默认分类

Hailin

学习通 AI 助手：题目分析、图片识别与课程学习辅助

学习通 AI 助手配合篡改猴（Tampermonkey）使用，将题目、图片材料、AI 解析和课程学习控制集中到一个可拖动、可调整大小的窗口中。 以下截图展示主要功能，画面中的版本号属于截图时的版本；最新脚本与更新说明以 GitHub 为准。 在支持的章节测验与作业页面，助手可以提取题干、选项和图片材料，在面板中统一展示。包含表格、示意图或共享材料的题目，也可以在同一窗口里查看。 图片题需要选择支持图片输入的模型，识别效果取决于图片清晰度与模型能力。 提取题目后，可以调用配置的模型生成答案与解析。面板保留题目上下文，方便对照题干检查推导和结果；支持的输入控件可以使用答案预填，减少重复输入。 答案仍需自行核对。不同页面和题型的预填支持有所差异，富文本答案框目前尚未适配；已提交的作业页面可以用于查看题目，不能按可编辑页面处理。 课程页面提供学习控制与章节目录，可以查看当前进度，调整学习开关，并执行开始、停止或跳过当前章节等操作。脚本包含视频、PPT 资料和章节测验的自动学习功能，具体支持情况取决于课程页面。 运行报告用于查看处理情况。课程是否完成仍以平台记录为准，跳过、超时或中断不能视为完成；人脸识别、验证码等环节需要人工处理。 1. 安装并启用 篡改猴（Tampermonkey），从 GitHub 项目页 安装完整脚本，然后刷新学习通页面。 2. 打开「学习通 AI 助手」，在「设置 → 模型设置」中配置自己的 API Key；图片题选择支持图片的模型。 3. 在测验或作业页面使用「一键生成答案」，核对结果后再保存或提交。 脚本免费，模型服务商可能收取 API 调用费用。最新下载、详细用法和问题反馈入口均在文章顶部的 GitHub 卡片中。 这是第三方工具，与超星、学习通及模型服务商官方无隶属关系。请遵守学校与课程要求：无人值守刷课和自动提交存在较高的综合风险，可能出现异常学习记录、进度退回、错误答案或漏任务，具体发生概率未知。 项目提供了 使用风险分析报告，使用前可以阅读其中的依据与说明。

数学建模

Hailin

基于 AHP-TOPSIS 的区域科技创新能力综合评价

本文针对区域科技创新能力评价问题，建立 AHP-TOPSIS 组合模型。首先构建「目标层—准则层—指标层」三层指标体系，涵盖创新投入、创新产出、创新环境三个维度共 7 项指标；其次识别指标类型并作正向化处理（极大型 4 项、极小型 1 项、中间型 1 项、区间型 1 项）；然后对正向化矩阵作向量归一化，用层次分析法确定权重，最后用 TOPSIS 计算各方案与理想解的距离及贴近度。求解得 10 个省份的贴近度为：F 省 0.8767、E 省 0.8756、J 省 0.8022、B 省 0.7960、H 省 0.7676、A 省 0.7420、I 省 0.7205、G 省 0.4971、C 省 0.4379、D 省 0.3035。结果表明：排名靠后的省份均存在明显短板指标（D 省在科技成果转化率与政策支持强度上同时得 0），而领先省份各指标均无严重短板，印证了 TOPSIS 对短板指标的惩罚特性。 关键词：AHP；TOPSIS；组合赋权；正向化；区域创新能力 为服务科技强国战略布局，需对各区域的科技创新能力进行科学评价与排序。要求从创新投入、创新产出、创新环境三大层面构建多维度指标体系，对若干省份进行综合评价，挖掘区域优势与短板，为政策制定提供依据。 题目特别说明两项指标的最优取值： 科技成果转化率：过低说明成果难以落地，过高可能虚报理想值，设理想值为 60%； 政策支持强度：表示政策扶持的合理性，理想区间为 [70, 90]，过高或过低都可能影响创新生态。 评价对象为 10 个省份（A～J），指标数据共 7 项。 各指标之间相互独立，不存在显著交互作用； 数据真实可靠，不存在测量误差； 科技成果转化率与政策支持强度的最优取值由题目给定，具有合理性； 判断矩阵中的标度值能真实反映决策者对各指标重要性的判断； 环境层仅含「政策支持强度」一个指标，其层内权重取 1。 四项极大型指标无需处理。其余三类分别处理： 极小型指标（GDP能耗）： $$ \tilde{x} = \max(x) - x $$ 中间型指标（科技成果转化率，$x_{best} = 60$）： $$ \tilde{x} = 1 - \frac{|x - x_{best}|}{M}, \qquad M = \max_i|x_i - x_{best}| = 15 $$ 区间型指标（政策支持强度，$[a,b] = [70,90]$）： $$ \tilde{x} = \begin{cases} 1 - \dfrac{a - x}{M}, & x < a \\[6pt] 1, & a \le x \le b \\[6pt] 1 - \dfrac{x - b}{M}, & x > b \end{cases} \qquad M = \max\{a - \min(x),\ \max(x) - b\} = \max\{…

数学建模

Hailin

基于 TOPSIS 的多指标综合评价模型

本文针对高考择校这一典型多指标决策问题，建立 TOPSIS（优劣解距离法）综合评价模型。模型包含四个步骤：识别指标类型并将各指标正向化；对正向化矩阵作向量归一化；构造理想最优解与理想最劣解并计算各方案到二者的加权欧氏距离；以贴近度作为综合评价依据。研究对象为四所候选学校，评价指标为师资、学费、班级人数与平均气温，四者分别属于极大型、极小型、中间型与区间型指标。求解得各校贴近度为：学校D 0.7788、学校C 0.5110、学校A 0.4899、学校B 0.4378，学校D 综合最优。分析表明：TOPSIS 倾向于选择各指标均无明显短板的方案，而非存在突出长板但短板明显的方案；权重作为外部输入，可与层次分析法或熵权法结合使用。 关键词：TOPSIS；正向化；理想解；贴近度；多指标评价 某同学面临高考择校问题，需从四所候选学校中确定最终去向。评价指标共四项： 师资：以量化分数表示； 学费：以万元/年表示； 班级人数：以人数表示，一般认为 40 人左右最为适宜； 平均气温：以摄氏度表示，一般认为 16～18℃ 最为舒适。 原始数据如下： 要求建立综合评价模型，对四所学校排序并给出推荐。 四项指标相互独立，不存在显著的交互影响； 各项指标数据真实可靠，不存在测量误差； 各指标均可量化，且其"最优"含义可由指标类型唯一确定； 班级人数与平均气温的最优取值分别为 40 人、区间 [16, 18]℃，由一般经验确定； 本模型先采用等权重进行初步评价，权重取值不影响模型结构。 不同指标对"优"的定义方向不同，若直接比较会相互抵消，因此必须先统一方向。四个指标的类型判定如下： 将各指标统一转化为"数值越大越优"。 （1）极大型指标：无需处理。 （2）极小型指标： $$ \tilde{x} = \max(x) - x $$ （3）中间型指标（$x_{best}$ 为最优值）： $$ \tilde{x} = 1 - \frac{|x - x_{best}|}{M}, \qquad M = \max_i |x_i - x_{best}| $$ （4）区间型指标（$[a,b]$ 为最佳区间）： $$ \tilde{x} = \begin{cases} 1 - \dfrac{a - x}{M}, & x < a \\[6pt] 1, & a \le x \le b \\[6pt] 1 - \dfrac{x - b}{M}, & x > b \end{cases} \qquad M = \max\{a - \min(x),\ \max(x) - b\} $$ 归一化因子 $M$ 的计算 班级人数（中间型，$x_{best} = 40$）：$|35-40|,\ |50-40|,\ |40-40|,\ |38-40|$ 的最大值为 $M = 10$； 平均气温（区间型，$[a,b] = [1…

数学建模

Hailin

层次分析法（AHP）在多准则决策中的应用

本文针对两类多准则决策问题建立层次分析（AHP）模型。问题一为三款手机在四个指标上的综合评价，问题二为四个旅游目的地的选择。建模过程包括：构建目标层—准则层—方案层的层次结构；采用 1–9 标度法构造判断矩阵；通过最大特征值计算一致性指标 CI 与一致性比例 CR 并做检验；分别用算术平均法、几何平均法与特征值法计算权重并取均值。结果表明：手机案例中小米（0.359）> 华为（0.353）> 苹果（0.288）；旅游案例中张家界（0.381）> 青岛（0.238）> 丽江（0.222）> 厦门（0.159）。一致性检验能够有效识别判断矩阵中的逻辑矛盾——问题一中首个判断矩阵 CR = 0.225 未通过，修正后降至 0.0054，说明该步骤是保证权重合理性的关键环节。 关键词：层次分析法；判断矩阵；一致性检验；特征值；权重 问题一 对三款手机（小米、华为、苹果）进行综合评价。原始数据为三款手机在四个指标上的打分矩阵，原数据未标注各指标的具体含义，本文按位置记为指标①②③④。 问题二 暑假出游目的地在丽江、厦门、青岛、张家界四地中选择。需综合考虑四个准则：交通便利性、旅游资源丰富程度、旅途开销、安全和卫生情况。要求自行构造准则层判断矩阵与方案层得分，建立综合评价模型。 各评价指标之间相互独立，不存在显著的交互作用； 决策者给出的两两比较判断具有内在一致性倾向，即不存在根本性的逻辑矛盾； 判断矩阵中的标度值能真实反映决策者的偏好强度； 方案层各指标得分均已统一方向，即均为"数值越大越优"； 不考虑指标数据本身的测量误差。 将问题分解为三个层次： 对同一层元素两两比较，按 1–9 标度法赋值，构造正互反矩阵 $A = (a_{ij})_{n \times n}$，满足 $a_{ij} = 1/a_{ji}$，$a_{ii} = 1$。 问题二的准则层判断矩阵为： 判断矩阵由主观赋值产生，可能出现"甲优于乙、乙优于丙、而丙又优于甲"的逻辑矛盾，因此必须检验一致性。 由最大特征值计算一致性指标： $$ CI = \frac{\lambda_{max} - n}{n - 1} $$ 查表得平均随机一致性指标 $RI$（本文取 $n=4$ 时 $RI = 0.90$），计算一致性比例： $$ CR = \frac{CI}{RI} $$ 当 $CR < 0.1$ 时认为一致性可以接受。 问题一的一致性检验（含失败案例） 首个判断矩阵经计算得 $\lambda_{max} = 4.6075$，$CI = 0.2025$，$CR = 0.225 > 0.1$，未通过检验。分析其矛盾来源后调整指标②与指标③的相对重要性，得到修正矩阵，重算得 $\lambda_{max} = 4.0145$，$CI = 0.0048$，$CR = 0.0054 < 0.1$，通过检验。 $CR$ …

默认分类

Hailin

数学建模 Skill：从读题、建模到论文与支撑材料

CUMCM Modeling Analyst 面向数学建模竞赛的 Agent 协作 Skill，辅助读题、建模、求解验证、论文写作与成果整理。 前往 GitHub 查看完整项目cumcm-modeling-analyst 是我在数学建模比赛中实际使用、并根据赛后复盘持续完善的一套 Skill。它为 Agent 提供一套贯穿比赛过程的工作流程，让模型、计算结果、论文和支撑材料能够相互对应。 以下通过结果图表和摘要片段，展示建模过程与论文表达的示例。 这次更新更关注一个实际问题：得到计算结果之后，怎样把建模理由、验证过程和结果解释组织清楚，让队员能够理解、检查并继续完善自己的论文。 开始处理赛题时，Skill 会先要求检查题包中的异常或隐藏内容，再通读完整题面与附件，梳理各问目标、数据用途和问题之间的关系。 建立整体认识后，再讨论第一问的方案。每一问都先确认方向，再进入正式求解；对整题路线的认可，不会被当成后续所有问题的执行许可。 这种安排保留了队员对建模方向的控制。Agent 可以在已确认的范围内完成代码实现、调参和常规修复；涉及目标、关键约束或重要假设的变化时，再交由队伍决定。 可以根据任务规模和使用习惯，选择由一个 Agent 完成全部工作，或开启三角色协作： 主 Agent 负责协调任务、统一结果版本和检查交付。不开子代理时，也沿用相同的工作要求，由主 Agent 承担这些职责。 论文写作会从读题阶段开始组织。每问推进时，逐步补齐“为什么选这个模型、怎样求解、结果说明什么、验证依据是什么”等内容，已核验的结果再进入正式表述。 摘要也有独立的整理流程，围绕实际困难、针对性设计、关键结果和结论展开。对于队员已经写好的内容，优先保留有效表达，再补充论证与证据。 图表在计算与验证过程中同步生成，并配上解释，说明比较条件、主要发现和结论边界。当前工作流接入 nature-figure，采用 Python 制作论文图表；模型计算工具则可以按团队实际情况选择。 示例：将相关变量放在同一时间轴上，配合边界标记解释结果。 电价、购电与充放电动作、储能库存被放在同一时间轴上，读者可以对照查看调度动作与库存变化。图中还标出了库存上下限和首末状态，让约束是否满足有直观的检查入口。Skill 对图表的要求也围绕这一点：图要帮助解释模型和结果，并有对应的文字说明。 示例：结合汇总表与分组图表，比较方案收益与代价。 在这组冻结合同的对照中，半权重 SOC 跟踪降低了总费用，却增加了应急购电量；按月拆开后，省费只出现在 4 个月，且主要集中于 12 月。示例据此保留原执行器，将 SOC 跟踪作为权衡分析。这类解释把“哪个数字更好”推进到“为什么作出这个选择”，也是 Skill 在结果核验和论文组织中强调的内容。 示例：在摘要中串联方法、结果、对照与最终判断。 这段摘要先说明预测与调度方…