<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dave_Young的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dave_Young</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dave_Young]]></copyright><item><title><![CDATA[国赛2019A——高压油管问题]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/131504764</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/131504764</guid><author>Dave_Young</author><pubDate>Sun, 02 Jul 2023 20:30:22 +0800</pubDate><description><![CDATA[本文研究了高压油管压力控制问题，通过数值仿真方法优化单向阀开关时间。采用弹性模量与压力的非线性关系建立数学模型，使用欧拉法计算密度变化，结合流量公式进行压力仿真。针对不同喷油策略，开发了进油和出油流量计算函数，并应用粒子群算法优化阀门开启时间，使系统压力稳定在目标值。仿真结果表明，该方法能有效控制高压油管压力波动，为燃油喷射系统优化提供了可行的数值解决方案。]]></description><category></category></item><item><title><![CDATA[Python高分大数据分析与挖掘大作业]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/131504521</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/131504521</guid><author>Dave_Young</author><pubDate>Sun, 02 Jul 2023 20:01:37 +0800</pubDate><description><![CDATA[本文包含五个数据分析任务：1）线性代数计算，包括矩阵运算、特征值和奇异值分解；2）油气储量预测的线性回归建模；3）超市购物记录的Apriori关联规则挖掘；4）城市消费指数的可视化与K-means聚类；5）工业企业经济指标的神经网络预测。每个任务均采用Python实现，涉及numpy、pandas、sklearn等库，涵盖矩阵计算、回归分析、关联规则、聚类分析和神经网络等多种数据分析方法，并包含数据可视化展示。完整代码展示了从数据预处理到模型构建的全过程，为多领域数据分析提供了实用案例。]]></description><category></category></item><item><title><![CDATA[基于聚类模型的异常值仿真——MathorcupD题航空QAR数据分析实践]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/131503891</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/131503891</guid><author>Dave_Young</author><pubDate>Sun, 02 Jul 2023 19:45:49 +0800</pubDate><description><![CDATA[本文针对MathorcupD题中缺少物理公式的飞行数据异常值检测问题，提出了一种基于数据驱动的方法。首先采用K-means聚类对飞行阶段进行划分，通过计算各点到聚类中心的相对距离识别潜在异常点，并设定统计阈值进行筛选。为提升模型普适性，进一步引入SVM分类器对聚类结果进行训练，建立可推广的异常检测模型。该方法利用Python实现，包含PCA降维、聚类分析和SVM训练等步骤，虽存在物理意义不明确、维度压缩误差等局限性，但为数据驱动的异常检测提供了可行思路。]]></description><category></category></item><item><title><![CDATA[2016国赛A题——系泊系统问题粒子群算法求解]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/128940083</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/128940083</guid><author>Dave_Young</author><pubDate>Wed, 08 Feb 2023 20:46:09 +0800</pubDate><description><![CDATA[本文探讨了基于粒子群算法求解系泊系统吃水深度问题的创新方法。文章首先建立了浮标和锚链的受力方程，通过Matlab实时脚本构建了迭代方程组。针对传统随机搜索法的局限性，作者创新性地采用粒子群算法优化吃水深度这一关键参数，详细阐述了算法实现过程，包括粒子初始化、速度更新规则和适应度函数设计。通过风速36m/s的案例展示了系统可视化结果，验证了该方法的有效性。文章指出该方法适用于连续变量优化问题，对第二问可通过增加变量扩展应用，但第三问的多目标规划问题需采用NSGA2等其他算法。该研究为机理建模问题提供了启发式算]]></description><category></category></item><item><title><![CDATA[数据分析大赛医药电商问题——时间序列SARIMA模型]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/128888348</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/128888348</guid><author>Dave_Young</author><pubDate>Sun, 05 Feb 2023 15:56:54 +0800</pubDate><description><![CDATA[本文分享了作者参加数据分析大赛获得一等奖的经验总结。文章详细记录了使用Python进行数据挖掘处理的全过程，包括：1）数据预处理，如折扣文本转数值、销售额计算；2）店铺和药品分析，通过可视化展示销售分布；3）品牌分析，采用堆面积图比较品牌表现；4）重点介绍了SARIMA时间序列分析，涵盖差分处理、平稳性检验、ACF/PACF图分析、季节性分解、参数优化（AIC/BIC准则）等完整建模流程，最终预测精度达到MAPE=0.725%。全文提供了可复现的代码实现，为数据分析学习者提供了实用参考。]]></description><category></category></item><item><title><![CDATA[模拟退火解决背包问题]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/128888132</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/128888132</guid><author>Dave_Young</author><pubDate>Sun, 05 Feb 2023 09:45:35 +0800</pubDate><description><![CDATA[本文探讨了背包问题的两种求解方法：整数规划和模拟退火算法。整数规划通过构建0-1变量模型直接求解，而模拟退火算法则采用随机扰动生成新解，结合Metropolis准则进行迭代优化。文章详细介绍了模拟退火算法的实现过程，包括目标函数、罚函数设计以及参数设置，并验证了两种方法可获得相同最优解（总价值2410）。研究表明模拟退火算法能有效解决背包问题，但指出其效率仍有提升空间，特别是在新解生成策略方面需要进一步优化。该研究为组合优化问题提供了新的解决思路。]]></description><category></category></item><item><title><![CDATA[基于模拟退火的交巡警平台调度问题]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/128874762</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/128874762</guid><author>Dave_Young</author><pubDate>Fri, 03 Feb 2023 21:08:39 +0800</pubDate><description><![CDATA[2011年数学建模国赛B题的交巡警平台问题是一个经典的整数规划问题，常规的方法是用整数规划求解。但为了练习一下智能算法，我还是决定用模拟退火针对该问题的第二问写一些求解心得，作为学习的记录。]]></description><category></category></item><item><title><![CDATA[TSP问题——启发式算法求解]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/127061439</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/127061439</guid><author>Dave_Young</author><pubDate>Mon, 26 Sep 2022 21:51:09 +0800</pubDate><description><![CDATA[本文探讨了三种启发式算法求解旅行商问题(TSP)的方法。针对14个城市的路径规划问题，分别采用贪心算法、模拟退火算法和遗传算法进行求解。贪心算法通过逐步选择最近邻城市构建路径，但易陷入局部最优；模拟退火算法通过温度控制和概率突跳机制实现全局搜索；遗传算法则采用锦标赛选择、二交换交叉和三交换变异等操作进行优化。实验结果表明，遗传算法在迭代1000次后表现最优，路径长度约为26。随着城市数量增加，遗传算法和模拟退火算法优于贪心算法，其中遗传算法在时空复杂度方面更具优势。三种算法各具特点，可根据问题规模选择合适的]]></description><category></category></item><item><title><![CDATA[信贷决策问题 —— 基于国赛-19C的数据挖掘练习]]></title><link>https://blog.youkuaiyun.com/Dave_Young/article/details/126573459</link><guid>https://blog.youkuaiyun.com/Dave_Young/article/details/126573459</guid><author>Dave_Young</author><pubDate>Sun, 28 Aug 2022 20:02:04 +0800</pubDate><description><![CDATA[本文基于Python的Numpy、Pandas和Scikit-learn库，对2019年全国大学生数学建模竞赛C题的企业信贷决策问题进行了系统分析。首先通过数据处理提取了进销项总量、净利润等关键指标，并采用熵权法TOPSIS模型对企业进行综合评分。其次，运用线性回归和随机搜索法优化贷款利率决策，实现银行利息最大化。然后通过逻辑回归和BP-Adaboost神经网络预测企业信誉等级，准确率达到95%。最后利用传染病模型模拟疫情影响程度，为调整信贷政策提供依据。研究结果表明，该方法能有效处理大规模企业数据，为银行]]></description><category></category></item></channel></rss>