【2024国赛C题】高教杯全国大学生数学建模国赛建模过程+完整代码论文全解全析

news2024/11/14 18:27:34

完整内容在文章末尾阅读全文获取！

问题 1是针对不同情况下，该乡村未来几年农作物的最优种植方案的研究。

为解决这个数学建模问题，我们需要构建一个优化模型，考虑到各种限制条件和目标函数。以下是解决问题的步骤：

问题分析

目标：
(1) 最大化种植收益，避免滞销。
(2) 最大化种植收益，允许超出部分降价销售。
约束条件：
各类地块适合不同作物，不能重茬种植。
三年内至少种植一次豆类作物。
每种作物在单个地块的种植面积不宜太小。
考虑地块的分散性，尽量集中种植。
参数：
种植成本、亩产量、销售价格。
各地块面积和类型。

数学模型

决策变量：
x_{i,j,t} : 第 i 个地块在第 t 年的第 j 季种植的作物面积。
目标函数：

(1) 滞销情况：收益成本max∑t=20242030(∑i,j收益i,j,t−∑i,j成本i,j,t) 其中，收益根据销售量和价格计算，滞销部分不计入收益。

(2) 降价销售：收益成本降价收益max∑t=20242030(∑i,j收益i,j,t−∑i,j成本i,j,t+∑i,j降价收益i,j,t) 降价收益根据超出部分按50%价格计算。

约束条件：
地块适用性：如果作物不适合该地块xi,j,t=0如果作物不适合该地块
不重茬： xi,j,t×xi,j,t+1=0
豆类作物种植：豆类∑t=t0t0+2∑jxi,j,t(豆类)≥1 每三年种植一次豆类。
种植面积和集中性：最小面积限制xi,j,t≥最小面积限制

求解方法

使用线性规划（LP）或整数线性规划（ILP）进行求解。可以使用工具如 Python 的 PuLP 或 Gurobi 来实现。

具体步骤

数据整理：根据附件 1 和附件 2，整理地块、作物种类、成本、产量、价格等数据。
模型实现：编写程序实现上述数学模型。
求解与验证：运行模型，验证结果，调整参数以满足所有约束条件。
结果填入文件：将结果填入 result1_1.xlsx 和 result1_2.xlsx。

添加图片注释，不超过 140 字（可选）

代码demo

import pulp

# 示例数据（需根据实际数据替换）
crops = ['wheat', 'rice', 'vegetables', 'beans']  # 作物种类
land_types = ['dry', 'irrigated', 'terrace', 'slope']  # 地块类型
years = range(2024, 2031)
seasons = [1, 2]

# 每种作物的参数（需根据实际数据替换）
crop_data = {
    'wheat': {'cost': 100, 'yield': 1.5, 'price': 200},
    'rice': {'cost': 120, 'yield': 2.0, 'price': 180},
    'vegetables': {'cost': 80, 'yield': 2.5, 'price': 150},
    'beans': {'cost': 90, 'yield': 1.8, 'price': 160}
}

# 地块信息（需根据实际数据替换）
land_data = {
    'land1': {'type': 'dry', 'area': 10},
    'land2': {'type': 'irrigated', 'area': 15},
    # 添加更多地块
}

# 定义问题
problem = pulp.LpProblem("Crop_Planning", pulp.LpMaximize)

# 定义决策变量
x = pulp.LpVariable.dicts("crop_area", ((land, crop, year, season)
                                        for land in land_data
                                        for crop in crops
                                        for year in years
                                        for season in seasons), lowBound=0, cat='Continuous')

# 目标函数
if scenario == 1:
    # 滞销情况
    profit = pulp.lpSum((crop_data[crop]['yield'] * crop_data[crop]['price'] * x[land, crop, year, season]
                         - crop_data[crop]['cost'] * x[land, crop, year, season])
                        for land in land_data for crop in crops for year in years for season in seasons)
else:
    # 降价销售
    profit = pulp.lpSum(((crop_data[crop]['yield'] * crop_data[crop]['price'] * x[land, crop, year, season] * 0.5) 
                         - crop_data[crop]['cost'] * x[land, crop, year, season])
                        for land in land_data for crop in crops for year in years for season in seasons)

problem += profit

# 约束条件
for land in land_data:
    for year in years:
        for season in seasons:
            # 地块适用性和面积限制
            problem += pulp.lpSum(x[land, crop, year, season] for crop in crops) <= land_data[land]['area']

    # 豆类作物种植
    for year_block in range(2024, 2031, 3):
        problem += pulp.lpSum(x[land, 'beans', year, season] for year in range(year_block, year_block + 3) for season in seasons) >= 1

# 求解
problem.solve()

# 输出结果
for v in problem.variables():
    if v.varValue > 0:
        print(v.name, "=", v.varValue)

print("Total Profit = ", pulp.value(problem.objective))

问题 2是综合考虑各种农作物的预期销售量、亩产量、种植成本和销售价格的不确定性以及潜在的种植风险，给出该乡村2024~2030年农作物的最优种植方案。

问题重述：在华北山区的某乡村，有四种类型的耕地，包括平旱地、梯田、山坡地和水浇地，共计1201亩。每年只能种植一季农作物，且每种作物在同一地块（含大棚）都不能连续重茬种植。另外，每个地块（含大棚）的所有土地三年内至少种植一次豆类作物。根据农作物的生长规律，种植方案应考虑到方便耕种作业和田间管理。现有16个普通大棚和4个智慧大棚，每个大棚耕地面积为0.6亩。2023年的农作物种植和相关统计数据如附件2所示。小麦和玉米未来的预期销售量有增长的趋势，平均年增长率介于5%到10%之间，其他农作物未来每年的预期销售量相对于2023年大约有±5%的变化。农作物的亩产量往往会受气候等因素的影响，每年会有±10%的变化。因受市场条件影响，农作物的种植成本平均每年增长5%左右。粮食类作物的销售价格基本稳定；蔬菜类作物的销售价格有增长的趋势，平均每年增长5%左右。食用菌的销售价格稳中有降，大约每年可下降1%~5%，特别是羊肚菌的销售价格每年下降幅度为5%。根据以上信息，建立数学模型，综合考虑各种农作物的预期销售量、亩产量、种植成本和销售价格的不确定性以及潜在的种植风险，给出该乡村2024~2030年农作物的最优种植方案。