weixin_74188799的博客

两个模型，stochastic和deterministic。

靠右行驶数学建模分析（2014MCM美赛A题）

美赛2013A，最优brownie pan的设计。

硬间隔支持向量机的目标是找到一个超平面，使得所有数据点都位于间隔边界之外，并且间隔最大化。

现在，我们来仿真“每天的商店营业额”这个复合泊松过程吧。首先，我们假设每个小时进入商店的平均人数为：[10, 5, 3, 6, 8, 10, 20, 40, 100, 80, 40, 50, 100, 120, 30, 30, 60, 80, 100, 150, 70, 20, 20, 10]，每位顾客的平均花费为：10元（大约一份早餐吧），请问每天商店的营业额是多少？

遗传蚁群算法是一种结合了遗传算法和蚁群算法优点的混合优化算法。下面以旅行商问题为例，详细解释这个算法的主要公式和概念。

定义目标函数demo_func，它接收一个三维向量x作为输入。：将输入向量x解包为三个独立的变量x1x2和x3。：计算目标函数值，该函数形式为fx1x2x3x12x2−0.052x32fx1​x2​x3​x12​x2​−0.052x32​，这是一个简单的二次函数，用于模拟一个优化问题。

定义目标函数，用于计算给定路径routine的总距离。：获取路径中的城市数量，即路径长度。：计算路径总距离。这里使用列表生成式遍历路径中的每个城市对，计算相邻城市之间的距离，并将这些距离相加得到总距离。：当前城市的索引。：下一个城市的索引，使用模运算确保最后一个城市与第一个城市相连（形成闭环）。通过生成随机城市坐标，利用遗传算法解决旅行商问题，最终找到了最短路径并可视化展示。代码的核心是定义目标函数来计算路径总距离，并通过遗传算法优化路径。

这些公式和约束条件共同构成了一个基本的车辆路径规划（VRP）模型，旨在优化运输成本，同时确保每个客户点的需求被满足，并且车辆的行程是合理的。通过这些约束，模型能够有效地规划车辆的运输路径。

主要用到了的是nx.minimum_spanning_tree()和nx.tree.minimum_spanning_edges()# 创建带权边的列表]]# 创建无向图并添加边return G# 计算最小生成树mst_kruskal = nx.minimum_spanning_tree(G) # Kruskal 算法生成的最小生成树（图对象）。

这个代码写的非常困难,主要问题在于忘记了对R矩阵进行转置. 转置之后得到了正确的结果.

为了匹配CSI数据曲线，采用了残差平方和最小原则，利用高斯-牛顿法求解，使用下面的r^2进行拟合度的检验,一般认为r^2 > 0.98就是比较不错的.对CSI的相邻数据的相位角进行unwrap之后可以发现存在线性误差和非线性误差. 线性误差体现在存在一定的斜率. 非线性误差体现在不是一条直线.对于图中的曲线进行拟合, 得到一条拟合直线方程, 然后可以在原来的CSI函数值的基础上, 减去拟合直线方程的函数值, 得到没有斜率的CSI.什么时候可以去到比较小的函数值，按道理来说应该是相邻的两个子载波的。