Python小白的数学建模课-A1.2021年数维杯C题(运动会优化比赛模式探索)探讨

时间:2023-12-09 15:57:19

Python小白的数学建模课 A1-2021年数维杯C题(运动会优化比赛模式探索)探讨

运动会优化比赛模式问题,是公平分配问题

『Python小白的数学建模课 @ Youcans』带你从数模小白成为国赛达人。


2021第六届数维杯大学生数学建模 赛题已于5月27日公布,C题是"运动会优化比赛模式探索"。本文对赛题进行一些分析讨论。由于竞赛时间为 2021年5月27-30日20:00,目前尚处于竞赛中,本文仅做初步分析。

1. 赛题内容(运动会优化比赛模式探索)

在大学的运动会中,由于大学各学院同学人数与性别之间的差异很大,而且部分学院招收的体育特长生也参加运动会,这就导致各学院在运动会的成绩差异很大。部分学院常年排名领先,而另一些学院不论如何努力也很难取得很好的成绩,从而影响大家的参与热情。因此,我们需要研究如何改革赛制,以实现保障公平、兼顾效率的目标。

目前,某大学运动会的积分规则为:第一名得9分,第二名至第八名获得7至1分;各学院男生和女生累积得分最终构成团体得分。附件1中给出了该大学20个学院,104个专业,共计28523名学生的分布情况数据。本文将结合此数据,研究以下问题:

问题1:如果比赛允许若干学院合并后共同参加比赛,如何设计一个分组数量不低于12个组、各组人员总数和男女性别比较为均衡的优化分配模型?并对该分组方案的公平指数进行讨论。

问题2:如果对各学院按照甲组、乙组分类的模式进行比赛,如何设计一个最优的甲乙分组方案?并对该分组方案的公平指数进行讨论。

问题3:如果体育特长生可以跨学院参加比赛,如何设计一个尽量保障各学院比赛实力更为均衡的方案?如果特长生不参加比赛,如何设计一个对各学院相对公平的加权积分方案?

问题4:通过计算机仿真模拟或理论推导,证明上述四种优化比赛模式哪个更好?

欢迎关注『Python小白的数学建模课 @ Youcans』 系列,持续更新

Python小白的数学建模课-01.新手必读

Python小白的数学建模课-02.数据导入

Python小白的数学建模课-03.线性规划

[Python小白的数学建模课-04.整数规划]

Python数模笔记-PuLP库

Python数模笔记-StatsModels统计回归

Python数模笔记-Sklearn

Python数模笔记-NetworkX

Python数模笔记-模拟退火算法


2. 赛题解读(运动会优化比赛模式探索)

赛题共有四个问题,问题 1~3 要求对于 4种运动会赛制改革的思路要求,分别设计具体的实现方案,以达到各参赛单位的公平性最优。问题 4 是比较所设计的 4种方案,哪种方案的公平性最好。

对于公平,每个人会有不同的理解。赛题也给出了多种不同的要求,即问题 1~3,分别体现出不同的追求公平的思想,也就是对公平的不同理解。

问题 1 通过合并组队,使各组人员总数和男女性别比较为均衡,这种思想是实现人数、比例的均衡。问题 2 通过分成甲组乙组比赛,使不同学院都有机会获得积分,这种思想是根据现有条件分类以减小使同类中个体的差异。

问题 3 的第一问要求“各学院比赛实力更为均衡”,这与“各学院/参赛单位相对公平”的含义并不完全相同,但是也可以通过假设将它们解释为同一概念,我认为各学院实力更均衡,就能“使各参赛单位相对公平”,这么想、这么假设也没错吧。

问题 3 的第二问要求“对各学院相对公平的加权积分方案”,与“各学院比赛实力更为均衡”是不同的,但也是另一种“使各参赛单位相对公平”的思路或方案,也可以通过假设使这一目标更具体、更容易以量化指标描述。

问题4 是不言而喻的。如果解决了问题 1~3,在每个问题的条件下已经提出了 4种设计方案,显然这些方案不是拍脑袋蒙出来的,而是按照某种评价指标优化而得到的,那么只要对比这 4种方案的指标性能,就可以证明其中哪一种优化比赛方式更好。

如果只考虑问题 1~3,虽然总的目标都是“相对公平”,但具体要求、具体目标也有细微差异。因此,对于每个问题,是可以设计不同的具体量化的优化指标函数的。

但是,考虑到问题 4的需要,也可以构造统一的量化优化指标函数,这对于解答问题 4 特别有利,直接比较问题 1~3 的统一量化指标就得到答案了。

因此,在解决问题 1~3 时,虽然是按照相应的评价指标进行优化,但各问题还要有统一的评价指标的。由于问题 1~3 的要求基本上都是“相对公平”,所以采用统一的评价指标也是完全合理、可行的。


3. 优化目标

问题 1 ~3 都是优化问题,要求根据不同要求或者说约束条件设计优化方案。

那么,首先要考虑优化目标是什么,能不能提出可量化、可计算的优化目标函数。不难看出,背景资料和每个问题中都涉及”公平“:问题 1、2 明确要求讨论 ”公平指数“,问题 3 要求设计”更为均衡“、”相对公平“的方案,问题 4 要求比较哪种优化模式更好。如何比较,根据什么比较,就是”公平“的程度,就是题目中所说的”公平指数“。

什么是”公平指数“,如何量化公平指数,给出公平指数的数学表达式?

注意,问题 1 的原文是 “各组人员总数和男女性别比较为均衡的优化分配模型”,并“讨论方案的公平指数”;问题 2 的原文是“最优的甲乙分组方案”,并“讨论方案的公平指数”。因此,求解这两个问题时的优化目标不是“公平指数”,但需要计算“公平指数”并与最初的方案进行比较,以展开讨论,并用于问题 4 的求解。


4. 公平分配问题

4.1 什么是公平分配?

分配公平是个人对所获报酬的公正知觉,也就是依据一定的标准对分配最终结果的评价,亦称结果公平。分配公平主要表现为个人消费品分配的相对公平,要求社会成员之间的收入差距不能过于悬殊。个人收入的社会分配是否公平,不取决于有没有差距,而取决于这种差距是否合法、合情合理、合乎民生发展。

4.2 公平指数

绝对不公平度

相对不公平度

4.3 公平分配问题常用算法

Python小白的数学建模课-A1.2021年数维杯C题(运动会优化比赛模式探索)探讨

Python小白的数学建模课-A1.2021年数维杯C题(运动会优化比赛模式探索)探讨

Python小白的数学建模课-A1.2021年数维杯C题(运动会优化比赛模式探索)探讨

限于时间,本文持续更新后发布...

版权说明:

欢迎关注『Python小白的数学建模课 @ Youcans』原创作品

CSDN 原创作品,转载必须标注原文链接。

Copyright 2021 Youcans, XUPT

Crated:2021-05-27

欢迎关注『Python小白的数学建模课 @ Youcans』系列,每周持续更新

Python小白的数学建模课-01.新手必读

Python小白的数学建模课-02.数据导入

Python小白的数学建模课-03.线性规划

[Python小白的数学建模课-04.整数规划]

Python数模笔记-StatsModels 统计回归(1)简介

Python数模笔记-StatsModels 统计回归(2)线性回归

Python数模笔记-StatsModels 统计回归(3)模型数据的准备

Python数模笔记-StatsModels 统计回归(4)可视化

Python数模笔记-Sklearn (1)介绍

Python数模笔记-Sklearn (2)聚类分析

Python数模笔记-Sklearn (3)主成分分析

Python数模笔记-Sklearn (4)线性回归

Python数模笔记-Sklearn (5)支持向量机

Python数模笔记-模拟退火算法(1)多变量函数优化

Python数模笔记-模拟退火算法(2)约束条件的处理

Python数模笔记-模拟退火算法(3)整数规划问题

Python数模笔记-模拟退火算法(4)旅行商问题

Python数模笔记-NetworkX(1)图的操作

Python数模笔记-NetworkX(2)最短路径

Python数模笔记-NetworkX(3)条件最短路径

Python数模笔记-NetworkX(4)最小生成树

Python数模笔记-NetworkX(5)关键路径法