2024华数杯国际赛B题高质量参考论文+所有小问数据代码+数据集整合

                                      （完整版在文末）   ICMB题

该题目出题的难度与方向都与美赛 ICM 的题型高度相似，将本次竞赛当做美赛的 练手赛，个人认为是非常合适的一种选择。同时 28 号就可以出成绩，也可以在美赛前 实现查漏补缺，提前预祝大家比赛顺利，美赛都可以取得好成绩。下面，我们开始详细 的解读一下本次竞赛的 B 题。

B 题本次的难度远低于 A 题，这势必会导致 B 题的选题认识会比 A 题多很多，但 是比赛的最终成绩是获奖率。无论都是每个赛题选择人数多少，每个赛题获奖的人数都 是 50%，因此不存在选择人少的赛题好获奖这种情况，都是比例获奖。我可以保证跟着 本人的思路，获奖是没有任何问题的，至于能获得什么奖项，主要还是看对于每一问选 择的模型复杂度的高低以及队伍可视化的能力。基本每一问都会给两三种实现方式，上 中下三种实现方式，即使最简单的方式，也是可以保证获奖的。但是很难保证获得很好 的奖项。

数据收集

在正式开始题目之前必须明白，对于美赛这种 ICM 题目，很大程度的上的难点并不在 于题目本身而是，需要我们自行收集数据，由于大家之前没有自己找过数据，所以这一关会 难倒很多很多的人群。本团队会为大家收集一套完整的数据，供大家选择。至于选择这套数 据集中的何种数据，就因队伍而已，因此一千个队伍可能有一千种选择方式。所以，从一开 始的选择数据开始，大家就会各不相同。因此，无需担心查重率过高的问题。

本文目前，已经为大家收集了问题一和问题四的数据，如下所示。稍后也将为大家专门 收集关于光伏发电相关的数据，完成对于问题三四的数据收集。

1.2 Yeo-Johnson  转换

为了防止建立的模型过拟合以及提高模型的泛化能力， 需要对数据的分布情况进行 探索分析，力求保证数据集分布情况一致，首先将数据导入，运用 Python 判断每一列 数据的分布类型是否属于正态分布，本代码通过 SciPy  库中的 stats.skew（） 函数来 判断数据是否需要进行 Yeo-Johnson  转换。Skewness（即偏度） 是衡量某一个样本数值 相对于平均数的偏离程度的统计量， 它可以用来描述数据的分布形态是否对称。偏度为 0  表示数据分布是对称的， 偏度大于 0  表示数据分布偏向右侧， 偏度小于 0  表示数据 分布偏向左侧。

问题三代码：

import gurobipy as gp
from gurobipy import GRB

def create_photovoltaic_model(P_values, G_values, C_b_values, C_o_values, A_values, B, total_available_land):
    # 创建模型
    model = gp.Model("MaxPhotovoltaicPower")

    # 决策变量
    N = {}
    for i in range(len(P_values)):
        N[i] = model.addVar(vtype=GRB.INTEGER, name=f"N_{i}")

    # 目标函数
    model.setObjective(gp.quicksum((P_values[i] * G_values[i] - C_b_values[i] - C_o_values[i]) * N[i] for i in range(len(P_values))), sense=GRB.MAXIMIZE)

    # 地理约束
    model.addConstr(gp.quicksum(A_values[i] * N[i] for i in range(len(P_values))) <= total_available_land, name="land_constraint")

    # 预算约束
    model.addConstr(gp.quicksum((C_b_values[i] + C_o_values[i]) * N[i] for i in range(len(P_values))) <= B, name="budget_constraint")

    return model, N

def solve_photovoltaic_model(model):
    # 求解模型
    model.optimize()

    # 输出结果
    if model.status == GRB.OPTIMAL:
        return True
    else:
        print("未找到最优解")
        return False

def get_optimal_solution(N):
    # 获取最优解
    optimal_N = {i: N[i].x for i in range(len(N))}
    optimal_Z = model.objVal
    return optimal_N, optimal_Z

def main():
    # 示例数据
    P_values = [0.1, 0.15, 0.12]
    G_values = [100, 120, 90]
    C_b_values = [2000, 2500, 1800]
    C_o_values = [100, 120, 80]
    A_values = [5000, 6000, 4500]
    B = 50000
    total_available_land = 20000

    # 步骤1: 创建模型
    model, N = create_photovoltaic_model(P_values, G_values, C_b_values, C_o_values, A_values, B, total_available_land)

    # 步骤2: 求解模型
    if solve_photovoltaic_model(model):
        # 步骤3: 获取最优解
        optimal_N, optimal_Z = get_optimal_solution(N)
        print("最优建设数量 (N):", optimal_N)
        print("最优总发电量 (Z):", optimal_Z)

if __name__ == "__main__":
    main()

2024华数杯B题五小问完整思路+四问数据代码+数据可视化图表