2023年高教杯数学建模2023B题解析(仅从代码角度出发)

server/2024/12/22 19:24:31/

前言

最近博主正在和队友准备九月的数学建模,在做往年的题目，博主主要是负责数据处理，运算以及可视化，这里分享一下自己部分的工作,相关题目以及下面所涉及的代码后续我会作为资源上传

问题求解

第一题

第一题的思路主要如下：
在这里插入图片描述
在这里插入图片描述
如果我们基于代码实现的话，代码应该是这样的：

python"># 导入相关第三方包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math# 生成测线距离中心点处的距离
list1=[]
d=200for i in range(-800,1000,200):list1.append(i)
df=pd.DataFrame(list1,columns=["测线距离中心点处的距离"])#计算海水深度和覆盖宽度
degree1 = 1.5 
radian1 = degree1 * (math.pi / 180)
df["海水深度"]=(70-df["测线距离中心点处的距离"]*math.tan(radian1))
df["海水深度"]=df["海水深度"].round(2)
degrees2 = 120/2
radian2 = degrees2 * (math.pi / 180)
df["覆盖宽度"]=(df["海水深度"]*math.sin(radian2)/math.cos(radian2+radian1))+(df["海水深度"]*math.sin(radian2)/math.cos(radian2-radian1))
df["覆盖宽度"]=df["覆盖宽度"].round(2)# 计算重叠率
leftlist=df["海水深度"]*math.sin(radian2)*1/math.cos(radian1+radian2)
rightlist=df["海水深度"]*math.sin(radian2)*1/math.cos(radian1-radian2)
leftlist=leftlist.round(2)
rightlist=rightlist.round(2)
leftlist=leftlist.tolist()
leftlist=leftlist[1:]
rightlist=rightlist.tolist()
rightlist=rightlist[:8]
heights = df["覆盖宽度"].tolist()
heights=heights[:8]
list2=[0]
for i in range(0,8):a=(1-200/((leftlist[i]+rightlist[i])*math.cos(radian1)))list2.append(a*100)df["重叠率"]=list2
df.to_excel("2023B题1.xlsx",index=False)

这样我们就基本上完成了对相关数据的求解，然后我们可以实现一下对于它的可视化，代码与相关结果如下：

python">plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题# Plotting sea depth
plt.figure(figsize=(10, 6))
plt.plot(df["测线距离中心点处的距离"], df["海水深度"], marker='o', linestyle='-', color='b', label='海水深度')# Plotting coverage width
plt.plot(df["测线距离中心点处的距离"], df["覆盖宽度"], marker='o', linestyle='-', color='g', label='覆盖宽度')# Plotting overlap rate
plt.plot(df["测线距离中心点处的距离"], df["重叠率"], marker='o', linestyle='-', color='r', label='重叠率')# Adding labels and title
plt.xlabel('测线距离中心点处的距离')
plt.ylabel('海水深度 / 覆盖宽度 / 重叠率')
plt.title('海水深度、覆盖宽度和重叠率随距离变化的折线图')
plt.legend()# Display plot
plt.grid(True)
plt.tight_layout()
plt.show()

在这里插入图片描述

第二题

第二题的思路主要是下面的式子：
在这里插入图片描述
博主的求解代码基本如下：

python">import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math# 生成相关数据
list1=[]
list2=[]
a=0
for i in range(8):ans=a*math.pi/180list1.append(ans)a+=45
a=0
for i in range(8):list2.append(a)a+=0.3
b=1.5
c=60
randian11=b*math.pi/180
randian12=c*math.pi/180# 求解覆盖宽度:
list3=[]
for i in range(8):list4=[]for j in range(8):randian21=math.tan(randian11)*-1*math.cos(list1[i])randian31=math.tan(randian11)*math.sin(list1[i])randian22=math.atan(randian21)randian32=math.atan(randian31)Da=120-list2[j]*randian21*1852W=(Da*math.sin(randian12)/math.cos(randian12+randian32))+(Da*math.sin(randian12)/math.cos(randian12-randian32))list4.append(W)list3.append(list4)

最后我们的工作就是数据的可视化了,首先是我们的代码部分：

python">#对结果的可视化
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
df=pd.DataFrame()
df["β=0°"]=list3[0]
df["β=45°"]=list3[1]
df["β=90°"]=list3[2]
df["β=135°"]=list3[3]
df["测量船距海域中心点的距离"]=list2
plt.figure(figsize=(10, 6))
plt.plot(df["测量船距海域中心点的距离"], df["β=0°"], label="β=0°")
plt.scatter(df["测量船距海域中心点的距离"], df["β=0°"]) 
plt.plot(df["测量船距海域中心点的距离"], df["β=45°"], label="β=45°")
plt.scatter(df["测量船距海域中心点的距离"], df["β=45°"])  
plt.plot(df["测量船距海域中心点的距离"], df["β=90°"], label="β=90°")
plt.scatter(df["测量船距海域中心点的距离"], df["β=90°"]) 
plt.plot(df["测量船距海域中心点的距离"], df["β=135°"], label="β=135°")
plt.scatter(df["测量船距海域中心点的距离"], df["β=135°"]) 
plt.xlabel('测量船距海域中心点的距离')
plt.ylabel('list3 values')
plt.legend()
plt.grid(True)
plt.show()

在这里插入图片描述

第三题

前言

这题与上面的题目仅仅需要我们求解不同，这题的工作主要分为两份：

  1. 求解
  2. 灵敏度分析

求解

这题求解的主要思路如下:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
(PS:浅浅吐槽一下，公式真的多,理顺花了我好一会…)
博主的求解代码如下：

python">import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math# 设置相关参数
a=1.5
b=60
radian1=a*math.pi/180
radian2=b* math.pi/180
D0=110
Les=4*1852 #待测海域东西宽度
D=D0+Les/2*math.tan(radian1) #此处Dmax
x=D*math.tan(radian2)
D=D-x*math.tan(radian1)
W1=0
W2=0
res_list=[x]  # 存储x
left_list=[]  # 存储左线坐标
right_list=[] # 存储右线坐标while x+W2*math.cos(radian1)<=Les:W2=D*math.sin(radian2)/math.cos(radian2-radian1)W1=D*math.sin(radian2)/math.cos(radian2+radian1)d=(W1+W2)*0.9*math.cos(radian1)/(1+math.sin(radian1)*math.sin(radian2)/math.cos(radian2+radian1)*0.9)left_list.append(x-W1*math.cos(radian1))right_list.append(x+W2*math.cos(radian1))D=D-d*math.tan(radian1)x=x+dres_list.append(x)W2=D*math.sin(radian2)/math.cos(radian2-radian1)
W1=D*math.sin(radian2)/math.cos(radian2+radian1)
d=(W1+W2)*0.9*math.cos(radian1)/(1+math.sin(radian1)*math.sin(radian2)/math.cos(radian2+radian1)*0.9)
left_list.append(x-W1*math.cos(radian1))
right_list.append(x+W2*math.cos(radian1))print("总条数:%d"%(len(res_list)))  #总条数
print("最大长度:%f"%(res_list[-1]))  #最大长度
for i in range(len(res_list)):res_list[i]=res_list[i]/1852   left_list[i]=left_list[i]/1852right_list[i]=right_list[i]/1852

然后就是我们对相关结果的可视化:

python"># 可视化
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
plt.axvline(res_list[0], color='red',label='Red Line (测线)')
plt.axvline(left_list[0], color='green',label='Green Line (条线左侧)')
plt.axvline(right_list[0], color='blue',label='Blue Line (条线右侧)')for i in range(1, len(res_list)):plt.axvline(res_list[i], color='red')plt.axvline(left_list[i], color='green')plt.axvline(right_list[i], color='blue')# 设置图形属性
plt.title('问题三结果')
plt.ylabel('由南向北/海里')
plt.legend()# 显示图形
plt.grid(True)
plt.show()

在这里插入图片描述

灵敏度分析

灵敏度的分析思路其实还是很简单，主要是我们要改变开角和坡角的大小来看一下
看一下对结果的影响：

  • 基于开角变化实现的灵敏度分析及其可视化
python">import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math# 设置相关参数for b in range(100,150,10):a=1.5radian1=a*math.pi/180radian2=b/2* math.pi/180D0=110Les=4*1852 #待测海域东西宽度D=D0+Les/2*math.tan(radian1) #此处Dmaxx=D*math.tan(radian2)D=D-x*math.tan(radian1)W1=0W2=0res_list=[x]left_list=[]right_list=[]while x+W2*math.cos(radian1)<=Les:W2=D*math.sin(radian2)/math.cos(radian2-radian1)W1=D*math.sin(radian2)/math.cos(radian2+radian1)d=(W1+W2)*0.9*math.cos(radian1)/(1+math.sin(radian1)*math.sin(radian2)/math.cos(radian2+radian1)*0.9)left_list.append(x-W1*math.cos(radian1))right_list.append(x+W2*math.cos(radian1))D=D-d*math.tan(radian1)x=x+dres_list.append(x)W2=D*math.sin(radian2)/math.cos(radian2-radian1)W1=D*math.sin(radian2)/math.cos(radian2+radian1)d=(W1+W2)*0.9*math.cos(radian1)/(1+math.sin(radian1)*math.sin(radian2)/math.cos(radian2+radian1)*0.9)plt.plot(range(len(res_list)), res_list, linestyle='-', label=f'开角为{b}°')plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
# 设置标签和标题
plt.xlabel('i')
plt.ylabel('res_list[i]')
plt.title('基于开角变化实现的灵敏度分析及其可视化')# 添加网格线和图例（可选）
plt.grid(True)
plt.legend()# 显示图形
plt.show()

结果如下：
在这里插入图片描述

  • 基于开角变化实现的灵敏度分析及其可视化:
python">import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math# 设置相关参数
a_list=[1.3,1.4,1.5]
for i in range(len(a_list)):a=a_list[i]b=120radian1=a*math.pi/180radian2=b/2* math.pi/180D0=110Les=4*1852 #待测海域东西宽度D=D0+Les/2*math.tan(radian1) #此处Dmaxx=D*math.tan(radian2)D=D-x*math.tan(radian1)W1=0W2=0res_list=[x]left_list=[]right_list=[]while x+W2*math.cos(radian1)<=Les:W2=D*math.sin(radian2)/math.cos(radian2-radian1)W1=D*math.sin(radian2)/math.cos(radian2+radian1)d=(W1+W2)*0.9*math.cos(radian1)/(1+math.sin(radian1)*math.sin(radian2)/math.cos(radian2+radian1)*0.9)left_list.append(x-W1*math.cos(radian1))right_list.append(x+W2*math.cos(radian1))D=D-d*math.tan(radian1)x=x+dres_list.append(x)W2=D*math.sin(radian2)/math.cos(radian2-radian1)W1=D*math.sin(radian2)/math.cos(radian2+radian1)d=(W1+W2)*0.9*math.cos(radian1)/(1+math.sin(radian1)*math.sin(radian2)/math.cos(radian2+radian1)*0.9)plt.plot(range(len(res_list)), res_list, linestyle='-', label=f'坡角为{a}°')plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
# 设置标签和标题
plt.xlabel('i')
plt.ylabel('res_list[i]')
plt.title('基于坡角变化实现的灵敏度分析及其可视化')# 添加网格线和图例（可选）
plt.grid(True)
plt.legend()# 显示图形
plt.show()

在这里插入图片描述

第四题

这题的主要工作就不是我做了，我主要是负责海水深度与横纵坐标数据的可视化,代码如下：

python">import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math# 导入相关数据
filepath="../resource/data.xlsx"
df=pd.read_excel(filepath)# 数据预处理
df = df.iloc[1:, 2:]
list1=df.values.tolist()list2=[]
for i in range(251):list3=[]for j in range(201):list3.append(list1[i][j]*-1)list2.append(list3)
list4 = np.arange(0,4.02,0.02) 
list3 = np.arange(0, 5.02, 0.02)# 数据可视化plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题x, y = np.meshgrid(list4, list3)
z = np.array(list2)fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')surf = ax.plot_surface(x, y, z, cmap='viridis')ax.set_xlabel('横向坐标(由西向东)/海里')
ax.set_ylabel('纵向坐标(由南向北)/海里')ax.view_init(elev=30, azim=-45) fig.colorbar(surf, aspect=5) # 显示图形
plt.show()

三维图如下：
在这里插入图片描述

结语

以上就是我所做的所有相关工作了,从这个学期有人找我打一下这个比赛,在此之前我从来都没有写过多少python,前一段时间打数维杯才开始看，没几天就上战场了，所幸最后也水了一个一等奖(感谢我的队友们),之前我的好几个学弟也问过怎么学语言之类，我还是觉得除了我们的第一门语言外，其他的就不要找几十小时的视频看了，你看我没看不也是硬逼出来了吗,事情往往不会在你有充分准备时到来，我们更应该学会边做边学，而不是等到学完再做,种一棵树最好的时间是十年前，其次是现在，写给可能有一些纠结的大家，也写给自己,那我们下篇见！over！


http://www.ppmy.cn/server/59974.html

相关文章

stm32h743 NetXduo 实现http server CubeIDE+CubeMX

stm32h743 NetXduo 实现http server CubeIDE+CubeMX

在这边要设置mpu的大小，要用到http server，mpu得设置的大一些 我是这么设置的，做一个参考 同样，在FLASH.ld里面也要对应修改，SECTIONS里增加.tcp_sec和 .nx_data两个区，我们用ram_d2区域去做网络，这个就是对应每个数据在d2区域的起点。 在CubeMX里，需要用到filex、dhc…
阅读更多...
Python-数据爬取（爬虫）

Python-数据爬取（爬虫）

~~~理性爬取~~~ 杜绝从入门到入狱 1.简要描述一下Python爬虫的工作原理&#xff0c;并介绍几个常用的Python爬虫库。 Python爬虫的工作原理 发送请求&#xff1a;爬虫向目标网站发送HTTP请求&#xff0c;通常使用GET请求来获取网页内容。解析响应&#xff1a;接收并解析HTTP响…
阅读更多...
JAVA简单封装UserUtil

JAVA简单封装UserUtil

目录 思路 一、TokenFilterConfiguration 二、FilterConfig 三、TokenContextHolder 四、TokenUtil 五、UserUtil 思路 配置Token过滤器(TokenFilterConfiguration)&#xff1a;实现一个Token过滤器配置&#xff0c;用于拦截HTTP请求&#xff0c;从请求头中提取Token&…
阅读更多...
Spring Web MVC入门(1)(建立连接)

Spring Web MVC入门(1)(建立连接)

一.什么是Spring Web MVC? Spring Web MVC是基于ServletAPI构建的原始Web框架,从一开始就包含在Spring框架中.它的正式名称"Spring Web MVC"来自其源模块的名称(Spring-webmvc),但它通常被称为"Spring MVC". 二.MVC的定义 MVC是Model View Controller的缩…
阅读更多...
windows信息收集和提权

windows信息收集和提权

目录 手动收集 工具收集 windows本地内核提权 本地提权 根据windows去找需要的exp进行利用 提权后结合mimikatz使用 msf提权 简单提权 生成后门 上线 BypassUAC绕过UAC提权 msf带的bypassuac模块可以尝试提权 Bypassuac提权命令操作 提权成功 ​local_exploi…
阅读更多...
STM32-I2C硬件外设

STM32-I2C硬件外设

本博文建议与我上一篇I2C 通信协议​​​​​​共同理解 合成一套关于I2C软硬件体系 STM32内部集成了硬件I2C收发电路&#xff0c;可以由硬件自动执行时钟生成、起始终止条件生成、应答位收发、数据收发等功能&#xff0c;减轻CPU的负担 特点&#xff1a; 多主机功能&#x…
阅读更多...
【Mongodb-04】Mongodb聚合管道操作基本功能

【Mongodb-04】Mongodb聚合管道操作基本功能

Mongodb系列整体栏目 内容链接地址【一】Mongodb亿级数据性能测试和压测https://zhenghuisheng.blog.csdn.net/article/details/139505973【二】springboot整合Mongodb(详解)https://zhenghuisheng.blog.csdn.net/article/details/139704356【三】亿级数据从mysql迁移到mongodb…
阅读更多...
SSM贫困生申请管理系统-计算机源码84308

SSM贫困生申请管理系统-计算机源码84308

摘要 随着教育信息化的不断推进&#xff0c;越来越多的高校开始借助信息技术手段提升贫困生申请管理的效率与准确性。为此&#xff0c;我们设计并实现了SSM贫困生申请管理系统&#xff0c;旨在通过信息化手段优化贫困生申请流程&#xff0c;提高管理效率&#xff0c;为贫困生提…
阅读更多...
最新文章

Copyright @ 2022~2023