2019年第九届MathorCupD题钢水“脱氧合金化”配料方案的优化

钢水“脱氧合金化”配料方案的优化

首先这道题给的附件一就不是人干出来的事，这给的什么，得数据预处理吧，最好是处理成那种行列都有的一个方方的矩阵形式，就比如说你平常练机器学习代码给的那种数据一样，是删还是补都行，保证数据准确，对后面模型建立很重要。

问题一

要求计算$C、Mn$两种元素的历史收得率，这个用$Excel$在后面加个一列套个公式就能算出来。这个计算公式是
$$X收得率=\frac{连铸正样\times (钢水净重+合金重量)-转炉终点\times 钢水净重}{加入X元素重量}$$

然后问影响其收得率的主要因素，用主成分分析和因子分析都行吧，还有用灰色关联预测的，懂模型解释清楚就行。

问题二

对收得率进行预测，在第一问你挑出的几个主要因子做个预测模型，BP神经网络


然后再把模型优化，对比对比

Python代码实现

from sklearn.neural_network import MLPRegressor
from numpy import loadtxt
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
a = loadtxt('problem2.txt')
x0 = a[:, :7]
y1 = a[:, 7]
x_np_list = np.arange(1, len(y1) + 1, 1)
md1 = MLPRegressor(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=500)
md1.fit(x0, y1)
plt.plot(x_np_list,y1,'-*',label='真实值')
plt.plot(x_np_list,md1.predict(x0),'*',markersize=3,label='预测值')
plt.xlabel('样本')
plt.ylabel('C收得率')
plt.legend()
plt.show()
y_di_list = md1.predict(x0) - y1
sum=0
for i in y_di_list:
    sum = sum + i**2
print('残差和为：',sum)
plt.plot(x_np_list,y_di_list,'--',label='残差')
plt.xlabel('样本')
plt.ylabel('C收得率')
plt.legend()
plt.show()
x0 = a[:, :7]
y1 = a[:, 8]
x_np_list = np.arange(1, len(y1) + 1, 1)
md1 = MLPRegressor(solver='lbfgs')
md1.fit(x0, y1)
plt.plot(x_np_list,y1,'-*',label='真实值')
plt.plot(x_np_list,md1.predict(x0),'*',markersize=3,label='预测值')
plt.xlabel('样本')
plt.ylabel('Mn收得率')
plt.legend()
plt.show()
y_di_list = md1.predict(x0) - y1
sum=0
for i in y_di_list:
    sum = sum + i**2
print('残差和为：',sum)
plt.plot(x_np_list,y_di_list,'--',label='残差')
plt.xlabel('样本')
plt.ylabel('Mn收得率')
plt.legend()
plt.show()
print(md1.score(x0,y1))

问题三

选因子做个线性规划模型
目标函数 成本最小
s.t. 那个标准题里后面附件给范围了

问题四

• 写个信，尊敬的XX

要交流的私