2023年中国研究生数学建模竞赛赛题浅析

为了更好的帮助大家第一天选题，这里首先为大家带来各个赛题的赛题浅析，分析对应赛题之后做题阶段可能会遇到的各种难点。

稍后会带来D题的详细解析思路，以及相关的其他版本解题思路 成品论文等资料。

赛题难度评估：A、B>C>E、F>D

选题人数评估：D>E、F>C>A、B

A题 WLAN网络信道接入机制建模

B题DFT类矩阵的整数分解逼近

A、B两题属于华为杯赛题，通信类型的题目。难度较大，适合专业背景相符合、有一定基础的队伍尝试，这里就不做过多赘述了。

C题大规模创新类竞赛评审方案研究

C题属于评审方案研究，以竞赛成绩评定为命题背景设置相关的命题。问题一，以给出的评审结果为例，建立模型对最优值进行求解，并构建指标评价体系（必须服从十二个字、不重不漏+科学客观+可辨可测）。对于构建的优化模型，可以以0-1开关变量设置为决策变量，xij表示参赛队伍i是否被分配给评审专家j进行评审。设置，参赛队伍评审约束、专家评审约束等进行求解即可。

第二问，可以考虑标准分排序或者加权平均分排序。以成绩分布特点、排名一致性、论文效果、公正性等进行评价比较优劣。第三问，首先可以成绩整体的变化、极差整体的变化进行不同阶段的比较，再建立极差模型。对于第四问的改进可以考虑，评审专家培训，专家调整策略，多维度评估：除了成绩，考虑其他创新性的指标，例如文献引用数、专利数量等，以更全面地评估作品的创新性。

评价

构建指标评价体系+优化模型

D题区域双碳目标与路径规划研究

以当下热门话题双谈为命题背景设置题目，总体来看，该问题不仅仅是单纯的优化模型问题，主要可以概括为以下模型。

构建指标评价体系+数据分析+关联分析

预测模型

优化模型

详细来讲，问题一主要是对于数据的处理分析。第一小问，需要建立一个指标体系，该指标体系可以描述某区域的经济、人口、能源消费量和碳排放量的状况，并且能够分析各部门的碳排放状况。需要满足的要求就是十二个字 不重不漏+科学客观+可辨可测  第二小问可以看作绘制散点图、折线图、饼状图等进行给出数据可视化表达即可。第三小问，建立各项指标间的关联关系模型，可以使用多元回归分析或其他相关统计方法来建立各指标之间的数学模型。

问题二、区域碳排放量以及经济、人口、能源消费量的预测模型。主要分为两种预测模型，基于人口和经济变化的能源消费量预测模型以及区域碳排放量预测模型。简单的可以直接建立多元线性回归模型进行预测即可。稍微加深的模型复杂度大家可以参考下述预测方法，也可以选择自己的方法。

E题出血性脑卒中临床智能诊疗建模

以智能诊疗为背景的设置相关的题目，可以看作数据处理类题目，主要就是数据分析+预测。对于问题一可以选择适当的机器学习算法（例如，逻辑回归、随机森林、支持向量机等）来训练模型，并使用训练数据来训练模型。然后，使用测试数据来评估模型的性能，并预测所有患者的血肿扩张概率。

第二问，为了探索个体差异，您可以考虑将患者分成不同的亚组（3-5个亚组），每个亚组代表一组具有相似水肿体积随时间进展模式的患者。使用相关分析或回归分析来探索血肿体积与水肿体积之间的关系。确定它们之间是否存在相关性，并且可以用于预测水肿体积。

第三问，第一小问选择适当的机器学习或统计模型来建立预测模型。对于有序分类问题，有序Logistic回归、有序Probit回归、随机森林等都可以考虑。最后一问可以使用统计分析方法（例如，相关性分析、方差分析、线性回归、多元回归等），探索各个特征与90天mRS评分之间的关系。

F题强对流降水临近预报

与E题相似，都属于数据处理分析类题目。F题以降水预测为背景设置问题。问题一，需要建立一个数学模型来提取双偏振雷达资料中的微物理特征信息，以改进强对流临近预报，可以考虑使用深度学习技术，特别是卷积神经网络（CNN）或循环神经网络（RNN）来处理

数据分析+预测

问题二，要缓解强对流预报中的"回归到平均"问题，以确保预报更真实和充分。可以使用集成学习方法，如随机森林、梯度提升树或神经网络的集成。或者训练多个不同架构或参数设置的模型，然后将它们的预测结果融合在一起。可以使用加权平均、投票或堆叠等方法来融合多个模型的输出。

问题三，可以考虑使用经验性的Z-R关系（雷达反射率因子和降水率的关系）来建立模型。