来哎， sd 模型来整合 ai 技术成熟度，职业自动化率，市场需求来构建这样的一个模拟关系，就是 ai 它是怎么影响的？来构建 sd 模型系统理学模型来演化，来把整个的演化过程给它建立出来， 然后教育方案优化，用 h b 确定目标教育权重啊，哪些权，哪种是哪些是比较重要的指标，我们放在优先级第一位上，比如说学生就业放在优先级第一位上是吧？然后多目标规划，多目标规划里面的目标权重也是不一样的哈， 然后呢，构建课程体系，然后第四要多目标多因素评价，评价非就业因素评价指标体系。然后第五步推广啊，这样的一个思路来哈，互相要点创新点是吧？量化结果，给出量化指标体系，然后第五步推广啊，这样的一个思路，要给模拟检验也必须要做一点哈， 然后这个题目的话就车长亮化建模的啊，比较好一点。亮化建模的是吧，像一些经管类的啊，文科的也可以做功课类的，慎重啊，因为他不是，他没有什么功课的专业，反而是跟很多教育职业相关的，所以说需要你最好有一定的背景专业来做哈。 啊，这有整个的这个 f 题啊，大家可以看一下哈。然后六个题目来看的话呢，最简单的就这个 a 题，我觉得 a 题真的很简单哈，然后 f 题呢，也还好啊， c 题呢，比较麻烦啊， c 题很很麻烦是吧？数据比较难，然后呢，建模也比较复杂哈， e 题的话呢，更麻烦哈。 d 题的话呢，呃，体育赛事的管理就是比较比较杂乱而已哈。然后呢， b 题的话呢？这个这个 b 题呢？这个四分啊，这个这个他就是 也不要，其实难度系数没那么大。就是就是，相对来说吧，月球基地可能很多人就害怕了，就害怕了哈，那整个的难度系数上来说哈，我觉得 a 题 f 题啊，都还是比较不是很难的，尤其是我推荐你做 a 题比较多一点哈， ok， 这就整个的一个选择题，建议难度分析啊，我觉得选 a 题的同学应该是比较多一点的，和 c、 c 题的话呢，因为给了数据，所以选的人应该也比较多一点哈 啊， a 题呢，是我最推荐你选的，也是大家希望大家啊去认真去做一做的哈。 a 题的话呢，难难获奖难度并不大，按照我说的逐层优化，逐层递进的话，拿到一个大奖应该是不成什么问题的哈。 ok， 这就整个 a、 b， c、 d、 f 题的思路解析啊，小题建议难度难度分析之类的一个文档哈。给大家 准备好了，然后相关的原代码呢？给大家准备好了 a， b， c， d， e， f、 t 的 原代码是吧，都放到相关的资料里面了，休息一下午就开始更新了哈，数据的话呢，老哥会大家继续从全网来寻找来购买哈，购买完之后免费分享给我们所有小伙伴哈，大家注意大家，大家不用担心哈， ok。

ok， 大家好，我是数学建模老哥团队的李老师，很高兴给大家讲解今年美赛的地题。 地题的话今年主要是讲这个体育赛事相关的一个跟财务相结合的这样一个统筹的模型。 跟往年有些区别的是，他居然依旧是一个运筹类的问题，要寻求在矛盾中找到最优解。不过他不再像过往一样是一个纯粹的网络题， 他今年的话更多的是一个实际财产，财产方面的一个考虑。然后由于时间问题的话，我不再带着大家去读这个问题，这个题目的背景相当的长， 同时他对题目的划分并没有特别清晰，然后他提到了许多你需要考虑的内容，有后面这么多这个小黑点都是你需要去考虑到的，因此这个题目的话，在今年来说应该是一个难度比较大的题目。 然后我直接给大家讲解一下我这里为大家整理出来的一个整体上的思路。那么首先第一部分 大家针对这种比较复杂的运筹类问题，尤其是他题目背景很多，你要考虑的问题很复杂，有些是正向的，有些是负向的，有些是对立冲突的。 有些问题他很好用数学语言去描述，而有些很难以把他从语文转化成符号语言。那么这种的话我们应该怎么做呢？ 我们这里的话一步一步的要先把原文中英文或者语文的部分翻译成数学符号化的语言，从这个自然语言中转化成具体的数学符号，来便于我们后续的这个建模工作以及问题的分解。 那么我们首先来看它第一个最核心的问题是要我们 maximize team profit and value， 那 么这个地方大家注意这个 and 就 两个东西，对吧？一个是我们的这个作为球队整体的收益，就是我作为球队老板，我希望这个球队的这个经济利益最高。 还有就是说我希望这里的价值，而这个地方的价值的话，他呃就并不完全以等同于当前的整体的球队的收入，因为他明确的提到了当前球队是一种现代意义上的一种资产啊。大家可以回到原文中去看这样一段话 啊，他说到目前来说，这个球队正在成为一种新兴的现代化的资产一样类型，就像房地产或者旅游酒店一样，你可以打包出售，也可以转卖股权等等。所以这里的价值体现的事实上是一种估值，就像你这个企业一样。 所以这里我们要建立的是一个双目标的一个优化问题。那么第一个是当前我每一个季度或者每一年的这个利润。第二个就是如果我要打包出售我的公司，那需要有个估值，这个估值当然包含限制，也包含对未来的预期，对吧？ 因此利润的话我们这里把它处理成这样子，作为当前的这个现金流，而估值微的话是品牌资本与未来预期的折现，我们因此需要去设计一个这样的加权函数，把两个合到一块，也就是一个双目标问题。 ok， 第二点的话，大家看原文中它提到了这个 players are hired mostly for the purpose for the purpose。 也就是说在这里 我们它指出了这个球员价值表现之间的差异，为了反映这种不对等关系，我们可以引入一个商业系数也就不同的球星 啊，他可能这个商业能力不一样，有的球星他算能力很强，但他非常低调。有的球星他可能更善于去包装自己，比如说他在这个赛场外肯定有更多的这样的新闻，他的商业系数可能更高一些。具体而言，我们可以通过一个价值函数来表示他， 也就是说我们认为这个球员他的经济系数取决于什么呢？一个是他在赛场上的表现就 performance， 对 吧？他在赛场上的球打的越好，哎，他肯定这个粉丝就越多啊，他的这个表，他这个商业价值越高。第二点他的粉丝还有第三点他曝光度。那么这三点 我们可以啊。目前我们作为一个符号化的方式去刻画它，我们先不去这个，把它清晰的建立出来，要它什么函数，我们先把它符号化的定义出来。 ok， 我 相信这个地方大家应该是很清楚的，能够理解它这里的意义是什么， 也就是一个高的解释度。我们需要注意到就是我强调的球员的商业价值并不等于他的赛场上的表现，这个原文里面有很清楚的提到。好，然后下面我们来看 opportunity and risk are both high， 也就是说他提到了这样一个，嗯，你需要有一个 trade off 这样一个内容在里面，有的时候， 但当你的价值越高的时候，可能风险越高，而风险越低的时候，可能你所获得的回报也越低， 也就是强调了机会与风险并存的这种情况，在建模的时候，我们需要把风险作为一个惩罚项，考虑到目标函数中，当然也可以作为这个限制项，就不同于不同的想法，我这里是认为把它建模到我们的目标函数里面，作为一个惩罚项会比较好一点。为了量化这种风险，我们可以通过方差 或者这个 value at risk， 也就是这个风险它的价值来看一下。由于伤病或战绩波动，或者球事扩充，或者你是小的地方，比如说举个例子啊，大家啊，喜欢看 nba 的 知道啊，有些像勒布朗詹姆斯，他最开始就是在这个小球市，在这个 克里凡，后面就转回到了湖人。同理就最开始，比如说像易建联，去到 nba， 他 登陆，他也不愿意去米尔沃基，因为雄鹿队实际上是个小球市，他获得的曝光度会更低。 这里的话，我们就会强调到风险和机会并存的情况。在大的球市，比如说你在 la 或者在纽约，你这个粉丝群体很大，商业价值很高，但是同时竞争也很激烈啊，无论是来自于同行的，还是你这个 啊，当前你的花费，比如球员的花费，维护的花费，酒馆的花费等等，他都会带来一个风险。 ok， 下面这一点的话，大概是个应约束，叫工资帽或者叫税收这块啊，这个很好理解，无论是你看这个啊，足球还是篮球还是棒球，他都会有这样一个工资帽作为一个应约束，也就是你全队每一个 球员，他总体的你给他发的薪水加起来不能超过一个数，这个大家应该很好理解，否则对于一些大球式球队，他能 他完全可以靠杠杆或者借贷获得大笔资金，然后啊招募当前球迷市面上最好的球员组成超级球队，一直啊获得总冠军，或者一直获得这个啊杯赛的这个第一名，那么这如此下去的话，就会出现一个强者越强，弱者越弱的一个局面， 所以这个地方联盟基本都会出现一个叫工资帽的约束，叫做应约束，那他其实就等于每一个球员你的 c i， 他的一个花费就 cosi， 然后乘上你是否雇佣的这个球员，他要么等于一，要么等于零，后面就会解释到，那把全部加起来等于工资帽，对吧？进全队伍的这个工资加起来，然后再看下面 我们来看 contrast free agency， 就 你可以进行这个球员的战交易，就每一个，比如说大家看欧冠，它有这个交易窗口，球员可以转会，或者大家看其他的， 比如说 mlb 这个美职棒，在这些赛事中，球队和球队之间球员就像商品一样是可以打包出售的，球员的合同情况可能会发生变化，尤其是在自由市场或者交易期的时候。因此我们要去看这个 啊球员的合同状态，他是否签约或者未签约，以及需要根据合同的年限，或者根据当前球员的这个经济水平，比如他是否受伤或他的年纪等等综合考虑。 那么最后的话，其实可以把建模成一个很简单的一个指示函数， x i t， 对 于第二个球员，在第 t 个年份的时候，他要么转会，要么不转会，对吧？那不转会就零转会了，就是一他被教育到其他队伍了， 然后下面的话我们可能还需要再去定义一些内容，比如说这个地方讲到关键求能力，它讲到了就是题目中讲的是 context matters come through， important moments。 这地方什么意思呢？就是说背景很重要。 大家想如果你在这个啊，九十分钟常规时间结束了，然后你在补时阶段这个独秒绝平，或者你独秒绝杀了 创造这种奇迹，或者说你在这个总决赛上，或者你在淘汰赛上完成了这样的得分或者挽球。对于狂澜，哪怕你平常只是个角色球员，你可能也会商业价值暴增，然后让这个球队的曝光量也获得很大提升，对吧？ 因此我们可能需要建模，这一点叫关键球能力。嗯，大家也很好理解。在平时的时候，可能我前两节或者我在垃圾时间我得分，我很厉害，并不一定代表我这个在关键时候处理球就很厉害。 ok， 因此我们就可以建立好我们核心的这个数学模型。关键是大家已经发现了是一个多阶段的混合整数规划，或者说简单一点，可以把它想象成 大家可以固定到一个静态的层面上。我们在固定时间是一个双目标的优化，一方面要我球队当赛季的获得的利润最高，同时要我球队的估值最大，对吧？那么决策变量，我们这地方 x i 就 可以进行一个零一的变量，表示球员是否，呃 啊，入选该球队阵容，就是我是否签约他啊？一代表签约，零代表不签约，然后 c i 的 话代表他的这个薪资你可以认为是 cos， 也可以认为是 salary 等等。那 cos 的 话，他既包含你 salary， 就 你给他的工资，可能还包含他题目中提到的股票期权等等， 或者球队的一些。这个啊，特殊权益，就这个地方，这个成本我们这儿先不分的这么细，否则你的问题会非常的复杂。 那 s i 的 话，我们把它建模成这个叫它的竞技评分，叫 skill 或者 performance score， 是 这个地方的话，大家认为它是一个对球队的贡献值，而这个贡献值的话，我们认为在一般情况下来看，可以和这个 球该球员在场时球队的胜率挂钩，对吧？除此之外，我们还可以考虑什么呢？也就是 啊，这个 s i 它不同的位置的球员，比如说啊，你作为前锋，你作为后卫，你作为中场，你可能市值不一样，你的竞技评分标准也应该有所区别。不过这个细者我们可以后面再来建立，我们先用符号化的语言把它定义在这里， 接下来我们看 f i， 就是 这地方叫 fans appeal， 然后 cap， 也就是帽子定义成这个联盟工的工资帽上限。 然后这个 n minim 和 maximum 代表这个球队大名单的最少和最多人数，那么小于最少人数也没办法参加这个赛季的比赛，大于这个人数的他可能就 会令他整改或者竞赛处理等等。因此这个地方也是一个应约束。那么我们先搞清楚它的机制，第一个机制就是说竞技场的表现，在职业运动中，球队的整体实力并不是个人能力的简单加和，比如说，呃，这个 美国梦之队，比如他的篮球方面有很好的统治力，但他也不是每一届奥运会都会拿到，拿到最后的冠军，对吧？因为他并非每一个球员的个人能力。加和 他是存在着一种相互配合在里面的内容。比如说大家想象这个在棒球场上，进攻球员只有一个，就是挥棒的那个球员，而防守球员的话也有七个人， 每个人的市值并不一样，场上只有一个球，而比赛时间是有限的。用数学描述这个语言的话，我们可以包含限性的这个累计项以及非限性的惩罚项来包含来刻画这个赛场上的表现。 t performance， 那么可以看到第一个部分的话， s i 也就球队的能球员，他的竞技评分，而他越高，比如说这个是超级球星，他又处于当打之年，那就是啊，表现很好，对吧？那我签约了他 x i， 他 等于一，我把这些球员全部加起来。当然有些球员可能是这个选角色的球员，或者他在球队里面工作并不很重要，我们也要把它加起来。 但是这部分球员的话，可能也会稀释我的巨星球员的球权，对吧？或者我的巨星球员他也会感到累，他也是人，他需要休息， 因此我们需要减掉这样一个协同消耗或者拥挤效应，当球场上你的超级球星过多的时候，这个拥挤效应会变得更大。目前大家可能理解，就这个地方建模的话，是我思路中的一个比较，嗯，我感觉一个比较啊，有意思的地方，我感觉是一个比较亮眼的创新点，大家想象这里我们减去了一个编辑效应 来刻画球场上的这种表现。 ok， 然后解释的话，我这刚刚已经解释过了，就是为什么会有这个二次惩罚项和这个拥挤效应。当你的这个球球心能力越强与 s i 越大的时候，你这个惩罚会变得更多。而这个 number 的 话，大家可以用一些摩擦系数，就像你 呃，球心之间可能会有你在同一个位置上，巨星堆放的越多，可能这个 number 就 会越大，对吧？ 或者在一套成熟的体系中，这个 number 值可能越小。比如在这个三角进攻体系中，或者在以中场为主体系中，这个 number 值可能就会更小一点。反之当你球队喜欢这个侵略性更多的打法的时候，可能 number 值就会比较大。一般我们会设计一个比较小的阵数来确定主导项是限行项，而这个 啊协同项只是一个比较小的项。 ok， 那 我们接下来需要从球这个球队老板的角度去考虑，我们建模成这样一个双轨驱动的一个啊多目标函数，那么这里我们的 rto， 比如这个地方就剑魔城用竞技驱动和球星驱动的混合函数，他来这两个方面。一个是啊，你市场上因为你说我们球队这个赛季打的非常的好，或者常规赛第一名，然后季后赛打的也很好，然后可能啊非常棒，然后这个淘汰赛在欧冠上打的也很好， 然后我们可能今年还有一些其他的这个全球性的赛事，我们可能去参加这个世界杯等等。 那么在这里我们可以看到用这个 e 加上 performance， 再加上这个对数项，然后再乘上一个 alpha 来刻画这个竞技驱动市场饱和效应。 而这里我加入这个对数函数，没有使用的限行函数的话，主要是趋于这个市场饱和理论。也就是我在网上找到这样一个信息叫 market situation siri 啊，这也是一个比较创新的点，所以大家如果有队伍喜欢用到我的思路的话，我觉得这个地方也是很不错的点。 然后第二个的话，就是我讲到的球星，他本身就带有一种流量效应，就比如说贝克姆，他哪怕不踢球了，他现在在这个 美国足球啊，他在这个迈阿密，那大家一样会去关注这个球队，对吧？他即使不是一个球员在里面，甚至他都还会有这种球星驱动 啊。因此或者说如果你关注一个球员，比如说姆巴佩，他从这个法甲到了这个西甲，到了皇马，你可能还是会关注他，那可能之前对于这个巴里森泽尔曼，你的关注度可能就减少了，以此球星驱动是很重要的一项，我们把这里也给他加上，就是个流量性的一些效应， ok， 因此我们这里整体上，呃，你的财务收入函数的话，我们就定义成这样一个 r total， 它来自于一个球场上的表现，这个主要是市场决定的。还有一个就是球员在场外或他整体由于粉丝或者他这个曝光度，就带来一种商业吸引的效应， ok， 那 至于同学可能会问到这个 f i 怎么来呢？啊？我们先不忙去定义它，这个地方我们可以通过很多方式，比如说有简单的，有复杂的，简单的，你可以将它就定义成社交媒体粉丝数，也可以像我之前说的把它宪性加权。有来自于三个方面， 包含这个粉丝数，包含他的这个曝光度，比如说你认为他的帖子每年的转发量，或者说他的过往球衣销售，以及全明星的得票，哎，这个是一个很好的量化方式，甚至说他每年在 这个福布斯体育这富豪榜上，你找同一个类型，比如说都是这个啊。美国橄榄球，你找橄榄球排名里面这个越高的与他的 现役球员中收入越高的，我们认为他的商业效应是不是越高？这是一个很好的方式，也就这样，这里数据的获取方式是多种多样的，如何解释？他只要能够说服你自己，同时在你的论文中能说服评委就 ok。 那 我们接着讲 困难的部分约束条件来的，约束条件低两前两个是这个硬性的约束，第一个就是你的工资帽，对吧？我们前面已经讲过你不不能高于你的工资帽。然后第二个话就你动态预算平衡，这里的话，如果你第一问其实不用建模这个问这个公式式我只在这里给大家给出来。也就是你的 硬性的成本来自于哪方面呢 啊？一个是你的硬性的成本来自于哪方面呢啊？一个是你的包括这个 股份啊，还有些运运营成本，对吧？运营成本一个是来自于他提到了你求管，哎，是不是？如果你租求管的话是不要付租金，呃，你买求管的话是不要付这个购买他的地税，每年这个像美国他你购买房产他需要付地税的啊。此外 你还有这个维修的成本，然后还有这个媒体，比如说你要跟这个媒体打好关系，你要这个赛事转播等等，就要付钱，对吧？那么这部分的话，就你整个成本，你整个成本是不是应该要小于你的收入？那么收入的话主要是来自于两方面，一个是你的票务收入， 另外一个就是你宣发的这个 board cost 的 这个收入。那么对于其中我没有定义的部分呢？我们可能会把它定义出来，那么在这里的话，大家先只考虑那些你能够理解的内容， ok， 接下来我们看到这个阵容的竞技特性，这里的话，首先第一个阵容人数，这也是个应约束哈，大家好理解吧？也是我的人数不能比最多的多，不能比最少的少， ok， 第二个的话就关键求能力，这里是个软约束，包括下面这个位置与技能覆盖，这是我自己建模出来软约束，根据这个题目它所印含的这个隐性信息，捕捉题目中的隐性信息是你能否获奖的关键， 同时把它翻译成数学语言，在规范中整合到你的模型中，然后同时不能让你的模型太复杂，否则你球解不出来。 这里的话关键球能力我们之前提到过，就是为了确保球队在关键时刻能够获取胜利啊，我们需要在阵容中保持一定数量，在关一定数量的球员在关键时候能够发挥作用，然后这个地方我们把它建模成这个啊，公式六这个样子， 也就是说这个 clutch waiting 就是 你的关键时候的这种能力，乘上你的 x i， 把它全部加起来，就你这个球队的关键球能力总和，对吧？它是个很简单的表达，大于等于 这个 league average， 就是 平联盟平均水平乘上一个伽马，那这个伽马的话可能就跟很多有关，比如跟你球队当季的表现，跟你球队的整体能力一般，我们认为要 作为一个强的球队的话，你应该要比联盟整体的平均水平要高才对。而这里的关键球能力的话 啊，他跟这个很多东西都挂钩，一个是他的 si， 比如说这个球球员本身的这个技巧，我们一般认为像超级球员，比如迈克乔丹，他就有这种关键时刻的绝杀能力，对吧？但是对于一些劫舍球员，他可能也有啊，比如说像 啊，之前这个世界杯，大家看这个决赛，这个阿根廷队最后换上这个迪巴拉上去踢点球，一整场都没用，他最后就让他上去踢这一下，哎，他他还真踢进了。 下面一个的话也是一个软约束，讲这个位置和技能的覆盖，球队的阵容必须要能够覆盖所有的位置，对吧？你选球员的时候，你可能前场、中场、后场都要，或者你前锋后卫啊，锋线和这个后卫线上你都都应该去选择球员。 这里的话啊，我们可以看到你 xi 这个 i 属于 position k， 在 第 k 个 position， position 指的是位置上面你的 xi 要大于等于 minimum k， 一 般比如说你足球的话，你门将差不多至少三个人，对吧？啊？主门将这个替补门将，然后还有三号门将，虽然三号门将基本上不上了， 然后这个 k 的 话，就是这里你可以把它举例出来，比如说属于这个啊，前锋、后卫或其他的位置， 那么下面的话就是某一个动态风险管理，这个基本要到后面两位才能用上，也就是 dynamic 的 risk management something 的 一个模型。还有风险价值约束。 something 就是 说啊，随着我球员的老化，或者我球员疲惫，比如说一些球员， 这个教练狠狠地用他，他天天都让这个球员打，每天都打满整场比赛，那这个球员肯定很容易受伤。然后如果国家队也让这个球员上，或者这个俱乐部打球的时候， 对于就对于一些弱队伍，他也让这个球员上，昨天踢了，今天还踢踢这种背靠背的，那可能球员就非常容易受伤了。所以这里的话，我们把它建模成类似于指数分布这样的一个情况啊，这个是很符合现实的，在现实生活中这个世界的到达一般是扩充过程，而这个 过程之间的时间差一般是指数分布。我们这里建模成这个样子，那么下面的话，我们建立成这建模这个风险价值约束，因为高风险球员的薪资总额不不能超过一定比例，这样可以限制啊，这个球队营商带来的这个财务风险啊，这个是个比较加分项，如果你模型没有，这个也 ok。 比如说对于一些年龄比较大的人，或者大家这个一些玻璃人，一些比较出名的，就他能力很强，但他很容易受伤，一旦受伤第一短期内他没办法打球了，那这个球队竞争力会急剧下降， 同时因为他占据了大部分的工资，我也没办法去补偿引援其他球员。还有因为他受伤了，我哪怕打包出售他，他的价值也会大打折扣， 所以这个对我来说是一个很大的伤害。因此我在签约高风险球员的时候要多注意，同时不能让他超过工资帽百分之五十可能，否则因为一个个球员他受伤了，相当于整体的薪水空间压低了一半，那这个是得不偿失的。 还有就是外部空间这个地方，那么外部空间的话，一个是他专门提到了 expansion， 就 当他指的一个例子，就 wnba， 对 吧？联盟扩军了，随着越来越多的媒体曝光和更人们更多的兴趣，我们这里需要啊。担心一个事情，就是说对于一些球员，我们需要把它保护起来， 而没有保护的学员呢，可能会被新球队挖走，因为联盟扩张了，对吧？一些之前没有球队的球，这个城市或者一些老板，他这个建立了新的球队，那他是不是要挖人，那他可能就不会把我这边球员挖走，因此我这地方 可以见过是这个样子啊，通过这个 mini max 策略可以最小化潜在损失啊，这个很好理解啊，是什么呢？呃，在这里我们选择在能被挖走中最小的那个， 然后让他们挖走啊，这个样子，然后下面是一个票票务需求模型，他是讲到有两个问题，一个是票价，票价越高我可能买的越少，但我单比获得价值越高，而票价越低，买的人可能更多，但是我的收入可能会变低 啊。同时由于球队的表现可能会导致球迷对票务的需求增加，就比如说常规赛一场比赛啊，这个可能没什么原因来看，但气候赛，总决赛这个来看的人就不一样了， 人们会有更多的兴趣，你就可以乘机提高票价，对吧？然后在场馆内，呃，你也可以在越靠前的位置或者包厢的位置提供更高的价格，而这个山顶的位置基本上都是很便宜的。那这里的话，你可以建立成这样一个 函数，而这个函数呢，很简单，咱们我们一项一项来看，这个 deep base 就是 你基础的啊，这个薪资，而乘上这个括号，一加上 delta t performance performance， 大家加，我前面已经解释过，你求的表现，表现越好，再乘上这个 delta， 就 对你表现上的一个加选，表现越好。 哎，我这个，嗯，求这个求票长得就越高，然后这个 p 再乘上啊，这个他的负的 epsilon 值方，再乘上这个东西，它代表什么？一个东西，它代表就是在线之内去进行一个优化， 然后这个函数呢，是关于票价的一个函数。 ok， 然后我们接下来针对这个题目，我把它拆分成四个问题啊，你当然可以把它拆分成五个问题，六个问题更多。那么第一个的话也是最关键的，就是说， 哎，你要设计一个动态决策模型呢，最大化球队的利润和价值。那多的我不讲了，目标函数的话主要包含两部分，第一个是你的竞技收入，第二个是你的球星驱动收入， 你的竞技收入和球队的胜率、市场表现等直接相关，而球星驱动收入则取决于这个商业的号召力，然后我们这里把进行一个加权，就这个地方 omega 一 乘上这个大派，然后 omega 二乘上这个啊， 这个 v 也就是这个地方，它估值一个是流量，一个是存量啊，我觉得大家最好在论文里面把这个写清楚， 然后你的构建模型的时候，这样一个优化模型，你把约束放进去，我们这只放最简单的约束，有两个硬性约束，对吧？ 然后第二个问题的话，制定球员的收购策略，就是我认为他专门提到的就是你有选就 drafting 啊，这个单词 draft 他 有抽取的意思，他除草稿以外他有选，然后在啊， 在体育赛时一般只选人，因为每年他都会选人，对吧？啊？他一般会因为你球队的这个战绩来说会给你，因为你球队如果越糟糕，表现的非常糟糕，你获得状元权的概率就越大 啊，等等。然后你除了选人，就是你自己从这个发掘一些人，比如从大学或者高中校园或者其他联赛发掘一些人过来， 会从海外迁移过来，你还可以干什么呢？还可以跟人家交易，对吧？你就自由球员交易，或者说选这个啊，你去选球员这样方式都是一个叫球员收购的一个策略。那我们这里的话 主要是从几个方面来考虑，第一个是他的这个商业系，就是他的球员综合价值，这个 vi， 我 们把第三个方面就会增加的表现力、粉丝数以及曝光度，对吧？从这个方面去考虑，然后最好这个地方你可以建立一个这个啊， 评价还是评价问题，可以通过一个评价模型来解决，你可以通过 a g p 或者 p o p s 或其他的模糊评价法来解决问题，来揭膜。 ok。 问题三的话主要是考虑联盟扩展或者其他商业集团的影响，联盟扩展的话我们就可以看到，因为当你的 market 整体的市场变大或者变小了，你的 dirt market share 与整体的市场份额变化啊，你可以想象如果新的球队进来了，你可能所在的份额。哦， 如果蛋糕整体蛋糕没变的情况下，人变多了，分的变多了，是不是你分到的就变少了？所以它是一个关于啊，什么东西呢？新的队伍数量，整个市场规模以及你队伍的表现，就我如果队伍一直是 top one， 那 再来一个人也是 top one， 对 吧？ 因此这个地方，我们这个地方建模目前这个函数还是一个待定的状态，这个 function f 啊，这些东西， 这里，我个人这个地方，嗯，觉得建立平方反比会非常好，大家可以模仿这个场含电磁场或者这个万有引力公式去建立平方反比公式，这个公式的话解释力度很好，而且很符合美赛评委的口味，尤其是在 icm 这三个赛题里面， ok。 然后问题四的话是针对这个球员伤病，我前面讲到球员伤病我们建模把他建模成这样一个，哎，那些指数函数这样一个内容，然后我这地方还认为可以建立一个老化模型，哈，就说我这个球员会是竞技状态，会随着时间逐渐下降， 或者说你可以设置一个指，比如说在二十六岁以前他都是逐渐上升的，而且他在二十六七岁会达到一个巅峰，当然这个地方不同的赛事不一样，不同的 啊，比赛不一样，有些比赛年纪大了反而可能更强，有些比赛很吃您这个青春饭啊，这个不同菜是不一样，所以我们这 我就统一的建化，建立成一个衰老模型，就都会变老，随着时间他都会逐渐一个变老。而这里的变老的话，你可以把它定义成这种限行的，我这是个限行变老，你可以定义成一个负指数的变老，也可以定义成一个对数的变老。这里留给大家更多发挥想象的空间 啊，我主要是提供一个完整的思路。那后面的话，我会为大家继续提供一个啊，实现 这个代码以及整体的啊这个报告啊，大家期待后面的一个结果吧，我觉得目前看下来，通过我这个思路建立的模型应该是一个嗯，非常能够得奖的一个结果。 ok， 我 第一节课就给大家录制到这里。 好的，大家好，欢迎关注这个数学建模老哥团队，我是李老师，我将继续为大家带来这个二零二六年美赛地铁的一个完整的建模以及代码的实现。这里主要先提供前两问的这个视频讲解内容。 首先啊，我们这来看到关于这个问题一啊对于整体思路不是很清晰，同学还请啊去看一下我的前一个视频讲到整体上的一个思路，那么我们问题一的话是一个混合的一个规划问题，要求这个动态收益最大化。 这里的话，我们注意到我们的收益主要来自于两方面，一个是赢球带来的收益，另外一个啊则是这个市场给我们带来收益，而市场上带来的收益的话，有可能是这个球员他在场外的商业价值所带来的内容。而我们这里的这个决策变量的话，主要是 x i 是 否签约第二名球员，如果签约他，他在我球员的效力的话等于一，否则等于零。 同时我们这里给出一个辅助函数，那么这个函数的话用来刻画我们的胜率模型，什么时候我的球队，我作为一个老板，我会有更多的收入呢？那是不是我的这个 啊，球迷粉丝更愿意去买我的球票或者买我的机票更好，对吧？那么这里主要是跟我的表现 performances 有 关，这里的表现的话，我们需要去刻画，这是我们的胜率。我们这里建模成一个 logistic 函数，然后啊以这样的形式给出它，跟什么有关呢？跟我第二名球员，他是否签约他，以及这名球员的个人能力有关，对吧？那么 个人能力的话，我们之前用这个 s i 代表他的 skill， 他 整体的这个竞技水平，然后我们把它加起来，如果我球队有 n 个人的话，把它加起来就是我整体球队的一个表现，然后我的胜率呢？建模成这样的一个 s 形曲线，这样一个函数， 这里这个 k 代表敏感性系数，而这个 s o p p 呢，代表这个联盟平均对手的实力。分母上这个指数的这一部分 e 的 负 k 乘上这个 t p f m s 减去这个 s o p p 就 代表了我 整体球队的表现，相较于联盟怎么样？这里我们通过这个方式可以获得一个 s 型的一个曲线， 然后接下来我们可以建模这样一个收入模型，也就是我提到的球队的总额收入由竞技驱动收入和球星驱动收入构成。竞技驱动的收入的话就是这部分 由我们这里讲到的你的球队胜利决定，也就说你球队获胜了，你的胜率越高，你的收入越高。另外一个也是球星驱动，这里的 m cap 代表这个市场天花板，类似于一个调整系数的作用， 也就是说哪怕你的胜率特别高，你也不可能获得的收入超过你整个市场天花板，对吧？比如说在冰冰球项目，可以说这个在美国四大联赛中应该是比较低的 会，至少对比 mlb 或者 nba 来说，它的知名度相对更低一些，那么这里它的市场规模就不会特别大，因此你球队获得的总额度是不会高于市场的总规模的。此外 除了市场，也就是你打球本身带来效应以外，你球员是不是还会卖球衣，然后你是不是还会卖这个球队的周边等等，那这部分的话很大程度上是球星驱动的， 那这里球星的话一般来自于这个他的粉丝数，他的曝光度以及他的个人能力，对吧？而这里我们把它综合考量成一个符号，叫做 f i， 代表他的 这个商业号召力，叫 fan appeals， 那 这里同样的，我们乘上 x i 代表这个球员在我的队里他才会有这样一个吸引力，他不在我的球队里面就没有这种吸引力了啊。比较好理解的，就比如说 这个勒布朗詹姆斯转会到其他球队了啊，他被交易走了之后，那过去他的所在的球队可能这个球星驱动的效果就会下降很多。 ok， 那 我们的目标函数的话，大家看是不就是你的总额在的球队可能这个球星驱动的效果就会下降很多。 ok， 那 我们的目标函数的话，大家可以 可以先看一下，这里支出的话，大头是来自于球员的薪资，我们这里先不考虑后面这个比较复杂的问题，也就说你需要加入啊，这个球馆的租金 或者你媒体的这个，嗯，转播所产生的这个成本，我们这里仅仅先考虑这个球员你给他的工资，或者说你给他的这个股权所带来的这样一个成本。那你需要优化的函数，就是这样一个 目标函数，然后我们接下来的话，你要去做这样一个函数是很麻烦的。有同学会问到，老师你怎么实现这个问题呢？就这里对于这样一个复杂的非现金的函数，我们一般的策略是把它现化， 那要现线化这个函数的话，我们要引入这样一个编辑收益来操作，它在目标胜率也就 p target 这个位置，我们可以去做这样一个事情， 这里我们对于这个 m r s， 它就等于这个 m cap， 然后乘上这样一个导数项，这个导数项 p 在 这个啊目标胜率处的这个导数值， 我们转就可以把里面这个位置，就我鼠标所选中的这个位置转化成这样一个这个东西， 也就里面这个部分可以转化成这样的一个导数关系来进行向量化，这个方式的话叫做切向法去近视化非向量数，这个具体的实验系这个数学细节我在这不展开讲。 ok， 然后约束条件的话，我们前面讲到有些硬性的约束，第一个是你薪资的工资帽，对吧？一个球员每个球员它总体加起来不应该超过你整个球队的工资帽。然后第二个是阵容的完整性，也就是你加起来 x i 它要小于 mx， 大 于 minum。 那这里的话为了求解简单，我这里直接让它等于 m x， 大家到时候去改我代码的时候，只需要在这里进行一个调整去改一下就可以了。还有就是关键球，这关键球的话同理 我们之前在前面问这个，前一个视频讲到过你的关键球水平能力如何去刻画，以及你的位置平衡，位置平衡的话就是你在第二个位置上，哎，有的这个球员个数不应该小于这个 最小的平均个数，就比如说你在门将这个手位置上，你至少要有一个人，就它的个数要大于一，对吧？ ok， 那 么这里的话啊，我是用这个蒙特卡罗法去生成的数据，然后引入了这个市场真实的一些情况，然后来刻画数据。比如说我这个地方找的就是冰球，就 ark 它的数据，然后来刻画的结果， 然后最后得到这的代码给大家， 那么这里的时候大家到时候去复刻 或只需要直接运行就 ok 了。然后里面很多参数呢，你可以自己去调整，就整体市场的规模和工资帽水平等等。这个地方的话就三百 million 啊，是以美刀为单位，就这个地方大概三亿美元的样子，就整个啊求是的水平，当然你可以把它改的更大一点。 此外后面这个位置去生成球员的时候，大家可以把这里啊这个数字改的更大，我是为了格式化方便好看，然后才这样去做的。然后位置这里我是把它分成了三个位置，你也可以自己去分，把它分成更多的位置， 嗯，按照你所选定的这个实验对象，或者你想仿真的数据来做，然后核心的代码在这里就是你的 optimization 的 优化代码， 我们在这个地方优化完成之后呢，做了这样一个 visualization， 也就是绘图的操作，你可以在运行之后呢，可以看到跟我一样的图像，可以去看到这个真实的你的 s 型曲线，以及你的胜率， 还有你的这个策略上如何去选择你的所要的球员。这部分球员的话，一般来说就是这个能力强，但是收入这个并不贵的，他的工资并不贵的球员，对吧？我们可以看到他确实符合这样一个正比正向的这个 正相关，那你需要选择的大概就是这个曲线左上部分，这部分球员就是红色标记的，然后这种美观图像的话，这个代码大家直接运行就能看到了，这里也是一样啊，我就不过多的赘述了。接下来我们来看这个问题二的思路， 这个整体的建模流程，然后这个部分的话，由于他稍微复杂一些，我们就写的，我就写的更更详细一点的。 首先我们在这个地方去考虑伤病和疲劳带来的问题，制定最优的这个轮换策略，以最大化这个赛季的总期望收益，因为你不希望你的球员刚买过来就受伤，或者说你不希望你签 选秀签下的球员，他因为受伤导致他上场比赛或者他的交易价值大大的下降，对吧？那么这里我们要去刻画受伤有很多方式，一个是我前面讲到的，你可以通过这个指数函数啊，你可以通过这个 指数分布来刻画它这样一个受伤的时间过程。那这里的话啊，我找到一个更好参考文献，在之前的过程中可以把人体的疲劳建模为工业界通用的可信理论，就 reliability theory， 然后将球员视为可修复的系统，他的健康状态服从这个尿路分布。这里的话很好理解，因为我人受伤了，可以通过手术或者这个呃静养等方式可以康复过来，对吧？尤其是现在医学如此发达的情况下，他并不是坏掉之后就永远不会好了。那么这里 我们看它什么时候会受伤，一般来说它的一个核心变量，也就伤病风险率，我们定义成这个样子，这个 h t 呢？它等于贝塔比上这个 e t， 然后乘上括号里面这个东西，然后括号里面呢分子部分，这个漏斗代表它的上场时间， 这个地方就很好地刻画了我球员，因为在场上他上场时间越长，可能他的疲劳感越大。就这个地方漏斗，你可以认为是一种疲劳感，或者这种 精神或者伤病上累积的这种压力，然后他比上这个尺度，也就是说这个特征寿命，对于不同的这个赛事来说，这个一塔值不一样，还有这个 beta 值呢？代表他的磨损指数，这个磨损指数的话， 你代表的是越打的多，你的受伤概率会一个加速性的上升。大家想象 beta 大 于一的时候，这个部分会变成一个指数函数，它会以一个更快的速度上升。 也就说你在长年累月的这样一个积累的病变情况下，你发病的概率，你长病出现的概率会飞速的增加。然后文献上获得的信息大概是正常职业运动员不同的赛事不一样， 大概在一点五到二点五之间，对抗性越强的赛事，这个值越高，这个对抗性越弱的赛事，比如说单人的，像网球、自行车，这个值就比较低一点。 然后接下来我们看这个状态转移，从你从受伤，或者说你从这个健康转向受伤是怎么做到的？这里的话大家可以看到是一个条件概率，我的条件是我在上一个阶段就 t 减一时刻是 ok 的， 这个减一你可以认为是赛季，也可以认为是跃速。这个按照不同的 赛事它是不一样的，有些赛事的话，它的赛这个赛程很紧，有些赛事它的赛程很松， 然后你这里想要的是你的第二名球员，在上一个阶段他是健康的，在下一阶段突然受伤，他的概率那就应该建模成类似于我这里写到这个样子，还是一个 服从类类似指数分布的变化，只是这里他的期望也就是负得它 t 乘上这个值，这个 h t。 这里如果大家学过指数分布了，这个地方应该是 number 也有他的受伤率。呃，如果概率论比较好，同学应该知道这个地方这个 at 指的是什么哈，那这里的话我们把它建模成前面更复杂，这个要爆风险函数用来刻画我状态上的转移， 然后我们再把这个受伤带入到我们前面这个多阶段随机动态规划问题当中去。我每一天对比赛日或者你对比赛周而言如何去分配你上场的策略，以实现最大化 你球员他整体的这个水平，同时减去你可能带来的这种受伤的风险。 这个 s i 我 们前面讲的就是你这个 a 球员他的一个竞技水平，然后减去 number 乘上你这个啊，受伤可能带来的影响啊，这个影响多大，你个人去确定。那我们参数的设置和来源大概设置成以下几个值啊，这些值的话 一般是通过这个文献还有这个大量数据进行优化查找得到的核心的参考文献啊。我这个地方啊就不提供给大家了，方便这个防止大家到时候因为复刻我的论文出现了这个最后获奖这个 论文出现问题。这里参数上的话，第一个 beta 我 们取值二点五，它代表一个你的磨损程度，第二个这个 e 值取三十四，然后代表你这个负荷裕值，然后第三个你的 repair factor 就是 你的恢复，你恢复这个地方，也就是啊，这里我好像没有显性的写出来， 也就是把这个 h t 换成 r， 代表你从 injury 到 healthy， 也就这个地方两个交换一下位置，把这个 h t 换成 r， 就是 你的恢复率啊，这个很好理解，你对你这个球员虽然受伤了，他也有一天会好起来，对吧？ ok。 然后实现的步骤的话，我这里以这个 nba 为例，就 wnba， 然后包含八十二场常规赛，然后你有最佳阵容，十五人从我们的问题一中夺取最佳阵容，就我我签的那批球员， 然后我更新全队的疲劳度，如果是比赛日检查谁受伤了，谁太累了，然后派出最好最强的可用的阵容作为首发出场，然后计算由于疲劳导致的能力衰退，然后不断更新这个过程， 然后啊再去计算我的胜率，动态的去更新，然后最后去评价我当前的这个伤病，判断每一场比赛之后，然后最终这个赛季打完了，统计你的总胜场数，你的核心球员的缺席率，以及过度过度的使用导致这个崩盘的场次。 那么最后的话，我们可以看到几个可量化的结果，我也带大家看一下， 原来是这样一个图像，而这里红线的话代表一个你采用了一个激进的策略，就这里 你采用了一个 aggressive strategy， 你 让你的首发球员不休息一直打，那就会出现你的稳定性，你的 reliability based management， 你 的稳定性会出现明显的下降，你的可信管理会在这儿出现了一个呃，比较危险的区域， 一旦你停止了这种做法，可以看到你的稳定性会出现上升，就是你不再这样去做了。然后我们可以从这个热力图中 可以去看到在这个赛季的前半段，前三十场的时候，哎，你的球员基本上是没有什么受伤的啊，就是他的疲劳感不强。这个地方就是这个图啊，这个图 你的橙黄色，黄色区域代表你这个球员这个人体力很好，水平很高，大家可以看前三场的时候，大部分球员，我这个没有首发的这部分球员，他这个体力储备都很丰富。而黑色的区域的话，就代表你受伤了，然后你受伤之后大家看他是不是会康复，康复之后可能又会受伤， 有的康复周期很长，有的康复周期很短，越到晒晒层密集的阶段越容易受伤，可以看到在晒层密集的中间阶段的时候。 啊，这，这个为什么在中间阶段比较密集呢？啊？这个是因为一旦像 nba 这样的赛事，他最后只有前八个队伍能够进入季后赛，到后面基本上就已经成为也只能去争夺附加赛名额，或者很多球队就直接开始摆烂，来争夺明年更好的选秀机会。所以到这里 作为策略考量，他会让主力退下来，让替补更多的去打，所以到后半程反而首发球员受伤变少了，中间的受伤变多了。 ok， 那 我们的问题二模拟就是这个样子。嗯，以上所有的这个可复现的结果呢，都包含在我的文件夹里面，大家运行这个代码就可以得到一模一样的图像，然后结合我的思路以及右边的这些 pdf 文件，还有 markdown 文件，可以帮助你更好的理解。 然后大家在复现我的操作的时候，记得去把里面的数据替换成你真实收收到的数据。像问题一的话，我使用的是冰球的数据，问题二的话，我使用的是这个篮球的数据，你可以替换成其他的， 比如说这个美职棒，或者你喜欢足球等等。换成你自己的数据的时候，记得把里面很多东西都需要更新，无论是这个市值、工资帽还是你球员的个数，对吧？你都需要去更新，比如说大名单最多限制多少个人。 ok， 那 我们现在前两个问题的思路和这个解析就讲到这里，我之后会为大家带来后两个问的解析，以及最后成套的成品论文。 好的，大家好，欢迎回到我们关于二零二六年美赛具体的一个思路讲解。那么前面我讲的前两问的一个思路，然后为了跟这个第一个视频里面的这个顺序对齐呢？然后我改了一下这个 啊指问题的顺序啊。不过大家不用担心，在最后给大家评评论文里面，这个顺序会是跟最开始大家所理解的题目要求是一致的。 ok， 我 们现在来看建立这个关于球员收购的模型，或者说关于球员获取的模型，我们需要去建立一个多维度的球员价值评估模型，也就是一个评价模型。 我们什么时候去购买一个球员从其他队伍呢？或者说什么时候我要去卖出一个球员呢？我们需要综合考虑以下几个表现，第一个他的竞技表现，也就是对于第二个球员，他的这个整体竞技表现，还有他的商业价值以及他的健康风险， 还有他的契合度等。那么我们这里简单的从三个角度出发，也就是他的 a 这个竞技水平，然后商业价值以及这个健康程度， 然后竞技水平呢？大家都可以通过他出场的时候获胜的场次数，比上总的胜场数，或者说他的效率值，或者说他得分值等等来评估他的竞技水平。 这个地方评估竞技水平后面的话和另外两个一样，我们要进行归一化处理，所以无论你是选择得分数也好还是效率值也好，只要把它放到和 同样一个联盟中所有球员机比较，最后得到了解释度上意义是一致的，所以不同的队伍你们可以选择不一样的方式去定义这地方的竞技水平。通理这个商业价值，这也是商业价值的话，这个地方你可以认为它跟 si 正相关。我这里建模就比较简单， 你可以把它建模成更复杂的东西，比如说和这个球员所啊拥有的财富成这个啊，拥有财富来进行表征，或者说你认为他是加权的，包含这个球员，他在啊， twitter 或其他一些地方，他的粉丝数，他的这个， 嗯，代言的这个品牌数量跟这些有关的话，你可以把它们统计起来，然后去汇总，进行一个多元的加权来获得他的商业价值。那健康程度的话， 这个地方我们主要是通过一个 beta 函数来进行一个仿真生成啊，如果你是采用真实的这个数据的话，也是可以获得到这一个健康程度的，因为这个地方健康度的话啊，你要把它处理成一个零一之间的数，最好是给他找到一个这样的一个偏态分布。 ok， 然后我们就可以去定义这样一个指标叫做 acquisition value， 它代表我们的综合得分，那么它是由这三个指标进行一个加权，那么每一个指标的话，我们都先进行了一个 me max 标准化处理，把它去处理到这个离异区间上， 然后通过这个函数呢，我们就可以区分有实力，然后但是他商业价值很高，同时他不是玻璃人，他不会受伤这样的人。 此外我们可以去建立这样一个性价比指标，也就是说对于好的球员，他有的时候也很贵，对吧？他的时候可能性价比比较低，那么这个时候我们就需要正确的去做出判断，所以我们去建立这样一个性价比指标来 啊表征这个球员他的一个水平，那么这里通过这个 a v i 的 伽马兹比上 ci 来作为这样一个评价性指标的构造。接下来我们去啊 选定怎样进行收购，我们的收购算法怎么去做？那一个传统的模型的话叫 monobable 模型，我们这儿做了一个优化，叫做 smartmonobable， 这就这个策略是为了避免我们为了追求极致的性价比而堆起大量的种角色球员。那么算法的过程大概是这样的，从这个全联盟六百多名球员的池子中啊，剔除己方以及非自由球员，也就我们这个地方只考虑那些在合同年或者这个啊 自由的球员。这个时候啊，我们首先进行一些硬性的过滤，比如说这个健康指标比较低的，然后我们考虑这个实力门槛能够超越联，然后这个低于联盟中位数的也三百名以后的， 因此我们只在精英池子里面去寻找这个便宜货，你可以这样去认为，然后进行一个排序，通过计算这个地方的 a v i， 然后计算排序，然后你当然也可以通过 r xi 性价比来计算排序。最后 在这个隐性的预算约束下，我们贪心的算法去构造出这样一个嗯，贪婪模型，然后你可以去寻找出最好的这个球员替补阵容啊，球员阵容， 然后的话到时候大家运行我这里提供的脚本，这个脚本里面的话首先是 进行了这样一个球员数据的模拟，这个模拟的话是从这个第一问之前给大家提供的这个代码中啊仿制了很多部分。然后在第二问中这里主要是一个核心的模型，这个模型的话就包含了我刚刚提到的你的来自于三个方面，你的技巧，你的商业吸引力以及你的耐久度， 或者你认为你的健康值。那这个地方，然后这里的话是进行一个啊加权相乘得到这个 a v i， 然后上面的话是对他进行一个赋权的过程，那么这个权重的话，大家可以通过这个商权法来获得，你也通过可以通过主观的加权方法，或者说通过已有的一些商业模式，你通过经验法来获得都是 ok 的。 然后下面的话就是我们的过滤层，过滤层我们这讲到你一般是拒绝那些容易受伤的人，同时拒绝那些低水平的运动员， 然后我们去构造我们的贪心算法。后面这一节的话就是我们的这个啊绘图代码，那绘图代码的话大家可以在里面自己去改里面的配色等等。然后比如说这里我们就是做了一个球员水平的可知化，可以看到他的多个维度上的一个表现 啊，这三个维度的话是我们刚刚讲到他的三个指标，而这个维度的话是他的性价比，这个维度的话是他的这个产品总得分。我们可以看到他的耐久度很好，或者说他的健康值很高，同时他的技巧很强， 那么这样的话他这个球员的这个综合得分就会比较高，尽管他的商业吸引度比较低，可能他曝光度比较低，他目前还是处在这个呃没有特别火爆，流量并不高的时代，我们把他签约下来，对我们球队来说是一个很好的帮助。 那么同时我们这里的和实况展示的前五名的目标球员，他的一个情况大部分都是这个 呃技巧比较好的球员，就是符合我们所想要的，从精英中去选择性价比高的。然后这里的话也是一样，我们把这个 呃做了一个二维的一个横中坐标，横中坐标代表他的平均年薪，中坐标代表他的综合得分，那我们需要选择左上角半区，也是高性价比区域啊，你的收我要付给他的薪水很低，同时他的得分比较高的球员，我就选这一批，对吧？ ok， 这就是我们问题二的一个整体思路，通过构造这样一个综合评分评价模型，然后再加上一个贪婪算法去帮助我们选购球员。 那对于一个问题，对于下面问题三的模型，这里我们去考虑商业运营和外部的冲击影响。在商业运营中我们需要去考虑几个问题。题目中提到第一个联盟扩军，他举了个例子，比如 wnba 这一支联盟， 他可能会面临着越来越多的兴趣，导致可能有新的球队出现。然后第二个就是跟这个票务的定价，他提到当你的票价越高，可能买的人会越少，但是啊，你可能收入因为单个票价高的原因，不见得会特别低。 于此同时，如果你票价比较低，可能会薄利多销，也就是说购买的人会更多。因此如何平衡票价啊，成为了一个需要决定的问题。 我们首先来解决此问题当中第一个，也就是关于扩充联盟出现的问题，当联盟宣布扩军的时候，新球队有权从这个现有球队名单中挑选球员。一般来说规则是这样子的啊，大家可以去回顾一下不同的联赛，当然不同联赛不大一样，你可以自己去定义你的规则，也可以去找一个你熟悉的联赛 新友球队首先要提交一份保护名单，包含 k 明球员一一共的话大概是在你球员总球队总的大名单基础上的一半，然后再多两到三个人这样子。然后就是你 k 明球员需要保护的，一般他是保护你的年轻球员啊，同时 你可能会想保护你们更有性价比的球员，那么新球队只能从未被保护的球员中挑选一名。你的目标是去制定这样一个保护策略啊，使得被选球员的总价值损失最小化。 那么总价值价值我们之间是不是已经谋好了？就是这个 a v i 对 吧？我们的前任问得到的那最小化，我们是不是把他们全部加起来，损失的球员加起来，或者说有很多种方法， 我们这里去定义我们的模型 v i 的 话，我们前面已经算过，在问题二中，然后这个 y i 的 话，就决策变量代表他是否被保护，如果等于一就是保护他，否则等于零就不保护。 那对于决策逻辑，一个新的球队，他是一个理性的人，他一定会从未被保护的球员中，也就是如果把这些球员挤成一个 g 和 u 的 话，他会选走价值最大的那个人，而且他会按照价值从大到小进行排序来选择，对吧？ 因此我们会损，我们的损失函数是长这样子的，也就是我的 v i 乘上一减去 y i， 那 对于 y i 等于一，也就被保护的那批人来说，一减去一是不等于零，零乘上 v i 是 不是等于零？也就是说被保护的人在我的 loss， 也就是损失函数中的贡献为零，它并没有真正的损失掉。 与此同时，没有被保护的球员 y i 设置为零，那么一减去零，得到一乘上 v i， 也就他真正失去了 v i 这么多的价值。我们的目标是最小化这个最大可能的损失啊。这里可能会对大家有点绕， 大家想，我如果有十五个人，只能保护八个人，会损失七个人，对吧？在这七个人当中，我想损失的是 什么呢？或者我，我最不想损失的是不是最优秀的那个人？那最优秀的那个人是 v i 最大的那个人，而 v i 最大的那个人是去 max， v i 乘上一减 y， 就是 这个括号里面的内容，代表是不被保护的这批人中价值最大的那一个， 让它价值最大化，这就是我的目标，而我的约束条件是什么呢？就是被保护的人加起来要小于等于 k， 被保护的人都是一，不被保护的人都是零，那么被保护的一一一加起来，它应该是要小于等于 k 的， 一般来说会让它等于 k 哈， 直观上来说就是保护队内最有价值的 k 名球员。所以这个问题的话其实比较好解决，主要就是大家在数学模型上这建模的时候啊，用这样简洁的方式去完善你的模型，这地方就很高效了。 ok， 下面这个子问题的话，是关于场馆的运营，你到底是买一个场馆呢？还是租一个场馆？可能一个比较经典的例子是这个 nba 快 船队，他在很长一段时间里面都跟湖人队共用一个球馆，他是租用的这个 type 室中心，哎，直到这两年他买了新球馆。 那对于这样一个经典的问题的话，我们需要比较几个问题，也就是跟你自己买房地产一样的，到底是租房子住还是买房子住？租房子住的好处是 你可能每个月居然都在花费出去，但是你不会有大笔的单次开销。而买房子的好处是很很有可能你在近二十年内都要背上房贷，你每个月都要支付。

好的，亲爱的小伙伴们，大家好，我是老哥啊，今天呢，给大家整理了二零二六美赛 a， b， c， d， e， f 体的这个翻译哈，这个相关的一些工具啊，我们用我们的超级的这个 提着头给大家整理出来了一个 a， b， c， d， e， f 题的，整个的一个赛题的一个啊，相关的一个解析啊，模型的选择，以及相关的一个创新点的总结，以及相关的难度分析和选举的建议哈，大家可以看一下哈，今年的话呢，美赛的 a， b， c， d， e， f 题吧，顺序有点颠倒哈， 往年的美赛的 a 题是不可能出这种题目的啊，往往会出一些比较偏门的一些，是一些什么微方程啊这种激励分析类的赛题，而这个 而这个 a， t 呢，呃，智能手机电池耗电建模啊，这个确实出乎了我们的意料啊，只不过呢，很多同学啊，用这样说，老哥，既然是预测的话，我直接用时间系列预测模型就不就行了吗？对不对？你们记住哈， 每赛我觉得 a， b， c， d， e， f 他 出错的概率是非常的低的啊， a 题呢，历年往往都不可能是一个单纯的数据分析类题目的，你说这个，老哥我用一个什么灰色预测，回归预测，直接预测 打那个耗电不就行了吗？啊，你直接耗预测和剩剩余时间随时间变化。函数，我直接用一个基础的回归函数，我直接用一个基础的回函数不就行了吗？你记住，这是 a 题， a 题往往就是机理建模，机理分析，所以说这个题目的核心一定是机理建模的，用一些数学物理的公式，哎，把耗电量和各种各样的参数，他内部之间是怎么关联的 啊？内部之间具体的机理机理的流程啊，只有你把这个串联起来，你才能够建好模型。 所以说 a 题啊，绝对不是一个单纯的时间训练分析题目，我们后面会给大家讲到怎么拿大奖，拿大奖的话，如果你想拿奖，我想拿一个 h 奖 m 奖，你用一个单纯的经历，一单纯的时间训练分析类，或者用普通的继续学习算法，是不可能拿奖的，所以大家一定要注意啊，这个地方要慎重，要慎重哈， 来啊，这是我们的 a t 的 一个翻译哈， a t 的 一个翻译。 b 题的话呢，太空电梯系统建立，求直微的，你不要被这个题吓到。首先啊，这个题的话呢，你千万不要被吓到，不管是什么太空 g t 还是月球 g t 还是什么火星 g t， 本质上来说就是优化 啊，本在本上来说就是涉及到多个系统的问题，他逃不出这个去的， 和本上和建一个医院啊，建一个修一个学校啊，基本上没有什么区别，所以你不要被他吓到哈，难就难在这个题目可能会涉及到数据的问题， 数据不好找而已啊，但是传统的我们常规的一些优化模型基本就可以做出来，大家呢，也不用担心好吧，这个题目呢，你也不用太担心，后面我会讲到一一的分析啊，就每个题目看了没，他会有一个完整的分析报告啊，到底评分依据或讲难点，解析要点，解析思路或讲要点哈，都给大家讲到的，所以你也不用担心啊， c 题，这是一个比较基础的一个机理机，一个数据建模题目了又，我说说的记忆学习分析题目啊，这个呢，就是有点，有点不太，有点就 突突兀哈啊，今年呢，就是搞了一个节目啊，搞了一个节目叫舞动奇迹啊，说白了就是观众投票之类的，人家得到相关的数据分析，给了大量一些数据表啊，今年的话呢，我们用 ai 是 今年我敢说是每赛历年获奖难度最大的一年，也是小白获奖最好获奖的一年。为什么？因为今年的 ai 将会是 ai 在 世界剑魔领域彻底渗透的一年，也是彻底渗透的一次比赛， 尤其是个 ct， 给的数据集竟然不多啊，给的数据集竟然不多啊，这也是超乎我的预料的啊 啊，你如果给的数据不多，那 ai 就 可以直接给你处理掉了， ai 就 可以直接给你处理掉，所以这个题目的核心就是你一定要做出创新性来，如果你没有做出创新性，你就利用了一个单纯的继续学习算法来做的话，那你这个题目想获奖就不可能。我们给大家讲了四种创新， 四种创新，对于啊，在这个位置上，那么你必须要选择一到两种创新来做，因为大本同学我估计会选这个 c 题好吧，因为这个 c 题给了数据，也给了相关的一个难度系数，也不大，给了相关的一些一些。那个啊，题问题呢，也不是特别的复杂，但大本同学我估计会选这个 c 题， 既然如此的话，那你必须要有创新，你没有创新的话， ar 十分一个小时就可以做完，我一会呢，会给大家演示 c 题，用 ar 怎么来系统来建模，而我们 给大家用到的这个提示词儿看了没？我，我的超级 ai 模拟题，求解题词儿里面啊，看了没？这就是完整的一个求解，一个系统的呃，数学建模题目，它的一个 ai， 一个提示交警提示词儿里面有一个，看了没？ 第一，模型选择阶段啊，你看用 ai 提升的词和不用 ai 提升的词呢，结果完全是不一样的。用 ai 提升词呢，我会让他给我创新，看到没，而且有三种创新啊，你给我任意的每个小位必须要给我选择至少三种。三种创新方案是至少选一种， 第一个算法改进创新，第二个交叉领域创新，第三个算法组合创新。这个你必须要放在你的 a r t 你 的模型选择或者模型建立里面，如果你没有，你仅仅选了一个基础方案的话，那你拿奖是几乎是不可能的。 纠本呢，我们有四种啊，在这个地方我，我一般建议用三种就可以了。第四种只有一种场景，就是优化了，就是预测类问题啊，预测类问题啊，这三种的话，能解决百分之九十以上的数学建模题目，而且能够得到创新型的算法哈，这呢，后面会演示啊，后面我会一一的演示啊， 大家也不用担心啊，一会会一一的演示啊，然后具体呢，这个题目的话呢，难度系数就比较大了， 但是这个题目也是我认为获奖最好获奖的一个题目，因为大本同学，只要你没听老哥的视频的， 我相信你百分之百想不到相关的一些思路啊，你最多也就按照一个普通的啊，体育赛事的一个一个研究啊，就建模去做了，比如说 a 题呢用系统动力学， b 题呢用，呃，第二位啊，这个第一位的系统动力学，第二小位的话用，用我们的卡罗模拟或者一些其他的模拟情况来做。 但是这个题目啊，记住体育赛事也好，经管类问题也好，你们记住一个事情哈，就是你想获奖，你必须要用，尤其这种冷门，看了没？体育赛事管理，这属于偏冷门了，对不对？ 没有说没，很很少有单独的模型是研究这个的，对不对？还有什么学校的管理，还有什么就是比如说一个部落的管理 啊，这些偏冷门的问题就是研究的没有那么细致的，你们记住一定要有创新，创新点核心就在于交叉创新。我们所说的刚才我给你们提的头里面看了没有？三种创新方案， 第一种算法改进，第二种交叉领域，第三种算法组合。这里面对于地体这种偏冷门的赛题的话，你们记住交叉创新是典型的，哎呦，因为没有人会研究一个专门的冷门的问题的，对不对？比如说球队运营， 我可以用养殖策略啊，我不是说贬低，也不是说歧视啊，我没有这个意思啊。啊，我比如说我可以用，是吧？这个这个养殖的一些策略，或者我可以用一些种群部落的管理，生态学中的一些种种群部落管理 啊，比如说，哎，我们一些种群哎，蚁群啊，或者是一些鸟群啊，哎，怎么去管理的？然后呢？对应的应用到我的体育赛事管里面，这叫交叉， 懂我意思吧？或者我用一些比较偏偏的一些方向，就像我说的传染病模型吧，我传染病模型 sm 型对不对？我原来的是用在传染病疾病的扩散领域的，我现在把它用在了舆论传播，新闻传播领域，这就叫做交叉。而对于这个题目，我觉得最好的创新就是交叉。 好吧，交叉交叉创新这个题目获奖非常关键哈，如果你没有用交叉创新的话，那你就要好好的思考思考了哈。 来，还有什么一体被动式太阳能遮阳系统这个题目的话，说实话哈，这个有点小难度啊，因为什么呢？这就是我们传说中的 a t 是吧，美赛的 a t 往往是这种类型的题目，就是一些比较冷门的设计，像什么让你设计一个对吧，浴缸啊，设计一个人机工程学的座椅啊，而现在的被动式太阳能系统让你用在了一体上面，这个题目超出出乎预测啊，因为一体的话一般是可环境和可持续之类的， 但这个的话也属于可持续哈，因为太阳能嘛，对不对？这个题目的话呢，你核心就是你就要 首先的话呢，知道啊，怎么构建相关的一些微型方程是吧？那个积累分析啊，积累分析必须要有的，像什么热传导啊啊之类的要做，还有就是常规的优化类问题，什么目标优化，优化模型要构建 对不对？这两个是核心啊，你必须要学会构建啊，一会呢，我们可以讲到，好的这个题目的话难度系数不大，但是呢就是难点就在于比较马就要求解的话呢，就是要对模型啊，建模的要求比较强一点啊，就就比较典型的数学建模难题，数学建模题目 啊，因为 ai 吧，也很强的，在这题目也不在话下，也不在话下。 f 叫政策类题目，政策类题目我们啊政策类题目的话，我们求解的一个非常关键的模型就是系统动力学模型，你们记住哈，解决政策类题目 啊，往往用系统力学是最典型的一种算法。做 f 题的话呢，大部分同学我估计都会用这个系统动力学模型， 因为要要评估政策对未来的一个影响，这个任何的模型都模拟不了任何的模型啊，只有系统的理学这种半积累模型，我们说才能够分析这个政策对未来这个影响。所以这个题目大家很关键啊，只要用好这个，这个题目就可以解决掉了啊， 来啊，整个的我们来具具体来看一下， a 题一共有四个小问，第一小问叫构建连续时间模型，描述电池剩余电量随时间的变化， 对不对？一定要考虑多种因素的影响，不能单纯的就用电池原来的电量和是吧。然后呢，预测未来的电量，这种是不能的，因为题目已经明确告诉你了多因素的影响啊。那第一小问呢，就具体分析，不是一个单纯的数据分析类题目，你们记住啊。 第二小问，预测不同场景下剩余续航时间，分析耗电系统，这个就是一个预测类问题了，预测不同场景下剩余续航时间吗？对不对？第三问，分析假设参数使用魔镜对影响，这就是一看这个问题就是 敏感性分析吗？是不是因为参数对结果的影响？这不就典型的敏感性分析，某一个参数的改变对于我的结果有什么影响吗？对不对？这个题目我觉得不应该单独作为一个小问， 为什么？因为单独做一个小问的话很匪夷所思哈，因为每这个是不，百分之百你必须要做的，对不对？你不是说哦，题目没问你是吧，没某个参数对结果的影响，你就不做了？ 百分之百你是必须要做的。同学们告诉大家啊，百分之百你必须要做啊，你不做就不行，记住哈，百分之百必须要做的啊。还有就提出用户和操作系统层面的省电建议，这个就决策建议类了啊，就学一下 demo 之类的啊，学一下 demo 之类的啊，建议建议信相关的东西哈。 然后推荐算法啊，第一个激励分析类啊，推荐的算法是什么？什么扩展型，带为难等等效电路模型加温方程组 啊，这个推荐的是这个算法，这个算法的话还有点创新性的哈，来贴合锂电池电子化、电电化学基体可量化多因素对 soc 的 影响啊。这说白了就是你看融合了微方程，所以 a 体的话，你要但凡说我用时间系列预测模型，那有点小问题哈，第一问哈 来，第二本预测类，其实机机理模型的模特卡罗模拟啊，原因是什么？可处理使用场景的随机性，量化系数不确定性啊，因为使用场景是随机的，你可能上人厕所使用，也有可能听课使用， 也有可能在路上使用，也有可能看视频使用，所以你的场景非常的多，所以用模特卡罗来模拟多场景的，这可是关键。 来第三节问敏感性分析，这个就无所谓了啊，你只要做好敏感性分析就行了，这个官方推这我们推荐就是这个买水刷牙把和手把手把纸把。这个其实啊，都还好哈，你只要能把这个做出来就行了，你们改变参数的结果，看看 这个这个结果怎么变化，因为第一问和第二问才是获奖的核心啊，第一问第二问，大家不管怎么样，一定一定要把握好，一定要把握好，好吧， 来后面的政策建议类啊你，你多多少少吧，你想拿奖你就别整的吧，这个，这个太 low 啊，你可以什么多标规划之类的，用多标规划算法，多个省电目标，别续航时间长，使用体验，使用体验好之类的来找到一个自由平衡。因为你不要说把 f 题，把 a 题的最后一问就当成写个建议了， 老哥，我整合前面弄一针我我的小建议行不行？今年 a t 竞争非常激烈，同学们，我建议不管怎么样，你们一定一定一定啊，说白了啊，真的一定一定，老铁们，明白我意思吧，不要上来就用什么啊，不要上来就就说白了，老哥我那个 对吧，就就用一个，那个什么行不行就用一个啊，写个建议行不行啊？今年 a， 今年数学建模将是最难的一年，老铁们，我们不管怎么样，我们都要建立的有点创新性行不行？ 政策建议类，你也要做出点花来好吧，但是不管怎么样，你们记住啊，一定要做出花来，好吧，你不知道怎么建模怎么内容的啊，老哥这里也有哈，我们 a t 到时候呢，相关的 solo 代码包里面还有 b t 的， c t 的， e d， f d 的 啊，我们都把相关的思路解析原代码都放到这个代码里面，如果你实在求解不出来了，你也可以看什么用老哥的超级 ar 提示词，我们 ar 提示词里面也有哈，在这个地方 啊，超级 ar 提示词里面也有有十七道。一会呢，我会幸好演示一下到底每一小问啊，就是到底怎么来做的啊，每一小问 a 题的话，超级 ar 提示词，他到底是怎么一步一步的把这个题目建出来的 啊？没有领取到咱们的这个思路代码的，大家一定要去领取一下，到时候我们会把 a t 的 相关原代码点击思路啊，论文答案之类的，包括我这个文档啊，我这个文档也都会放到我这个 a t 的 这个这个相关这个资料里面。好吧，没有领取到，抓紧去领取一下哈。来 啊，最后一问啊，决策建议类啊，你们必须要啊，不能说单纯的就上来就提供一个小建议就完事了啊，必须不能提供一个分析，好吧，一定要有一个分析哈，来， 这个难度系数，整体只整体是三分好吧，难度系数不大哈，这个 a t 的 话呢，整体的难度系数并不大哈， 然后评分的依据啊，模型复杂度是中等的啊，因为就要结合一些电化学记忆多因素融合是吧，这这个其实难度系数并不大哈，因为这些内容的话，我们在一些网上公开的一些资料都可以找到 啊，然后呢，数据获取难度低啊，可以通过一些公开文件厂商数据，这个的话呢，网网上也是资料比较多的啊，老哥这里给大家提供好，到时候提供好以后，我们直接就给大家放到这个 a t 这个里面好吧？ a t 的 里面啊，给大家放到这个 a t 的 里面好吧？啊？ a t 到时候直接给大家放到这个 a t 的 里面啊，相关的一些资料哈，啊，包括数据之类的给大家放到这里面哈， 然后就是这个，呃，创新性要求中等啊，但是我说实话哈，如果你让我来推荐大家做哪个题目，我给你们推荐哈，我百分之百会推荐你们做 a t， 为什么呢？因为这是一个非常非常典型的数学建模问题了，对吧？就是你按照流程来，按照老哥的要求来，你做出来之后去，说白了你起码来说没有那么大的坑， 对吧？像什么太空电梯啊，像什么体育赛事，说实话啊，都有点偏啊，都有点偏， 我最推荐的就是大家做 a t， 我 觉得这就是典型的数学建模题目了，难度系数并不大，说高也不高，说低也不低，每个人会的数据也不一样，所以大家得到的结果也不一样，有创新吗？哎，你的微方程那个地方，你只要弄的复杂一点 对不对？你只要最后一位上个目标规划啊，你只要在，是吧这样的，所以说这个创新硬有难度系数还不大，数据也没那么难，我觉得这个题目你要让我来做哈，老哥你要是你做，你会选哪个题目？我就会选 a t， 真的，老铁们，别的题目说实话都有点坑，对吧？都多多少少吧，有点麻烦，像 b 级吧，太空电梯有点小麻烦， c 题的话，与星共舞也有点小麻烦，数据量那么那么那么乱对不对？地理体育赛事吧，你说交叉创新，你能创业到什么程度？也有点麻烦， 这不是一体呢，你得有非常强大的这个，呃，这个这个，这个构建微方程啊，以及这个激励分析相关的一些能力啊，也不是很好做 f 的 呢。人工智能说很多同学都这个新动力学呢，豆芽都用这个，你很难创新，所以 a 体呢？你要创新有创新 对不对？要数据也不难，要好好深入的做，你就你就优化就行了，你就一点点的优化，比如说我参数，哎，我优化模模型可不可以再弄的复杂一点，就是你先构建一个基础模型， 基础模型就能够解决全额问题，然后你再一点点的生化，这样的话 a t 就 可以了。我们后面会给大家用全 ai， 用这个 ai 技术词哈，以完整的把 a t 的 给大家解出来， 直到生成一篇高质量的 a t 论文，你们再看一看啊，我用超级 ai 技术词来做的情况下，会做到一个什么样的效果？好吧，一会我们给大家直接来做哈，来演示，好吧，来，难点啊，难点就在于什么 啊？那建模工作量也也中等哈，难点就在于什么？多因素啊，就屏幕，处理器温度，每一个模块到底和耗电量是怎么耦合的，这是一个难点，只要这个解决了， 这个题目就可以解决了啊，这个题目就可以解决了，好吧。第二点，连续实现方正的构建，贴合电池实现，避免纯数学逆核啊，这个也是一样道理 对不对？这个的话呢，你不能纯属于你和你不能用一个基础的回归就完事了，你要顾及具体分析第三个不足，使用上下参数标准验证问题，这个蒙德卡罗模拟这个有点小难度对不对？你只要能把这几个解决了，好吧，这都叫小难度哈。还有就不确定性电话啊，不确定电话 啊，兼顾模型误差，有 c 超，这叫模型检验吗？对不对？你必须要做模型检验啊，要点就是第一个啊，是坚守连续时间见模合金，避免理散化处理。因为 a t 是 连续性问题，所以你别整成理散型问题了， 你 a t 要整成理散型问题，就背离了 a t 的 要求了，好吧，不要做理散化处理哈， a t 不要做理散化处理好吧， 比如说把整个的这个这个时间或者什么的场景模拟变成里散化数据不行啊，明确各耗电组建的低耗与参数取值模型，区分不同环境下使用对使用模式的一个影响，这个就说白了，改变吗？对不对？ 这个就说明大量的场景，比如说温度高的时候，热带或者是海南岛是吧？我极地的向东北东三省 温度，冬天比较冷的时候，我怎么样？就你要考虑大量的场景，刷视频的时候怎么怎么耗电，对不对？拍照的时候，所以说你可以拓展的点特别多，你第一天，第二天你可以构建一个基础模型，在这个基础模型的基础上你再生化， 这样的话你们就得出来东西都特别的好哈，真的，就这样的话，我觉得你的模型会越来越深，越来越深，这才是 ai 的 贡献，明白吧？ ai 不是 第一天你把你把你题目解出来了，而是第一天你，你可以用它做一个基础的框架，然后第一点后逐渐的生化，逐渐的生化，明白吧？逐渐的生化 啊，逐渐的生化，懂我意思吧？所以说哈，真的特别有意思哈，特别有意思 啊，我，我真的觉得特别有意思啊，这个题目啊，逐渐酝化，这样的话，你每一天都用 ar 酝化，每一天都用 ar 酝化， 来，老铁们，你们告诉我，你们这样的话获奖概率是不是比较大了？所以说你们啊，获奖套路就第一天构建一个基础的，第二三天不愿酝化， 比如说不同的场景，冬天夏天刷视频高耗电量是吧？然后呢？这个拍照，然后呢？这个普通的观看文本，数据文本的一些文档是吧？以及这个暗的情况下，亮的情况下，黑天白夜啊，你都不同的场景，那你肯定这个整个模型建的质量会非常的好啊。 点击思路，一步一步的怎么建模？第一问，构建锂，基于锂离子电池电化学反应建立基础 s o a 连续实践微方程，再逐一纳木屏幕啊，处理器耗电量等耗电组建，考虑温度对电池容量的修正 啊，先建立一个锂离子基础的耗电模型，然后呢，再把这些屏幕处理处理这些东西纳入到你这个微方程组里面，然后进行纠解 啊，参数估计是吧，建立好模型以后，基于相关的参数就是就是你，因为你建立好模型以后，你肯定要做参数修正啊，对不对？这个地方呢，我建议你们在这里增加一个内容啊，叫什么叫有限元法， 有限元分析啊，我建议你们在这个地方增加一个这样的模块啊，机理模型构建好了以后，最好先用有限元分析来模拟一下，然后再用真实数据来得到结果。好吧，这源于分析的话，你甚至可以做可直观演示，这就是获 o f 奖的标准了，你要拿 m f 奖 m f 奖的标准了。 做一个模拟啊，有限员模拟啊，因为我们知道你不管看网上的一些是吧，一些公开的一些耗电量，他会有一个像一些热力图一样的东西，对不对？看耗电时间，一个热力图一样的一个一个折线对不对？那个那个就非常的漂亮哈，给你们看一下哈。 哎啊，你可以增加这样一个模块，然后然后第二就是参数估计啊，收集到一些具体的行业数据了，然后呢？呃，把你这个据而成，因为你出你出来的数据特别的多，肯定， 所以说呢，参数肯定是有限的，所以你需要用最小而成来计算这些参数啊，最小而成计算这，然后这个就场景预测了是吧？利用是吧，这模特卡罗模拟，然后呢，设置不同的场景，说重度使用待机啊，低温啊，高温环境啊，来计算续航时间， 然后敏感性分析，用这种算法来做敏感性分析。提建议的话呢，我建议你们啊，刚才说了，建议大家可以放一个什么多标规划模型，或者是是吧，比如说使用场景最佳，或者是耗电量最小，甚至你可以用一个单标规划，没别多标规划，老哥太难了，我做一个单标规划可不可以？也可以哈， 来模型创新，在经典积累模型基础上融合多因素偶合模型是吧。啊，这是一种创新方案啊，模型创新 是吧，量化结果给出不同上一下续航时间及误差是吧，然后呢？呃，关键因素的敏感性分析组是吧，不同场景之下，这也是一个一个很好的一个获奖要点分析哈，还是格式化绘制 soc 啊，不同的，这个格式化也是一个获奖要点啊，你要想拿奖的话也可以把图做的美观一点哈， 然后模型检验啊，也计算一些各种检验，像二方 mse 啊，对不对？还有就是敏感性分析啊，灵敏度分析啊，鲁班性分析啊，都可以用，都可以，都可以拿来用一下好吧。 啊，鲁棒性分析老哥要不要做？我觉得这个地方也可以做一下，就极端的使用场景之下，别超低温，超高温，这叫极端场景之下来看看结果怎么样。所以说敏感性分析要做，鲁棒性分析我觉得也要做啊，这个地方呢，大家一定要记住啊，就敏感性分析要做，鲁棒性分析也要做哈， 然后呢，选题建议啊，就是这个啊，这个这个数学统一专业的推荐啊，然后呢，这个计算机专业的谨慎选择啊，因为避免过度依赖黑箱模型啊，因为这个地方呢，就数学物理专业的比较推荐功课这样的也比较推荐哈， 然后呢，这个文科专业的不怎么推荐，因为他涉及到什么机理建模了啊，涉及到什么电化学之类的东西了，所以文科专业的不推荐啊， 然后跨专业啊，工科的加计算机的可以读到零基础的不推荐啊，因为零基础的话呢，难度系数会相对大一点哈，微型方程，电池都都比较难哈，中等基础的慎重选择能力比较强的可以选择一下啊。 ok， 这就是我们的 a 题啊，难度系数整体来说不大啊。整体来不大啊，但是呢，我觉得获大奖很容易出现的 a 题啊。所以说，同学们啊，如果你能够读懂这个题目啊，你也会用 ai？ 我 建议你们选 a 题。做 a 题的话，如果我来做了，我就会选 a 题啊，百分之。我觉得百分之四十的同学应该都会选 a 题哈，今年 ok， 来啊，我们再来看一下。再来看一下 b 题啊，太空电梯。

距离美赛还有不到两天的时间，这些美赛数据网址记得一定要收藏，包括全球数据库、文献下载网址以及权威性数据平台，详细大家可以暂停观看。 为了帮助各位同学更好地完成竞赛， swisse pro 特别推出美赛专属算法包，直接进入 swisse pro 就 可见到常见算法，点击对应的算法即可一键输出报告，赶紧来使用吧！

大家好，我是数学建模老哥团队的蛋黄派老师，很高兴给大家讲解今年美赛的议题。 ok， 我 们来看一下这个议题。这个议题呢它就是关于 这个太阳能设计的太阳能遮阳系统的一个设计的题目，它是有点偏向于一个激励的这种题目。好在这个题目里面 题目的要求就是说我们在这个过程中，我们需要分别为呃炎热炎热气候的就是三三 girl 这个大学，还有我们的这个寒冷气候的，以及就是我们的 borrellis 这个呃大学去开发他们下一代的 被动式的太阳能这样系统。这就是我们要考虑两种情境，一种是炎热情境，然后一种是我们的这个 寒冷情景，就是基于这条路情景去进行设计。然后我们在这个过程中，这个题目它的核心的矛盾就在于 我们怎么样去利用这个太阳几何学的确定性规律的同时，去纳入考虑我们未来气候的一个不确定性。 好，所以他就是有一个确定和不确定的这么一个冲突。那针对这个题目，其实我们具体的任务呢是分成了三个层面的。 第一个就是我们在这个过程中我们需要去对三 girl 大 学，也就是他们这个学校是炎热期候，所以他是降温主导的嘛，我们需要针对这个学校去对他们的呃这样设备进行翻新。那我们在这个过程中这个建筑呢，他 面临的问题其实就是制冷问题和炫光问题，所以我们要建立一个模型去优化它的遮阳装置的几何参数， 然后同时呢我们不能死在就是不可以去牺牲它的室内采光，然后去实现这个临近制冷的一个目标，这是我们的呃，第一个要求。然后第二个是在这个过程中呢，我们应对的是这个 采卵主导的这个 borrellis 大 学，他们这个应对的这个变量，这个时候它主要是一个寒冷变量，所以就是在环寒冷环境下面，我们怎么样去 这个时候单纯的遮阳他就已经不再适用了，所以我们这时候就需要去构造一个能够去升温的这种藕合的模型，那在这过程中我们需要利用我们的材料以及一些高熔的一些结构，比如说像混凝土砖土去实现 升温，然后最大化我们冬季的得热，并且防止他还需要去防止夏季过热。第三就是我们在这个过程中，我们需要给两所学校的学生去新建一个。呃， 新去新建这个模型的时候需要去引入气候预测变量，这个需要去引入气候预测变量，这个气候预测变量，在这过程中我们要基于这个东标优化模型，能够寻找出二零二四年以后的这个极端天气的鲁棒性的设计方案。 那针对这个题目我们可以仔细来看一下。针对咱们这个题目，咱们在建模的时候可以仔细来看一下。 好，我们可以看一下我们的建模思路。首先我们在这里建模的时候，我们需要去先做出一些假设， 那因为我们这里其实主要就是两套系统嘛，一套就是呃保，就是一套就是降温系统，然后一套是这个取采暖就是取暖的系统 或说是保暖的系统。然后在这个过程中，那我们就首先要假设我们天空的这个散热幅度是均匀分布的，然后第二个就是 关于这个热量流失的时候，它仅是沿着这个墙体厚度去流动的，我们就忽略掉这个二流的一个热桥效应。 第三我们就假设这个玻璃的太阳得热系数和透过率，它不会随着入射射，入射角会发生一个剧烈变化。最后就是我们假设室内空气是均匀分布的，好吧？好，那接下来我们就可以来看一下我们的这个呃具体的建模过程。 首先针对我们的一个模型，一，我们首先呢这里主要是构造的遮阳的模型， 那在这个过程中我们先引入时间积分这个概念，我们的一个地球呢，它绕太阳运动的这个几何关系就决定了我们光线的一个入射方向。 所以我们假设我们的第 n 天第 t 时刻，这个太阳的一个赤纬角度设置为德塔和矢角，我们概为基础数，那这个时候我们的太阳的一个矢量就是 s， 它就等于扩散，就是它的这个三维的坐标的细，就可以用我们的一个正弦与弦去表示，对吧？ 然后那我们在这个过程中，我们窗户的这个向量，它 n 维，它就可以用我们的一个呃，干嘛 biu 的， 就是也是用真弦与弦去表示，我们的入射角就是这两个向量的一个点击，好吧，然后第二个，所以我们先定义了我们的一个 位置，然后接下来就是关于几何投影，那我们就是在这里我们主要是定义我们的一个遮阳板外的这个延点是 pt 部，然后这个时候它的投影点的坐标，它就等于我们的 yt 部， 呃，那这个 y t 谱它其实在这过程中它指的是呃我们的它在这过程中它减去这个 z t 乘以一个 tangent r f s 除以一个这样子一个余弦。我们在这个过程中，对于我们的这个题目来说，我们在箭幕的时候，我们这里定义的主要就是我们在窗户平面上的这个投影点，然后 接着就是遮阳绿的含遮阳绿函数，就是我们怎么去基于我们的深度，这个窗户的深度和呃它遮阳的这个水平的 悬挑板的一个呃悬挑板的一个高度，然后去定义我们遮阳绿函数，就是那遮阳的这个覆盖率， 它怎么进行计算呢？首先我们先要定义我们被遮挡的高度，它是等于大 d 乘以贪镜的哦 t， 然后减去 g gap 这个值，在这里我们在这个过程中我们的这个值它首先对这个进行定义，然后我们这个 数学变量，它就是我们太阳的投影角，然后接下来就是我们的这样系数 s s 呢？它也是基于我们的一个，它是基于我们的高度，就是基于我们这个 h shadow 又算出来的。好， 这样子的话我们就有了这个遮阳率。第三就是我们怎么去通过我们刚才去算出来的这个遮阳遮阳率，以及还有我们的这样系数去定义我们的热量的这样子一个流通，对吧？ 那我们在这个过程中，我们透过窗户的这个热率，它等于我们的我们的一个就是直接的一个就是热量，然后再乘加上 我们其他部分的这样子一个热量。然后我们在这个过程中我们就引入我们的一个呃，既热流是 qso， 它就等于我们刚才 其实它就是基于我们刚才算出来的这个遮阳系数去定义的。然后在这个过程中我们的这个 i d i r， 它指的是太阳的一个直射的强度， i d i f 就是 散射，所以就是直射加散射的嘛， 然后同理就是在这，所以我们这个部分就是直射加散射两个方面进行一个呃，就是很详细的一个衡量。好，所以现在 我们现在相当于说我们定义的这个第一个模型，它是以散热为目标，所以我们在这过程中我们希望这个净热率，也就是透过窗户之后这个热量是最小的。然后约束条件就是呃关关于这个室内的一个采光约束。好，这是第一第一个模型， 接下来就是第二个模型，第二个模型我们在这过程中我们是要以蓄热挡光为目的，然后我们可以看一下， 首先呢我们先去把这个我们引入了这个热熔网和 热熔的网络藕合模型。在这个过程中，首先我们再先把建筑维护离散成三个节点，一个是室外的环境节点，然后第二个是热质量节点，第三是室内。然后我们的热阻呢，它就代表了我们的一个隔热性能，然后 热熔代表的是储热性能。好，我们在这个过程中我们先定义我们的状态空间方程，那这里我们用到了进入霍夫定律，我们的能量呢，它是我们的热质量的温度，它其实等于我们的一个对流交换热量，再加上吸收的太阳辐射， 在这过程中我们就可以得到我们的热质量温度的一个变化。先定义温度变化， 而我对于我们的室内空气节点的方程，它其实这个公式也是同样的意思哈，好，所以我们现在有了关于我们的室外和室内的热质量空热质量的一个 温度变化方程。然后第二个就是我们在这个过程中我们需要定义我们的一个目标函数，那我们的目标在这个过程中其实就是我们的 在这个过程中，它其实就是指我们的一个，就是就是室内和室外这样子一两两部分去进行一个加权。具体来说的话，我们在这个过程中，呃，我们的目标函数是 j r 嘛？然后在这个 j r 里面呢？ 呃，我们的在这个目标函数里面我们的设置的温度，然后这个是 t n， 就是 呃入温，然后 这个 t c 的 库尔，就是我们在这个过程中我们室外的温度，然后在这个过程中我们就通过这个对这个 呃冬，冬季和夏季就是两两个维度进行考虑，然后求积分就得到了我的这个目标函数。在这个过程中我是需要去通过最大化冬季的这两个参数，然后最小化夏季这一项，然后我们进行求减。 然后第三个就是我们在这个过程中要考虑到就是我们对于新界的学生中心呢，我们要去考虑到这个未来的一个环境变化。所以我们在这个过程中，我们首先呢先对历史的气象联的数据进行一个统频变换， 这个平面化呢就是目的就是为了不去只使用单一的预测值。像我们假设 x 表示当前的气候变量，而我们的 x future 就是 未来变量，那我们的未来时刻的这个呃， 他就等于我们当前时刻的一个温度，再加上我们的一个呃平移的这种平均的一个温度的变量的它，然后这个是接下来就是伸缩变换，伸缩变换主要是定义我们的太阳辐射的就是我们出生的这个呃辐射，然后乘以个 环境系数，而我们最终的这个目标，我们是需要我们的决策变量包括什么呢？包括我们的这个 l beta、 alpha 和 type。 好， 我们的目标就是它是一个综合， 我们的目标呢就是它是综合了我们的一个能源强度，然后和我们的基于我们的 p v 就是 一个不舒适的时长。然后我们在这个过程中，我们其实希望能源使用强度最小，同时不舒适时长最小，所以是这两部分的一个加权， 然后基于这个模型我们对它进行求解，求解得到的这整个就是就是我们的一个最终的方案。那在这个过程中我们可以使用就是仿真策略进行求解嘛，我们可以先生成对应的太阳位置的这个虚列，然后再 引入铝合金计算。具体求解过程中，因为这是个多目标，所以我们就要引入 nsl 模型进行求解，求解之后我们就可以得到了呃最终这个结果。所以在这个过程中这个题目还是相对简单的，就是首先我们先定义这个遮阳系统，然后再定义 保暖系统，对吧？然后最后再考虑我们的未来，对未来这个环境，对未来的这个环境温度去进行一个呃空，对未来的这个环境温度，最后就是 对未来这个环境温度进行一个引入，引入这个气候预测变量，然后我们基于东米标预测算法的目的就是能够去找到 一个方案，然后他能够适应二零二四年级以后的这种极端天气。好，那这个就是我们的这个题，然后大家在求解的时候，因为呃在求解的时候， 因为他的这个大学，他其实就是可能就是是是他这个大学是虚构的，所以在这个过程中，大家是可以基于我们的呃引入我们的仿真模拟算法， 然后去求解得到最终的结果。那最终的结论呢？我们可以去考虑就是不同的情境，比如说 对于我们的这个群乱系统，它的温寒冷温度可能分成呃极端严寒，然后适中严寒和就是轻微严寒，这三种情况可以分成不同情况，然后生成不同的解， 在在不同解的基础下对我们的这个模型进行求解，那这样的话我们的思路其实会更加的全面。 ok， 那 以上就是我们关于一题的思路讲解，祝大家比赛顺利。 哈喽，大家好，我是数学建模老哥团队的大黄派老师，很高兴在这里给大家讲解今年美赛的议题。 ok， 我 们首先先来回顾一下我们之前建模的思路，那针对议题它主要的问题其实是要去 呃构造一个太阳能的这样系统，然后这个这样系统呢呃分别可以去满足炎热气候的一个 散热需求，还有也冷寒寒冷气候的一个保温需求。所以我们在这个过程中我们的建模主要是包括三个层面，首先第一个就是针对呃炎热气候的这个大学，那我们在这个过程中，呃我们主要是 建立了一个模型，然后去优化这个这样的几个参数。具体而言就是首先呢先去定义我们的太阳的时量， 然后再对我们的一个呃动态引力进行一个定义，最后去呃 推出我们的这个进热流，然后而针对我们的第二部分，第二大部分其实是对我们的寒冷气候呃的一个保温的呃保温， 保温设设呃保温的一个设计。在这过程中我们首先是呃先去把我们的整个空间理算成室外，然后热质量节点以及室内空节点三部分，然后基于这个霍夫定，继而霍夫定律我们定义了我们的热质量的 节点方程，而针对我们的室内空间空气节点方程呢，我们也进行定义，最终我们从这个 我们从两方面进行对我们的问，也是定义了我们的性能指标，对吧？然后针对我们的模型三呢，我们是考虑到这个气候的一个气气候数据的一个变形，在这个过程中呢，我们 基于我们的当前时刻的数据，然后用平滑方程去定义了我们未来 t 时刻的这个温度数据，然后同时呢还对这个辐射去做了伸缩变换，然后从而 定义出就是最终呢我们构造了我们的一个决策变量，然后和我们的目标函数，然后对我们的模型经，用 s g r 模型对模型进行解，然后我们来看一下在这个过程中，我们在建模的时候是这样子的， 我们在求解的时候呢是首先我们会，我们先来看一下我们模型整体架构，首先这个 climate today， 首先我们的一个 solution 的 代码里面，我们的第一个类，也就是这个 climate data， 这个主要是我们的一个气候数据类，它主要是就是去模拟一些时，就是根据我们的现实数据的情况，然后去生成我们对应情境下的这个数据。 那在这个过程中我们这个模型，因为，呃它的这两所学校其实都是虚构的嘛，对吧？所以我们只能说基于现实的情境的这个数据去看啊，我们可以看一下在这个过程中，我们 首先这个阴历台数就是初识化我们的气候数据，那我们的参数主要包括经经，呃，主要包括我们的一个纬度，然后还有我们的气候类型，这里针对这个题目的情景，所以我们分成两种，一个是旺，一个是 cold， 就是 一个是炎热情景，然后一个是寒冷情景。好，然后我们继续看， 在这个过程中我们首先定义我们一年的天数，然后对于一天的时刻进行定义，然后定义我我们的建筑参数，包括长度、宽度、高度，呃，这个 主要是基于我们现实生活中的这个建筑，就是去进行一个出水参数的定义，因为我必须要 在这必须要对我们建筑进行定义，如果你不定义的话，你一个出入参数就没有，对吧？然后接下来第二部分就是我们如何去计算我们太阳的位置，那我们是使用使用天文公式计算的，在这个过程中我们会先算它的太阳的赤纬角，也就是德塔，然后再算它的实角， 然后再推出我们太阳的高度角，呃，那这样子的话，呃我们最终就可以得到我们太阳的方位角，然后我们再去调整这个角度的一个符号，然后这一块呢，他就对于我们刚才说的就是， 呃关于炎热气候的那个，呃，第一个量化的公式，然后接下来就是我们的温度泡面的一个定义，在这过程中我们是基于正弦曲线去模拟季节和日的变化，那针对我们的温暖气候的这个数据呢？我们他的这个 base 的 一个温度是二十五。那好，然后我们在这个过程中，呃，我们通过这个函数去模拟了夏季的热浪，然后对于我们的寒冷气候呢，呃它等于我们的联军温度 减去我们的一个可调参数。在这个过程中，呃我们同样也去模拟了寒潮数据。好在这个过程中，呃，那这样子的话，我们就可以模拟得到 热带和呃寒冷气候下午的一个参数，对吧？接下来在这个过程中，下面这个函数呢，我们是主要用于生成我们的太阳辐射数据和我们大气透明度。 那我们先呃定义了我们的大气透明系数，太阳场数以及日地距离修正因子，然后从而可以带入公式，我们就可以推出我们的一个呃大地的一个 大气的一个质量，然后有这个大气质量之后呢，在这个过程中，呃，我们还有他的一个散射辐射。好，基于这两块我们考虑日出和日落情境， 然后呃在这个过程中我们设置了纳入条件因子，也就是我们在温乱气候的时候辐射更强，这个是符合现实生活中的情境的，对吧？然后我们还能气候下辐射较弱，然后添加了一个随机的一个振幅波动， 然后最终就是得到了我们的直接辐射和我们的间接辐射两块。然后下一个函数，在这个过程中主要是生成 我们全年的每小时的气候数据。首先在这个过程中呢，我们主要是先要计算太阳的位置，然后再去求出它的温度，再 推出我们的太阳辐射。在推出太阳辐射之后呢，呃，我们就有了他每天的这个数据，有了这个数据之后，接下来我们就进入到我们的模型一，也就是太阳遮笼 模型方程。在这个过程中主要是优化我们遮阳板设计，我们参数主要是两个，一个是我们的一个呃气候数据对象，第二个是我们的建筑朝向。好，那在这个过程中我们的遮阳板参数也进行设置， 设置好之后，接下来下面这部分是我们的窗户参数，这个是我们之前就说好的，然后还有我们的历史记录数据把它带进来，然后带进来之后呢，我们先对这个参数进行定义之后，接下来就是计算这个这样系数的函数，我们是计几何同理算的吗？然后就是把我们 的，我们先提取得到遮阳板的参数，包括它的深度、高度和窗户的一个间距，基于这个数据呢，呃，我们纳入太阳和窗户反向的一个水平夹角计算得到太阳太阳的投影角，然后在此之后呢，我会计算这个太阳的一个 计算这个阴影的长度，然后我们水平遮阳板的阴影长度呢？我们带入我们的呃遮阳餐遮阳板参数，然后就可以进行计算，然后那考虑如果说它是一个垂直的遮阳板中情景，我们也同样进行了删除计算， 然后在这个过程中，呃，我们对每种情境就行都计算，最终我们得到的这个遮阳系数，它是其实是一个就是综合的遮阳系数，就是它既有垂直遮阳，然后也有就是一般情况下的这种遮阳，我们是进行了个综合计算。好，那在这个过程中，在此之后 下一个函数这里呢，我们是计算的太阳得热，我们主要输入遮阳系数，也就是我们刚才计算出的这个遮阳系数， 还有我们的一个呃直接辐射，然后以及就是我们定义的直接辐射的公式，以及我们的室内温度，还有室外温度，我们就会返回这个太阳的传道得热。好，我们可以看一下我们在这个过程中， 我们在我们在这个过程中是这样子，我们的一个传导的这个总得热，正值它代表得热，然后负值表示湿热，所以，呃，我们在这个过程中，我们就是得到了这个得热。之后呢，接下来我们就可以定义我们的一个目标函数， 我们的目标函数是什么？就是最小化我们的一个这个智能能耗，同时要满足我们的采光性能要求的参数，首先第一个就是优化参数，包括遮阳板的深度，然后遮阳板的高度，还有 我们的一个和窗户之间的一个距离，然后在这个过程中我们呃要求解的是什么目标函数的值，那我们在这个过程中如何进行求解呢？我们求解的这个思路是这样子的， 首先呢我们在这个过程中，呃我们会先计算这个这样系数，计算这样系数之后呢，我们会计算得到这个得热，然后再求出累计的得热 啊，累积得热之后呢，我们就可以得出这个采光，最终我们目标就是我们要最小化得热，最大化采光，然后我们进行求减，那我们怎么去优化呢？优化这个时候你要我们是要传入我们的一个呃 气候数据，还有初步参数，以及我们的一个参数边界。好，然后我们要返回优化后的一个参数， 在我们纳入我们六到八月的这个数据集，然后每天可以选出三个关键节点进优化，优化之后啊，我们就可以得到这个值。好， 那我们的约束主要包括哪些？第一个就是我们遮阳板，它我们在这里定的是我们遮阳板呢，它不会完全的去遮挡窗户，对吧？就还是会留一点， 然后用我们的方呃优化算法进行求解，求解之后就得到这个结果。那以上只是我们的问题一的同样针对我们的问题二的模型，在这个过程中首先我们定义的是热阻热熔的网络和模型，那首先先定义关于我们的一个热质量模型方程， 好，这个热质量模型方程在这个过程中首先先出使花我们的 呃，就是我们先定义我们切后数据参数，还有我们的热质量类型，然后带入我们的热熔公式进行求解， 然后定义我们主要定义我们的热建筑的热参数，包括它的空气热熔啊，维护结构的热阻，还有对流热阻，还有我们的 hvac 的 参数啊，还有设定的温度这些带入这个呢，我们基于我们的热网络的微分方程，引入状态变量时间，室内温度，还有我们的太阳 隔热，以及你是否使用下面材料这几个变量，然后我们最终返回的是状态变量的一个导数， 所以下面就是在讲我们怎么样去把我们的参数带进去，然后进行求解，最终就是输出我们的一个方程，这里主要用了状态转移方程，然后接下来就是会模拟热响应，同样其实我们还是需要把这个天气数据传进去， 还有就是初识的一个条件，然后以及我们的一个模拟天数，这些需要去把它传进去，传进去之后呢 我们输就是就会返回输出的这个数据，然后我们在这个过程中， 呃，我们拿到了模拟期间的数据之后，我们有时间节点再存储结果，再进行一个逐步求减，就会得到最终的这个最优解， 然后我们就能算出基于我们的热质量的这个结果，有热质量和无热质量的目的结果，我们就可能可以算出我们这个设备它的节能百分比， 所以在这个过程中，而下面这个呃是模型三，就是 climate adaptive design 这个类，它主要是对于我们的气候的适应度进行设计的模型，我们可以看一下。 那在这个过程中我们是如何进行设计的呢？我们在这个过程中可以看一下。 首先我们先要促使化我们的气候适应性的这个设计模型，在这个过程中我们的参数主要包括当前气候数据和未来情境的数据。好，我们先进行设计之后呢会变形这个气候条件去模拟我们的未来 变形，我们这个气候数据去模拟我们未来条件。我们的参数主要包括气基础的气候数据，还有未来的年数，最终我们会返回就是对气候数据进行扰动之后的这个数据。在这过程中我们先对温度进行一个呃， 基于我们的一个平移变换，呃，去求出我们我们未来的这个温度，对吧？然后同样我们也会增加热浪频率和强度，进行太阳的辐射变换。然后这个 ebay design 是 设计我们的一个评估方案， 只要我们输入当前设计的方案，就是遮阳板的深度啊，窗户面积及热胀面积，玻璃类型。哦还有我们的气候数据输出当前的冷好强度和不适应的不舒适的小时数。我们在这个过程中我们的目标就是要求我们的当前的一个 能耗强度要最小，同时我们的不舒适的小时数这个值要最小。所以我们是蓝目标嘛，那我们这个蓝目标，我们的基于 n s g r 模型进行求解，求解之后，呃我们就可以得到这个 帕里托前沿的这个立扣的就是他的一个气垫，然后当拿到这个气垫之后呢，我们最终就可以对这个纸进行一个最终的求解，然后求解之后我们就绘制了一些图标，在这个过程中我们可以来看一下我们的一个呃，图标的一个求解的一个结果。好，那首先 所以接下来我们来讲一下这个我们生成的这个结果。在这个结果中呢，我们所有的方案在这里，呃都有我们最终的 final 的， 呃最终的方案，我们在这里求出来这个值，在这过程中它都是有对应的一个结果的哦，我给大家运行一下吧。 然后同时在这过程中我们有画一些图，大家可以看一下。呃，这些这些结果图主要是什么意思呢？主要是这样子，就是我们的这些结果图呢，它主要是主要表达的含义是这样子，首先我们在这个过程中， 哦，我们第一个图是关于呃我们的那个热带气候调节下，我们的呃每天的这个时间和他的这个轮号的一个曲线可以看到哈。 然后在这个过程这是第一部分，然后第二部分，呃第二张图，也就是我们这个第二张图，在这个过程中 它是就是我们设计的这个方案，可以看到吗？在这里我们设计的呃炎热气候和。

博美赛啊，现在比的是你会不会用工具啊，拿奖之后啊，奖学金和保研加分都直接拉满了。给你们分享三个好用的树模工具，一条龙服务全部搞定。第一个就是 infam， 想要拿奖代码和图的就必须好好弄。 infam 现在接入了地表最强的编程大模型小柯的 opus， 你 只管把数学思路告诉他，那些复杂的遗传算法，神经网络代码，他秒生成， 直接就能够跑通，不像别的 ai 很 容易就出 bug 了，跑通之后再不断迭代记录就 ok 了。更好用的呀，是它的画图功能，论文里最费时间的模型，流程图、思维导图，用它就能够一键生成，配色专业，逻辑清晰，直接复制到论文里面。评委看到这么好看的图，第一眼印象就直接拉满了呀，想体验的评论区扣一，我给你发邀请码。 那第二个就是 dippo， 搞定美赛的全英文论文的翻译官，大家要知道，评委基本是母语，英语，母语人士就不要用普通语法去送人头了呀，把写好的中文部分扔给 dippo， 它的学术翻译地道的就像母语者写的一样，专业术语一个不错，很多科研人士都在用，用它润色一下，那个高级感就直接上来了，论文档次 直接起飞，读起来非常顺滑。第三个就是 overleaf， 你 直接把数码的 text 文件上传上去，就直接是一个稳定的模板了， 不用再慢慢排版了，像什么公式啊，表格参考文献什么的，一键搞定。更重要的是数目的比赛，作为一个三人比赛，就很需要这种 overleaf， 可以 多人实时同步写作的写作工具，你用 excel 把内容和图生产出来，再用 overleaf 慢慢排版，省心到离谱。好了，在这里祝各位比赛顺利，都能拿到好结果！

好，大家好，那么这个视频呢，跟大家讲一下本次美赛啊，我的选题建议以及各题目的这个思路啊，那么我这里已经准备好了一个十一页的啊，这个思路文档，呃，包括 a t 幕和 c t 幕，我个人精准校对之后的啊，这个翻译， 呃啊，我都跟大家去讲，那么在这个思路的讲解过程中呢，我也会把啊大家可能会忽略到的一些关键的信息和雷区注意点，我全部都会跟大家一一讲清楚啊，请大家务必有耐心的把这个视频呢仔细的去看完啊，防止大家在做起过程中呢挖到什么坑。好，那我们首先来看一下这个选择题建议， 那么我们这次选择助攻呢，是 a 题目啊，以及这个 c 题目，那么后续呢，都会完成这两道题目完整原创论文以及相应的代码和结果啊，这个呢，跟我往期的这个比赛都是一样的啊，大家可以继续看我往期的这个视频啊，我现在发布的是这个选题建议和思路视频，那么后面呢 啊，我们预计会在明天，也就是一月三十一号的中午左右就会更新完毕。呃，这两道题目完整的原创论文以及相应代码和结果的这个 教学，那关于这个后续完整成品的说明呢，大家可以看这个视频的评论区啊，这好的不多说啊，我们来看一下这个选择题方面，那么这次这道的六道题目呢， 呃，这个 a 题目啊，是比较硬糙的，加一个智能手机电池的耗电建模，这个呢，题目也明确告诉我们了啊，就要建立一个连续实践数学模型，这个其实就是微分方程模型，这是非常非常经典的啊，大家如果说，呃，你们有受过学校的建模比赛的话，这就是其中非常经典的这种微分方程类的问题。 再一个非常经典的这个题目就是 c 题目了啊，也是往年大家每次都选择最多的这个题目啊，就是纯数据分析类的题目。这次的 c 题目呢，呃，也比较复杂一些，因为它里面有很多规则，包括这个数据说明 啊，这个数据本身呢，也比较复杂一些啊，就是我们或许要去读取和这个处理比较复杂一些，所以呢，在我稍后的讲解过程中呢，我也会把我们在所有的数据读取中啊，可能会出错的地方，我们需要去关注的一些啊，关键的信息和雷区注意点我都为大家讲清楚，好吧， 好，那其余一个题目呢，我不推荐大家去进行选择啊，因为呢，呃一方面获奖率并不高。呃，再就是呢，可能有的题目比较水一点，比如这个 b 题目呢，这个利用太空电机系统建立月球直径。 呃，这道题目呢，估计很多人可能会用 ai 去做这个，呃，就稍微水一点，然后这次的 i、 c、 m 这三道题目啊， d、 f 这三道题目。呃， d 题目的主要难点呢在于我们要去收集一些相应的数据。呃，这个是比较困难的，那再去这道题目呢， 就我们能够采用的模型也比较有限啊，就你想要做的出产的也比较困难啊，比较有限。然后这个 e 题目，被动式遮阳和这个 f 题目啊，这个 e 题目呢， 呃，难度其实并不算高，而且主要是建立这个非稳态的热平衡方程，这个呢，在以往的建模型材里面呢，也比较多一些，但这次这个 e 题目呢，如果我们从横切去从这个获奖角度而言的话啊，眼目图眼大剧进行选择啊，包括这个 f 题目也是一样，这个 f 题目呢，呃， 一方面我们要去收集一些这个相应数据啊，这个稍微能困难一点，再个用这个 i 题目呢，也比较能做得出彩啊。总归呢， 这是为什么推荐大家去选择 d 题目和这个 c 题目呢？因为这两个题目呢，呃，都是大家这次比赛呢，比较容易做得出彩的啊。这个类型的题目， a 题目比较容易做得出彩的地方在于呢， a 题目比较硬核一点啊，我们只要建立合理的违反方程，那么后续呢，我也会跟大家去讲这个啊， a 题目详细完整的建模思路。 好啊，包括一些相应的数据呢，我已经完成了初步的这个收集啊，其这道题目的数据呢，只需需要去收集一些新的参数就可以了。好， 这个呢，做好的话呢，咱们大家这道题目的获奖概率呢，还是很高的好吧，呃，然后就是 ct 目啊，这个数据分析类的题目，呃，我们只要去啊，把各种我们能考虑到的啊，这个数据的参数呢 和注意点我们都落实到位。再一看美国，我们建立合理的注出页模型啊，把题目每一问都解达到位，那么这道题目的扩展率呢，也是比较高的。好，那么选题建议呢，就讲到这里，那么本次的 a 题目和 c 题目呢，我们或许都会完成这个完整的原初论文集现在代码和结果。那关于这个完整的整理的说明呢？大家可以看这个视频的评论区，我们有机会在明天就是一月三十号的中午左右就会更新完毕。 呃，这两个题目完整的原初论文集，现在代码。好，那么废话不多说，我们现在来看一下这个 c 题目的思路。 好，那么这个视频先给大家讲一下这个 c 题目的思路，那么稍后我会再发布的视频去讲解 a 题目的详细思路啊，大家敬请期待。好，我们来先看一下 c 题目。 c 题目呢啊，这也是我人工教对之后的一个精准的翻译版本 啊。呃，因为这样节目的翻译是比较困难的啊，大家容易很多地方出错，如果用 g 翻的话，简直得有一个完整的啊，这样的一个翻译版本。那关于这个， 好，我现在讲解的这个思路，文档呀，包括 a 题目啊， c 题目啊等等的这些人工教对的翻译啊，文档啊，包括这个完整的说明呢，大家都可以看这个视频的评论区。好吧，我来看下 c 题目，那么几乎被讲的我就不多说了。好吧， 他第一位呢，向我们开发一个数学模型。呃，然后呢，为每位参赛者在他们参赛的周四中生成估算的粉丝投票数，那么这个粉丝投票数呢，他是未知的，且被严格保密保守的秘密。就题目给我们的这个数据呢，它里面是只有这个评委的投票数啊，评委的投票数是给出的，但这个粉丝投票数呢，他是完全没有给出的。 然后大家这里面有分了几个子问题啊，一方面是问我们这个模型是否去正确估算了，导致与每周谁被淘汰的结果相一致的粉丝投票啊，提供一个一致性的度量。再一个呢，我们生成的这个粉丝投票数呢，有多大的确定性？那么这种确定性呢，我们要去进行度量。好，我们来看一下这个 ct 目第一问的这个思路， 那么其实呢，整个这个 ct 目呢，它的核心难点就在于我们的粉丝投票数据呢，它是一个未知的引变量啊，我们是只知道粉就是评委的打分和它的输出，输出呢就是谁被淘汰了嘛，对不对？ 我们需要根据这两个呢去反向推导出我们粉丝投票的分布，这是我们的这个问题的核心难点所在啊，也是我们必须要去完成的一步，就是我们第一步呢，先把这个完成，之后呢，我们后面呢才有的做，能理解吗？所以我们基于这个推导出的数据呢，才能够进行后续的政策分析和模型优化。 好，我来看一下啊，针对于问题一，问题一呢，这个估算粉丝投票模型呢，这就是一个参数估计和引变量推断的问题啊，那么这里的模式给大家讲这种三种方案，这三种方案呢，首先第一种方案啊， 就是这个用限行规划或者约束满足模型，那么我们这个呢，就是说把每一周的比赛看做一个方程组，那么假如说每位选手某位选手被淘汰了，而另一个选手就晋级了，那我们当时呢，是必然满足当时的规则约束的啊，比如说他的这个得分啊，是比令格高的，我们把这个粉丝投票占比呢作为决策变量来满足啊，所有淘汰约束为条件 去建立一个优化模型啊，我们建这样优化模型啊，我们的目标函数呢，就是去最大化粉丝投票分布的方差啊，或者最大化商议，就是说在没有信息的时候是最随机的，然后我们去做一次性检验就可以了， 就是计算模型生成的这个排名呢和实际排名的这个系数啊。那么这种思路他的优点呢，就是在数据推导上是比较严谨的，而且我们呢能够生成出一个可行解。那么缺点呢，就是在于他对于排名真的涉及到这个主规划问题就求解呢，是比较困难的，而且可能会存在多克几。 那么在针对于这个本次竞赛而言呢，呃，这个竞赛的潜力还是比较高的啊，就是得分潜力，呃， 就针对于以往这种剑魔比赛而言呢，这是一个比较标准的这样一个运球学剑魔的方式呃，结果是比较稳健的。那么另外一种也是我这次推荐大家去选择的这样一个做法呢啊，就创新性比较强的呃，也比较能够呃帮助大家去进行获奖的这样一个， 我这样去打讲吧。那么第一种方法呢，可能竞赛的获奖潜力就是 h 奖啊。那么第二种就是美赛评委比较喜欢的这种创新性比较强的做法，那我们的这个思路呢，其实就是贝耶斯马尔可夫列蒙特卡罗方法， 我们这个时候就是说不由不要求去求一个单一的追优解，而求这个粉丝投票的概率分布啊，我们假设粉丝投票呢是服从某种鲜艳分布的，然后我们根据每一周的淘汰结果呢，作为观测数据去更新我们的后焰分布啊，正是它的这个相应数量形式。 然后我们过去呢，可以去啊，去研究他这个确定性度量，那我们这个确定度呢，度量呢，就可以直接通过后验分布的标准查或者这些区间去回应题目中关于这个确定性度量的问题，因为这个题目呢是明确要求我们啊，要去看一下我们这个粉丝图标总数呢，有多大确定性的 好。那么这种方法呢啊，它的优点呢，就是我们可以去完美的回答关于确定性的提问啊，而且在理论的这个思维程度上是比较深的，这个难点就在于它的计算量比较大一点，然后代码编写复杂，但这个呢，大家不用去管啊，我这个代码呢，我会呃去完成这个十一的编写，然后大家到时候直接运行我给出的这个 python 代码就可以了 啊，还是跟以往的时候比赛一样，我都会给出这个代码和结果的。好吧，那么这个在竞赛获奖前提方面呢，基本上是能够拿到 m 的 o 奖的。就这个思路方面， 这种模型呢，在求解这种不确定性的繁衍问题上面，基本上可以说天花板了啊，就顶级方案啊，当然还有一种思路呢，就是采用奇葩式模拟或者说遗传算法。呃，这个呢，结果是疑心比较大一点啊，这个我们作为一个备选方案啊，就是说假如我们前面两种方法呢，真的要做不出来的话，就根据实际数据学求解啊，很难跑或者跑不出来的话 啊，那么可以作为一个备选方案。好吧，这个就不跟大家多讲了，来看一下他的第二问。待会他就问呢，让我们根据这个粉丝投票估算值和其余数据啊，就说现在我们这个数据已经得出了，对不对 啊？那包括其他数据，然后根据这些数据呢？我们先汇总完了之后往下看一下，开始让我们去比较和对比节目使用了两种结合屏幕和粉丝的方法啊，解决出排名和百分比在各级产生的结果，然后如果能在结果上出现差异的话，那么是否有一种方法似乎比另一种更偏向于粉丝投票啊？当然再就是我们去检查应用于特定领域的投票方法， 那么然后说世界名人身上呢，都存在争议，也就是存在这个分歧，大家问我们的结合评委方法和 vs 投票的方法呢？是否会导致这个结果相同？再一个就是加入评委，选择淘汰倒数两对中哪一对的额外方法会产生影响结果。这个答案看不懂啊。这个后后面关于数据的注示啊，以及投票方案的制定里面， 呃，人家都有跟大家详细讲，当然大家如果这个呢看起来比较复杂一些，大家可能会听不懂，没关系啊，我在后面呢，我有一个汇总了整个这个关键信息，以及每一问里面我们可能要去注意的一些关键的鉴摩点和注意点，我一会跟大家去讲吧。好吧，呃，我们先来讲下这个思路啊。好， 第二问，我们就是做这样的一个交叉验证模拟，呃，其实我们问题一呢，现在已经得出了对不对？我们就是只是根据问题得到这个推断数据呢，去进行反式式的推理就可以了啊。行，我们第一步呢，我们该先做这个交叉验证的模拟，我们建立一个仿真器，然后我们的实验组啊，第一 就说针对于这个，我原来是百分制笔制的这个数据呢，我们去应用排名制，然后针对于原排名制的数据呢，去应用百分笔制啊这样的一个规则。 ok， 这个我们可以解答呢，是否有一种方法似乎比另一种呢更偏向于粉丝投票问题？好，那么关于第二个看一下 啊，就这个针对于特定案例的分析啊。好，那么前面一个呢，我应该跟大家讲清楚了啊，就是要去后面去做一个偏差度量嘛，就定义一个评委友好度的指标，然后去比较一下这两种机制下这种指标的差异啊， 来看一下是否是会存在啊，这个粉丝一边倒去覆盖评分的这种情况。那么另外一个，接下来针对于这个针对特定案例的一个分析，我们先去提取出来这些人的这个数据，然后我们集中在于以下他们在另一种规则之下的这个新生存概率 啊，嗯，针对于这个加入评委选择抛开倒数两对中啊，哪一对的额外方法呢？会如何去影响结果这样一个问题呢？哎，这里呢就是说关于这个评委拯救环节啊，这就这个条件概率问题就是假如说某个人在某个模型中啊，落入倒数两瓶里面， 并且他的评委分呢是高于对手的，那么假设他被救回来，回去分析一下这是否改变了最终的结果就可以了。那么这个问题二的鉴物术呢，是比较确定的，就说只要问题的数据生成好了啊，那么问题二呢，主要是进行统计和进行逻辑判断啊，思路是比较确定的，来看一下问题三， 问题三就是说使用我们的粉丝投票估算值数据呢，去开发一个模型，来分析各种职业舞者以及数据中可用的名人特征，比如年龄啊，行业啊等等这些影响，然后去分析一下这些因素呢，在多大程度上去影响了名人在比赛中的表现，以及他们以相同的方式影响，是否是以相同的方式影响了评委的评分和粉丝投票。好， 这个呢就是一个典型的回归分析和归音分析的问题，那么这里呢有两种方案，一个呢就是这种混合效应分析 好，我们可以把职业五指呢设定为随机效应，然后把明星特征呢设置为一个固定效应啊，然后呢给出具体的模型，我去分析一下啊，来看这两个方程的，这个评委和粉丝两个方程里面呢，系数悲叹的显著性和大小啊， 来看一下这个系统呢，在这两个模型中呢啊，它们的是否显著的这个问题啊，那么这个呢是我比较推荐大家去进行选择的啊，这种混合效应模型呢，是比较能够去啊，比较好的去处理面板数据的，比普通那种心灵回归模型呢是要好一点了。那么另外一种方案呢，就是这个随机森林或者是啊叉子 boss 啊，其实就是基于树的那些模型啊，比如角色树啊，随机森林啊，就是基于呃树啊，对这种模型 积极学习模型。那么这个呢，就比较无脑一点啊，应该大家大家做过数据分析的题目应该都懂啊，就是你直接把它导入进去，然后跑一遍，就可以得出每一个侧重对于结果的贡献度了 啊，这个呢，优点呢，就是我们能够很好去捕捉非现金的这种关系啊，就直接周谷会跑出来一个重要性的排行啊，这个大家做过数据分析类和积极学习的人都懂， 那么这个呢，就是缺点就是它的解释性能差一点啊，就是我们不能从内部的机理和因果关系呢去很好的解释啊，我们只是跑出来这么一个结果，就传用数据进行驱动啊，这个呢，我后续这样的方案我都去做一下吧啊，看一下哪个效果更好啊，当然目前我推荐的是这个，大家去选第一方案是核像也模型好， 那么最后呢，就是要去提出这个新赛制的嘛，对不对啊？提出抑郁症，每周使用粉丝投票和评委评分的这样的一个系统 啊，让这个系统更公平，或者是在某些方面更好，比如说让这个节目更刺激啊之类的啊，我们自己去选择一个目标，然后呢，哎，去提出一个新的系统就可以了。好， 这样呢，大家就比较自由了啊，有很多种方法，比如说啊，你可以采用加卷法啊，这个理由呢，就是说，呃，好处呢，就是我们可以兼顾名次和表现的差距啊，我们保证每一跳都有这个价值， 要么呢，我们就基于等级分的这样一个动态权重系统，哎，我们随着赛季的进行呢，评委评分的权重呢逐渐降低，然后粉丝权重呢逐渐升高，这样的话，只是大家越看越刺激了，越看越刺激，呃，我们的目标就是追求刺激，对不对？那么再就是啊， 我们可以结合这个评委拯救啊，比如说啊，我们的评委分如果说排名前三的话，那么本周啊，那么无论粉丝投多少票都不会淘汰，我们可以保证那些技术最好的选手呢进入决赛，并且呢同时呢剩余的名额呢交给那些粉丝去进行，我们这个投票就是兼顾了这个公正与这个观赏性 啊，这个呢，大家比较自由了啊，这个关于这个新赛季的提议，大家可以再去提出一些其他的方案，我这里呢也只是给出三种啊这个建议啊，那么在整体的建议上面呢啊，呃，我们大家必须要拿下分，是问题一和问题二，我们要去构建一个稳健的将这个蒙特卡洛模拟框架，去解决这个数据缺失的问题。 好，再一个就是我们后面会拉开差距的分啊，就是会让大家拉开差距的分，一个是问题一的不确定分，不确定性分析是比较重要的，然后呢，问题三的这个混合效应模型，这两个呢，我们在过程中必须要去展示非常漂亮的啊，这样一个自信区间图和系数显著性的这样的一个表格图啊。好， 接下来我给大家讲一下这个题目，我们的一些关键信息和雷区以及注意点，你们大家可以看到呢，这个题目呢，呃，这个数据的注视啊，描述，关于数据的这个描述注视啊，然后包括呢各种投票方案的势力，以及一些规则啊，规则，比如说呢他 啊，这个 a 值是什么意思啊？零分是什么意思等等这些东西，这个是非常非常复杂的，所以呢，我把题目中一些比较关键的信息和连续注意点呢给大家提取了出来啊，那么在视频的后面呢，我来相信大家去进行一个补充啊，防止大家容易踩坑的点。好， 首先是呢魔剑魔里面最容易出错的地方就是这个关于规则变迁的时间线，我们的代码呢，必须要能够根据我们这个赛季呢则自断的去自动切换它的计算逻辑阶段一就是这个排名制，它这个使用赛季呢，是第一赛季和第二赛季啊，这个逻辑呢是这样的 啊，排名制他们的淘汰规则呢？是这样的啊，我就不给大家多注注了吧，好吧，据说数值越大的排名呢越靠后，然后呢他数值越大的就会被淘汰，就这个投票排名制的同排名的制，这个题目里面的这个我后面也给大家讲了啊，后面也跟他讲了， 就说排名越大越靠后。好，那么这里呢我们要去注意一个问题，那如果说我们的总排名是平局怎么办呢？这个题目是没有说的啊，我们需要去进行一个合理的假设，这也是大家需要注意的个点，就是如果说排名出现了平局怎么办这样的一个问题。 好，那么另外一个就是基站案也就这个百分比值，这个呢是在第三赛季到第二十七赛季里面去啊，然后这里是他的这个排名的逻辑 啊，就是各自有各自在帮占比的这个百分比。那么啊，评委分是这样的，某选手的评委分，我们这个百分比的设定呢，就是说这个百分比的设定呢，就是说意思就是说啊，评委分的百分比，就是说某选手的评委分除以当中所有选手的评委总分， 当然了另外一个就是这个粉丝的这个百分比呢，就是说啊，这个选手的粉丝票数除以当中总粉丝的票数。好，我们它的规则呢，就是说 数值最小者被淘汰。接待三呢，就是说啊，从这个第二十八赛季到第三十四赛季，这题目是假设从第二十八赛季开始啊，就是具体的是从哪一个赛季开始的，是并没有说的啊，题目里面说的是假设哦， 那么这个呢，是重新回到了排名至区区三，咱们综合排名这里呢，关键差异呢，就是跟我们最开始的这个排名的这关键差异呢啊，就是有一个综合排名倒数两轮，这个选手呢会进入生死 pk， 那 么最终会淘汰谁呢？是由评委现场投票决定的，而不再是由综合排名决定的，能理解吗？ 虽然在在我们建模里面会有产生一个影响，比如说在第二十八赛季到第三十四赛季的这个逆向推导过程中呢，如果说某一个人排名综合排名呢，是倒数第二，但他没有被淘汰，这是非常合理的，因为评委把他救了，他能理解吗？ 好，那么另外一个问题呢，就是在我们数据清洗和处理方面会存在一些雷区。首先是关于零分的这个含义啊，比如数据中呢是零的，就代表这个选手已经被淘汰了， 然后呢评委人数的变化，有的时候呢可能是三个评委，有的时候呢可能是四个评委，在这个处理方面呢，我们就不能直接用总分了啊，我们必须得去归一化啊。再有个关于这个小数的处理问题， 包括这个 na 值， na 值呢代表的是缺席啊，这个评委或者说休赛周，这个呢，我们在主取出局中呢啊的时候呢，要进行剔除啊，最后呢就是多余一人淘汰，或者说无人淘汰啊，这只是我们相应的处理。 好，那接下来给大家讲一下每一问啊，我们前面的思路已经跟大家讲过了，我们接下来要讲一下每一问的这个注意的点，那么在问题意义里面呢， 前面的思路我们给大家讲过了啊，这点重点就在于我们如何去回答这个确定性的问题，那么有些中呢，这个评委的分叉是很大的啊，粉丝投多少票都破去改变它的结果，那么这种情况下呢，它的确定性是比较低，大家能理解吗？ 那么另外一种呢，就是说评委分是比较接近的，所以呢粉丝投票的微小变化就会导致他们的排名会出现很大的变化，那么这种数据呢，就会意思就是说它的吸引力呢是比较高的 啊，这个答案应该能理解什么意思吧啊，就是假如说分差很大，因为咱们是通过这个评委分和排名去逆退他的粉丝投票嘛，假如他分差很大的话，那如果说你这个粉丝投票呢，多少都不改变结果的话， 你偷懒出来这个趋利性可能是比较低的呀，因为你任何值都可以嘛啊？你偷懒出来任何值都行嘛，你高或者低都无所谓的，那你的趋利性当然很低了，就说它的可信比较差啊。另外一种呢，就是说你这个评委分比较低的情况下 啊，他为啥变化就导致他排名逆转，那么这个时候我们再通过排名和评委分综合起来去逆推他的粉丝投票的话呢？哎，这个就是我们趋利性非常高了，大家能理解吗？啊？ 所以这个这部分我们的衡量指标就是我们的可行结空间的这个奇迹，或者说我们的卡罗样品的方差啊，去看一下它方差大还是小好。然后针对于问题二里面呢，我们的核心 写就用我们去我预测出来这个票数呢，去套用不同的规则，然后呢去针对于具体的案例进行分析啊，比如针对于这个人，他在百分比之下呢，是赢了的啊，我们要去计算一下，假如说他采用了这个评委拯救规则，他会不会在半路就被评委给淘汰掉， 哎，那么再比如说这个第二个赛季的这个人，他在排名之下是亚军，那么假如说换成百分之十的话，他的这样低的分数呢？会不会被这个粉丝投票给拉回来？大家能理解吧？好， 对着问题三里面的这个影响因素分析里面啊，我们前面给大家讲过了，我们要去做这个回归啊，和这个相关性分析， 这里我有这么几个关键变量啊，首先是这个职业舞者啊，这是非常关键的，因为有些职业舞者呢，他的粉丝是非常多的啊，他们能够去带飞队友去演演投票， 我们需要去把职业舞者呢作为一个分类变量啊，进行编码来，或者说作为一个学习效应啊，一直说三四，最后加一个，在数据表里面加一个判定啊，就是看看他是否是职业舞者这样的个灵异判断啊，可以作为一个变量去导入进去， 或者说把它作为一种学习效应进行考虑。哎，那么另外一个就是他的职业归类，比如他的职业呢，如果说是什么球员呐，什么真人秀明星呐，什么老牌演员呐，哎，这个呢，我们也要把它作为一个变量考虑进去， 能理解吧？就在我们这个分析影响因素的时候，我们哪些变量都需要去进行考虑，我先给大家讲一下啊，关于这个职业问题，我们也得考虑进去。 那么再一个呢，就是这个年龄问题了啊，啊，比如某的老某些老人呢，他可能会有些情怀分啊，他的粉丝票呢，可能会比较高一点啊，那么比如说年轻人呢，可能会呃，票都好，那么就偏位分比较高。哎，这个呢，我们只是最开始的这个初识判断啊，只说具体有没有关系，我们就是看后面的那个回归和相关性分析了吗？ 对不对？在我们最开始的这判断的时候呢，我们也先研究一下，大概哪些因素呢，可能都会产生影响，能理解吧， 而且我们在这里呢，不仅要去分析这些影响因素呢，对于结果的影响，还要去分析对于评委分和粉丝票的影响啊，因为这个题目呢也没辙，问了他们对于评委和粉丝的影响方式呢，是否是一样的？ 好，那么大致的这个 ct 幕完整的思路呢？和一些啊，这个在我们纠结过程中啊，要去注意的一些关键的信息和雷区啊，以及一些注意点呢。我这个视频呢，应该都跟大家讲清楚了， 那么这个 c 级目呢，完整人生的问题，现在代码和结果呢，预计会在明天就是一月三十一号的中午左右就会更新完毕，那关于这个完整成为的说明，大家可以看这个视频的评论区。好， 稍后呢，我会再跟大家去讲一下这个 a 级目完整的这个思路啊。呃，我们这次呢会选择 a 级目和 c 级目呢，两到几目啊会同时进行，那么 a 级目思路呢，我一会会再出一个视频，那么这个视频呢啊，大家也可以转发到你的队友群里面，和你的队友呢继续商讨一下选题。 呃，以及呢，假如你们队伍选择 c 一 梦的话呢啊呃，给你们队伍呢啊，转到你们队伍群里面啊，可以去一起看一下，你们在休闲课中呢，可能容易踩了一些坑个点， 呃，包括这个题目的赛前思路，大家都可以去看一下。呃，希望能够帮助到大家啊，呃呃，希望大家呢都能够获得满意的奖项啊，谢谢大家。

各位同学大家好，那么今天给大家讲解一下如何使用我们的 nonbanban 去进行绘图。那么相信各位同学应该比较讨厌那个官网的一个价格问题，那么我这边给大家提供了一个镜像网站，那么这个镜像网站你可以看一下，呃，整体来说还是非常实惠的，就是你可以几乎 相当于官网一半的价格去买到对应的额度。好，所以画图还是挺好画的。好，那我们今天重点是什么呢？我们是讲解一下这个 nonbanbanbanban 该如何去绘图。那么结合本次美赛的题目，本次美赛大家应该 其中可能会在 a、 b、 c 三题，那么 c 题我们就不讲了，那么可能画图画的最需要的肯定是这个 b 题，对吧？那么这个 b 题我们该如何去画呢？你比如说你想象一下，我们从这个地球，然后围绕太空电梯啊，然后这个火箭，然后整个的我们又到这个月球，那脑海中想象的是不是那个地月的航线， 对吧？你们可以去网上搜一下嫦娥工程探月的那个图，是不是类似那种图，哎，我们想一下，如果我们在写作，写这个论文的过程中能放一个这样的图，是不是就非常的好看了？好，来，今天手把手教你如何去画出这种超越欧奖级别的图来。 好，首先第一步我们做什么呢？我们把题目拿过来，那么题目拿过来之后，这样子，比如说我们这个是 b 题，好，那我们直接把题目复制，你不用去管这个题目是什么，无所谓。好，那接下来我们做什么呢？我们 随便找一个 a， 注意是随便找一个 a， 然后怎么做呢？把题目复制进去好，然后接下来干什么呢？这样说，好，我现在需要结合题目去会制一个展示，展示什么呢？展示地球啊，月亮运输系统的整个完整的 机智图。注意是机智图啊，不能是流程图，因为你一旦讲流程图的话，他就是那种框线了。 ok， 那 这个时候有一个点，就是为什么我们不直接在 nonono 那 里去画，如果你直接去画的话，因为你这里面有大量的污染词， 所以 nonono 那 里去绘制图之后就画起来会非常难看。明白了，所以我们要进行一轮出差，那这个时候我们就用别的 ai， 好， 那么画完机智图来，注意给出绘图的英文提示词，对吧？好，我们要这样子， ok， 那 我们点击啊发送。 好，注意，此时我们还需要再改变，因为它这个时候给的是萌妹的代码，对吧？这个时候重新强调，我需要会制的是机制图， 然后我需要你给我的是 ai 绘图提示词，全英文的，然后我想要画的效果是那种 黑白的，然后物理效果，然后呢？整个地球，然后地球上面我能够把那个太空电梯系统给它标识出来，然后以及啊周围的一些赤道，然后还有地球上那些火箭发射地点，甚至地球上的整个的地图，然后以及 火箭和太空电梯系统，它们整个的运输路线到达我们的月球基地，整个的一个航线，然后我需要你画的 整个的显得一个非常专业的学术风格，然后整体的风格就是那种黑白，然后其中标注的线条你可以用一些彩色的，然后结合这个给出全英文的 ai 绘图的提示词，好来 支持语音输入就好。那我们这样子我们啥也不用管了，我们只需要等待它的生成就行了，明白了吧？好， ok， 然后我们把这个提示直接复制，复制完之后我们回到我们的 banana， banana 把我们的提示词放到这个地方，然后我们直接点击生成。好，我们只需要稍微等待一下，那么它就能生成我们必提最想要的一个图了。 好，那这个时间可能会稍微有一点点慢，我们稍稍等一下，好，来，我们来看，那这样子是不是就能够非常直观的表示出 我们的一个地球和月球之间的一个激烈关系，是不是？那你想一想，那如果说我想把这个图画的画成二维平面的也可以，对吧？那这个取决于我们是不是那信息量丰富一点都可以，是不是？ 好，这就是我们的一个绘图的提示词以及绘图的一个妙处，明白了吧？好，那么就目前这个图而言，我觉得还是有一点点不好地方，比如说啊，我觉得这两个地方还是不是很协调，对吧？那我觉得啊，我还可以对它进行去干嘛？去做进一步的修改，是不是都可以？ 你是不只能会一闪，你要画你能画好多好多次啊？所以这个大家一定要多多的去画时间去优化，明白了吧？那么美赛欧奖目前为止也没有画出这么好看的图，所以你们画图一定要画的很好看。好，行，那我们这个就到结束。

好，大家好，那我明天早上六点钟呢，二零二六年的美赛就要开赛了，那本期的美赛呢，我也会跟以往的啊，所有比赛一样，会在啊开赛之后就会给大家发发布一个选集建议以及个体思路的这样的一个视频，那么之后呢，就会选择其中两道题目去完成他的完整原装论文以及相应的代码和结果。 那么比如说你看这个二零二五年，我做的是这个 c 题目和 b 题目等开赛后呢，会发布这样的一个视频，哎，之后你就会有一个每一部分代码结果以及格式化，包括完整原装论文的这样的讲解视频。 那么啊，这个二零二五年是 b c 题目，二零二四年那么做的是这个 c 题目和 f 题目，然后呢，二零二三年啊，我做的是这个 c 题目和 e 题目。好， 那本次比赛啊，二零二六年的美赛呢，我也是一样，我们团队一共是九个人呃，均是获得过国二或者美赛 m g 以上的双月硕士。那么开赛中呢，会嗲嗲之之内就会发布的选题一件以及初步的思路视频，之后呢，就会去完成其中两道题目的完整成品，那么我们大概就是 x m 和 s m 各做一道 关于届时这个完整成品的说明，大家可以看这个视频评论区啊，之后呢，就会到这样的一个文档链接里面去啊，大家也看到左边导航栏里面，我已经把大家可能会关心到的一些问题啊，全部都有跟大家去解释清楚 啊，包括这个选题型的哪样浓轮的时间啊，包括啊查出问题啊等等这些东西，那么这个视频呢，我就去跟大家详细的讲一下啊，届时我们提供的完整成品的说明啊，以及呢去给大家详细的看一下往年我们啊的这个美赛提供的完整成品的说明啊，比如这就是去年的 b 题目， 那么这里是前年的 ct 木打，包括所有的这个代码啊，我也会给大家去展示，就是往年我提供这个代码什么样的形式，大家到时候怎么样去运行，我都会在这个视频里面去给大家讲清楚。好吧，那么请大家务必耐心的把这个视频仔细的去看完，那么相信呢，呃，这个完整成品呢，可以大大的去提高大家的获奖概率。 好吧，那我在我的空间里面呢，是已经有累积长达四年上百场比赛，上千个学员，全部啊，所有学员的这个完整的获奖记录呢，我全都是有总结的啊，这也是全网唯一一家敢让任何人公开访问的。 那比如说我们来看一下二零二五年的美赛，最终一共是两个 f 奖啊，就是在我的学员里面啊，就是拿了我这个完整成品的人里面是两个 f 奖，然后六个 m 奖以及若干的 h 奖。呃，大家可以看一下，这是二零二五年比赛我当时发的这个总结记录啊，大家可以看一下二零二五年的五月二十号发的，那么这个呢？学员的， 呃，四和五呢是 m 奖啊，三是 h 奖，那么这个学员十呢，他是一个 f 奖啊，他们学校的这个 f 和 o 的 学分数是一样的加分，然后这个学员十次呢，也是一个，大家看一下也是一个 f 奖，好， 那么这个呢，就是当时在组做比赛期间啊，我发给他这个，包括这个梅赛 c e 的 打包文件啊，就是我这个完整成品的参考文件啊，那包括呢？相同说明视频代码出错、附件视频等等这些东西，那么稍后这些东西呢？具体这都是些指什么东西啊？我也会，也会在这个视频里面就给大家讲清楚啊，在这个成品包括什么这个栏目里面我会给大家讲清楚。好吧， 那再比如说一些其他比赛的，这是二零二四年研赛，这是学员是一个国一啊，这学员是个国一啊，这，这是二零二四年的美赛啊，是一个学员十七是 h 奖，那么学员十八呢？是一个 f 奖，葡萄奖提名 这个学员是一个 f 奖。呃，他们的助攻模式主要有个论，就是说必须在每一个每次都有一个人开头啊，他就是说呢，感觉我每次的速度都能带得动他们啊。 那么二零二二年国赛啊，这是二零二年国赛的总结，二零二三年联赛的总结啊，那么具体呢，就不给大家多展示了。好吧，这样大家有兴趣的去访问我的空间就可以了啊，那么在我的空间里面呢， 这四年来所有的比赛啊，上千场比赛，我全部都有总结啊，这可能是显示的 bug 啊。没事，我一会给大家拖动看一下，比如这是二零二二年啊，十月十号我发布的这个，我这个置顶说说啊，这是二零二二年的，给大家展开看一下吧。 呃，这个一到七呢，是一个第一次参加拿了一个省一的一个学员啊，他是拿了一个省一，然后呢八到九呢？是一个推入到国家答辩的，来问一下这个答辩的问题， 那么十到十二十一呢？是一个省二啊，那我就给大家看下其他的吧，比如我昨天发布的这个啊。 呃，那么还是那句话，就是我的空间里面呢，有所有的，我往期接四五年来所有学员上百场比赛啊，那么上千个学员所有的获奖记录呢？我全部都是我总结的啊，那么比如这是我昨天发布的，一月二十八号发布的吗？这是二零二四年美赛，学员是拿了一个 m 奖，那么这个学员在我这里也是做了 很多个比赛了啊，这个呢，我当时他做了一个小比赛，是拿了一个国一，我们后来呢，主儿美赛是在我这拿了一个 m 奖啊，这是当时二零二四年的美赛，二月三号我发给他的这个打包文件，含计相应的一些其他的视频。呃，那这个， 这个二零二五年国赛的学员二十八啊，这是我二五年八月二十九号发给他的这打包文件，他是拿了一个什么，然后他来预定这次的美赛 啊，这个就有很多了，我就不能一一个一个给大家展示吧，总之呢，我自己滑动一下，大家也能看到啊，是一月二十三号发的，给大家往后面拖拖拖一点。好吧，来看一下我们去年美赛成绩刚出来的时候，我是怎么发的。 呃，去年美赛成绩应该是四月多，还是说应该是四月多发布的？五月发布的，五月发布。好，那么当时发布之后呢？我五月八号就发布了这个总结的啊，这个说说，当时呢，五月八号的时候报喜的一共是有一个 f 奖和若干个 h 奖， 那么这个学员一和二呢，是一个 h 奖啊，这是当时去年因为我做的是 b 题目和 c 题目嘛，那么就给他发的是 c 题目啊，他是拿了一个 h 奖，然后呢这个学员啊，看一下啊， 看一下，给他发他也是一个 h 奖。好，那在网上看一下啊，比如说这个啊，爵士学院五是一个 m 奖，大家看一下。好，这个学员呢是拿了一个 m 奖 啊，这是当时美赛也是一月多的时候啊，发给他的这个梅赛 c 的 打包文件。这个去年是一个奖牌得分点的变化嘛，他要后面是有些答疑，就是说这个变化点的得分是怎么算的啊？ 那么学员五呢，也是一个 m 奖啊，这是当时我来看一下他是他选择是 b 题目啊，因为去年做的是 b c 题目，我 b 题目呢，当时他是有问这个，比如说这个座驾坐标指示是啥啊，包括这些东西也是当时的 n 记录。那么他当时每赛呢是一个 m 奖啊，包括一些其他的，比如说这个，这个学员应该是个 f 奖啊， 这两个是 m 奖，然后这个是有一个 f 奖，然后包括其他我就不给他多展示了。好吧，我们大家在我的 qq 空间呢，都能完整看到。好，那么接下来给大家说一下，这个完整成品都包括一些什么东西啊？啊？在之前我再给大家讲一下啊，呃，一些其他的东西， 这个呢，我们现在每次比赛呢，其实老学员的复购比例基本上是在百分之七十以上的，包括本次美赛呢，大部分的人呢，大部分都是在我这已经学习过其他比赛的人啊，其实呢，新来的这个学员呢，是非常非常少的啊， 真的基本上已经都是在我这做了好几个比赛了啊，包括有学员在我这做了十几个比赛的，也有一次性就做预定四五个比赛。 那么接下来我还是要感谢一下啊，用这个视频感谢一下大家这些老学员的信任啊，认可。好吧，那么这也是对我们助攻指标的一个最好的证明啊，感谢大家的认可。好，那么接下来给大家讲一下这个成语包括什么东西。那首先是呢，是有一篇完整的原创论文，这个格式呢，是大学的 pdf， 那 么在这个 啊，我这个视频展示就给大家展示这个 p f 啊，就以这个 word 形式来去给大家看了，比如二零二五年美赛的 b 题目呢啊，呃，这就是我当时美赛 b 题目啊，一共是五十页的一个完整成品，那么当时呢，就包括这个摘药问题，如入问题分析，我先假设符号说明节目每一问的模型建立于求解。 那么去年的这个 b 题目啊，是这样一个诸诺市旅游的问题啊，大家可以看到呢，这里面我有发表论文，包括每位的目前建议群里面，大家可以看到的，里面包含很多个二级标题和三级标题啊，那么呃，这是因为呢，我要有非常有条理的把整个这个论文呢 啊，全部给它清晰的写出来，包括呢，每个问题里面当然会有将来如果很多个小的问题，我每个小问题都是需要去具体的解决的 啊，比如说，但是问题一呢，怎么？当然首先要去构建这个优化问题了，我后面呢，是这个实际的囚禁。呃，在优化问题里面呢，包括模型啊，目标函数构建，约束条件以及反馈机制的建模。那么包括第二问， 用模型适配和黑广的差异化因素的识别，按照编量以及参数的调整及模型适配的演示，包括影响重要性的分析啊，动态平衡策略啊及问题三，我去年的问题三呢，是要求有一个备忘录吗？对，好，包括整个论文里面，我也会有非常多的黄字提醒大家如何去进行修改，像虫，包括一些论文篇幅呢，也是显得比较长一些 啊。呃，好，那么放大给大家看一下这个论文的剧情是吧？好吧，以去年 b 题目为例， b 题目为例， 那么这里呢，是去年 b 题目的这个摘要部分啊，这是 b 题目的目录部分啊，这是问题重述及问题分析。好，那么这里是模型假设啊，然后呢，这是模型建立于求解部分。好，大家可以看到。好，那么这里呢，就是代码运行的错误的一些图片。 好，那么我来看一下啊，这五点一点三的一个模型灵敏度分析，大家也知道呢，美赛呢，对于这个模型灵敏度分析要求是比较严格的，那么基本上，呃，大部分需要去做这个， 就是能做这种灵敏度分析的啊，这个题目呢，基本上都要去做，所以呢，这个，这个不啊，栏目呢，我当然也是必不可少的啊，我基本上都会去做这个灵敏度分析啊，这里有灵敏度分析。 好，然后呢，这里是问题二，问题二里面的模型建立，然后这里是结果啊，好， 再来给大家看一下去年的 c 题目吧，那么 c 题目呢？去年比今年呢啊，去年这个 c 题目呢，比 b 题目是要稍微难一些的啊，所以整个这个篇幅呢，要比较长一些，因为它里面呢处理的东西太多了啊，就是大家可以看到呢，我这二级标题和三级标题分的非常多， 那么去年呢 b 题目呢，我也给大家奉它看一下吧啊，它 b 题呢，去年是一个这样的一个奥林匹克奖牌的模型啊，奥运会奖牌的模型， 这里是摘药部分，那么这里是目录部分，目录分大家可以看到呢，呃，问题一里面包括数据处理，然后去做格式化，然后构建一下这个预测的模型， 然后呢去进行一个具体的实现啊，去提取他的特征啊，然后去训练他的分类和回归的模型，然后后面是预测他首次获奖，然后呢再做赛事分析，模题二里面呢是做这个引入了一个贝耶斯变化点的检测啊，然后后面还要分析这个教练的贡献度，重述分析和假设，就给大家多说了啊，这是符号说明部分 好，包括呢里面会有很多拱王集体去告辞一些会员的说明，这个答案呢也都务必要去落实。就这个视频呢，也是给呃目前已经在我的预定过这个完整成名的人呢，给出一个指南啊，就是到时候你们拿到这个成品应该怎么去用啊？这个视频呢，也不必自己去看完哦。 我在这里建议大家画一个流程图，好吧啊，这里是做一个模拟器去处理，那么第一位呢，我们首先去做成数据处理啊，做一个数据清洗啊，这个就不用给他给大家多说了吧，这后面包括呢，这就是获取的这些图片。好， 那么除了这个论文之外呢，第二个就在我用借账过程中用到的所有的数据处理的表格和结果表格，包括代码，那么在代码部分呢，我们百分之九十五以上的概率，那本身每站呢，也会依然去采用 python 去进行纠解啊，那么这个呢，我们是采用 notebook 去进行编辑的， 这个呢，当然如果说不会 python 代码的话，也没关系啊，也没关系，我会给你代码的一个完整的运行操作视频，那么大家继续去看就可以了，那么零基础也可以完全的去跟着我的这个操作视频去运行，是很简单的，在运行工具方面呢，只要是支持运行 notebook 的 啊，呃，就可以了啊，比如 sps pro 啊， java 啊， py 叉门啊等等，这东西都行，但你即使门打开或者知道你的 python 不好也行啊，但是不太建议，因为这个呃知识弄得不可学的工具呢，看起来比较直观一些，也简单嘛，对不对啊？那有人说我没，我一接触过这个 python 代码怎么办呢？我完全不会啊， 无所谓的啊，无所谓的到上头你根据我这个代码速度视频来啊，你就直接打开代码就能看到这样的一个东西了啊，比如这是我去年每站 ct 的 代码， 那么这就是我，大家可以看到正好是一年前，对不对？一年前创建时间二零二五年一月二十六号，这是去年我美团的这个 ct 的 代码和结果表，包括中间预处理的所有表格，那么这就是代码部分，这是 q 一 啊，这是 q 一 的格式化部分，那么这里是 q 二。呃，打开 k 局给大家看一下，这里呢，前面是安装库， 呃，包括这个，怎么安装库？这个呢？我的代码速度视频呢，也有给大家去讲啊，其实呢，你无论是零基础，哪怕是高中生拿的代码速度视频也能给大家去讲啊，其实呢，你无论是零基础就可以操作这样的一个版本， 但如果你要是会拍成会弄图的话呢，那当然更好，对不对啊？我支付呢，你不贵，零基础呢，也无所谓啊，运行就完事了嘛，只导入一些数据啊。哎，这就是先去做这个数据处理清洗，这是去年的这个代码， 然后呢，我做了一个音设表，然后提取数据，然后进行计算特征的提取，然后呢啊，这只是做预测，这只是一些混合矩阵，这是分类预测嘛，这是混合矩阵图。哎，这里是这个 数值的预测部分啊，回归预测，哎，回归预测啊，特征重要性的排行。好，那么这里后面是啊，得到一些其他的结构表壳啊，这里是获奖概率的分布，大家都是题目要求的啊， 然后包括说后面有计算得出的这个奖牌的相关性和项目变化的相关性，哎，也得出了，那么后面呢，包括各项目和奖牌数的相关性也得出了， 然后呢，绘制他们的奖牌分布情况全部恢复至了啊，那么整个呢，这个绘制的图片呢？呃，形式呢，基本上是以尼手入门的这样的一个科研任务要求的啊，所以呢，来个看到这个图标呢，也是比较精致的，这是 q 一 的格式化部分哎， q 一 的格式化部分，然后这是 q 二的一些代码， q 二的一些代码， 这应该是去研究那个教练效用的啊， q 三是写一个备忘录就被他展示了，对吧？那再比如说啊，啊，这里是二零二三年 c 写的论文啊，他是当时一个打网球试图得分的一样的一个模型啊，这会我就不用给大家多展示了吧，比如这里是这应该是当时二零二三年 c 题目的一个代码啊， 大家看正好两年前吧，两年前啊，两年前的这样一个东西，好就给大家多展示了，好吧，总之呢，本次美赛我们提供的形式呢，依然是这样的啊，或者给大家给大家一这样一个拍摄的代码啊，那么当然呢，直接根据我这个 啊操作一些视频去操作就可以了，然后呢就会有一个讲解视频，那么这里呢，首先是有一个公开的版本的讲解视频，就是在我的 b 站上面会发布的 啊，这样的一个公开的视频里面会给大家讲一下整体我这个论文是怎么去完成的这样的一个思路啊，包括疑问的代码和结果的一个展示，当然这个展示部分呢，我是会进行打码处理的啊，包括一些重要的代码结构，重要的结果图片啊，包括论文中的这个展示呢，我都不会去完整的去给大家展示啊，这个公开版的视频呢，只是，呃，给大家讲一下这个思路具体是什么样的， 呃，因为我要保持这个限量嘛规避查虫问题好啊，所以呢大家也不用担心这个查虫问题啊，因为我 啊陪我四五年这以来啊只要是按照我论文中黄黄字提醒以及我的啊副这个降重出名视频啊去操作你的人呢啊是没有一个人出问题的，包括去年每三年没有任何一个出问题啊，前沿大前也是。好吧好那这是一个公开讲解的视频啊，最后呢就是一个降重教学视频以及操作的副线视频， 那么这个呢主要是让拿到论文的更好去理解论文中的结果如何去进行复现以及这个论文呢如何去进行修改成虫。因为我这个出的成品呢也是一个限量的成品啊，所以我会特别录制一个降重教学视频以及一个复现论文中所有结果的代码错漏付错漏视频 零基础也能看懂。然后接着呢我会和这个整体论文呢一块发放给你，请务必对照这个论文呢仔细巡查啊，那我这个参考成品呢是一个限量版本啊。呃还有一句话我前头不是给大家讲过了我是一对一的帮大家去做啊 呃 k i 型的务必注意好吧啊那么关于这个文档链接里面的一些其他部分包括说这个信用问题啊，查重问题啊啊是否报答奖啊这些大家自己去看我这文档链接就可以了啊。呃这个呢便捷的还可以玩啊，可以占这个 y g 完整成立的数呢大家可以看这十人的评论区好吧 ok 那 就说到这里吧。呃本次美赛啊我会跟去年的比赛刘冲呢是一模一样，会给大家带来这样的一个助攻。呃呃，大家等明天早上开赛吧啊，六点钟开赛之后，我就会第一时间发布全天 e 及作题速度视频，之后呢也会去实践的去完成其中的两道题目 啊，中兴兴盛呢，我这个视频呢也应该给大家讲的很清楚了。呃，希望到时候能够帮助大家获奖吧。啊呃，再创去年前年大前年美赛的这个辉煌啊，去年呢是两个 f 六个 m， 乐观的意识讲啊，希望今年呢，呃，大家的获奖情况比去年更好更上一层楼啊，希望大家呢都能够 拿到满意的奖项吧。好吧，呃，就说到这里吧，希望能够帮助到大家。那么关于这个美赛技术，我会出到这个完整层面的书门呢，大家可以看这个视频的评论区。好呃，就说到这里啊，谢谢大家。

美赛马上要开始了，我看依然有很多同学完全没有头绪，没关系，只要你排版合理，再配上一个好看的图标，基本上都能拿二等奖。在这里我给大家推荐几个小工具，帮助大家做到以上两点，轻松拿下美赛。首先是 infmind 这个网站，专注于科研论文的工具， 美赛开始前夕，将你选好的论题直接丢给 inflight 跑一遍，跑出来的论文直接能用。然后再利用网站内置好的画图工具，搭建一个完美的图标，想不吸引评委都难。然后是排版，在这里我首推 t plus， 它的排版不仅合理，还支持多人合作排版与美赛的三人配置不谋而合，总之，大家赶快用起来吧！