国家数学建模一等奖论文

国家数学建模一等奖论文内容摘要：

(  kkjk aBa （ 18） 若已知第 k1层的计算结果 1kCI ， 1kRI 和 1kCR ，则第 k层的相应指标为： )1()()2()1( ), .. .,(  kmkkkk aCICICICI （ 19） )1()()2()1( ), .. .,(  kmkkkk aRIRIRIRI （ 20） )/( 1 kkkk RICICRCR   （ 21） 其中 )(ikCI 和 )(ikRI 分别 为在 k1 层第 i 个指标下判断矩阵的一致性指标和随机一致性指标。 当 kCR 时，认为递阶层次在整个 k层上具有满意的一致性。 模型的建立与求解 ： 用层次分析 定权 法求解上述媒体的报道能反映中国影响力提高的权重。 将上述媒体分为报刊和网络两类，建立模型简图如图： 12 图 8 模型简图 用 三标度 构建 法判断矩阵如 下 表所示 ： 表 4 A1,A2 关于 G 构建三标度判断矩阵 G 1A 2A 1A 1 0 2A 2 1 表 5 B1,B2,B3 关于 A1 构建三标度判断矩阵 1A 1B 2B 3B 1B 1 2 2 2B 0 1 2 3B 0 0 1 表 6 B4， B5， B6关于 A2 构建三标度判断矩阵 2A 4B 5B 6B 4B 1 2 2 5B 0 1 2 6B 0 0 1 以 1B , 2B , 3B 关于 1A 构建的三标度判断矩阵为例求解，过程如下： 由表 5 可得 5maxr ， 1minr ， 4mb ，故可得三标度判断矩阵的间接判断矩阵15/24/12/515/242/51A （ 22） 由计算 得 最大特征值为  ，其权向量为 Tw )1 2 7 ,3 1 4 ,5 5 8 ( 由于 ax  ，所以要对其进行一致性检验， 01 a x  n nCI  ， （ 23） RI , （ 24）  RICICR , 13 说 明表 5 通过了 一致性检验 ， 所以 3,21, BBB 关于 1A 的排序权向 量为T),(。 同理 可求得 :B4， B5， B6关于 2A 的排序权向量  ,。 因为中间层只有两个因素，故由表 4 可以直接求得 1A , 2A 关于 G 的排序权向量为T),( 由层次总排序公式 )1(  kkjk aBa 可得 654321 ,, BBBBBB 的综合影响力权重系数向量为 )0 8 5 ,2 0 9 ,3 7 2 ,0 4 2 ,1 0 4 ,1 8 6 (。 其结果的图形表示如下： 表 6 六大媒体 综合影响力权重系数向量 综合影响力 评估 在确定了两大类媒体的六个知名媒体的权重和他们所体 现的世博影响力数据之后，我们从媒体角度定量分析上海世博的影响力（用 I表示）： I=ii iIB61， I 的计算值为 ，说明中国的影响力由于世博提升了五分之一左右，进而说明世博的影响力是巨大的。 模型 的 评价 模型 1 优点： 定量分析影响力没有数学上确定的计算方法，而影响力也包括了社会的方方面面，很难定量来评价。 在模型的建立过程中我们着重从“影响力”这个关 键词入手深入分析。 采用媒体这个侧面来分析影响力，因为媒体是采集和发布信息的主要载体，其覆盖面广泛并且传播力强。 在众多媒体中，我们采用了传统的媒体和现代媒体两方面并选取世界最知名的媒体来收集数据，因为这两大媒体在现代社会是并存的，这样保证了数据的全面性和可靠性。 数据采集采用先进的文本挖掘和互联网数据查询技术，以此获得大量的可用数据。 缺点： 媒体个数众多，数据海量，由于时间和精力的有限性，获得的数据的覆盖面还是不能完全达到要求。 另一方面，文本挖掘的工具不够先进，掌握的技术有限，因此数据的挖掘过程进行的 不彻底，数据的可靠性会受到一定的影响。 模型 2 优点： 1 系统性 ： 把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策 ，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。 2 实用性 ： 把定性和定量方法结合起来，能处理许多用传统的最优化技术无法着手六大 媒体 时 代 周 刊 亚 洲 新 闻 德 国 时 代 新 闻 纽 约 时 报 泰 晤 士 报 读 卖 新 闻 权重 14 的实际问题，应用范围很广，同时，这种方法使得决策者与决策分析者能够相互沟通，决策者甚至可以直接应用它，这就增加了决策的有效性。 3 简洁性 ： 具有中等文化程度的人即可以了解层次分析法的基本原理并掌握该法的基本步骤，计算也非常简便，并且 所得结果简单明确，容易被决策者了解和掌握。 缺点： 1 只能 在现有的法案中确定其权重 ，没有办法得出更好的新方案。 2 该法中的比较、判断以及结果的计算过程都是粗糙的，不适用于精度较高的问题。 3 虽然对构建对比矩阵的方法有所改进 ， 但是 人主观因素对整个过程的影响 还是比较 大，这就使得结果难以让所有的决策者接受。 参考文献 [1] 夏幼明 ， 解敏 ,周雯 ,数据挖掘方法分析与评价 ,云南大学学报 ， 23(2)： 716， 2020。 [2] 孙 峰，浅述数据挖掘，甘肃科技， 26(9)： 1934， 2020。 [3] 钟艳 花，余伟红，余永权， Web 文本挖掘系统及其关键技术研究， 计算机工程与应用， 2020。 [4] 纽约时报，。 [5] 泰晤士报，。 [6] 读卖新闻，。 [7] 时代周刊， 美国 ， 期 期， 2020。 [8] 德国时代周报，德国 ， 期 期， 2020。 [9] 亚洲新闻， 期 期， 2020。 [10] 李绍勤 吴琦，王大伟，基于最优传递矩阵层次分析法的改进及应用，武警工程学院学报，第 22卷第 2期 :1418,2020。 [11] 刘 鹏， 孙立涛，徐大杰，三标度法在坦克分队最优火力分配中的应用， 火力与指挥控制， 3O（ 3）： 9092， 2020。 15 附录 文章关键词提取器 对 关键词数量的统计以及 关键词 所占 权重的计算 结果。 附表 1 《时代周刊》中关键词统计及权重计算 结果 表 1月 11日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 32 2. expo 9 3. China 6 4. socialism 1 5. Chinese 1 文本词汇总数（ ijA ）： 1月 18日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 21 2. expo 6 3. China 4 4. Chinese 1 文本词汇总数（ ijA ）： 1月 25日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 29 2. China 4 3. Chinese 4 4. expo 3 文本词汇总数（ ijA ）： 2月 1日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 26 2. China 9 3. expo 3 4. socialism 1 5. Chinese 1 文本词汇总数（ ijA ）： 2月 8日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 33 16 2. expo 2 3. Chinese 1 文本词汇总数（ ijA ）： 2月 15日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 43 2. China 13 3. Chinese 3 4. expo 2 文本词汇总数（ ijA ）： 2月 22日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 58 2. China 3 3. expo 3 4. silk 1 文本词汇总数（ ijA ）： 3 月 1日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 28 2. China 3 3. expo 1 4. yuan 1 文本词汇总数（ ijA ）： 3 月 8日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 3 2. China 16 3. Chinese 12 4. expo 1 文本词汇总数（ ijA ）： 3月 15日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 32 2. expo 12 3. China 4 17 4. socialism 1 1E05 文本词汇总数（ ijA ）： 3月 22日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. China 35 2. tea 29 3. Chinese 11 4. expo 5 5. socialism 1 文本词汇总数（ ijA ）： 3月 29日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 36 2. China 12 3. expo 3 4. Chinese 1 文本词汇总数（ ijA ）： 4 月 5日 编号 关键词 数量（ ijka ） 频率 （ ijkF ） 权重（ ijkp ） 比重（ ijkw ） 1. tea 32 2. China 20 3. Chinese 5 4. expo 1 5. socialism 1。