当前位置: 首页 > article >正文

【2024高教社杯全国大学生数学建模竞赛】B题 生产过程中的决策问题——解题思路 代码 论文

目录

  • 问题 1:抽样检测方案的设计
  • 问题 2:生产过程中的决策
  • 问题 3:多工序、多零配件的生产决策
  • 问题 4:重新分析次品率
  • 题目难度分析
    • 1. 统计检测方案设计的复杂性(问题 1)
    • 2. 多阶段生产决策的复杂性(问题 2 & 3)
    • 3. 多工序、多零配件的组合复杂性(问题 3)
    • 4. 次品率估计的重新决策(问题 4)
  • 参考模型

问题 1:抽样检测方案的设计

目标是为企业设计抽样检测方案,以尽可能少的检测次数判定零配件次品率是否超过标称值。

  1. 假设检测过程服从二项分布,即抽取一定数量的样本,根据样本中不合格零配件的数量推断整体次品率。
  2. 根据标称值和信度水平 ,应用统计学中的假设检验理论。这里可以采用 假设检验的双侧检验,设置:
    零假设:次品率不超过标称值;
    备择假设:次品率超过标称值。
  3. 检验方案设计:
    通过计算置信区间,结合企业的次品率要求以及信度水平(95%和90%),确定需要的样本量。
    可采用 样本量计算公式 来确定最少的检测次数,确保在给定信度下可以得出正确结论。

问题 2:生产过程中的决策

为生产过程中不同阶段做出决策,包含零配件检测、成品检测、不合格成品处理等。

  1. 零配件检测:
    计算检测成本与不检测带来的潜在风险损失(如不合格零配件进入装配过程会导致更多的成品不合格)。
    通过分析次品率、检测成本等因素,决定是否对零配件进行检测。若检测成本较高且次品率较低,可能选择不检测。

  2. 成品检测:
    需要权衡成品的市场售价、检测成本以及调换不合格成品的损失。
    通过建模计算各决策方案下的总成本,找出最优的检测方案(检测或不检测)。

  3. 不合格成品拆解: 分析拆解费用与次品率,判断拆解零配件的价值是否高于直接报废不合格成品。对于高拆解费用但零配件较贵的情况,可以选择拆解,否则直接报废。

  4. 退回的成品处理:同样使用成本效益分析,对退回产品的处理(拆解或丢弃)做出最优决策。

问题 3:多工序、多零配件的生产决策

本问题在问题 2 的基础上增加了更多复杂度,要求考虑多道工序及更多零配件的生产决策。

  1. 多工序影响:
    各道工序会影响零配件和半成品的次品率,需要建立更为复杂的模型。
    通过 马尔科夫链或蒙特卡洛模拟 等方法预测不同工序下的质量演变,计算各工序的最优策略。

  2. 多零配件决策:
    不同零配件的次品率和成本不一,对每个零配件进行单独决策。
    根据总装配成本、检测成本和市场售价,优化整体生产链的成本结构。

问题 4:重新分析次品率

在问题 4 中,假设问题 2 和问题 3 中的次品率是通过抽样检测方法得到的。这意味着需要重新结合问题 1 中设计的抽样检测方案,重新计算次品率并基于此调整各个决策。

  1. 结合抽样检测数据 :
    使用问题 1 中得出的检测方案,得到更为精确的次品率估计值。
    将这些估计值替换到问题 2 和问题 3 中的模型,重新做出决策。

  2. 决策调整:
    可能由于次品率估计值的变化,导致某些阶段的检测方案或处理策略需要调整。需再次优化总成本模型。

    总结
    该题的解决思路可以通过 建立统计模型与成本分析模型 来解决。关键在于:
    问题 1 采用假设检验与抽样检测设计。
    问题 2 和问题 3 结合成本效益分析,优化生产各环节的检测与处理方案。
    问题 4 结合前面问题中的抽样检测结果,重新校正生产决策。

题目难度分析

本题涉及抽样检测、生产决策优化以及多阶段、多零配件的质量管理等问题,难度主要体现在以下几个方面:

1. 统计检测方案设计的复杂性(问题 1)

问题 1 要求设计一个抽样检测方案,并且在给定信度下最小化检测次数。挑战在于:
假设检验的设计 :需要在不同的置信度要求下分别给出拒收或接收的检测标准,涉及到统计学中的假设检验、置信区间计算以及样本量估计。
优化抽样数量 :最小化样本量的同时,确保置信区间能够准确反映实际次品率。这要求考察统计分布(如二项分布或正态分布)的性质,并进行优化计算。

2. 多阶段生产决策的复杂性(问题 2 & 3)

生产过程的各阶段决策需考虑到多种成本(检测成本、装配成本、拆解成本等)与潜在收益的平衡,且各个阶段的决策互相关联。这部分的难点包括:
零配件与成品的次品率关联 :成品次品率不仅取决于零配件的质量,还会受到装配过程的影响,因此需要建立合理的模型来预测成品的次品率。多阶段决策的递归性 :在每个阶段做出的决策都会影响后续的阶段,这使得问题呈现出递归结构,适合使用动态规划或马尔科夫决策过程等递归方法解决。

3. 多工序、多零配件的组合复杂性(问题 3)

多道工序、多零配件的组合进一步增加了问题的复杂度:
次品率与装配的复杂组合 :问题 3 中的生产过程由多个工序和多个零配件组成,导致次品率的累积效应较难精确计算。
决策空间增大 :随着零配件数量和工序数量的增加,决策变量也大幅增加,需要更为有效的搜索算法,如启发式算法、遗传算法等,来寻找最优解。

4. 次品率估计的重新决策(问题 4)

本问题要求结合抽样检测的结果,重新进行生产决策:
动态调整次品率 :在实际生产过程中,次品率是通过抽样检测得到的,且会随着生产的进行动态变化,如何利用新的次品率数据调整生产流程是一个难点
重新优化决策 :每次重新估计次品率后,都需要重新进行多阶段的决策优化,这增加了问题的动态性和复杂性。

参考模型

  1. 假设检验模型
    描述 :用于问题 1 中抽样检测的设计。
    参考模型 :二项分布假设检验、正态分布近似、置信区间计算。

  2. 成本效益分析模型
    描述 :用于问题 2 和问题 3 中的生产过程决策。
    参考模型 :在经济学和管理科学中的成本效益分析模型。

  3. 动态规划模型
    描述 :用于分阶段的决策优化问题(如问题 2 和问题 3),特别适合多阶段递归性问题。
    参考模型 :Bellman提出的动态规划框架,常用于求解多阶段决策问题。

  4. 马尔科夫决策过程 (MDP)
    描述 :用于多工序、多阶段、多零配件的生产过程决策。
    参考模型 :马尔科夫决策过程(MDP)是处理多阶段决策的标准工具之一。

  5. 蒙特卡洛模拟
    描述 :用于应对生产过程中的不确定性,可以通过模拟大量次品率和生产过程,评估不同决策下的平均成本。

  6. 启发式算法
    描述 :适用于多工序和多零配件的复杂决策问题。
    参考模型 :模拟退火算法、遗传算法等启发式搜索方法。

  7. 贝叶斯更新模型
    描述 :用于问题 4 中基于新的检测数据更新次品率的估计。
    参考模型 :贝叶斯统计推断模型,通过新的数据不断调整先验概率。

本题的难度主要在于综合应用统计分析、生产决策优化、动态规划等多种模型和算法,处理多阶段、多零配件生产中的决策复杂性和不确定性 。在解题过程中,合理选择并结合这些经典的参考模型,能够有效解决该问题中的多个挑战。

A-E题的解题思路、模型代码,论文持续更新中!


http://www.kler.cn/news/291826.html

相关文章:

  • 浅谈C# 虚函数
  • halcon+c#+abb机器人=激光熔覆视觉工作站
  • ActiViz中的粒子系统详细解析
  • 基于SpringBoot+Vue+MySQL的社区维修平台
  • 揭秘美国大健康电商:为何Newsbreak广告成为其市场破局利器?
  • Qt QT中QString 类的使用--获取指定字符位置、截取子字符串等
  • 鸿蒙(API 12 Beta3版)图形【AR Engine简介】 AR引擎服务
  • javascript数据结构与算法-- 二叉树
  • 【学习笔记】5G-A时代物联网应用及策略研究
  • Linux字符设备驱动
  • webpack基本使用(基础配置)
  • 监控平台之nodejs模拟后端接口
  • nginx中如何设置gzip
  • ComsolMatlab 两级串联扩张式消声器仿真解与解析解
  • Kafka【十】副本(follower)从领导者(leader)同步数据的流程
  • 基于Spring的消息推送实战(Websocket和前端轮询实现)
  • 【数据库原理及应用】【数据库系统概论第5版王珊】期末考试复习必备
  • 实现自定义的移动端双指缩放
  • 重头开始嵌入式第三十三天(数据库)
  • jmeter 梯度测试 如何查看TPS、RT指标