标签：加工 可以 赛题 建模 算法 时间 2021 数据 随机
A题 疫苗生产问题
正太分布公式
第一问是从50次时间统计出均值、方差作为正太分布的参数，最值即是公式中的x区间范围。
第一问的统计主要是得到不同疫苗在不同工序上的随机时间公式，第三问开始会用到，第一问的意义这里举个例子：
产生均值为19，方差为0.1的一个随机时间
19+sqrt(0.1)*randn
每种疫苗必须按照CJ1-CJ2-CJ3-CJ4依次加工，题目没有说几条生产线，那么就默认1条，第二问YM1-YM10各100剂已知，疫苗生产也不允许插队，就是说之后的工位也是按第一个工位的加工顺序加工疫苗。那么第二问就直接通过randperm函数生成随机序列就好。加工过程主要有两种增大时间成本的情况：第一种是YM2在CJ1加工完成后YM1还在CJ2上加工，第二种是YM1在CJ2加工完成后，YM2还在CJ1上加工。造成了等待时间和闲置时间，因此就需要找到一个最优的加工排序方法。在第二问每种疫苗在不同工位的加工时间以附件1中平均时间为依据。
程序设计很简单，每个个体就是randperm生成的序列，目标函数为总加工时间，注意记录每个工位上累计开机时间。优化算法就套用遗传算法就行，但交叉变异函数需要重新写下，下面是交叉变异函数案例，可以参考。
function x=jiaocha(x,a)if nargin < 2a=0.3;%未设置交叉率则默认为0.3endy=x(end:-1:1);b=randperm(length(x));if rand<a %随机1/3个位置进行交叉互换x(b(1:fix(length(x)/3)))=y(b(1:fix(length(x)/3)));end
function selchrom=bianyi(selchrom,n,a)if nargin < 3a=0.5;%未设置变异率则默认为0.5endfor i=1:length(selchrom)if rand<ab=randi(n);c=find(selchrom==b);d=selchrom(i);selchrom(i)=b;selchrom(c)=d;endend
第三问，时间改为满足正态分布的随机时间，但是要注意不同疫苗在不同工位加工时间的正态分布公式，其时间的区间范围由附件1中的最值决定的，也就是说19+sqrt(0.1)*randn产生随机时间后，如果>边界值20，那么就只能取边界值为20。对第二问程序进行修改，将第二问遗传算法作为外循环，对于某个个体循环进行k次蒙塔卡罗实验模拟随机加工时间下的结果，实验结束保留最优情况。
同时全局保留比问题2总时间缩短5%以上的方案，第三问还说找缩短的时间比例和最大概率之间的关系，缩短时间比例就是与第二问结果相比，加工时间本身就是随机事件，例如加工时间出现19，那么对应相应的正太分布的概率为0.3，也就是说有0.3概率这个加工环节用时19。第三问说的与最大概率之间的关系就取所有加工环节对应概率的平均值吧。最后做下缩短的时间比例与最大概率的拟合曲线。
第四问，每种类型疫苗的生产任务不可以拆分，相当于一种疫苗不间断生产，那么还是按randperm对10种不同疫苗产生随机序列用优化算法寻优，这里也需要注意下，每种疫苗其实是分成若干个100剂的且是连续加工的，中间工位无等待时间，但是换下一种疫苗就可能存在等待时间，第四问建议还是沿用第三问中的随机加工时间来。
第五问，可以对任务进行拆分，还是可以通过randperm产生随机序列，只不过要将不同疫苗任务数拆成若干个100剂进行随机排序，程序中将算目标函数的for循环改为while循环，终止条件为>100天，目标函数改为销售额。
B题 消防救援问题
第一问首先从附件中筛选出每年2月、5月、8月、11月中第一天三个时间段救援次数，基数是三个时间段至少5人，其他的按历史救援次数比例安排值班人员，当然这里也可以假设一次出警人数，一次出警时间，按时间点统计下历史数据中该时间段需求最多的人数，也可以结合区域的人口密度，设置不同的出警人数，可以假设的方面很多。第一问也只是说每年2月、5月、8月、11月中第一天的三个时间段各应安排多少人值班，根据历史数据统计就行，不需要进行预测。
第二问可以直接用神经网络、时间序列的方法来做，或者拆成每日用马尔可夫预测最后在按月求和。最后做下误差分析。数据不是很有规律，多尝试几种预测方法。
第三问，观察发现数据基本无规律性，比较像随机事件，本问比较科学的做法是预测次数和预测事件发生分开来做，按月的角度去预测之后每月救援的次数，预测时间的发生就不按时间点来了，直接通过马尔可夫算法（其中有转移概率矩阵，比较适合解本问）预测后续时间发生的序列，最后得到每月不同时间发生的次数。
第四问，先计算各地区2016-2020年不同事件的密度（按每周统计[事件密度指每周每平方公里内的事件发生次数]），根据图1，求与连接区域不同事件密度数据的相关性，比如拿A区事件1与B区事件1求其密度历史每周数据的相关性（皮尔逊、余弦相似度等），给出两个连接区域间相关性最强的事件是哪一类。题目说图1中空间上的相关性，应该指的是相连通的区域。
第五问，本问的各类事件密度就取每周的平均值，然后分每一类事件求其时间密度与对应区域人口密度的关系，这里就可以用简单的回归分析算法，主要是体现整体趋势。
第六问，如果是要依次新建消防站，就仅考虑当前情况，FCM算法（可以参考下我公众号的推文：算法-Matlab版-FCM聚类）以点到相应聚类中心距离之和最短为目的，本问可以借鉴该思路，除了距离外，还可以考虑平均每年出警的次数以及人口密度等因素，去构建目标函数。本问区域个数较小，可以直接枚举出来确定最优选址，每新建一个消防站重新算一下新增消防站的最佳位置即可。
C题 数据驱动的异常检测与预警问题
数据有些不连续波动且波动值很小可能是传感器短时间发生异常，这类波动视为非风险性异常，如果是连续波动且偏移量较大，并且可能还对其他传感器有一定的联动性，那么基本上可以判定为风险性异常，给大家解释下几个方面，部分传感器接收到的信号来源是一致的，也就是题目说道的联动性，由于没有历史数据支撑，也不知道各传感器的状态，可以取初始前几十行数据通过求相关性、聚类分析进行归类，归一下类别，之后如果出现异常数据联动的时候可以多一个参考，聚类步骤可有可无。还有一点，传感器一天内受天气的影响肯定很多传感器在早中晚时的数据差异比较明显，因此最好不要直接用算法检测整列数据。比较科学的做法，我们拿半小时为例，大概有120个数据。程序里每次循环向下增加一行，向上减少一行，一个时刻一个时刻的遍历下去，对于单个传感器，可以通过LOF离群度检测算法（可以参考下我公众号的推文：算法-Matlab版-LOF）
每新增一个数据就重新算一次离群度值，离群度这里可以设个临界值，高于则视为异常数据，按理说如果是正常数据都是连续的，那么离群度就不会太高，如果是出现连续几个偏差较大的数据那么就可以判断疑似风险性异常，同时可以根据与之同类的传感器数据的异常情况，如果存在异常联动那么就判定为该时刻发生风险性异常，如果不存在异常联动，就继续遍历，如果连续又增加了几个高离群度的值，那么就可以判定为风险异常。异常检测肯定是有延迟的，聚类步骤也只是辅助LOF算法尽早发现风险异常，还有种情况，数据异常时间比较长，这里可以记录下确认风险性异常前120个数据的平均值u和方差o，此时新增的数据的离群度就暂时以u和o来计算。此刻被定义为风险异常，可能在之后某一时刻工作人员恢复了数据，如何判断恢复时刻，如果出现连续几个数据小于与u<方差o那么可以视为恢复，考虑天气、时间变化的影响，这里也可以加一个容错系数p，那么就是<方差o+p视为恢复。从恢复时刻开始，前面的数据就可以摒弃了，就从恢复时刻开始一直到120个数据后再依次取下一120个数，依次遍历下去。特别提醒下不管用什么异常检测算法一定要增加恢复时刻的判断，否则遍历到后面可能会将已恢复后的数据也判断为风险性异常。
上述主要从算法设计角度写的，可以参考下，也可以更细化多增加一些判定条件，实现起来编程也确实要麻烦点。
第二问，第一问采用的是遍历采样的方式，每个传感器每个时刻都会取前120个数据，第一问也设立了恢复时刻的判定，这里百分制打分就按离群度值/历史出现最高离群度值，如果存在联动异常则打分×（1+theta）。打分模型可以自己根据第一问的算法构建，这里只是举了个简单的例子。
第三问，预测算法推荐使用粒子滤波算法（可以参考下我公众号的推文：算法-Matlab版-粒子滤波），预测算法带入的数据最好是22：00-23：00的，时间久的数据参考意义不大。然后再接着第二问算下23：00-0：00的各时间点评分
第四问，注意这里是安全性评分了，并且是对时间段所有传感器的整体情况进行评分，一般我们在企业里会有故障这一指标，在本问评分可以通过这个式子计算100*（1-故障总时长/所有设备开机时长）或者100*（1-故障设备数/该时段总设备工作数）
标签：加工,可以,赛题,建模,算法,时间,2021,数据,随机 来源： https://blog.csdn.net/qq_39899679/article/details/116333070
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。