锐评美赛2021C、D、E题 o奖论文

美赛阅读论文笔记

2021 C

• 2123823

  • 假设做的非常好，通过给的参考论文，假设了只有4-10月是蜂的活动时间，去除掉了其他数据，简化了问题

  • 第一问，对于传播预测，

    • 他从时间和空间上两个角度出发，
    • 首先是把这个州划分了很多的点
    • 在空间上，他主要是参考了一篇论文“ A PCA-based modelling technique forpredicting environmental suitability for organisms from presence records”，内容基本一样的，他找了很多美国的数据，查阅文献搞了一个叫环境适应性的概念，通过查找来的数据，进行因子分析，然后给每个点，打了一个环境适应性的分。并且结合地图，说明了打分高的点的地理位置和特点，说明自己模型的正确性
    • 在时间上，计算每个月份的分布，剔除掉了确认不是的样本，只对阳性、未经核实、未经处理的样本操作。
      • 他们先说明蜂是群居的，然后根据给的论文，给活跃的月份设置了更多的聚类中心
      • 使用k-means计算聚类中心和数量，然后结合GMM，GMM是一种概率式的聚类方法，可以得到出现的概率。蜂出现在不同点的概率受到该区域多个集群中心的影响。这种效应随距离的变化曲线是正态分布的概率密度曲线
    • 然后他结合时间和空间，构建了一个组合模型
      • model1环境适应度缩放到0-1，得到一个概率分布，model2就是GMM结果的概率分布。把二者加权进行组合，比例设置为1:β，β一开始设置为1，后面β的概念还能做敏感性分析（这是我没想到的，感觉不错）
      • 预测的精度，按理来说应该是，做一下未来的预测的，但是他这里选用了变异系数，通过变异系数来说明模型的精度高，（我有点明白但又不明白）
      • 整个模型上没有牵扯不同月份间的关系，所以有亮点但是很不严谨，只能说创新的比较多

  • 第二问，题目要求通过图像和文本做分类

    • 因为阳性样本只有14个，数据不平衡，所以使用了一个数据增强，包括图像翻转和查找更多正确的图像

    • 这篇论文里很多的注释是值得我们学习的

    • 图像上使用了一个CNN卷积神经网络，用AUC作为指标

    • 文本上使用了一个tf-idf，分别对词和句子进行一个建模，我看起来像是依托答辩，所以这部分就懒得写了

    • 然后他给这两个模型做了一个结合来预测，

      • 这里都承认了说，虽然我们的语意预测很烂，但多少也是从另一个方面的看法，可以辅助提高我们图像预测的精度
      • 然后有一点说，因为直方图上的形状区别很大，所以不用线形组合，用了非线性组合，emm，不明觉历吧，或者说前面用过线性组合，换个口味。然后拟合了一下

  • 第三问，用分类分析，给可能是正面报告的排个序，也就是得得到每个报告可能是正面的概率。

    • 将第一问和第二问的模型输出，作为这里的输入，然后拓展到二十八维，这是我没见过的构造特征，感觉很神奇
    • 
    • 划分训练集和测试集，然后使用正则化逻辑回归，防止过拟合，根据论文要求附上损失函数
    • 用散点图，说明了一下测试集上跑的结果

  • 第四问

    • 未来更多报告来扩充模型
      • 引入“伪标签”
    • 确定更新频率
    • 看不下去了以后再看

  • 第五问

    • 确定消除

  • 总结：

    • 该论文告诉我们查阅文献很重要，他这个环境适应性和伪标签可以说都是查阅论文之后，创新的，内容可以跟查阅的论文很像
    • 其他CNN、罗辑回归、线性回归、tf-idf都是很常见的模型罢了

• 2101166

  • 假设
    • 对提供的数据和蜂的行为两方面进行假设，可学
  • 第一问
    • 引入了种群间资源竞争系数和环境友好度（目前还不知道这公式咋给出来的），建立时间步长差分方程，蒙特卡洛模拟种群迁徙。
    • 时间步长差分方程的方法概述图画的好
    • 用一个传统的逻辑斯蒂增长曲线来测试自己模型准确性，思路不错，可学
    • 说实话，我的评价是看不太懂，不如元胞自动机
  • 第二问
    • 第二问在摘要中压根没提文本，在正文里是先上来简单给文本长度和是否报告状态做了一个回归，然后方差分析发现是依托答辩，所以就不使用文本了（我感觉思路不错，说明文本没用，但是就拿文本长度来说事，而不是语意分析我感觉太不严谨，不过真正美赛时做不出来也不失为一种好方法）
    • 说明一下对不同文件的处理方法，并对样本不平衡进行处理
    • 对图像处理分为特征提取和图像分类
      • 用自动编码器进行特征提取，（不是这个领域的，不想看，感觉直接上个CNN就完事了，难道说不降维一下，后续不能用罗辑回归和SVM吗），百度是数据降噪，特征提取，但没搜到后面再接一个分类模型的例子，所以这里暂时不可学
      • 然后图像分类建立了逻辑回归、SVM、CNN三个模型，对比分析，扩充文章内容，比较后选择了CNN
    • 最后，用实际的图像的例子来说明结果的正确性，从三个维度总结了negative图像的特征，物种特征、主题定义、背景柔和度
  • 第三问
    • 他这里报告的优先级，是另一种思路，其实是评定了不同地区报告的优先级
    • 先进行了一个根据经纬度的层级聚类（这里经纬度求距离应该不严谨，得选转成米），说明了一下聚成鸡几类的合理性，聚成五类后，通过该区域内的图像通过上问CNN模型输出的正概率，来决定出优先级最高的区域
  • 第四问
    • 至于更新，就是设置不同的更新指标间隔，比较性能吧，然后选出最好的更新时间
      • 更新时间是通过设置多个时间，来计算模型的loss和精准度，然后三次样条差值补全数据，他这里定义的模型更新最佳时间是与时变函数（自动编码器的loss曲线和CNN的精度）的导数极值相对应的横坐标，（他意思是分类精度下降最快的时候更新，有点道理但不多的样子）
      • 再解释一下更新方法，就是将新的处理过的数据放进去
  • 总结
    • 总的来说，这篇论文相比上篇不算太创新，更多的是计算机视觉方面的功底，用的模型和方法，比上篇更容易懂，思路是不错的，比较简单
    • 这篇的可视化做的真的不错，工作图挺好看的，拿o奖一半功劳在可视化上。

• 2101587

  • 第一问
    • 从分析蜂的习性入手，不错的角度，蜂后和蜂后，蜂后在的地方就是巢，分析蜂后的分布和地理（更喜欢在城郊、山坡而不是平原，最后用高程数据代替）
    • 然后他给了一个AHP，是自己打的分，太捞了，就不看这部分了（不是说方法不好，只能说太不严谨，也只能在美赛论文里看到，不过这块哥们也复现不了，罢了罢了）
  • 第二问
    • 他这里实际上做了一个多分类，我感觉没有必要
    • 样本不均衡的处理是网上下载图片
  • 第三问
    • 他这里是根据地理距离，来将报告分为三个组别，每个组别有不同的计算方法
    • 与positive点越远的地方越看重图像识别的结果，越近的地方越看重蜂迁徙模型和地理模型的结果，挺不错的思路，可学
  • 第四问
    • 更新，有点捞，没有任何模型，纯语文建模
  • 总结：
    • 这篇感觉第三问有亮点，emm，整体来说不太严谨，比较偏向地理，而且参考的论文不如前两篇多。展示了自己的工作量，但是部分还在说自己的模型结果不是很好，emm，可能美赛看重的就是创新和排版吧，结果不重要

2021D

简单解读一下题目

四个数据文件

1. influence_data.csv

   • 不同的艺术家、流派以及他们互相之间影响的关系

2. full_music_data.csv

   • 全部的音乐，包含作者、音乐的特征，时间

3. data _by_artist.csv

   • 某个艺术家音乐的特征

4. data_by_year.csv

   • 某一年音乐的特征

• 第一问
  • 分析不同音乐家之间的影响关系，要对影响程度进行量化
  • 第一种方法：马尔可夫链方法
    • 可以根据影响关系得到一个矩阵，有关系为1没关系为0，把它当作状态转移矩阵，反应了不同节点之间的转移概率，只要求出稳定解，就可以得到各节点影响程度的相对重要程度
  • 第二种方法：循环比赛排名
    • i影响了j，就相当于i胜了j
    • 每次循环是计算，把j影响别人的分加到i头上，不停迭代，名次排名会趋于稳定，可将较高的排名作为依据
    • 很像谷歌的PageRank算法（其实知道啥时候该调用啥算法就行了）
  • 根据题目要求还可以探讨一些图的典型特征
    • 节点的度：反应follower数量
    • 变异系数：把每个节点的度序列汇在一起，求变异系数，反应平均波动程度，数值越大，反应各影响者差异就越大。还可以分流派做
    • 网络最大半径R
    • 比如这样
• 第二问
  • 对艺术家的相似性进行度量，分析流派内和流派间
  • 首先对艺术家特征归一化
  • 然后求两个艺术家之间的相似性，就可以用将艺术家之间的特征向量，做cos，或者求相关系数啥的，都可以
  • 然后是流派内和流派间的相似性
    • 定义流派内的相似性，就是该流派内所有艺术家之间求相似性，然后求平均
    • 定义流派间的相似性，就是该流派间所有艺术家之间求相似性，然后求平均
    • 
    • 这是流派间的，在论文中可以把所有的都画出来，然后以热力图的方式展现，学习一手o奖论文中对应的排版和配图
    • 结论显然会是流派内的相似性强于流派间的
• 第三问，小问比较多
  • 探索流派之间的关系
    • 流派间的相似性其实就是某种关系了，可以反应距离的大小，于是我们便可以想到在此基础上做一个聚类，越先被聚类的关联性越高，单独分为一个类别的与其他的关联性不高
  • 探索区别流派的指标
    • 考察每个特征，考察不同流派在该特征上的差异。我认为可以直接用一个独立样本t检验，然后他这里给的方法也可以。选取典型的几个在论文里展示就行
    • 对那些差异大的特征，将作为流派的区别特征。同时考察同一流派内，音乐特征随时间的变化特性。
  • 对某一流派对其他流派的影响
    • 主要考察该流派拥有其他流派的追随者人数或比例。
    • 第一个公式应该分母还要加一个西格玛1到20
• 第四问
  • 影响者和追随者之间的相似性指标
  • 证明影响者和跟随者之间相关
    • 求出每个艺术家，跟其追随者的相关性，取其平均值。然后求所有艺术家的这个值的平均值
  • 影响追随，传染性强的指标
    • 也跟上面差不多
    • 还可以考虑按年代来
• 第五问
  • 表征音乐进化程度的特征
    • 每个流派内，算出不同年代间特征的平均值差异，然后求出最大值，就可以得到每个特征的最大差异值，然后比较哪个特征的最大差异值最大（可能有点绕，还是数学公式清楚）。就可以得到哪个特征是流派进化的代表
  • 艺术家代表的革命者
    • 第一问已经做了一个影响力分析了，那个是根据图的，这里可以换一种。这里要做一个排名，所以先需要有指标，指标可以选取比如他的追随者的人数，以及他影响的流派数，做归一化后，可以将这两个相乘做合成。
    • 
    • 还可以划定一个阈值，说明前百分之10是革命者
• 第六问
  • 探索各流派随着时间的影响力
    • 比如做出每个流派的人数随着时间的变化的折线图
  • 动态指标
    • 
    • 欧几里得距离
    • 
    • 相同流派与最初的音乐特征差异越来越大
  • [扩充]由于data_by_year中有一个popularity，所以可以做一个回归分析，探索哪个特征跟popularity关系最大
• 第七问
  • 探索社会环境影响音乐
  • 分析一下流派总个数与艺术家总人数、不同流派艺术家人数随着时间的变化，然后用政治、经济去解释这种现象
  • 还可以分析一下歌名，提取高频词，分析一下不同年代高频词的不同
• 敏感性分析
  • 敏感性分析就是自变量变化个5%，看总体
  • 这里能做敏感性分析的不多
  • 一个是可以删除一年的数据，然后比如计算一下第二问的指标，流派内的流派间的都可以做
  • 当然，删掉一部分影响大的革命者，之类的也是行，反正就是天马行空的，
• 2106028
  • 第一问
    • 因为是排名，然后就做成了一个评价问题
    • 选取了五种指标，使用熵权法
      • 前两个是参考网络中计算节点重要性的一些指标[节点中心性]；第三个是参考文献的，代表了影响的深度；第四和五个应该是自己定义的，分别代表了影响的人数和流派数
      • 介数中心性,还做了一下归一化
      • 特征向量中心度
      • 三度影响，用广度优先搜索BFS一级一级计算
      • 追随者忠诚度，每个人忠诚度是1，平均分配给影响他的人
      • 影响流派多样性
    • 指标主要是从网络里抽象出来具有现实意义的指标，作者总结前四个指标反映了网络的拓扑结构，最后一个指标反映影响类型
    • 然后用熵权法计算权重，并给出了排名靠前的一些人的指标
    • 最后还需要用一个子网络来展示，并揭示音乐影响力在其中的怎么展现的
      • 用BFS抽出一层三级网络
      • 然后解释一下前面的指标的意义（个人感觉这里应该做一个可视化，不然抽出子网络抽了个寂寞）
  • 第二问
    • 音乐相似性度量，本文认为特征之间有相似性，就先做了一手特征之间的相关性分析，然后做因子分析消除多重共线性。
    • 在可视化方面，特征间相关性分析是热力图形式，然后为了展示不同流派在特征上的不同，选取3个特征（其实2个也行，三个看着高级），每个音乐家选第一首歌作为一个点，在三维上初步展示不同流派间的差异。
    • 最后用余弦相似性计算，再用一个热力图表示不同流派之间的相似性大小。
    • 其实这里没有太多说明流派内的相似性比流派间的强，就3d图展示了一下
  • 第三问
    • 本文分为两部分，第一部分是承接上文的相似性来说明流派间的关系，第二部分是利用音乐特征指标
    • 第一部分
      • 先阐述一下流派内相似性肯定高，然后探索流派间相似性
      • 利用前面提过的忠诚度的概念，加起来计算整个流派对另一个流派的忠诚度，一个流派是一个点了这里，然后计算他们相连的边权重，这里可视化做的不错，用线的宽度和颜色表示相似性和源流派
    • 第二部分
      • 挖掘每个流派的重要特征，提出三种方法
        • 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，从前面的3d图那样分析流派特点
        • 极端值检测，用小提琴图来检查某些流派会不会在某些特征上有异常值
        • 结合举的例子进行一些阐述
    • 第三部分
      • 流派的演化，牵扯到跟时间的关系
      • 这里分为三个小部分，流派内艺术家人数、作品数、某些音乐特征的变化
      • 这里是只抽取了五个流派进行展示（不展现全部的In particular, we select several genres and plot a trend chart of the numberof musicians in the genres as is shown in Figure）这样看起来比较清爽，可学
      • 然后全是简单的折线图配上很多文字的解释
  • 第四问
    • 证明追随者被影响者影响了，本文的角度是证明二者的相关关系比随便拉两个随机的艺术家要强，使用假设检验
    • 因为美赛太开放了，很多都要自己定义和简化，于是这里就先Definition相似性，这里定义的是余弦相似度
    • 然后写明步骤
      • 选取特征
      • 分组
      • 检验是否正态分布，是就用皮尔逊，不是就用斯皮尔曼
      • 嘎嘎算，循环，对比结果
    • 可视化+说明结论
  • 第五问
    • 音乐进化的标志和代表人物
      • 第一部分 标志
        • 他这里借用了金融股票里的均线和布林带概念，对于三个提取的因子，如果均线快速突破布林带，则意味重大变革
      • 第二部分 代表人物
        • 在前面的时间段里，找到音乐家的某因子时间序列，和该因子平均值的时间序列，对两者求时间序列的相关性，如果约等于1，则可以说明
  • 第六问没做好，前半问没做，估计是比赛比的昏昏沉沉了，第七问全是字，懒得看了。
  • 敏感性分析
    • 在ma和布林带那里，调整了一下滑动窗口的长度，发现还是差不多结论，说明正确
    • 前面计算谁是革命者的时候设置了一个阈值，修改阈值，查看结果

2021E

• 摘自别人的

11.在论文2102057中，完整性非常值得学习，比如有敏感度分析，优缺点，推广性，讨论这些流程。颜色搭配图表的做法值得我们学习，目录的排版风格也值得学习，摘要过程中将结果描述清楚的做法也值得学习，假设中有几个基本假设基本每个模型都会用到，一定要借鉴来。排版非常好，排版风格应该模仿，关于小标题的起名，要突出模型，不能单调乏味。建模部分主要用到了逻辑增长这一简单模型。考虑比较到位，但是也承认了一些不足，模型反复描述，反复提到的写法值得学习，这样做描述也就更清楚了。对于公式的把握很好，解释具体变量含义以及整体用法，然后假设在特定时间再次提到相关的假设。表格呈现大规模结果的形式很好，我的想法是是否能画图呈现结果更加生动形象。这篇论文给我最大感触就是对于模型结论的描述，应该得出尽可能多的结论，这是很重要的一点，然后如果结论分开得出最后还可以综述在一个表格中，结论的描述至关重要！总之，这是一篇排版，模型以及论文写作都非常好的一篇O奖论文！

12.在论文2113869中，学到了bp神经网络用于预测和Dijkstra的用法及叙述过程，叙述问题一定很完整，要能切实解决实际问题。这篇论文在我看来一般，但却是一篇O奖论文，所以只要叙述问题完整，建立模型能实际解决问题，结果分析到位，就是一篇很好的论文！

(BP神经网络，Dijkstra)

13.在论文2119031中，用到了熵权法，多目标优化的遗传算法求解，这部分的描述以及思路值得学习，这篇论文我认为排版上最好的一点是每次写完公式后，在公式后都分点描述清楚了每个变量，看着很清晰，值得学习！

（熵权法，多目标优化遗传算法）

14.在论文2119893中，使用了随机过程模拟突发情况，并测量可能带来的影响，泊松分布用来度量给定时期内自然灾害的发生频率。一年内的灾害数量遵循泊松分布。随后用到了模糊综合评价的一些知识，对于指标的最大最小中间正态的处理过程也是描述的非常清晰合理，很值得学习！熵权法的过程也很好。关于组合赋权的描述也很清楚，值得借鉴！

（随机过程，泊松分布，熵权法，模糊综合评价）

15.在论文2122175中，对于指标的描述非常到位，同时再次看到了指标的树状图，这很值得借鉴。熵权法和变异系数法的指标处理再次被用到，还是学习语言描述。粒子群算法结合灰色预测的算法是一个很好的创新点。模型描述过程也值得借鉴。

（熵权法，变异系数法，灰色预测结合粒子群）

16.在论文2102185中，主要是topsis算法，语文建模的比例极大，在语文建模方面，也有很多值得我们研究的地方，比如说，语文的描述，作为一道政策题，政策的描述非常重要，一定要描述的尽可能的详细，描述出政策是什么，实施政策的影响，为什么实施政策，实施政策的结果分析到位，以及实行政策的阻力。不得不说，语文建模到了极致，只要真正解决了问题，这就是一篇很有效的论文。

（TOPSIS）

17.在论文2103649中，这篇明显比上一篇在模型丰富度和数学上好的多，但是语文建模要稍逊一筹，但是对于政策的上述分析依旧是到位的。模型方面，马尔科夫链，数据包络分析法都比较新奇，值得好好学习。图表的展示也丰富，尤其是政策部分

• 2102057
  • 背景介绍添加一个小图，生动有趣，要注意标明图片来源
  • 假设：最好是一句话的假设，配上后面的解释
    • 要大胆的做出合理的假设，才能简化问题
    • 该文提出的分别是
      • 每个人的食物消耗只计算卡路里和蛋白质
      • 食物的价格是稳定的
      • 二氧化碳的消耗只计算生产过程中的，不算运输过程的
      • 忽略极端事件，在预测食物系统发展的过程中，假设目标国家都是稳定的
      • 我们没考虑进去的因素对整个事件影响很小
      • 我们在网站上获取的数据精准且可靠
    • 很多都能学习
  • 这篇文章独特的结构也是我第一次见，不是按照问题1、2、3这样，而是自己构建了一个EEE（环境、公平、经济）模型，从模型的基础概念、第一个E、第二个E、第三个E、应用、灵敏度分析几个模块回答。没有按问题顺序答，但是回答了大部分的问题，构思巧妙
  • 环境
    • 作者看着题目中的“可持续性发展”，想到了environment
    • 然后经典选指标
      • 通过对作者论文里给的查询数据网站"our world in data"，搜索食物生产对环境的一些影响，可以找到，What are the environmental impacts of food and agriculture?
      • 作者参考着选了三个温室气体（使用co2代表）、水体富营养化（使用氮磷值代表）、可居住地变化（土地都从森林变成了农田，减少了生物多样性）
    • 于是，作者看着题目中“如何为了可持续性发展而优化食物系统”，默默沉思，可以在“our world in data”网站中，找到“吃肉增加二氧化碳排放”的文章，于是创新的提出“加增动物食品税”的方法
    • 开始建模
      • 食物结构转换模型，设定一个国家每年人口、每天的蛋白质和卡路里需求，直到这个国家的蛋白质、卡路里需求能全部由植物提供为止。
      • 
      • 引入了两个系数，这两个系数随着时间增长，直到为1就完成， 于是借用逻辑斯蒂增长模型，来表示这两个系数的增长函数。其max值取决不同国家国情
      • 然后是参数介绍，这部分思路简单又精彩
        • 先讲植物相关的参数（比如生产提供1000 k卡路里的植物铲平会产生多少co2），总共3*2(cal/pro)
        • 然后是动物的，也是6种
        • 其中，比如植物生产是由大豆、青菜、玉米之类的按某种加权算起来的（因为数据找到的是给某种特定植物的co2量）
        • 最后就可以根据每年生产的植物量/动物量*对应的消耗，算出三个方面的值了（气体、水污染、土地），带入数据即能算出实例
  • 公平
    • 从食品过剩的地方转食物到缺的地方
    • 是建立了一个微分方程
    • 不知道是参考什么搞出来的，可学
  • 经济
    • 分粮食、劳动力、土地三方面（公式后补充西格玛符号），等于产量*成本
    • 然后算了一个受益
    • 最后算了一个利润=受益-成本
    • 还要算上税
  • 应用
    • 一看图表就像编的，但是要说明其合理性
    • 在正文里带上颜色，对应图里的线颜色
  • 总结：
    • 本篇胜在模型足够出彩，配图较少
• 2122175
  • 食物系统
    • 先分析食物系统的活动流程：生产、加工、分配、消费和浪费
    • 然后确定评价食物系统的指标（包括食物供应、食物获取、食物利用和环境、社会经济五个方面），具体有
      • 供应
        • 土地利用和农业工人数构成粮食生产指数
        • 运输
        • 食物进口
      • 获取
        • 粮食不安全的人口比率
        • IDA resource allocation index
        • corruption percep-tion Index
        • 食物偏好，这里用了宗教偏好来表示 Freedom of religion Index (IDEA)
      • 利用
        • 营养不良率
        • 粮食安全：安全饮用水人口比例和使用安全卫生设施人口比例
      • 环境
        • 水资源
        • 森林
        • 温室气体
      • 社会经济
        • GDP
        • 就业人口比例
    • 确定指标间权重
      • 小指标合成大指标
        • 用熵权法
      • 然后大指标之间用变异系数法
      • 说实话，两个方法思想基本一样，emm多此一举，我感觉要是能找到好的文献参考的话，大指标之间用AHP算权重更好
    • 给了一个最后各个指标权重的表，给了一个世界范围的饥饿指数图和综合指数图。说明了自己建立的综合指标，能够更好的评价一个国家的食物系统，考虑了更多因素，比饥饿环境好
    • 然后建立了一个食物系统进化的指标（包括系统复原力、盈利能力、效率、公平、可持续性五个方面）
      • 复原力
        • 参考一篇论文，https://sci-hub.st/https://doi.org/10.1080/10440046.2012.746767，叽里呱啦从论文里抄，讲了一堆概念，然后说将这个思想应用到我们这个过程，
        • 然后选取了极端事件的频率（FE）、食物多样性（FD）、财富水平（WL）和政府效率（GE）
      • 盈利能力
        • 这里说范围太广了，就狭义化巴拉巴拉（美赛确实需要简化）
        • Local prices(LP), Labor costs(LC), Transportation facilities(TF), Advertising(AD), agricultureland(AL)
      • 效率
        • 运输模式和消费方式
        • 消费方式这里是设定了一个系数，显然可以灵敏度分析
      • 公平
        • 运输模式
        • 腐败感知指数，反应政府做正确决策的可能性
        • 目前公平
        • 未来公平
      • 可持续性
        • 安全、稳定、生态
      • 这里盈利和效率在加权计算公式最后，分别加了一个r，用来表示紧急事件的影响，可以用来灵敏度分析，丰富内容
      • 公平、可持续性是第一问要求的，其他可能自己想可能参考文献然后抄抄的
  • 搞了半天，在建立了综合评价模型和五个优化指标之后，才开始回答问题
  • 嘶，然后他所谓的优化就是按公平和可持续性各占百分之五十，重新算了一下熵权法，比较一下与前面系数的不同？，有点捞
  • 然后分析效益和成本
  • 然后应用，用了一手基于粒子群优化的灰色预测，对两个国家的系统指数进行了一个预测，我感觉是啥也没有，纯编
  • 适应性和扩展性更多的是语文建模
  • 提出意见