【導(dǎo)讀】我們仔細(xì)閱讀了中國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽的競(jìng)賽規(guī)則.考文獻(xiàn)中明確列出。我們鄭重承諾，嚴(yán)格遵守競(jìng)賽規(guī)則，以保證競(jìng)賽的公正、公平性。則的行為，我們將受到嚴(yán)肅處理。然后選定某個(gè)商區(qū)為研究對(duì)象，根據(jù)問(wèn)題一中所挖掘出。的規(guī)律，計(jì)算兩次從每個(gè)看臺(tái)途經(jīng)該商區(qū)的觀眾數(shù)。在此基礎(chǔ)上，建立了描述人群途徑的商區(qū)對(duì)人群的吸引力的模型，得出了各個(gè)。商區(qū)的人均期望購(gòu)物需求，再同人流量相結(jié)合，得出了各個(gè)商區(qū)的總購(gòu)物需求值。根據(jù)1中結(jié)果，測(cè)算出圖2中20個(gè)商區(qū)的。們可以先找出每個(gè)商區(qū)在各個(gè)交通餐飲點(diǎn)的最短路。最后測(cè)算一天經(jīng)過(guò)該商區(qū)的人次即人流量。求，對(duì)每個(gè)商區(qū)的網(wǎng)點(diǎn)總量及不同類型的個(gè)數(shù)進(jìn)行決策。均是由小型商亭構(gòu)建的，主要經(jīng)營(yíng)食品，奧運(yùn)會(huì)紀(jì)念品，旅游用品和小日用品。觀眾購(gòu)買力是指一天內(nèi)經(jīng)過(guò)某商區(qū)的觀眾在該商區(qū)的消費(fèi)額，該消費(fèi)額可以通過(guò)。性別、年齡結(jié)構(gòu)有關(guān)。最后，滿足購(gòu)物需求就轉(zhuǎn)化為某商區(qū)供應(yīng)力大于等于觀眾在該商

　　

【正文】 望值。 由于到各個(gè)交通餐飲點(diǎn)的人群 存在一定的性別、年齡結(jié)構(gòu)，在每人的購(gòu)物需求上也反應(yīng)出一定的差異。 故我們利用問(wèn)題一中 挖掘出的關(guān)聯(lián)規(guī)則，選擇出了影響購(gòu)物需求較大的年齡因素，并通過(guò)統(tǒng)計(jì)得出了各個(gè)年齡段人群在各個(gè)購(gòu)物需求等級(jí)上的偏好。再利用到各個(gè)交通餐飲點(diǎn)人群的年齡結(jié)構(gòu)對(duì)其購(gòu)物需求進(jìn)行加權(quán)求解，得出了這些人群的人均期望購(gòu)物需求值。 如果通過(guò)不考慮到年齡對(duì)購(gòu)物需求的影響因素，就不能反應(yīng)出到各個(gè)交通就餐點(diǎn)的人群的購(gòu)物需求的差異。 購(gòu)買概率的提出是以不同商區(qū)對(duì)觀眾的吸引程度不同為依據(jù)的。觀眾的購(gòu)買概率在人流量大的商區(qū)較大，且隨行走路程的增加而減小，所以我們假定購(gòu)買概率與一商區(qū)的人流量成正比，而與他到該商區(qū)的距離成反比。再結(jié)合不同目的群 體的購(gòu)買欲望值，得出了觀眾在各商區(qū)的總消費(fèi)額。 為了保證購(gòu)物需求，對(duì)某商區(qū)網(wǎng)點(diǎn)總的供應(yīng)力應(yīng)不小于觀眾在該區(qū)的總消費(fèi)額，再結(jié)合分布均勻和商業(yè)上贏利 （ 具體說(shuō)明見(jiàn)模型建立 ） ，保證了奧運(yùn)超市網(wǎng)點(diǎn)建立的三個(gè)基本目標(biāo)。 但本模型在滿足三個(gè)基本目標(biāo)的前提下，提出了分散度的概念，使模型結(jié)果更具有實(shí)用性。若人流量較大、網(wǎng)點(diǎn)數(shù)相對(duì)較少，觀眾需花費(fèi)較多時(shí)間排隊(duì)購(gòu)買，為了減少這一可能性，我們提出了分散度的概念，其值與網(wǎng)點(diǎn)數(shù)成正比，與一網(wǎng)點(diǎn)的規(guī)模 （ 規(guī)模越大，對(duì)人流的分散作用越差 ） 成反比，與該商區(qū)的人流量成反比。由此可見(jiàn)小網(wǎng)點(diǎn)的主要作 用的分散人流，合乎常理。 八 ．參考文獻(xiàn) [1] Jiawei Han， Micheline Kamber，數(shù)據(jù)挖掘 概念與技術(shù)，北京，機(jī)械工業(yè)出版社， [2] 龍非池，圖節(jié)點(diǎn)著色問(wèn)題中的禁忌搜索算法，成都，電子科技大學(xué)大學(xué)生學(xué)報(bào)， 2020 [3] 姜啟源，數(shù)學(xué)模型，北京，高等教育出版社， [4] 宇傳華， SPSS 與統(tǒng)計(jì)分析，北京，電子工業(yè)出版社， 九 ．附件清單 附件 1：基于 Apriori 算法的關(guān)聯(lián)分析的 MATLAB 程序 附件 2：計(jì)算網(wǎng)點(diǎn)數(shù)的禁忌搜索算法的 MATLAB 實(shí)現(xiàn) 附件 附件 1：基于 Apriori 算法的關(guān)聯(lián)分析的 MATLAB 程序 function [V1 V2]=apriori(b,min_sup) %關(guān)聯(lián)分析 b 為原始數(shù)據(jù)矩陣 min_sup 為最小支持度 (百分?jǐn)?shù) ) %V1 是頻繁 1 項(xiàng)集及其支持度 V2 是頻繁 2 項(xiàng)集及其支持度、置信度 min_sup=min_sup*size(b,1)。 n=size(b,1)。 %b 的行數(shù) c=[1:19]39。 %初始化候選集 c=scan(b,c)。 %對(duì) c 進(jìn)行掃描 返回 c 中各行對(duì)應(yīng)的關(guān)聯(lián)事件的支持度 V1=pro_V(c,1)。 %比較最小支持度 進(jìn)行裁剪 c=pro_C(V1)。 %由 V生成頻繁 2 項(xiàng)集 c=scan(b,c)。 V2=pro_V(c,min_sup)。 %對(duì)頻繁 2 項(xiàng)集進(jìn)行裁剪 V2(:,4)=V2(:,3)./n。 %第四列儲(chǔ)存支持度的百分比 %V2(:,4)=V2(:,3)./V1(:,2)。 for i=1:size(V2,1) V2(i,5)=V2(i,3)/V1(V2(i,1),2)。 %第五列儲(chǔ)存置信度 end if V2==0 sprintf(39。最小支持度 min_sup 太大，請(qǐng)重新輸 入 39。)。 end function A=scan(b,c) %對(duì)候選集 C 進(jìn)行掃描 返回其每行對(duì)應(yīng)關(guān)聯(lián)事件的支持度 b 為原始數(shù)據(jù)矩陣 n=size(b,1)。 l=size(c,2)。 for j=1:size(c,1) count=0。 for i=1:n temp=1。 for k=1:l if b(i,c(j,k))==0 temp=0。 end end if temp==1 count=count+1。 end end c(j,l+1)=count。 end A=c。 function c=pro_C(V) %由 V生成頻繁 2 項(xiàng)集 [m,n]=size(V)。 A=[1 2 0 0 0 0。3 4 5 6 0 0。 7 8 9 10 0 0。 11 12 13 0 0 0。14 15 16 17 18 19]。 c=[]。 for i=1:m for j=i+1:m c=[c。[V(i,1),V(j,1)]]。 end end function V=pro_V(c,min_sup) %比較最小支持度 進(jìn)行裁剪 for i=1:size(c,1) if c(i,size(c,2))min_sup c(i,:)=0。 end end V=[]。 for i=1:size(c,1) if c(i,:)~=0 V=[V。c(i,1:size(c,2))]。 end end 附件 2：計(jì)算網(wǎng)點(diǎn)數(shù)的禁忌搜 索算法的 MATLAB 實(shí)現(xiàn) global D0 L0 [D0 L0]=ami([7 7 10 10 13 12 15 17])。 x=[6 6 10 10 14 13 15 17]。 %初始解 taboo=zeros(5,8)。 %設(shè)置禁忌表 數(shù)據(jù)結(jié)構(gòu)為棧 s_best=x。 s_now=x。 best=x。 %從候選集中選出的最優(yōu)解、當(dāng)前解、最終解 k=0。 best_k=0。 %當(dāng)前的迭代步數(shù)、最優(yōu)解所在迭代步數(shù) while kbest_k1000 %當(dāng)?shù)綌?shù)超過(guò)最大允許迭代步數(shù)時(shí)停止運(yùn) k=k+1。 %迭代步數(shù)增加 V=proV(s_now,taboo)。 %生成當(dāng)前解的候選集 s_best=choose(V)。 %從生成的候選集中選出目標(biāo)函數(shù)評(píng)價(jià)值最小的解 taboo=renew_taboo(s_now,taboo)。 %更新禁忌表 if fx(s_best)fx(best) %當(dāng)從候選集中選出的最優(yōu)解比當(dāng)前最優(yōu)解更優(yōu) best=s_best。 best_k=k。 end s_now=s_best。 end function [D L]=ami(x) D=[]。L=0。 fenzi=0。 fenmu=0。 Q=[ ]。 for i=1:4 fenzi=fenzi+(10*x(i)+30*x(i+4))/Q(i)。 fenmu=fenmu+x(i)*30+x(i+4)*10。 end L=fenzi/fenmu。 for i=1:4 D=[D,(30*x(i)+10*x(i+4))/Q(i)]。 end D=var(D)。 function F=fx(x) %計(jì)算歸一化后的目標(biāo)函數(shù)評(píng)價(jià)值 [D L]=ami(x)。 global D0 L0 %D0 L0 是全局常量 f1=。f2=。f3=。 %目標(biāo)函數(shù)的加權(quán)系數(shù) F=f1*(DD0)/D0f2*(LL0)/L0+f3*(sum(x)100)/100。 function V=proV(s,taboo) %生成當(dāng)前解的候選集 V=zeros(144,9)。 %設(shè)置候選集 前四列儲(chǔ)存解 后一列儲(chǔ)存對(duì)應(yīng)的目標(biāo)值 h=[1,3]。 %步長(zhǎng) A=[1,0,0,0,0,0,0,0?！?0,0,0,0,0,0, 1,1。]。 %選擇矩陣 for i=1:72 V(i,1:8)=s+A(i,:)*h(1)。 V(i+16,1:8)=s+A(i,:)*h(2)。 end for i=1:144 temp1=iscon(V(i,1:8))。 temp2=istaboo(V(i,1:8),taboo)。 if temp1==1amp。amp。temp2==1 %當(dāng)此行的解滿足約束且沒(méi)有被禁忌 V(i,9)=fx(V(i,1:8))。 %算 出此解的目標(biāo)函數(shù)評(píng)價(jià)值 else V(i,:)=0。 %若不滿足約束或者被禁忌 則將此行全部設(shè)為 0 end end function bool=iscon(x) %驗(yàn)證輸入的解向量 x 是否滿足約束條件 bool=1。 %滿足為 1 c=[313 301 444 462]。 for i=1:4 if (30*x(i)+10*x(i+4))c(i)||x(i)0||x(i+4)0 bool=0。 end end function b=istaboo(x,taboo) %驗(yàn)證輸入的解向量 x 是否被禁 b=1。 %1 是沒(méi)有被禁忌 for i=1:5 if taboo(i,:)==x b=0。 end end function tab=renew_taboo(s,taboo) %更新禁忌表 %將 taboo 后四行依次上移一行 將 s 加入 taboo 最后一行 taboo 第一行溢出 for i=1:4 tab(i,:)=taboo(i+1,:)。 %將 taboo 后四行依次上移一行 end tab(5,:)=s。 function s=choose(V) %選出候選集中目標(biāo)函數(shù)評(píng)價(jià)值最小的解 且非 0 fx0=V(1,9)。k=1。 for i=2:size(V,1) if V(i,9)~=0amp。amp。V(i,9)fx0 k=i。 fx0=V(i,9)。 end end s=V(k,1:8)