9月17号-9月21号，由中国研究生数学建模竞赛作为教育部学位与研究生教育发展中心指导、中国科协青少年科技中心主办的2020年“华为杯”第十七届中国研究生数学建模竞赛成功举办。本次全国总决赛吸引了从全国各分赛区脱颖而出的多支高校队伍、近千名同学参与角逐，其中我院学子刘紫懿、倪质先、黄晶晶、卫言、叶经天、方瑞雪的参赛作品“汽油精制过程中的辛烷值损失模型的构建与应用”、“无人机集群协同对抗（D题）”、“基于小波神经网络的辛烷损失值预测模型”分别获得大赛二、三等奖。

获奖作品简介：

获奖作品：汽油精制过程中的辛烷值损失模型的构建与应用

奖项：全国二等奖

作者：刘紫懿（中欧）、毛佳倩、易敏

作品简介：

本文研究的是汽油精制过程中辛烷值损失问题，汽油作为小型车辆的燃料，为了减少其燃烧后的尾气对大气环境的影响，需要在生产过程中进行清洁化，即降低汽油中的硫、烯烃含量，同时尽量保持其辛烷值（RON）。成品汽油是由催化裂化汽油经过精制处理得到，此过程在脱硫和降烯烃的同时，普遍也会降低汽油的辛烷值，从而造成经济损失。因此，优化精制装置，在工艺生产中尽量保持辛烷值是具有较大实际意义的。对此，本文着重进行了以下几个方面的工作：

针对问题一，对285号和313号数据样本进行预处理。首先，删除原始数据中的空值变量；其次，设定空值占比的阈值，以删除原样本中的残缺变量；接着，对存在0值的数据，依据相关性强弱做平均值插补；然后，根据总结出的变量范围，采用限幅方法剔除部分样本；最后，根据拉依达准则去除异常值。进行预处理后，共剔除位点28个。由预处理得到的数据表明，均值结果与附件一中的给定数据仅有微小误差，最大限度地保留了有效数据。

针对问题二，根据附件一，通过降维筛选出建模主要变量。首先，通过低方差滤波剔除携带较少信息的位点；其次，建立Lasso回归模型，将不显著变量的回归系数压缩为0；最后采用高相关滤波，进一步删除变量。经过逐步降维，将367的高维度问题简化到24维，其中包含18个操作变量（如D121去稳定塔流量，D-122入口管温度等）和6个非操作变量（原料硫含量，原料辛烷值，原料饱和烃，原料密度，待生吸附S，再生焦炭）。

针对问题三，根据附件一，利用数据挖掘技术建立辛烷值损失预测模型，并对其进行验证。首先，剔除无效样本保证预测精度；其次，建立基于传统BP神经网络的预测模型；然后，将粒子群算法与BP结合，建立优化预测模型；最后，采用部分样本进行验证，对比上述两种模型的误差曲线，选取表现较好的PSO-BP模型对辛烷值进行预测。结果表明，PSO-BP模型不仅能够提高运算速度，还可以提高预测精度，比较结果见下表。

针对问题四，寻求主要操作变量的最优值，制定汽油精制过程中辛烷值损失的优化方案。首先，建立辛烷值损失最小优化模型；其次，利用模拟退火粒子群算法求解模型；然后采用问题三的模型得到硫含量与建模主要变量之间的关系；接着，进一步求出最优解对应的硫含量；最后，通过筛选得到满足条件的样本容量为129。结果表明，在SAPSO算法下目标函数在200次迭代后收敛至最优值0.89，优于原始PSO算法结果0.94，收敛效果更好，表明问题四建模与求解过程具有合理性和创新性。

针对问题五，利用问题四建立的优化模型，对133号样本优化过程中的辛烷值和硫含量轨迹进行可视化展示。首先，根据问题四得出的优化操作条件，设定18个变量的单次步进值；其次，对18个操作变量其中之一逐步增大或减小的同时，控制其他变量取值不变；然后得到单一变量对辛烷值和硫含量的独立影响；最后，通过Matlab编程得到18组轨迹曲线后，再合成完整的变化轨迹。结果表明，本文建立的辛烷值损失最小模型具备可行性，且优化结果良好。

最后，对本文建立的模型和求解方法的优缺点作出了客观评价，并指出了改进方案。

获奖作品：无人机集群协同对抗（D题）

奖项：全国三等奖

作者：倪质先（中欧）、黄晶晶（中欧）、王笑天

作品简介：

无人机集群在现代军事战争中具有广泛的应用。本作品基于观察决策框架，推导了一系列数学引理以建立无人机突破与拦截模型。在此基础上分析计算建立全局最优策略集，计算突防带宽临界值。利用策略函数基于Yalmip建立相应的仿真模型，获得局部最优解。进而引入博弈论，建立以攻方无人机为领导者的博弈模型，计算得到得到博弈的纳什均衡点，从而获取了双方在多机对抗中各自的最优策略。

获奖作品名：

基于小波神经网络的辛烷损失值预测模型

奖项：

全国三等奖

作者：卫言（中欧）、叶经天（中欧）、方瑞雪（中欧）

作品简介：

本文是通过分析某石化企业的催化裂化汽油精制脱硫装置的历史数据，通过数据挖掘技术，有助于我们找到处理环节与汽油性能产出之间的关系，对高性能汽油的生产有重大的意义。首先我们按照样本确定方法对285号和313号样本进行数据处理，之后，我们通过主成分分析法，使得原先367个变量转变成28个变量，并通过理论和Durbin Watson检测来说明降维的合理性。考虑到大量变量之间的非线性及耦合关系，我们利用小波神经网络，建立了辛烷值损失预测模型，整体预测误差小。然后，在保证硫含量不大于5μg/g的前提下，使用辛烷值损失预测模型，通过单变量样本分析，获取22个操作参数的优化操作范围集，利用logistic回归拟合了产品中硫含量，通过H-L检验和H-L检验的随机性表表明拟合模型合适，从而建立目标规划，以此考察，在2h内对133号样本进行辛烷的损失降幅优化。从效果而言，2h内的辛烷平均值为89.01，辛烷的损失振幅为29.6%，产品硫含量始终<5μg/g,从而满足优化条件。