2023 研究生数学建模竞赛（B题）建模秘籍&文章代码思路大全

铛铛！小秘籍来咯！
进阶版已来！小秘籍团队20+人联手打造的精华内容，有需求的同学可以点击以下链接了解～
（进阶版）2023 数学建模高教社杯 研赛（B题）建模秘籍&文章代码思路大全
小秘籍希望大家都能轻松建模呀，研赛也会持续给大家放松思路滴~
抓紧小秘籍，我们出发吧~
来看看研赛B题的题目~
 

 
B思路+代码
问题重述

问题1：降低硬件复杂度
在约束1下，优化DFT矩阵的分解，以最小化误差（RMSE）并减少乘法器的数量。问题2：限制元素实部和虚部取值范围
在约束2下，优化DFT矩阵的分解，以最小化误差并考虑元素实部和虚部的取值范围。问题3：同时限制稀疏性和取值范围
在同时满足约束1和2的条件下，优化DFT矩阵的分解，以最小化误差和硬件复杂度。问题4：研究其他矩阵的分解方案
考虑多个DFT矩阵和非DFT矩阵的乘积，再次在约束1和2下优化分解，以最小化误差和硬件复杂度。问题5：加入精度限制
在问题3的基础上，要求将精度限制在0.1以内（RMSE≤0.1），再次优化分解方案，以最小化硬件复杂度。
问题一

问题1的目标是降低硬件复杂度，通过优化DFT矩阵的分解，以最小化误差（RMSE）并减少乘法器的数量。我们可以通过以下建模思路来解决问题1：
首先，定义一些变量和参数：
● 设 N 为 DFT 矩阵的维度。
● 定义 DFT 矩阵为 (\mathbf{F})，它是一个大小为 N × N 的复数矩阵。
● 定义 K 个矩阵分解后的矩阵为 (\mathbf{M}_1, \mathbf{M}_2, \ldots, \mathbf{M}_K)，每个 (\mathbf{M}_i) 是大小为 N × N 的矩阵。
● 定义 (\alpha_i) 为矩阵 (\mathbf{M}_i) 中的实值缩放因子，用于调整误差。
● 定义 (q) 为乘法器的复杂度，它与乘法器的设计和输入数据的位宽相关。
接下来，我们可以建立一个数学模型，优化目标是最小化误差，并约束硬件复杂度：
最小化目标函数：
\text{Minimize } \text{RMSE} = \sqrt{\frac{1}{N^2}\sum_{i,j}|\mathbf{F}_{ij} - \left(\sum_{k=1}^{K}\alpha_k\mathbf{M}_{ki}\mathbf{M}_{kj}\right)|^2}Minimize RMSE=N21 ∑i,j ∣Fij −(∑k=1K αk Mki Mkj )∣2
这里，RMSE 是均方根误差，用于衡量原始 DFT 矩阵与分解后矩阵之间的误差。
约束条件：
1.  每个矩阵 \mathbf{M}_iMi  的每行至多只有 2 个非零元素。
2.  硬件复杂度 (C) 受乘法器数量 (L) 影响，即 C = L \cdot qC=L⋅q。
3.  矩阵元素的取值范围没有特定限制。
然后，通过使用数学优化方法，例如线性规划或整数规划，可以求解上述目标函数和约束条件，以找到最佳的分解方案，即找到合适的矩阵 (\mathbf{M}_iMi ) 和缩放因子 (\alpha_iαi ) 来最小化 RMSE 并减少乘法器数量 (L)。
请注意，具体的优化算法和求解方法将取决于问题的具体参数和约束条件。您可以使用优化软件包（如Python的SciPy库）来实现并求解这个数学模型。
import numpy as np
from scipy.optimize import minimize

# 定义 DFT 矩阵的维度 N
N = 8 # 这里以 N=8 为例

# 定义 DFT 矩阵
F = np.fft.fft(np.eye(N))

# 定义目标函数：RMSE
def objective_function(x):
    alpha = x[:K] # 前 K 个参数是缩放因子 alpha
    M = x[K:].reshape((K, N, N)) # 后面的参数是矩阵 M

# 计算分解后的矩阵
    reconstructed_F = np.sum(alpha[i] * np.dot(M[i], M[i].T.conj()) for i in range(K), axis=0)

# 计算 RMSE
    rmse = np.sqrt(np.mean(np.abs(F - reconstructed_F)**2))
return rmse

# 定义约束条件：每个矩阵 M_i 的每行至多只有 2 个非零元素
def constraint1(x):
    M = x[K:].reshape((K, N, N))
return np.sum(np.abs(M) > 0.001, axis=(1, 2)) - 2 # 0.001 是一个小的阈值，用于定义非零元素

问题二

问题2的目标是通过限制DFT矩阵元素的实部和虚部的取值范围来减少硬件复杂度。下面是问题2的具体建模思路：
首先，定义一些变量和参数：
● 设 N 为 DFT 矩阵的维度。
● 定义 DFT 矩阵为 (\mathbf{F}F)，它是一个大小为 N × N 的复数矩阵。
● 定义 K 个矩阵分解后的矩阵为 (\mathbf{M}_1, \mathbf{M}_2, \ldots, \mathbf{M}_KM1 ,M2 ,…,MK )，每个 \mathbf{M}_iMi 是大小为 N × N 的矩阵。
● 定义 (\alpha_i) 为矩阵 (\mathbf{M}_i) 中的实值缩放因子，用于调整误差。
● 定义 (q) 为乘法器的复杂度，它与乘法器的设计和输入数据的位宽相关。
● 定义 (a) 和 (b) 为实部和虚部的取值范围，例如 a \leq \text{Re}(\mathbf{F}_{ij}) \leq ba≤Re(Fij )≤b) 和 (a \leq \text{Im}(\mathbf{F}_{ij}) \leq ba≤Im(Fij )≤b。
接下来，我们可以建立一个数学模型，优化目标是最小化误差，并约束实部和虚部的取值范围：
最小化目标函数：
text{Minimize } \text{RMSE} = \sqrt{\frac{1}{N^2}\sum_{i,j}|\mathbf{F}_{ij} - \left(\sum_{k=1}^{K}\alpha_k\mathbf{M}_{ki}\mathbf{M}_{kj}\right)|^2}textMinimizeRMSE=N21 ∑i,j ∣Fij −(∑k=1K αk Mki Mkj )∣2
这是与问题1相同的目标函数，用于最小化RMSE。
约束条件：
1.  每个矩阵 (\mathbf{M}_i) 的每行至多只有 2 个非零元素。
2.  限制矩阵元素的实部和虚部取值范围：(a \leq \text{Re}(\mathbf{M}_{ij}) \leq ba≤Re(Mij )≤b) 和 (a \leq \text{Im}(\mathbf{M}_{ij}) \leq ba≤Im(Mij )≤b)。
然后，通过使用数学优化方法，例如线性规划或整数规划，可以求解上述目标函数和约束条件，以找到最佳的分解方案，即找到合适的矩阵 (\mathbf{M}_iMi ) 和缩放因子 \alpha_iαi  来最小化RMSE并满足实部和虚部的取值范围约束。
同样，注意具体的问题参数和约束条件可能需要根据您的需求进行调整。您可以使用优化软件包（如Python的SciPy库）来实现并求解这个数学模型。
import numpy as np
from scipy.optimize import minimize

# 定义 DFT 矩阵的维度 N
N = 8 # 这里以 N=8 为例

# 定义 DFT 矩阵
F = np.fft.fft(np.eye(N))

# 定义目标函数：RMSE
def objective_function(x):
    alpha = x[:K] # 前 K 个参数是缩放因子 alpha
    M = x[K:].reshape((K, N, N)) # 后面的参数是矩阵 M

# 计算分解后的矩阵
    reconstructed_F = np.sum(alpha[i] * np.dot(M[i], M[i].T.conj()) for i in range(K), axis=0)

# 计算 RMSE
    rmse = np.sqrt(np.mean(np.abs(F - reconstructed_F)**2))
return rmse

# 定义约束条件：每个矩阵 M_i 的每行至多只有 2 个非零元素
def constraint1(x):
    M = x[K:].reshape((K, N, N))
return np.sum(np.abs(M) > 0.001, axis=(1, 2)) - 2 # 0.001 是一个小的阈值，用于定义非零元素

# 定义约束条件：实部和虚部的取值范围