大家好呀，从昨天发布赛题一直到现在，总算完成了电工杯数学建模B题完整的成品论文。

电工杯B题完整原创论文共85页，一些修改说明7页，正文71页，附录7页。

本论文可以保证原创，保证高质量。绝不是随便引用一大堆模型和代码复制粘贴进来完全没有应用糊弄人的垃圾半成品论文。

昨天说过了，简单问题复杂做，大家看我目录截图就知道我做的工作量有多大，不然无法跟其他人做的有区分度。这道题我知道很多人想怎么去做，第一问随便绘点图，然后无脑编码，第二问随便语文建模写三个方面的论述，然后直接模糊综合评价算得分，要是这么做我昨晚6点就完事了。不能说完全错，但没什么意义。
而我的做法是第一问频数分析后，首先初始编码，之后做一下效度分析和区分度分析给第二问做铺垫（信度不要做，我会讲解为什么）。第二问其实才是重中之重，也是我篇幅最大的地方，首先是逻辑判断分析优先级，之后基于区分度第一次进行科学性分析，之后分析可操作性：做标签的区分处理，分成了三类，这一点很重要。之后二次编码，这才是点睛之笔，因为通过二次编码，我们准确地获得了每个指标的正负向，这样后面的评价模型就可以用了，难点在于单选题可以标签化编码，但多选题处理起来非常复杂，花了我不少时间。
之后，做基于优先级结合基本信息的第二次科学性分析。这是重要的行文逻辑，本质上而言，科学性要结合第一问的区分度和第二问的优先级分析，但又以可操作性里面的分类为基础，这三者是一个完美的逻辑闭环。全部做完之后，就可以给出最终的指标体系了。为了方便你们修改，我甚至还多给了三种方法让你们做其他分析，具体看我论文就懂了。
第三问可以无脑进行评价了，先rsr得出结果，效果非常良好，给出每个指标权重和对每个人影响大小得分和排名，但这虽然明确但不够有说服力，为此我又做了topsis，又算了一次得分排名，两相对照互相印证，就有说服力了。
第四问没什么好说了，大概看看我截图就行。

实在精力有限，没力气打太多字做文字版讲解了，可能讲得不够详细，可以看我的视频讲解：

2023电工杯数学建模B题人工智能影响评价手把手保姆级完整教学！_哔哩哔哩_bilibili

OK，这里是我的

目录：

摘要

第一问：

对附件2中所给数据进行分析和数值化处理，并给出处理方法；

先做最基本的频数分析：

之后是无脑的初始编码：

为什么说无脑呢？因为后续的评价模型无法直接使用。

不过可以做效度分析和区分度分析：

信度不用做，因为很低：

第二问

根据你们对数据的分析结果选取评价指标，从优先级、科学性、可操作性等方面论述其合理性，并构建评价指标体系；

首先是优先级分析和第一次科学性分析

这个在我论文里，为了保证限量，就不多赘述了。

重点是可操作性分析，进行二次编码！也就是第二次数值化处理，这次可要操作成可以直接导入评价模型的指标：

接下来科学性分析：

然后就是最后的指标体系了：

为了方便你们修改，我甚至还多给了三种方法让你们做其他分析，具体看我论文就懂了：

第三问：

建立数学模型，评价人工智能对大学生学习的影响，给出明确、有说服力的结论；

其实指标体系建立好之后，就很容易进行综合评价了：

附一些代码吧，注意，仅为模板代码，不是我写论文用到的哦：

PCA步骤：

（1）对原始数据进行标准化处理

（2）计算样本相关系数矩阵

（3）计算相关系数矩阵R的特征值和相应的特征向量

（4）选择重要的主成分，写出主成分表达式

下例中企业综合实力排序问题，其中各列分别为：企业序号；净利润率；固定资产利润率；总产值利润率；销售收入利润率；产品成本利润率；物耗利润率；人均利润；流动资金

x =

    1.0000   40.4000   24.7000    7.2000    6.1000    8.3000    8.7000    2.4420   20.0000
    2.0000   25.0000   12.7000   11.2000   11.0000   12.9000   20.2000    3.5420    9.1000
    3.0000   13.2000    3.3000    3.9000    4.3000    4.4000    5.5000    0.5780    3.6000
    4.0000   22.3000    6.7000    5.6000    3.7000    6.0000    7.4000    0.1760    7.3000
    5.0000   34.3000   11.8000    7.1000    7.1000    8.0000    8.9000    1.7260   27.5000
    6.0000   35.6000   12.5000   16.4000   16.7000   22.8000   29.3000    3.0170   26.6000
    7.0000   22.0000    7.8000    9.9000   10.2000   12.6000   17.6000    0.8470   10.6000
    8.0000   48.4000   13.4000   10.9000    9.9000   10.9000   13.9000    1.7720   17.8000
    9.0000   40.6000   19.1000   19.8000   19.0000   29.7000   39.6000    2.4490   35.8000
   10.0000   24.8000    8.0000    9.8000    8.9000   11.9000   16.2000    0.7890   13.7000
   11.0000   12.5000    9.7000    4.2000    4.2000    4.6000    6.5000    0.8740    3.9000
   12.0000    1.8000    0.6000    0.7000    0.7000    0.8000    1.1000    0.0560    1.0000
   13.0000   32.3000   13.9000    9.4000    8.3000    9.8000   13.3000    2.1260   17.1000
   14.0000   38.5000    9.1000   11.3000    9.5000   12.2000   16.4000    1.3270   11.6000
   15.0000   26.2000   10.1000    5.6000   15.6000    7.7000   30.1000    0.1260   25.9000

>> A=x;
>> a=size(A,1);%获得矩阵A的行大小
b=size(A,2);%获得矩阵A的列大小
for i=1:b
    SA(:,i)=(A(:,i)-mean(A(:,i)))/std(A(:,i));%std函数是用来求向量的标准差
end
% %计算相关系数矩阵的特征值和特征向量
CM=corrcoef(SA);%计算相关系数矩阵
[V,D]=eig(CM);%计算特征值和特征向量
for j=1:b
    DS(j,1)=D(b+1-j,b+1-j);%对特征值按降序排列
end
for i=1:b
    DS(i,2)=DS(i,1)/sum(DS(:,1));%贡献率
    DS(i,3)=sum(DS(1:i,1))/sum(DS(:,1));%累计贡献率
end
% % 选择主成分及对应的特征向量
T=0.9;%主成分信息保留率
for k=1:b
    if DS(k,3)>=T
        Com_num=k;
        break;
    end
end
%提取主成分对应的特征向量
for j=1:Com_num
    PV(:,j)=V(:,b+1-j);
end
% % 计算各评价对象的主成分得分
new_score=SA*PV;
for i=1:a
    total_score(i,1)=sum(new_score(i,:));
    total_score(i,2)=i;
end
result_report=[new_score,total_score];%将各主成分得分与总分放在同一个矩阵中
result_report=sortrows(result_report,-4);%按总分降序排序
% % 输出模型及结果报告
disp('特征值及其贡献率，累加贡献率：')
DS
disp('信息保留率T对应的主成分数与特征向量：')
Com_num
PV
disp('主成分得分及排序（按第四列的总分进行排序，前三列为个主成分得分，第五列为企业编号）')
result_report

先用rsr：

结论很明确，但没说服力：

那就再做一个topsis：

给大家看一下最后汇总的结果吧：

两相对照，排名情况相差无几，互相印证，就有说服力了。

我本本题所有的数据结果等也全部打包好啦：

 

OK，就讲到这里吧，实在太累了，讲解得可能不够详细，详细的讲解及上述完整论文的查看可以点击我下方个人卡片哈↓：