美赛D题运筹与网络类AI提示词模板 数学建模竞赛备赛参赛参考

美赛D题（运筹与网络类）通用AI提示词核心特征：基于复杂网络与运筹优化的系统建模，以“网络构建-约束梳理-优化求解”为核心，关联“网络结构-运筹逻辑-决策落地”，严格保证网络合理性、约束适配性，兼顾美赛评分点（系统完整性、优化创新性、方案可行性、论证严谨性）。一、前置信息说明（强化D题适配）我是数学建模美赛（ICM）参赛选手，需解决以下D类运筹与网络科学题目：【在此粘贴完整题目文本、附件说明（含网络数据/约束规则/场景描述）、题目隐含的网络优化场景背景】。(1)团队情况：□零编程基础□有基础运筹/网络建模经验□首次参赛□多次参赛（目标冲击高奖）(2)擅长编程语言/工具：（如Python/Matlab，需注明是否掌握核心库：Python的NetworkX/PuLP/Gurobi；Matlab的图论工具箱/整数规划工具箱；Lingo优化软件）(3)需求重点（可多选，标注优先级）：□网络/运筹模型创新性（美赛高奖核心）□代码可执行性（含网络构建与优化求解）□网络可视化与方案对比□论文写作素材（网络逻辑/优化论证/决策意义阐述，适配美赛论文结构）□模型鲁棒性与多场景适配分析（美赛必查评分点）(4)获奖目标：□O/F奖（特等奖，需强网络创新+优化闭环）□M奖（一等奖，需模型严谨+方案最优）□H奖（二等奖，需逻辑完整+无决策漏洞）(5)题目核心场景与优化类型：【精准标注，如：医疗资源网络优化分配、物流运输网络路径规划、信息传播网络防控、基础设施网络选址布局、供应链网络协同优化等】，明确核心优化目标（如成本最小化、效率最大化、覆盖范围最广、抗干扰能力最强）。

二、题目分析阶段（锚定D题“网络核心、运筹聚焦”特性）请逐句解析题目，区分「背景信息」「核心网络/优化问题」「已知条件（含网络节点/边数据、约束参数）」「约束条件（含网络规则、资源限制、优化边界）」，用表格分列呈现；重点标注关键网络结构与运筹逻辑的核心关联，明确网络元素（节点/边/权重）与优化目标的对应关系（如网络边权重对应运输成本，关联成本最小化目标）。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D题特点，如小问1表面求网络最短路径，实际需为后续资源分配优化提供网络基础）、「输出要求」（如是否需要网络拓扑图/优化方案表/灵敏度分析报告）。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、网络元素与运筹变量的依赖关系（如节点需求数据依赖网络拓扑，为资源分配变量提供约束），标注逻辑传递路径（如网络构建→约束梳理→运筹建模→求解优化→方案验证）。题型定位：明确各小问属于「网络结构分析类」「资源优化分配类」「路径/选址规划类」「网络抗干扰类」，结合D题网络与运筹特性说明判断依据；同时标注该小问是否需要“基础网络模型+运筹优化拓展”（D题多数小问需二者深度融合）。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D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种基础网络/运筹模型+1种创新融合模型），均需紧扣网络结构与优化目标，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）：经典网络/运筹模型+美赛适配改进点（如「最小生成树+动态权重修正（适配资源波动）」「整数规划+约束优先级排序（处理多约束冲突）」「最短路径算法+网络冗余优化（提升可靠性）」），确保模型稳定、方案可行。方案2（创新融合，冲奖关键）：基础模型+多方法融合（贴合D题趋势，如「网络流模型+遗传算法（提升复杂场景求解效率）」「设施选址模型+复杂网络中心性分析（优化节点布局）」「多目标规划+层次分析法（平衡冲突优化目标）」），突出“网络定结构、运筹提效能”。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网络/运筹逻辑（如图论分析、网络流、多目标优化原理），明确模型与网络优化场景的对应关系。适配性：为何适合本题的网络场景，如何匹配题目给出的网络结构、约束条件与数据特征，是否能覆盖单一与复杂场景的优化需求。创新点（美赛高奖关键）：与传统网络/运筹模型的差异，如何提升网络优化的创新性与实用性（如引入动态网络拓扑、多目标权重自适应、网络抗干扰设计），说明该创新点对优化方案的实际价值（非形式化创新）。局限性与规避方案：可能存在的问题（如网络复杂度高导致求解困难、约束假设过强、场景适配不足），结合D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、优化网络拓扑抽象）。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「网络场景抽象→节点/边/权重定义→约束梳理→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（如网络拓扑图、优化模型公式、决策方案表）。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】网络与数据处理阶段（强化D题“网络构建+数据适配”核心需求）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！题目中提供的网络与数据信息如下：【列出网络数据（含节点类型、边属性、权重参数、约束条件）或标注附件，明确类型：如静态网络/动态网络、加权网络/无权网络、单层级网络/多层级网络、地理关联网络数据】。处理方案（结合网络特性，覆盖网络构建与数据适配全流程）：网络构建：说明节点、边的提取与定义方法（如从地理数据中提取设施节点，从距离/成本数据中定义边属性）；权重设定逻辑（如将运输成本、距离、耗时转化为边权重），标注选择依据；若网络存在冗余节点/边，说明简化方法及合理性，确保网络结构贴合实际场景。数据适配：针对网络参数数据（如节点需求、边权重、资源总量），说明缺失值处理（如数值型用均值/中位数填充、基于网络逻辑推导补充）、异常值修正（如用Z-score法检测异常权重，结合网络规则修正）的方法；若涉及多维度参数，说明标准化/权重化处理方式，适配多目标优化需求。约束梳理：将题目中的文字约束（如资源上限、覆盖范围）转化为数学约束，对应到网络元素（如节点资源约束、边流量约束），形成约束清单，明确约束类型（硬约束/软约束）及优先级。数据/网络补充（D题常见需求）：若网络数据不足或拓扑不完整，严格区分「必须补充」（如关键节点/边数据、约束参数）和「可选补充」（如提升模型精度的外部网络数据），推荐美赛可落地的获取途径（如行业网络数据库、公开地理信息数据、类似建模案例）；若无法获取，需基于网络逻辑合理假设补充（详细标注假设依据，如参考同类网络的权重分布，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“网络结构-运筹模型”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网络/数据，详细说明各小问建立网络运筹模型的完整步骤，重点突出网络结构与数学公式的强关联，符合美赛论文公式推导规范：变量与网络元素定义：用表格明确「网络元素（节点/边）、决策变量、目标变量、参数」，标注变量类型（离散/连续/0-1变量）、单位、约束范围，详细说明对应网络意义（如「xᵢⱼ：0-1变量，1表示节点i到节点j的边启用，0表示不启用，对应网络拓扑优化决策」），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（基于网络运筹简化需求，贴合D题特点），每个假设需说明合理性（如「假设网络边权重短期内稳定，因题目核心聚焦静态优化，动态波动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）。模型公式推导：分步骤推导模型核心公式（目标函数、约束方程、网络拓扑关系公式），每步标注网络运筹逻辑（如「式(3)为网络流优化目标函数，基于流量守恒原理，将各边流量与运输成本关联，其中cᵢⱼ为节点i到j的单位运输成本，对应边权重参数」），推导过程需符合网络与运筹逻辑，公式标注规范（变量符号、参数含义统一）。建模流程图：用文字描述「网络场景抽象→网络构建→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「此处需验证网络拓扑的连通性，避免出现无解情况」「目标函数需覆盖核心优化需求，兼顾主次关系」），便于转化为美赛论文中的建模流程图。六、模型求解与网络可视化阶段（强化代码落地与美赛展示要求）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]请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）。求解步骤：按「网络/数据输入→变量/参数初始化（标注变量意义、约束范围）→模型构建（嵌入网络关系与约束）→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；复杂网络需优化求解器参数，平衡精度与效率」）。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pipinstallnetworkxpulp），包含详细注释（每段代码说明对应网络运筹逻辑）、求解器配置模块，关键行注释说明「为何这么写」及对应的网络意义（如「此处用networkx构建无向加权图，对应物流运输网络的拓扑结构」）。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，注释聚焦核心网络运筹逻辑与建模思路。可视化分析（适配美赛论文图表要求）：根据网络优化特性选择对应图表（如网络拓扑图、优化路径标注图、多方案目标对比柱状图、参数敏感性热力图），图表需含规范标题、节点/边标注（带属性信息）、图例，图下标注关键结论（如「图3显示优化后网络运输成本降低12%，同时满足所有节点资源覆盖约束，较基础方案更适配实际需求」），满足美赛论文图表评分标准。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。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“优化价值+美赛论证”，避免纯数值解读）针对各小问的求解结果，结合网络特性与优化指标给出详细的「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：数值与方案解读：直接说明结果的网络优化意义、实际场景价值（如「最优解对应网络拓扑中启用8条核心边，总运输成本18.6万元，较初始网络降低15%，同时实现所有节点资源全覆盖」），而非仅罗列数值。模型对比分析：对比不同模型的核心指标（如成本、效率、覆盖范围、求解时间），说明最优模型的优势（如「网络流+遗传算法模型较单一最短路径模型，在复杂网络场景下求解效率提升30%，优化效果更优」）。深层分析（美赛高奖核心）：关联性：结果与网络结构、约束条件的匹配度（如「优化方案满足资源上限、节点覆盖等所有硬约束，且网络拓扑连通性良好，无孤立节点，符合实际运营逻辑」），验证模型合理性。敏感性分析（美赛必做）：分析核心参数（如边权重、节点需求、资源总量）变化对优化结果的影响（如「当单位运输成本增加10%，最优网络拓扑调整2条边，总成本偏差7%，说明模型对运输成本参数较敏感，需精准核算」），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网络优化方案，为企业降低运营成本、提升资源配置效率，具有实际推广价值」），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（D题核心检验方向）：方法：针对网络运筹模型特点选择检验指标（如方案可行性、约束满足度、优化目标达成率、网络连通性/稳定性），结合多场景代入验证模型适配性，避免单一指标检验。代码与结果：提供检验代码（如「多场景网络数据代入验证、约束冲突校验、网络连通性检测」），输出检验结果并解读（如「模型在6种典型场景下均能输出可行方案，约束满足度100%，网络连通性良好，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「引入动态网络拓扑适配场景变化、优化算法