銳評美賽2021C、D、E題 o獎論文

文章目錄

• 美賽閱讀論文筆記
• 2021 C
• 2021D
• • 簡單解讀一下題目
• 2021E

美賽閱讀論文筆記

2021 C

• 2123823
  • 假設做的非常好，通過給的參考論文，假設了隻有4-10月是蜂的活動時間，去除掉了其他資料，簡化了問題
  • 第一問，對于傳播預測，
    • 他從時間和空間上兩個角度出發，
    • 首先是把這個州劃分了很多的點
    • 在空間上，他主要是參考了一篇論文“ A PCA-based modelling technique forpredicting environmental suitability for organisms from presence records”，内容基本一樣的，他找了很多美國的資料，查閱文獻搞了一個叫環境适應性的概念，通過查找來的資料，進行因子分析，然後給每個點，打了一個環境适應性的分。并且結合地圖，說明了打分高的點的地理位置和特點，說明自己模型的正确性
    • 在時間上，計算每個月份的分布，剔除掉了确認不是的樣本，隻對陽性、未經核實、未經處理的樣本操作。
      • 他們先說明蜂是群居的，然後根據給的論文，給活躍的月份設定了更多的聚類中心
      • 使用k-means計算聚類中心和數量，然後結合GMM，GMM是一種機率式的聚類方法，可以得到出現的機率。蜂出現在不同點的機率受到該區域多個叢集中心的影響。這種效應随距離的變化曲線是正态分布的機率密度曲線
    • 然後他結合時間和空間，建構了一個組合模型
      • model1環境适應度縮放到0-1，得到一個機率分布，model2就是GMM結果的機率分布。把二者權重進行組合，比例設定為1:β，β一開始設定為1，後面β的概念還能做敏感性分析（這是我沒想到的，感覺不錯）
      • 預測的精度，按理來說應該是，做一下未來的預測的，但是他這裡選用了變異系數，通過變異系數來說明模型的精度高，（我有點明白但又不明白）
      • 整個模型上沒有牽扯不同月份間的關系，是以有亮點但是很不嚴謹，隻能說創新的比較多
  • 第二問，題目要求通過圖像和文本做分類
    • 因為陽性樣本隻有14個，資料不平衡，是以使用了一個資料增強，包括圖像翻轉和查找更多正确的圖像
    • 這篇論文裡很多的注釋是值得我們學習的

      

    • 圖像上使用了一個CNN卷積神經網絡，用AUC作為名額
    • 文本上使用了一個tf-idf，分别對詞和句子進行一個模組化，我看起來像是依托答辯，是以這部分就懶得寫了
    • 然後他給這兩個模型做了一個結合來預測，
      • 這裡都承認了說，雖然我們的語意預測很爛，但多少也是從另一個方面的看法，可以輔助提高我們圖像預測的精度
      • 然後有一點說，因為直方圖上的形狀差別很大，是以不用線形組合，用了非線性組合，emm，不明覺曆吧，或者說前面用過線性組合，換個口味。然後拟合了一下
  • 第三問，用分類分析，給可能是正面報告的排個序，也就是得得到每個報告可能是正面的機率。
    • 将第一問和第二問的模型輸出，作為這裡的輸入，然後拓展到二十八維，這是我沒見過的構造特征，感覺很神奇

    • 

    • 劃分訓練集和測試集，然後使用正則化邏輯回歸，防止過拟合，根據論文要求附上損失函數
    • 用散點圖，說明了一下測試集上跑的結果
  • 第四問
    • 未來更多報告來擴充模型
      • 引入“僞标簽”
    • 确定更新頻率
    • 看不下去了以後再看
  • 第五問
    • 确定消除
  • 總結：
    • 該論文告訴我們查閱文獻很重要，他這個環境适應性和僞标簽可以說都是查閱論文之後，創新的，内容可以跟查閱的論文很像
    • 其他CNN、羅輯回歸、線性回歸、tf-idf都是很常見的模型罷了
• 2101166
  • 假設
    • 對提供的資料和蜂的行為兩方面進行假設，可學
  • 第一問
    • 引入了種群間資源競争系數和環境友好度（目前還不知道這公式咋給出來的），建立時間步長差分方程，蒙特卡洛模拟種群遷徙。
    • 時間步長差分方程的方法概述圖畫的好

      

    • 用一個傳統的邏輯斯蒂增長曲線來測試自己模型準确性，思路不錯，可學
    • 說實話，我的評價是看不太懂，不如元胞自動機
  • 第二問
    • 第二問在摘要中壓根沒提文本，在正文裡是先上來簡單給文本長度和是否報告狀态做了一個回歸，然後方差分析發現是依托答辯，是以就不使用文本了（我感覺思路不錯，說明文本沒用，但是就拿文本長度來說事，而不是語意分析我感覺太不嚴謹，不過真正美賽時做不出來也不失為一種好方法）
    • 說明一下對不同檔案的處理方法，并對樣本不平衡進行處理
    • 對圖像處理分為特征提取和圖像分類
      • 用自動編碼器進行特征提取，（不是這個領域的，不想看，感覺直接上個CNN就完事了，難道說不降維一下，後續不能用羅輯回歸和SVM嗎），百度是資料降噪，特征提取，但沒搜到後面再接一個分類模型的例子，是以這裡暫時不可學
      • 然後圖像分類建立了邏輯回歸、SVM、CNN三個模型，對比分析，擴充文章内容，比較後選擇了CNN
    • 最後，用實際的圖像的例子來說明結果的正确性，從三個次元總結了negative圖像的特征，物種特征、主題定義、背景柔和度
  • 第三問
    • 他這裡報告的優先級，是另一種思路，其實是評定了不同地區報告的優先級
    • 先進行了一個根據經緯度的層級聚類（這裡經緯度求距離應該不嚴謹，得選轉成米），說明了一下聚成雞幾類的合理性，聚成五類後，通過該區域内的圖像通過上問CNN模型輸出的正機率，來決定出優先級最高的區域
  • 第四問
    • 至于更新，就是設定不同的更新名額間隔，比較性能吧，然後選出最好的更新時間
      • 更新時間是通過設定多個時間，來計算模型的loss和精準度，然後三次樣條內插補點補全資料，他這裡定義的模型更新最佳時間是與時變函數（自動編碼器的loss曲線和CNN的精度）的導數極值相對應的橫坐标，（他意思是分類精度下降最快的時候更新，有點道理但不多的樣子）
      • 再解釋一下更新方法，就是将新的處理過的資料放進去
  • 總結
    • 總的來說，這篇論文相比上篇不算太創新，更多的是計算機視覺方面的功底，用的模型和方法，比上篇更容易懂，思路是不錯的，比較簡單
    • 這篇的可視化做的真的不錯，工作圖挺好看的，拿o獎一半功勞在可視化上。
• 2101587
  • 第一問
    • 從分析蜂的習性入手，不錯的角度，蜂後和蜂後，蜂後在的地方就是巢，分析蜂後的分布和地理（更喜歡在城郊、山坡而不是平原，最後用高程資料代替）
    • 然後他給了一個AHP，是自己打的分，太撈了，就不看這部分了（不是說方法不好，隻能說太不嚴謹，也隻能在美賽論文裡看到，不過這塊哥們也複現不了，罷了罷了）
  • 第二問
    • 他這裡實際上做了一個多分類，我感覺沒有必要
    • 樣本不均衡的處理是網上下載下傳圖檔
  • 第三問
    • 他這裡是根據地理距離，來将報告分為三個組别，每個組别有不同的計算方法
    • 與positive點越遠的地方越看重圖像識别的結果，越近的地方越看重蜂遷徙模型和地理模型的結果，挺不錯的思路，可學
  • 第四問
    • 更新，有點撈，沒有任何模型，純國文模組化
  • 總結：
    • 這篇感覺第三問有亮點，emm，整體來說不太嚴謹，比較偏向地理，而且參考的論文不如前兩篇多。展示了自己的工作量，但是部分還在說自己的模型結果不是很好，emm，可能美賽看重的就是創新和排版吧，結果不重要

2021D

簡單解讀一下題目

四個資料檔案

1. influence_data.csv
   • 不同的藝術家、流派以及他們互相之間影響的關系
2. full_music_data.csv
   • 全部的音樂，包含作者、音樂的特征，時間
3. data _by_artist.csv
   • 某個藝術家音樂的特征
4. data_by_year.csv
   • 某一年音樂的特征

• 第一問
  • 分析不同音樂家之間的影響關系，要對影響程度進行量化
  • 第一種方法：馬爾可夫鍊方法
    • 可以根據影響關系得到一個矩陣，有關系為1沒關系為0，把它當作狀态轉移矩陣，反應了不同節點之間的轉移機率，隻要求出穩定解，就可以得到各節點影響程度的相對重要程度
  • 第二種方法：循環比賽排名
    • i影響了j，就相當于i勝了j
    • 每次循環是計算，把j影響别人的分加到i頭上，不停疊代，名次排名會趨于穩定，可将較高的排名作為依據
    • 很像谷歌的PageRank算法（其實知道啥時候該調用啥算法就行了）
  • 根據題目要求還可以探讨一些圖的典型特征
    • 節點的度：反應follower數量
    • 變異系數：把每個節點的度序列彙在一起，求變異系數，反應平均波動程度，數值越大，反應各影響者差異就越大。還可以分流派做
    • 網絡最大半徑R
    • 比如這樣

      

• 第二問
  • 對藝術家的相似性進行度量，分析流派内和流派間
  • 首先對藝術家特征歸一化
  • 然後求兩個藝術家之間的相似性，就可以用将藝術家之間的特征向量，做cos，或者求相關系數啥的，都可以
  • 然後是流派内和流派間的相似性
    • 定義流派内的相似性，就是該流派内所有藝術家之間求相似性，然後求平均
    • 定義流派間的相似性，就是該流派間所有藝術家之間求相似性，然後求平均

    • 

    • 這是流派間的，在論文中可以把所有的都畫出來，然後以熱力圖的方式展現，學習一手o獎論文中對應的排版和配圖
    • 結論顯然會是流派内的相似性強于流派間的
• 第三問，小問比較多
  • 探索流派之間的關系
    • 流派間的相似性其實就是某種關系了，可以反應距離的大小，于是我們便可以想到在此基礎上做一個聚類，越先被聚類的關聯性越高，單獨分為一個類别的與其他的關聯性不高
  • 探索差別流派的名額
    • 考察每個特征，考察不同流派在該特征上的差異。我認為可以直接用一個獨立樣本t檢驗，然後他這裡給的方法也可以。選取典型的幾個在論文裡展示就行

      

    • 對那些差異大的特征，将作為流派的差別特征。同時考察同一流派内，音樂特征随時間的變化特性。
  • 對某一流派對其他流派的影響
    • 主要考察該流派擁有其他流派的追随者人數或比例。
    • 第一個公式應該分母還要加一個西格瑪1到20

      

• 第四問
  • 影響者和追随者之間的相似性名額
  • 證明影響者和跟随者之間相關
    • 求出每個藝術家，跟其追随者的相關性，取其平均值。然後求所有藝術家的這個值的平均值
  • 影響追随，傳染性強的名額
    • 也跟上面差不多
    • 還可以考慮按年代來
• 第五問
  • 表征音樂進化程度的特征
    • 每個流派内，算出不同年代間特征的平均值差異，然後求出最大值，就可以得到每個特征的最大差異值，然後比較哪個特征的最大差異值最大（可能有點繞，還是數學公式清楚）。就可以得到哪個特征是流派進化的代表
  • 藝術家代表的革命者
    • 第一問已經做了一個影響力分析了，那個是根據圖的，這裡可以換一種。這裡要做一個排名，是以先需要有名額，名額可以選取比如他的追随者的人數，以及他影響的流派數，做歸一化後，可以将這兩個相乘做合成。

    • 

    • 還可以劃定一個門檻值，說明前百分之10是革命者
• 第六問
  • 探索各流派随着時間的影響力
    • 比如做出每個流派的人數随着時間的變化的折線圖
  • 動态名額

    • 

    • 歐幾裡得距離

    • 

    • 相同流派與最初的音樂特征差異越來越大
  • [擴充]由于data_by_year中有一個popularity，是以可以做一個回歸分析，探索哪個特征跟popularity關系最大
• 第七問
  • 探索社會環境影響音樂
  • 分析一下流派總個數與藝術家總人數、不同流派藝術家人數随着時間的變化，然後用政治、經濟去解釋這種現象

    

  • 還可以分析一下歌名，提取高頻詞，分析一下不同年代高頻詞的不同

    

• 敏感性分析
  • 敏感性分析就是自變量變化個5%，看總體
  • 這裡能做敏感性分析的不多
  • 一個是可以删除一年的資料，然後比如計算一下第二問的名額，流派内的流派間的都可以做

    

  • 當然，删掉一部分影響大的革命者，之類的也是行，反正就是天馬行空的，
• 2106028
  • 第一問
    • 因為是排名，然後就做成了一個評價問題
    • 選取了五種名額，使用熵權法
      • 前兩個是參考網絡中計算節點重要性的一些名額[節點中心性]；第三個是參考文獻的，代表了影響的深度；第四和五個應該是自己定義的，分别代表了影響的人數和流派數
      • 介數中心性,還做了一下歸一化
      • 特征向量中心度
      • 三度影響，用廣度優先搜尋BFS一級一級計算
      • 追随者忠誠度，每個人忠誠度是1，平均配置設定給影響他的人
      • 影響流派多樣性
    • 名額主要是從網絡裡抽象出來具有現實意義的名額，作者總結前四個名額反映了網絡的拓撲結構，最後一個名額反映影響類型
    • 然後用熵權法計算權重，并給出了排名靠前的一些人的名額
    • 最後還需要用一個子網絡來展示，并揭示音樂影響力在其中的怎麼展現的
      • 用BFS抽出一層三級網絡
      • 然後解釋一下前面的名額的意義（個人感覺這裡應該做一個可視化，不然抽出子網絡抽了個寂寞）
  • 第二問
    • 音樂相似性度量，本文認為特征之間有相似性，就先做了一手特征之間的相關性分析，然後做因子分析消除多重共線性。
    • 在可視化方面，特征間相關性分析是熱力圖形式，然後為了展示不同流派在特征上的不同，選取3個特征（其實2個也行，三個看着進階），每個音樂家選第一首歌作為一個點，在三維上初步展示不同流派間的差異。

      

    • 最後用餘弦相似性計算，再用一個熱力圖表示不同流派之間的相似性大小。
    • 其實這裡沒有太多說明流派内的相似性比流派間的強，就3d圖展示了一下
  • 第三問
    • 本文分為兩部分，第一部分是承接上文的相似性來說明流派間的關系，第二部分是利用音樂特征名額
    • 第一部分
      • 先闡述一下流派内相似性肯定高，然後探索流派間相似性
      • 利用前面提過的忠誠度的概念，加起來計算整個流派對另一個流派的忠誠度，一個流派是一個點了這裡，然後計算他們相連的邊權重，這裡可視化做的不錯，用線的寬度和顔色表示相似性和源流派

        

    • 第二部分
      • 挖掘每個流派的重要特征，提出三種方法
        • 低方差特征，同一流派内方差越小的特征，有可能更能代表流派
        • 分析法，從前面的3d圖那樣分析流派特點
        • 極端值檢測，用小提琴圖來檢查某些流派會不會在某些特征上有異常值

          

        • 結合舉的例子進行一些闡述
    • 第三部分
      • 流派的演化，牽扯到跟時間的關系
      • 這裡分為三個小部分，流派内藝術家人數、作品數、某些音樂特征的變化
      • 這裡是隻抽取了五個流派進行展示（不展現全部的In particular, we select several genres and plot a trend chart of the numberof musicians in the genres as is shown in Figure）這樣看起來比較清爽，可學
      • 然後全是簡單的折線圖配上很多文字的解釋

        

  • 第四問
    • 證明追随者被影響者影響了，本文的角度是證明二者的相關關系比随便拉兩個随機的藝術家要強，使用假設檢驗
    • 因為美賽太開放了，很多都要自己定義和簡化，于是這裡就先Definition相似性，這裡定義的是餘弦相似度
    • 然後寫明步驟
      • 選取特征
      • 分組
      • 檢驗是否正态分布，是就用皮爾遜，不是就用斯皮爾曼
      • 嘎嘎算，循環，對比結果
    • 可視化+說明結論
  • 第五問
    • 音樂進化的标志和代表人物
      • 第一部分 标志
        • 他這裡借用了金融股票裡的均線和布林帶概念，對于三個提取的因子，如果均線快速突破布林帶，則意味重大變革

          

      • 第二部分 代表人物
        • 在前面的時間段裡，找到音樂家的某因子時間序列，和該因子平均值的時間序列，對兩者求時間序列的相關性，如果約等于1，則可以說明
  • 第六問沒做好，前半問沒做，估計是比賽比的昏昏沉沉了，第七問全是字，懶得看了。
  • 敏感性分析
    • 在ma和布林帶那裡，調整了一下滑動視窗的長度，發現還是差不多結論，說明正确
    • 前面計算誰是革命者的時候設定了一個門檻值，修改門檻值，檢視結果

2021E

• 摘自别人的

11.在論文2102057中，完整性非常值得學習，比如有敏感度分析，優缺點，推廣性，讨論這些流程。顔色搭配圖表的做法值得我們學習，目錄的排版風格也值得學習，摘要過程中将結果描述清楚的做法也值得學習，假設中有幾個基本假設基本每個模型都會用到，一定要借鑒來。排版非常好，排版風格應該模仿，關于小标題的起名，要突出模型，不能單調乏味。模組化部分主要用到了邏輯增長這一簡單模型。考慮比較到位，但是也承認了一些不足，模型反複描述，反複提到的寫法值得學習，這樣做描述也就更清楚了。對于公式的把握很好，解釋具體變量含義以及整體用法，然後假設在特定時間再次提到相關的假設。表格呈現大規模結果的形式很好，我的想法是是否能畫圖呈現結果更加生動形象。這篇論文給我最大感觸就是對于模型結論的描述，應該得出盡可能多的結論，這是很重要的一點，然後如果結論分開得出最後還可以綜述在一個表格中，結論的描述至關重要！總之，這是一篇排版，模型以及論文寫作都非常好的一篇O獎論文！

12.在論文2113869中，學到了bp神經網絡用于預測和Dijkstra的用法及叙述過程，叙述問題一定很完整，要能切實解決實際問題。這篇論文在我看來一般，但卻是一篇O獎論文，是以隻要叙述問題完整，建立模型能實際解決問題，結果分析到位，就是一篇很好的論文！

(BP神經網絡，Dijkstra)

13.在論文2119031中，用到了熵權法，多目标優化的遺傳算法求解，這部分的描述以及思路值得學習，這篇論文我認為排版上最好的一點是每次寫完公式後，在公式後都分點描述清楚了每個變量，看着很清晰，值得學習！

（熵權法，多目标優化遺傳算法）

14.在論文2119893中，使用了随機過程模拟突發情況，并測量可能帶來的影響，泊松分布用來度量給定時期内自然災害的發生頻率。一年内的災害數量遵循泊松分布。随後用到了模糊綜合評價的一些知識，對于名額的最大最小中間正态的處理過程也是描述的非常清晰合理，很值得學習！熵權法的過程也很好。關于組合賦權的描述也很清楚，值得借鑒！

（随機過程，泊松分布，熵權法，模糊綜合評價）

15.在論文2122175中，對于名額的描述非常到位，同時再次看到了名額的樹狀圖，這很值得借鑒。熵權法和變異系數法的名額處理再次被用到，還是學習語言描述。粒子群算法結合灰色預測的算法是一個很好的創新點。模型描述過程也值得借鑒。

（熵權法，變異系數法，灰色預測結合粒子群）

16.在論文2102185中，主要是topsis算法，國文模組化的比例極大，在國文模組化方面，也有很多值得我們研究的地方，比如說，國文的描述，作為一道政策題，政策的描述非常重要，一定要描述的盡可能的詳細，描述出政策是什麼，實施政策的影響，為什麼實施政策，實施政策的結果分析到位，以及實行政策的阻力。不得不說，國文模組化到了極緻，隻要真正解決了問題，這就是一篇很有效的論文。

（TOPSIS）

17.在論文2103649中，這篇明顯比上一篇在模型豐富度和數學上好的多，但是國文模組化要稍遜一籌，但是對于政策的上述分析依舊是到位的。模型方面，馬爾科夫鍊，資料包絡分析法都比較新奇，值得好好學習。圖表的展示也豐富，尤其是政策部分

• 2102057
  • 背景介紹添加一個小圖，生動有趣，要注意标明圖檔來源
  • 假設：最好是一句話的假設，配上後面的解釋
    • 要大膽的做出合理的假設，才能簡化問題
    • 該文提出的分别是
      • 每個人的食物消耗隻計算卡路裡和蛋白質
      • 食物的價格是穩定的
      • 二氧化碳的消耗隻計算生産過程中的，不算運輸過程的
      • 忽略極端事件，在預測食物系統發展的過程中，假設目标國家都是穩定的
      • 我們沒考慮進去的因素對整個事件影響很小
      • 我們在網站上擷取的資料精準且可靠
    • 很多都能學習
  • 這篇文章獨特的結構也是我第一次見，不是按照問題1、2、3這樣，而是自己建構了一個EEE（環境、公平、經濟）模型，從模型的基礎概念、第一個E、第二個E、第三個E、應用、靈敏度分析幾個子產品回答。沒有按問題順序答，但是回答了大部分的問題，構思巧妙
  • 環境
    • 作者看着題目中的“可持續性發展”，想到了environment
    • 然後經典選名額
      • 通過對作者論文裡給的查詢資料網站"our world in data"，搜尋食物生産對環境的一些影響，可以找到，What are the environmental impacts of food and agriculture?
      • 作者參考着選了三個溫室氣體（使用co2代表）、水體富營養化（使用氮磷值代表）、可居住地變化（土地都從森林變成了農田，減少了生物多樣性）
    • 于是，作者看着題目中“如何為了可持續性發展而優化食物系統”，默默沉思，可以在“our world in data”網站中，找到“吃肉增加二氧化碳排放”的文章，于是創新的提出“加增動物食品稅”的方法
    • 開始模組化
      • 食物結構轉換模型，設定一個國家每年人口、每天的蛋白質和卡路裡需求，直到這個國家的蛋白質、卡路裡需求能全部由植物提供為止。

      • 

      • 引入了兩個系數，這兩個系數随着時間增長，直到為1就完成， 于是借用邏輯斯蒂增長模型，來表示這兩個系數的增長函數。其max值取決不同國家國情
      • 然後是參數介紹，這部分思路簡單又精彩
        • 先講植物相關的參數（比如生産提供1000 k卡路裡的植物鏟平會産生多少co2），總共3*2(cal/pro)
        • 然後是動物的，也是6種
        • 其中，比如植物生産是由大豆、青菜、玉米之類的按某種權重算起來的（因為資料找到的是給某種特定植物的co2量）
        • 最後就可以根據每年生産的植物量/動物量*對應的消耗，算出三個方面的值了（氣體、水污染、土地），帶入資料即能算出執行個體
  • 公平
    • 從食品過剩的地方轉食物到缺的地方
    • 是建立了一個微分方程
    • 不知道是參考什麼搞出來的，可學
  • 經濟
    • 分糧食、勞動力、土地三方面（公式後補充西格瑪符号），等于産量*成本
    • 然後算了一個受益
    • 最後算了一個利潤=受益-成本
    • 還要算上稅
  • 應用
    • 一看圖表就像編的，但是要說明其合理性
    • 在正文裡帶上顔色，對應圖裡的線顔色
  • 總結：
    • 本篇勝在模型足夠出彩，配圖較少
• 2122175
  • 食物系統
    • 先分析食物系統的活動流程：生産、加工、配置設定、消費和浪費
    • 然後确定評價食物系統的名額（包括食物供應、食物擷取、食物利用和環境、社會經濟五個方面），具體有
      • 供應
        • 土地利用和農業勞工數構成糧食生産指數
        • 運輸
        • 食物進口
      • 擷取
        • 糧食不安全的人口比率
        • IDA resource allocation index
        • corruption percep-tion Index
        • 食物偏好，這裡用了宗教偏好來表示 Freedom of religion Index (IDEA)
      • 利用
        • 營養不良率
        • 糧食安全：安全飲用水人口比例和使用安全衛生設施人口比例
      • 環境
        • 水資源
        • 森林
        • 溫室氣體
      • 社會經濟
        • GDP
        • 就業人口比例
    • 确定名額間權重
      • 小名額合成大名額
        • 用熵權法
      • 然後大名額之間用變異系數法
      • 說實話，兩個方法思想基本一樣，emm多此一舉，我感覺要是能找到好的文獻參考的話，大名額之間用AHP算權重更好
    • 給了一個最後各個名額權重的表，給了一個世界範圍的饑餓指數圖和綜合指數圖。說明了自己建立的綜合名額，能夠更好的評價一個國家的食物系統，考慮了更多因素，比饑餓環境好
    • 然後建立了一個食物系統進化的名額（包括系統複原力、盈利能力、效率、公平、可持續性五個方面）
      • 複原力
        • 參考一篇論文，https://sci-hub.st/https://doi.org/10.1080/10440046.2012.746767，叽裡呱啦從論文裡抄，講了一堆概念，然後說将這個思想應用到我們這個過程，
        • 然後選取了極端事件的頻率（FE）、食物多樣性（FD）、财富水準（WL）和政府效率（GE）
      • 盈利能力
        • 這裡說範圍太廣了，就狹義化巴拉巴拉（美賽确實需要簡化）
        • Local prices(LP), Labor costs(LC), Transportation facilities(TF), Advertising(AD), agricultureland(AL)
      • 效率
        • 運輸模式和消費方式
        • 消費方式這裡是設定了一個系數，顯然可以靈敏度分析
      • 公平
        • 運輸模式
        • 腐敗感覺指數，反應政府做正确決策的可能性
        • 目前公平
        • 未來公平
      • 可持續性
        • 安全、穩定、生态
      • 這裡盈利和效率在權重計算公式最後，分别加了一個r，用來表示緊急事件的影響，可以用來靈敏度分析，豐富内容
      • 公平、可持續性是第一問要求的，其他可能自己想可能參考文獻然後抄抄的
  • 搞了半天，在建立了綜合評價模型和五個優化名額之後，才開始回答問題
  • 嘶，然後他所謂的優化就是按公平和可持續性各占百分之五十，重新算了一下熵權法，比較一下與前面系數的不同？，有點撈
  • 然後分析效益和成本
  • 然後應用，用了一手基于粒子群優化的灰色預測，對兩個國家的系統指數進行了一個預測，我感覺是啥也沒有，純編
  • 适應性和擴充性更多的是國文模組化
  • 提出意見