美赛B题离散优化类AI提示词模板 数学建模竞赛备赛参赛参考

美赛B题（离散优化类）通用AI提示词核心特征：基于离散系统、管理决策或策略优化的量化建模，以“问题拆解-约束梳理-目标优化”为核心，关联“系统逻辑-决策变量-方案评估”，严格保证决策合理性、约束适配性，兼顾美赛评分点（模型实用性、策略创新性、论证完整性）。一、前置信息说明（强化B题适配）我是数学建模美赛（MCM）参赛选手，需解决以下B类离散决策优化题目：【在此粘贴完整题目文本、附件说明（含数据/规则/场景描述）、题目隐含的管理/决策场景背景】。团队情况：□零编程基础□有基础建模经验（可独立构建简单优化模型）□首次参赛□多次参赛（目标冲击高奖）擅长编程语言/工具：（如Python/Matlab，需注明是否掌握核心库：Python的PuLP/Gurobi/NetworkX；Matlab的整数规划工具箱/图论工具）需求重点（可多选，标注优先级）：□优化模型创新性（美赛高奖核心）□代码可执行性（含约束嵌入与求解器调用）□决策方案可视化与对比□论文写作素材（策略论证/结果分析/逻辑闭环阐述，适配美赛论文结构）□多方案对比与鲁棒性分析（美赛必查评分点）获奖目标：□O/F奖（特等奖，需强策略创新+系统闭环）□M奖（一等奖，需模型严谨+方案可行）□H奖（二等奖，需逻辑完整+无决策漏洞）题目核心场景与决策类型：【精准标注，如：资源分配与调度（物流/医疗）、路径规划与设施选址、事件响应策略优化、多目标决策平衡、复杂系统管控等】，明确核心决策逻辑（如成本最小化、效率最大化、约束满足优先）。二、题目分析阶段（锚定B题“决策优先、约束清晰”特性）请逐句解析题目，区分「背景信息」「核心决策问题」「已知条件（含数据/规则/参数）」「约束条件（含硬约束/软约束、场景规则限制）」，用表格分列呈现；重点标注关键决策流程的核心逻辑，明确决策变量与约束的对应关系（如路径规划中“里程上限”约束对应路径长度变量）。明确小问划分：共几个小问，列出各小问的「直接目标」「隐含目标」（贴合B题特点，如小问1表面求最优分配方案，实际需验证模型对核心约束的适配性，为后续多场景扩展铺垫）、「输出要求」（如是否需要决策方案表/优化路径图/灵敏度分析结果）。逻辑关系梳理：用结构化思维导图（文字描述节点与关联）展示各小问的关联性、决策变量与约束/目标的依赖关系（如设施选址变量依赖需求分布、交通成本约束），标注决策传递路径（如基础决策→场景扩展→多目标优化→方案评估）。题型定位：明确各小问属于「单目标优化类」「多目标优化类」「图论决策类」「策略模拟类」，结合B题离散决策特性说明判断依据；同时标注该小问是否需要“基础模型+场景拓展”（B题多数小问需覆盖单一场景与复杂场景）。请将上述生成的内容整理成文档，文档命名为【问题分析模块】三、模型选择阶段（适配B题“基础+创新”双方案，贴合美赛评分）针对每个小问，推荐2种模型方案（1种基础优化模型+1种创新融合模型），均需紧扣离散决策逻辑，禁止脱离实际场景的纯理论模型：方案1（基础适配，保分核心）：经典离散优化模型+美赛适配改进点（如「整数规划+约束松弛优化（处理硬约束冲突）」「图论最短路径+动态权重修正（适配场景变化）」「线性规划+多约束优先级排序」），确保模型可求解、决策方案落地。方案2（创新融合，冲奖关键）：基础优化模型+多方法融合（贴合B题趋势，如「整数规划+遗传算法（提升复杂场景求解效率）」「设施选址模型+网络流分析（优化资源流转）」「多目标优化+层次分析法（平衡冲突目标）」），突出“模型定框架、策略提价值”。对每种模型需详细说明（适配美赛论文论述需求）：核心原理：用1段通俗语言描述，紧密结合题目对应的决策逻辑（如图论、运筹优化、多目标平衡原理），明确模型与离散决策场景的对应关系。适配性：为何适合本题的决策场景，如何匹配题目给出的约束条件与数据特征，是否能覆盖单一与复杂场景的决策需求。创新点（美赛高奖关键）：与传统离散模型的差异，如何提升决策方案的实用性与创新性（如引入动态约束、多目标权重自适应、场景鲁棒性设计），说明该创新点对决策优化的实际价值（非形式化创新）。局限性与规避方案：可能存在的问题（如求解复杂度过高、约束假设过强、场景适配不足），结合B题特点给出规避/修正方案（如采用启发式算法简化求解、放松非核心约束）。可视化流程：用文字描述流程图（便于转化为论文图表），展示模型应用步骤，包含「决策场景抽象→变量/约束定义→模型构建→求解迭代→方案验证」的决策点（如「约束是否存在冲突→是：约束松弛/优先级调整；否：直接求解」），标注每个步骤的输出物（如优化模型公式、决策方案表、求解结果图）。重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【模型选择模块】数据处理阶段（强化B题“离散数据/规则”适配）若题目提供数据可进行该步骤，若未提供数据请在全网自主寻找合适数据并对数据进行预处理操作等，但需要注明数据来源！题目中提供的数据/规则如下：【列出数据（含单位、维度）或标注附件，明确类型：如离散数值数据（需求数量、成本参数）、规则数据（约束条件、场景限制）、地理/网络数据（路径里程、节点分布）、优先级数据（目标权重、约束等级）】。预处理方案（结合离散决策特性，避免脱离规则的数据处理）缺失值：针对离散数据特性，说明采用「合理假设填充（基于场景规则）、均值填充（数值型参数）、邻域插值（地理数据）」的依据（如需求数据用区域均值填充，符合离散分布规律；成本参数用行业标准假设填充），并给出处理后的数据（标注依据）。异常值/冲突规则：用「统计法（Z-score/IQR）」检测数值异常，用「逻辑校验法」排查规则冲突，核心结合决策场景说明保留/修正/删除的理由（如超出合理范围的成本数据需修正，避免影响优化结果；冲突约束需按优先级排序取舍），附处理结果描述。转换处理：说明是否需要数据标准化/权重化（如多目标优化中不同量纲的目标需标准化），给出转换公式及处理后的数据；若涉及网络/地理数据，需说明节点-边构建、权重设定方法（如将成本转化为图论边权重），确保数据适配模型需求。数据/规则补充（B题常见需求）：若数据/规则不足，严格区分「必须补充」（如题目隐含的约束条件、行业标准参数、目标权重关系）和「可选补充」（如提升方案合理性的场景扩展数据），推荐美赛可落地的获取途径（如行业报告、公开决策数据集、类似建模案例）；若无法获取，需基于场景逻辑合理假设补充（详细标注假设依据，如参考同类物流调度的成本参数，美赛允许合理假设但需论证）。代码中必须包含清晰的本地数据上传路径提示和清晰的处理完成的数据输出路径提示，使用醒目标注（如注释、变量名）指引学生替换为自己的本地数据路径；代码包含详细注释，标注每个步骤的目的、方法和参数含义；代码中最好包括数据可视化模块，包括数据预处理前的可视化分析和数据预处理后的可视化分析等，可视化分析要看是否有必须做，如有必要则在代码中包括，可视化分析图片质量要求比较高，美观性较强！将预处理完数据保存为通用格式（CSV优先，Matlab支持.mat格式）；同时提供多维度的预处理后的数据获取方式：直接展示处理后数据的前10行和后5行；提供多种虚拟下载链接（注明文件名称、大小、格式）；说明Python/Matlab代码中保存处理后数据到本地的方法和路径设置；提示学生如何验证处理后数据的完整性。总结整个数据预处理过程，形成数据预处理结论重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【数据预处理模块】模型建立阶段（强化“决策逻辑-数学公式”衔接，适配美赛论文推导）先导要求：[以上述模型选择模块，各小问方案X为最终选择模型并进入模型建立部分]结合前面选择的模型和处理后的数据/规则，详细说明各小问建立数学模型的完整步骤，重点突出离散决策逻辑与数学公式的强关联，符合美赛论文公式推导规范：变量定义：用表格明确「决策变量/中间变量/目标变量/参数」，标注变量类型（离散/整数/0-1变量）、单位、约束范围，详细说明变量对应的决策意义（如「xᵢⱼ：0-1变量，1表示从节点i到节点j的路径选择，0表示不选择，对应路径规划中的路线决策」），区分“已知参数”“假设参数”“优化变量”。假设条件：列出3-5个核心假设（基于离散决策简化需求，贴合B题特点），每个假设需说明合理性（如「忽略突发因素对路径的影响，因题目核心聚焦基础调度优化，突发因素可通过后续鲁棒性分析覆盖」），避免无依据假设（美赛常见扣分点）。公式推导：分步骤推导模型核心公式（目标函数、约束方程），每步标注决策逻辑（如「式(3)为目标函数，基于成本最小化逻辑，将运输成本、设施成本关联决策变量，其中cᵢⱼ为节点i到j的单位运输成本，由预处理数据校准得到」），推导过程需符合离散优化逻辑，公式标注规范（变量符号、下标含义统一）。建模流程图：用文字描述「决策场景抽象→变量/约束定义→公式推导→目标确立→求解迭代」的逻辑链，标注关键节点（如「此处需验证约束的兼容性，避免出现无解情况」「目标函数需覆盖核心决策需求，兼顾主次关系」），便于转化为美赛论文中的建模流程图。重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【模型建立模块】模型求解阶段（强化代码落地与美赛可视化要求）先导要求：[上传处理完成后的数据]代码语言：[输入代码语言如Matlab、Python等]基于我上传的处理后的真实数据（若未提供数据请在全网自主寻找合适数据并对数据进行预处理操作等，但需要注明数据来源）针对每个小问的模型，编写对应编程语言的源代码（适配团队编程基础），优先选择美赛中易调试、求解效率高的方法（如小规模用精确算法，大规模用启发式算法等）。求解步骤：按「数据/规则输入→变量/参数初始化（标注变量意义、约束范围）→模型构建（嵌入约束与目标函数）→求解器调用/算法迭代→结果输出」分步骤说明，标注每个步骤的注意事项（如「0-1变量需明确取值约束，避免出现非离散解；大规模问题需设置迭代次数阈值，平衡求解精度与效率」）。代码实现（贴合团队基础，美赛可直接复用）若零编程基础：提供可直接运行的完整代码（标注依赖库及安装命令，如Python的pipinstallpulp），包含详细注释（每段代码说明对应决策逻辑）、求解器配置模块，关键行注释说明「为何这么写」及对应的决策意义（如「此处用pulp.LpProblem构建整数规划模型，对应设施选址的成本优化决策」）。若有编程基础/指定编程语言：代码需符合该语言规范，包含异常处理语句（如约束冲突提示、求解器调用失败兼容处理）、迭代优化模块，注释聚焦核心决策逻辑与建模思路。可视化分析（适配美赛论文图表要求）：根据离散决策特性选择对应图表（如优化路径图、决策方案对比柱状图、目标函数值迭代曲线、参数敏感性热力图），图表需含规范标题、坐标轴标签（带单位）、图例、决策节点标注，图下标注关键结论（如「图3显示方案2较方案1成本降低8%，同时满足所有硬约束，更适配实际调度需求」），满足图表评分标准。请帮我生成一份单独的可直接生成上述问题求解中全部可视化图表的代码，代码无需借助任何本地数据上传，可直接在豆包平台运行，图表美观度较高，每个图表均有编号和图名，与问题求解部分生成的图表高度对应！按照上述建模步骤步骤，结合已上传的真实数据集运行代码得到相关结果，结果需要与题目要求高度对应，能够完成题目要求，并对各小问代码运行结果结合题目要求进行初步的解读和总结。将每小问的代码输出结果和结论以表格形式整理出来，条理清晰！重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【模型求解模块】七、结果分析阶段（强化“决策价值+美赛论证”，避免纯数值解读）针对各小问的求解结果，给出详细的「基础分析」和「深层分析」，贴合美赛论文结果论述逻辑：基础分析：数值解读：直接说明结果的决策意义、实际场景价值（如「最优解xᵢⱼ=1表示选择A仓库到B区域的运输路线，对应总调度成本12.5万元，较初始方案降低15%，符合成本控制目标」），而非仅罗列数值。统计描述：对比不同方案的目标函数值、约束满足情况、核心参数指标，说明决策方案的优势（如「方案2在成本降低8%的同时，满足需求覆盖率≥95%的约束，综合性能优于方案1」）。深层分析（美赛高奖核心）：关联性：结果与题目约束、决策目标的匹配度（如「方案结果满足里程上限、需求覆盖等所有硬约束，同时实现成本最小化目标，决策逻辑无矛盾」），验证模型的合理性。敏感性分析（美赛必做）：分析2-3个关键参数（如单位成本、需求数量、约束阈值）变化对决策结果的影响（如「当单位运输成本增加10%，最优路线调整为A仓库到C区域，总成本偏差6%，说明模型对运输成本参数较敏感，需精准核算成本」），附敏感性分析图表与结论。实际意义与延伸：结合题目背景提炼结论，关联实际应用场景（如「该模型可提供多场景下的物流调度方案，为企业降低10%-15%的运营成本，同时提升需求响应效率，具有实际应用价值」），提升论文深度。请将上述生成的内容整理成文档，文档命名为【结果分析模块】八、模型检验与改进阶段（强化美赛评分点，规避常见扣分点）有效性检验（B题核心检验方向）：方法：针对离散决策模型特点选择检验指标（如方案可行性验证、目标函数优化效率、约束满足度、不同场景适配性），避免单一指标检验。代码与结果：提供检验代码（如「多场景代入验证模型适配性、约束冲突校验」），输出检验结果并解读（如「模型在5种典型场景下均能输出可行方案，约束满足度100%，目标函数优化效率较基础模型提升20%，模型有效」）。改进方向（体现建模思维完整性，美赛加分项）：若方案存在短板：说明可能的改进点（如「引入动态约束适配