当前位置：首页 > news >正文

婚纱摄影网站建设方案济南计算机培训机构哪个最好

news 2025/10/1 13:49:33

婚纱摄影网站建设方案,济南计算机培训机构哪个最好,十大网络科技公司,媒体广告投放平台2024高教社杯全国大学生数学建模竞赛C题原创python代码 C题题目：农作物的种植策略思路可以参考我主页之前的文章以下均为python代码，推荐用anaconda中的notebook当作编译环境 from gurobipy import Model import pandas as pd import gurobipy as g…

2024高教社杯全国大学生数学建模竞赛C题原创python代码

C题题目：农作物的种植策略

思路可以参考我主页之前的文章

以下均为python代码，推荐用anaconda中的notebook当作编译环境

from gurobipy import Model
import pandas as pd
import gurobipy as gp
from gurobipy import GRB
import numpy as np# 读取execl数据
data1 = pd.read_excel('附件1-乡村现有耕地和农作物的基本情况.xlsx')
data2 = pd.read_excel('附件2-2023 年乡村农作物种植和相关统计数据.xlsx')
# 读取execl数据的表2
data11 = pd.read_excel('附件1-乡村现有耕地和农作物的基本情况.xlsx',sheet_name='乡村种植的农作物')
data22 = pd.read_excel('附件2-2023 年乡村农作物种植和相关统计数据.xlsx',sheet_name='2023年统计的相关数据')
# 显示前十个数据
data1.head(10)

# 地块数据
land_data = {"地块名称":['A1', 'A2', 'A3', 'A4', 'A5', 'A6', 'B1', 'B2', 'B3', 'B4', 'B5', 'B6', 'B7', 'B8', 'B9', 'B10', 'B11', 'B12', 'B13', 'B14', 'C1', 'C2', 'C3', 'C4', 'C5', 'C6', 'D1', 'D2', 'D3', 'D4', 'D5', 'D6', 'D7', 'D8', 'E1', 'E2', 'E3', 'E4', 'E5', 'E6', 'E7', 'E8', 'E9', 'E10', 'E11', 'E12', 'E13', 'E14', 'E15', 'E16', 'F1', 'F2', 'F3', 'F4'],"地块类型":["平旱地"]*6 + ["梯田"]*14 + ["山坡地"]*6 + ["水浇地"]*8 + ["普通大棚"]*16 + ["智慧大棚"]*4,
}
land_df = pd.DataFrame(land_data)
# 在land_df中添加地块面积data1['地块面积/亩']
land_df['地块面积/亩'] = data1['地块面积/亩']
land_df# 作物数据
# 从data11中获取作物名称和作物编号作为crop_data
crop_data = {"作物名称":data11['作物名称'],"作物编号":data11['作物编号'],"作物类型":data11['作物类型']
}
crop_df = pd.DataFrame(crop_data)
crop_df

# 创建地块名称的列表
land = data1['地块名称'].tolist()
# 创建地块面积的列表
area = data1['地块面积/亩'].tolist()
# 创建作物名称的列表，去重
crop = list(set(data2['作物名称'].tolist()))# 根据作物名称设计一个字典，key是作物名称，value是data11中作物编号和作物种类和种植耕地的列表
crop_dict = {}
for i in range(len(data11)):crop_dict[data11['作物名称'][i]] = [data11['作物编号'][i],data11['作物类型'][i],data11['种植耕地'][i]]
# 显示crop_dict
print(crop_dict)

data24 = pd.read_excel('附件2-2023 年乡村农作物种植和相关统计数据.xlsx', sheet_name='2023的农作物种植情况汇总')
data24

# data24的销售单价1和销售单价2取平均值，作为销售单价
data24['销售单价'] = (data24['销售单价1/(元/斤)']+data24['销售单价2/(元/斤)'])/2# 将作物名称作为索引，销售单价作为值，创建一个字典
price_dict = data24.set_index('作物名称')['销售单价'].to_dict()
# 将作物名称作为索引，种植成本/(元/亩)作为值，创建一个字典
cost_dict = data24.set_index('作物名称')['种植成本/(元/亩)'].to_dict()
# 将作物名称作为索引，亩产量/斤作为值，创建一个字典
yield_dict = data24.set_index('作物名称')['亩产量/斤'].to_dict()
# 将地块名称作为索引，地块面积/亩作为值，创建一个字典
area_dict = data1.set_index('地块名称')['地块面积/亩'].to_dict()# 创建模型
model = gp.Model("crop_optimization")# 定义决策变量
crop_fields = ['A1', 'A2', 'A3', 'A4', 'A5', 'A6', 'B1', 'B2', 'B3', 'B4', 'B5', 'B6', 'B7', 'B8', 'B9', 'B10', 'B11', 'B12', 'B13', 'B14', 'C1', 'C2', 'C3', 'C4', 'C5', 'C6', 'D1', 'D2', 'D3', 'D4', 'D5', 'D6', 'D7', 'D8', 'E1', 'E2', 'E3', 'E4', 'E5', 'E6', 'E7', 'E8', 'E9', 'E10', 'E11', 'E12', 'E13', 'E14', 'E15', 'E16', 'F1', 'F2', 'F3', 'F4']
crops = ['黄豆', '黑豆', '红豆', '绿豆', '爬豆', '小麦', '玉米', '谷子', '高粱', '黍子', '荞麦', '南瓜', '红薯', '莜麦', '大麦', '水稻', '豇豆', '刀豆', '芸豆', '土豆', '西红柿', '茄子', '菠菜', '青椒', '菜花', '包菜', '油麦菜', '小青菜', '黄瓜', '生菜', '辣椒', '空心菜', '黄心菜', '芹菜', '大白菜', '白萝卜', '红萝卜', '榆黄菇', '香菇', '白灵菇', '羊肚菌']
seasons = ['第一季', '第二季']
x = model.addVars(crop_fields, crops, seasons, vtype=GRB.INTEGER, name="x")# 目标函数：最大化总收益
revenue = price_dict
cost = cost_dict
# 地块面积字典（单位：亩）
field_area = area_dict
# 亩产量字典（单位：斤/亩）
yield_per_mu = yield_dict# 目标函数：最大化总收益
model.setObjective(gp.quicksum(revenue[crop] * x[field, crop, season] * yield_per_mu[crop] - cost[crop] * x[field, crop, season] for field in crop_fields for crop in crops for season in seasons), GRB.MAXIMIZE)

以上仅为部分。其中更详细的思路、各题目思路、代码、讲解视频、成品论文及其他相关内容，可以点击下方名片哦：

查看全文

http://www.yayakq.cn/news/633290/