一、数学建模题： 沿长江大露营 到Big Long River（225英里）游玩的游客可以享受那里的风景和振奋人心的急流。
百度百科也是要让付出和得到成正比的啊，这点东西给20分，真没有几个人做，除非那个人闲的无聊，而且还是高手闲的无聊，建议你到数学中国看看吧，里面可能有你要找的答案！
二、运筹学数学建模
像一个dp背包问题。
matlab来做的话：
变量：x,y,z代表物品1，2，3的数量
目标函数 ：max（x_value(x)+y_value(y)+z_value(z)）
约束条件：weight（x,y,z）<=10;x,y,z>=0
然后求解
三、2010上海海事大学第七届大学生数学建模竞赛题A题
比赛都结束了，这个貌似没什么用了，我把我们的获奖论文给你看一下。
第一次参加，又很匆忙，做的很粗糙。凑活看一下吧
（一）、第一个模型
1.用控制变量法，比较表中只有一项数据相差较大、其他数据接近的情形，得知：
总编制数与各影响因素之间为一次函数关系。
2.以n（外贸），n（危险），n（集装），n（旅客）作为自变量x1,x2,x3,x4,系数为a,b,c,d，e
海事执法人员编制数为因变量y1，海事综合管理人员编制数为y2
选择表中上述5个变量对应的数据均可获得的港口，计算外贸货物吞吐量、危险品吞吐量、旅客吞吐量3年中的平均数。得到下表：
口岸名称 外贸货物吞吐量 危险品货物吞吐量 集装箱 旅客吞吐量 海事执法人员编制数 海事综合管理人员编制数
口岸1 151525514.7 35773147.39 42 7681805.7 287 27
口岸3 204632897 59808834 86 75744777 221 44
口岸4 74558027 2105981.158 28 151643 175 62
口岸6 158127470.8 80560796.26 96 62 449 57
口岸7 77609428 6788255.216 41 53485606 140 53
口岸9 163307735.3 12864803.33 100 648600 377 113
建立海事执法人员编制数的线性回归方程y1=ax1+bx2+cx3+dx4+e，
使用matlab建立四元线性回归方程。
代码如下：
A=[151525514.7 35773147.39 42 7681805.7 1 287
204632897 59808834 86 75744777 1 221
74558027 2105981.158 28 151643 1 175
158127470.8 80560796.26 96 62 1 449
77609428 6788255.216 41 53485606 1 140
163307735.3 12864803.33 100 648600 1 377]
y=A(:,6),x=A(:,1:5)
B= REGRESS(y,x)
a=B(1),b=B(2),c=B(3),d=B(4),e=B(5)
得到系数的值：a = b =1.0144*10^(-7)， 1.2104*10^(-6)，c = 2.0277，d =—2.2311*10^(-6)，e = 139.2748
将该方程得到的数据与实际数据进行比较：
265.9699
237.8134
205.8243
447.4851
119.168
372.7352
观察可知，误差较小。因此可以认为这是一个比较合理的海事执法人员编制数的测算模型。
（二）、第二个模型
由于不可获得新开放口岸的外贸货物吞吐量，因此，将口岸设计吞吐量、集装箱设计吞吐量、危险品设计吞吐量、旅客吞吐量设为自变量，
分别设为x1，x2，x3，x4系数为a，b，c，d，e海事执法人员编制数设为y1，
数据从现有港口的数据中选取。
建立海事综合管理人员编制数的线性回归方程：y1=ax1+bx2+cx3+dx4+e
从表中获得四组
口岸名称 货物总吞吐量 危险品货物吞吐量 集装箱 旅客吞吐量 海事执法人员编制数 海事综合管理人员编制数
口岸1 2405 35773147.39 42 7681805.7 287 27
口岸3 2704 59808834 86 75744777 221 44
口岸4 951 2105981.158 28 151643 175 62
口岸6 5058 80560796.26 96 62 449 57
口岸7 991 6788255.216 41 53485606 140 53
口岸9 9085 12864803.33 100 648600 377 113
使用matlab建立四元线性回归方程y1=ax1+bx2+cx3+dx4+e，
代码如下：
A=[2405 35773147.39 42 7681805.7 1 287
2704 59808834 86 75744777 1 221
951 2105981.158 28 151643 1 175
5058 80560796.26 96 62 1 449
991 6788255.216 41 53485606 1 140
9085 12864803.33 100 648600 1 377]
y=A(:,6),x=A(:,1:5)
B= REGRESS(y,x)
a=B(1),b=B(2),c=B(3),d=B(4),e=B(5)
得到a = 0.0285，b = 2.5143*10^(-6)，c = -0.9082，d = -1.2476*10^(-6)，e =179.4612
根据此方程得到的海事执法人员总编制数：
290.2199037
234.2981675
186.2409786
438.9809327
120.807568
379.1004817
可见，此方程误差更小，约5%，因此，认为该方程可以作为新开放口岸的测算模型，
同时也可以作为问题一中所求的模型，而改进上节所求得的模型。
（三）、第三个模型
同问题二，引用下表，以货物吞吐量、危险品吞吐量、集装箱吞吐量、旅客吞吐量作为自变量，分别为x1，x2，x2，x4，系数为a、b、c、d、e
海事综合管理人员编制数为因变量y2
口岸名称 货物总吞吐量 危险品货物吞吐量 集装箱 旅客吞吐量 海事执法人员编制数 海事综合管理人员编制数
口岸1 2405 35773147.39 42 7681805.7 287 27
口岸3 2704 59808834 86 75744777 221 44
口岸4 951 2105981.158 28 151643 175 62
口岸6 5058 80560796.26 96 62 449 57
口岸7 991 6788255.216 41 53485606 140 53
口岸9 9085 12864803.33 100 648600 377 113
使用matlab建立四元线性回归方程y2=ax1+bx2+cx3+dx4+e，
代码如下：
A=[2405 35773147.39 42 7681805.7 1 27
2704 59808834 86 75744777 1 44
951 2105981.158 28 151643 1 62
5058 80560796.26 96 62 1 57
991 6788255.216 41 53485606 1 53
9085 12864803.33 100 648600 1 113]
y=A(:,6),x=A(:,1:5)
B= REGRESS(y,x)
a=B(1),b=B(2),c=B(3),d=B(4),e=B(5)
得到：a = -0.0104，b =-1.3373*10^(-6)，c =2.0858，d = -5.7464*10^(-7)，e =16.8709
由该方程得出的测算数据：
27.20879717
44.61976764
62.47943126
56.77051153
52.26939767
113.390087
与现有港口的海事综合管理人员编制数基本符合。
因此，可以作为海事综合管理人员总编制数的测算模型。
此模型合理地体现了海事监管业务工作量的大小和工作的难易程度。
四、数学建模问题 最佳旅游路线问题
1
这些地方用一个月的时间玩吧,最好是七八九十月份去（暑假），去之前最好先了解一下当地的气候以及环境，很恶劣的！
天池门票90元或100元（大约吧）、索道、区间车(上下山任选其一)35元、电瓶车(索道站-天池观景台)有5元、10元两种。天池豪华游艇50元
再加上纪念品之类的东西，大概两人要准备300~380元
达坂城古城:30元 两人60元，
去吐鲁番参观大漠土艺馆(20元)、高昌故城(门票30,驴的20元);葡萄沟(60)
任选其一去，大概要花费150元，还有就是如果去吐鲁番的话，葡萄一般是可以在交了钱后随意摘的吧？所以可以考虑带一些
楼兰古城和伊犁的话
应该是不要门票的，但是如果你要去博物馆，或者参观的话，两人大概也是200元
所以大概是要700元，往返车费啊什么的``````大概加起来是5000元吧
2
呃，先到乌鲁木齐市，然后去楼兰，吐鲁番，再去伊犁，达坂城，天池
好荒唐``````
3
第一组从新疆南部出发 若羌，且末，民丰，于田，和田，叶城，
第二组从中部出发。 哈密市，吐鲁番市，库尔勒市，轮台
第三座从北部出发 哈密市，乌鲁木奇
4
五、数学建模评价类——Topsis模型
数学建模中有一类非常常见的问题：选择最优方案，被称为评价类问题。例如：携程、美团和飞猪，三个旅游平台哪个更适合新手旅游选择？苏州、杭州、南京哪个更适合端午节出游？班里哪位同学获得奖学金等等。要做出选择，首先需要知道有哪些评价指标，继续以选择旅游地为例，可以通过知网搜索相关文章or组内头脑风暴or利用网络搜索引擎资源，得到大家选择旅游地的考虑标准：风景、人文、拥挤程度等。在每个评价指标维度给方案评分，设定总分为5。“上有天堂，下有苏杭”可以认为苏州杭州的风景很好，于是给他们5分风景分，人文上南京作为六朝古都历史底蕴浓厚给5分。这类评价问题里每个方案的得分数据都是自己根据资料给出的，更适合层次分析法。而是否获得奖学金，可以根据各科成绩来筛选，数据客观存在，就可以使用下文提到的topsis方法。
TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution） 可翻译为逼近理想解排序法，国内常简称为优劣解距离法。TOPSIS 法是一种常用的利用 原始数据 进行综合评价的方法，其基本原理，是通过检测评价对象与 最优解、最劣解 的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。以奖学金为例，假定是否获得奖学金只与语文、数学、英语这三科的成绩相关，你的成绩是80，90，100，而最好的成绩是100，100，100，最差的成绩是50，60，50。则你和最优解的距离为 ；和最劣解的距离为 。
step1：指标正向化。
具体在评价时会遇到的指标可以分成四类，①极大型指标，也称为效益型指标，数值越大越好，包括成绩、收入等②极小型指标，也称为成本型指标，数值越小越好，包括开销、死伤人数等③中间型指标，数值有一个中间的最优点，如ph值越接近7越好，血压越接近理想血压（收缩压120 mmHg,舒张压80 mmHg）越好④区间型指标，数值在一个区间内最好。如城市最优人口规模在1000到1200万之间（数字仅用来举例，无实际意义）。
根据不同类型的指标需要按照不同的公式进行正向化处理，即把所有指标转化为极大型。
极小型转化最容易，直接用max-x即可，若变量x为正数，也可直接取倒数。如开销最大是3000，x变量对应的开销为1000，转化后的值应为3000-1000=2000，或者直接取倒数为1/1000。
中间型转化公式为 以ph值为例，最优解 为7。一组数据有7，8，9三个变量，则 ， ， 。所以 。取i=2，原始数据为8，转化后位1-（8-7）/2=1/2。
区间型转化较为复杂，若{ }为一组中间型指标序列，且最佳的区间为[a,b],那么正向化的公式如下：
以人体体温为例，原始数据为35.2，35.8，36.6，37.1，37.8，38.4。最优区间为36到37，则a=36，b=37，M=max（36-35.2，38.4-37）=1.4，代入上述公式即可得到转换后的数据。
step2：正向化矩阵标准化
假设有n个要评价的对象，m个正向化的评价指标，则可以构建正向化矩阵。 为第一个对象在第二个评价指标上正向化之后的得分。
将标准化矩阵记为Z，则其中的每一个元素都等于对应矩阵X中的元素取值除以所在列元素的平方和开根号，即 。
step3：计算得分并归一化
n个评价对象，m个评价指标的标准化矩阵如下：
定义最大值为每列元素最大值的集合
定义最小值为每列元素最小值的集合
则第i个评价对象与最大值的距离为j个指标分别与最大值计算距离之后的求和：
同理，第i个评价对象与最小值的距离为j个指标分别与最小值计算距离之后的求和：
那么，第i个评价对象未归一化的得分为 ，即z与最小值的距离除以z与最大值的距离和z与最小值的距离之和。因为距离都是非负的，很明显 取值在0和1之间， 越大， 越大，即越接近最优解。
归一化之后的得分为 ,此处应满足 。
归一化和标准化本质上都是为了消去量纲的影响，结果归一化之后更容易比较大小。
得到所有方案的得分之后，建议对排序后的分数进行可视化展示，可利用excel绘制柱形图。
按照上图所示，方案5的得分最高，所以应选择方案5。
上述过程为基本topsis模型，该模型默认所有指标的权重相同，可以利用层次分析法或熵权法确定指标权重，构建带权重的topsis模型。
资料来源:
以上资料来源于b站（up主:数学建模学习交流）;seid=6343799996011307859。
感谢up主的整理，视频讲述很详细，适合新手入门哦~
六、2022年宝应教招数学笔试考什么内容
您好，根据宝应教育考试委员会的最新规定，2022年宝应教招数学笔试考试将包括以下内容：
1、数学基础知识：数学基础知识包括算术、代数、几何、概率统计等；
2、数学运算能力：考查考生的数学运算能力，如解决实际问题的能力；
3、数学推理能力：考查考生的数学推理能力，如分析解决问题的能力；
4、数学分析能力：考查考生的数学分析能力，如分析数据的能力；
5、数学应用能力：考查考生的数学应用能力，如应用数学解决实际问题的能力。
此外，宝应教育考试委员会还将考查考生的英语语言能力，包括词汇、语法、句子结构等。
