--- name: computational-realization description: "Meta-model-agent 将数学机制落地为可运行程序、数值实验、结果合同与可复核证据。适用于计算实验实现。" --- # 计算实验工程实现 ## DATA_PREPARATION 条件子流程 它属于 COMPUTATION，不是第八阶段。有数据时先执行 `程序/data_preprocessing.py`：校验原始数据，按 FORMULATION 合同实施题目专属处理，比较处理前后质量，把唯一规范输入冻结到 `数据/processed/`，然后模型程序只读取该输入。将源文件路径/哈希、步骤、质量统计、泄漏控制和处理后文件路径/哈希写入现有 `图表/全部结果.json.data_preparation`，并在 `计算结果.md` 留一段摘要。无数据时不得创建这些伪产物。 对 `new_model/model_extension` 子问题，在现有 `图表/全部结果.json.model_identity` 中按 `Q1/Q2/...` 写入 `academic_name`、`canonical_model_family`、`solver_algorithm`、`objective_count`、`objective_direction`、`variable_type`、`relation_type` 和 `multiobjective_evidence`。各项值必须直接复制 `建模报告.md` 审计身份与模型语义卡。`comparison/validation/application` 子问题不伪造模型身份，只在计算结果中记录其继承模型和真实比较或验证证据。 ## 发布声明与新增机制验证 在同一个 `图表/全部结果.json` 中维护 `publication_claims`，逐问至少登记一项进入论文的关键结果，包含 `question`、`statement`、`display_value`、`source_key`、`derivation` 和 `required_in`。直接结果使用 `derivation: direct`；加总、区间并集、均值、比率或归一化结果必须写明真实派生方式。论文只读取该账本，不另造数字。 对 `model_extension` 验证新增机制：新增时序检查先后和边界精度，新增资源检查边际贡献、重叠与闲置，新增分配检查容量和分配后可行性，新增随机机制检查情景外可行率。元启发式或混合求解至少报告可行基线、全局阶段结果、局部精化增益、重复运行分布和最终约束残差中适用的项目。 灵敏度分析必须记录指标定义、扰动范围、固定决策或重新优化、可行率和响应方向。不得把低灵敏度或零灵敏度直接写成“模型正确/鲁棒”。 ## 稳定执行契约 - **执行目标**：把建模报告中的每个子问题实现为可运行程序，并冻结真实计算结果与复核证据。 - **调用参数**：[modeling-report-or-topic]。 - **权威输入**：建模报告.md、问题分析.md、用户数据及已确认的参数。 - **允许交付**：程序/、程序/code_manifest.json、计算结果.md、图表/全部结果.json、依赖清单.txt，以及必要的日志和状态记录。 - **禁止写入**：不得越权修改已冻结的上游事实、用户原始文件或本协议未授权的目录。 - **可用工具边界**：Bash(*), Read, Write, Edit, Grep, Glob, Agent。 - **最小交付**：逐问可执行程序、主程序.py、代码清单与源码哈希、结果 JSON、发布声明、运行记录、基线比较、差异化验证、约束残差与失败说明。 - **恢复入口**：优先读取当前工作、状态记录和已有产物，从最近一次通过门禁的位置继续。 - **失败回退**：执行失败时定位到数据、实现或模型层；只允许有证据的修复，模型根本失效时回退数学机制构造。 - **收口顺序**：先核对输入，再完成产物，再运行本环节门禁，最后登记状态；门禁未通过不得宣告完成。 依据建模报告编写代码并实施计算：**$ARGUMENTS** ## ⛔⛔⛔ 工作项规模警示（先读这段, 再读后面全部内容） **这不是简单工作项。** 数学建模竞赛的 computational-realization 环节要把建模报告里**各个**子问题落地成可跑的代码 + 真实结果。 子问题数量由 建模报告.md 决定（一问也可能, 多问也可能）, 不是固定的。 ⛔ **判定你是否真的做完了**, 在 `end_turn` 此前自问： 1. 建模报告.md 里有几问？你是不是真的为每问都写了独立的 .py？ 2. `图表/` 下是不是每问都有相应的 `问题_*_结果.json` 且文件非空？ 3. 计算结果.md 是不是已经出现, 涵盖每问的方法和数值结果？ 4. 跑过完成铁律最后那段 bash 校验脚本了吗？ **任何一项答 "否" → 避免 `end_turn`, 继续干活。** 引擎会反复检测这些产物, 没产出会自动化重新拉你回来重做, 与其被动重做不如一次做完。 ⛔ **避免用 "我已经做了重点工作, 剩下的晚点再说" 的心态退出**。 "晚点" 在 LLM 单轮预算里不出现 — 当 `end_turn`, 你就被切断了, 下一次进来要重新读上下文 + 重新理解工作项, 比当前继续干活贵得多。 ## 输入 1. **建模报告.md** — 建模报告（务必出现） 2. **问题分析.md** — 问题情境解构报告 3. **选题规划.md** — 选题规划（统计建模，含图形与表格预规划） 4. **用户数据/** — 赛题附件数据 ## ⛔⛔⛔ 完成铁律（最高优先级，违反则当前环节失败） **当前环节务必产出 `计算结果.md`（≥ 1KB）+ `程序/主程序.py`（≥ 500 字节）+ 不少于 1 个 `图表/*.json`**。 ⛔ **结束前必跑产出校验**： ```bash PASS=true [ -f 计算结果.md ] && SZ=$(wc -c < 计算结果.md) || SZ=0 [ "$SZ" -ge 1024 ] && echo "✅ 计算结果.md ($SZ)" || { echo "❌ 计算结果.md 缺失或过小"; PASS=false; } [ -f 程序/主程序.py ] && CSZ=$(wc -c < 程序/主程序.py) || CSZ=0 [ "$CSZ" -ge 500 ] && echo "✅ 程序/主程序.py ($CSZ)" || { echo "❌ 程序/主程序.py 缺失"; PASS=false; } JSON_COUNT=$(ls 图表/*.json 2>/dev/null | wc -l) [ "$JSON_COUNT" -ge 1 ] && echo "✅ 图表/*.json ($JSON_COUNT)" || { echo "❌ 图表/*.json 缺失"; PASS=false; } # 子问题数对照: 建模报告里有几问, 程序/ 和 图表/ 就要有几份对应产出 EXPECTED_PROBS=$(grep -cE '^##\s*问题[一二三四五六七八九十0-9]|^###\s*问题[一二三四五六七八九十0-9]|^##\s*Problem\s*[0-9]' 建模报告.md 2>/dev/null || echo 0) ACTUAL_CODE=$(ls 程序/problem*.py 2>/dev/null | wc -l) ACTUAL_JSON=$(ls 图表/问题_*_结果.json 2>/dev/null | wc -l) [ "$EXPECTED_PROBS" -gt 0 ] && { [ "$ACTUAL_CODE" -ge "$EXPECTED_PROBS" ] || { echo "❌ 建模报告 $EXPECTED_PROBS 问, 但只有 $ACTUAL_CODE 个 problem*.py"; PASS=false; } [ "$ACTUAL_JSON" -ge "$EXPECTED_PROBS" ] || { echo "❌ 建模报告 $EXPECTED_PROBS 问, 但只有 $ACTUAL_JSON 个 问题_*_结果.json"; PASS=false; } } [ "$PASS" != true ] && echo "⛔ 产出验证失败 — 必须补全所有缺失项后重新跑验证, 禁止 end_turn 结束本步骤" ``` ## 工作过程 ### 工作节点 0：恢复核验 核验 `计算结果.md`、`程序/*.py`、`图表/*_结果.json` 是否已出现： - 计算结果.md 完整（>1KB）-> 跳到结果校验 - 程序/*.py 出现但无 计算结果.md -> 直接运行已有代码 - 什么都没有 -> 从头启动 ### 工作节点 1：查阅建模报告 + 建立实现清单 + 防错复核 从 建模报告.md 提取各个子问题的求解算法、数学公式、输入交付标准、所需 Python 库。 **⛔ 防错复核（必做）：** 查阅 `references/error_prevention_code.md`，依据 建模报告.md 末尾标注的题型，对照相应章节的"务必校验"和"常见 Bug"条目。编码过程中按项核验。 **⛔ MANDATORY: 交付实现清单，后续逐项打勾：** ``` IMPLEMENTATION CHECKLIST (from 建模报告.md): [ ] 问题1: [算法名] — 输入: [xxx], 输出: [yyy], 库: [zzz] [ ] 问题2: [算法名] — 输入: [xxx], 输出: [yyy], 库: [zzz] [ ] 问题3: [算法名] — 输入: [xxx], 输出: [yyy], 库: [zzz] [ ] 灵敏度分析: [参数列表] ``` 每完成一个子问题，更新清单运行状态。 ### 工作节点 1.5：提取图形与表格预规划 **⛔ MANDATORY: 查阅规划文档的图形与表格预规划，了解下一步 evidence-visualization 需产出哪些图形与表格。** computational-realization 不产出 PDF 图形与表格，但需保证交付的 JSON 数据能支撑这些图形与表格。 ```bash echo "=== 图表预规划 ===" for plan in 选题规划.md 问题分析.md 建模报告.md; do [ -f "$plan" ] || continue echo "--- $plan ---" grep -i 'fig_\|图表\|TABLE_\|TikZ\|预规划\|figure' "$plan" | head -30 done ``` 登记规划中的图形与表格清单，保证各个图形与表格相应的数据都会在分析过程中交付到 JSON。 **⛔ 图形与表格语言准则：** 中文论文（统计建模/数模竞赛）的图形与表格 axis label、legend、annotation 务必用中文。举例而言 `ax.set_xlabel('迭代次数')` 而不是 `ax.set_xlabel('Iterations')`。但这是 evidence-visualization 的事——computational-realization 只需保证 JSON 数据的 key 名有意义即可。 ### 工作节点 2：环境准备 核验 Python，安装必要库（numpy, pandas, scipy, matplotlib, scikit-learn, statsmodels, networkx）。 ### 工作节点 2.5：数据查阅校验（有附件数据时必做） **⛔ 有数据时，写任何求解代码此前先完成独立的 `程序/data_preprocessing.py`；无数据时按明确豁免跳过：** ```python # 程序/data_preprocessing.py — 数据审计、预处理与冻结输入（先跑这个，再写求解代码） import pandas as pd import os, glob data_files = glob.glob('用户数据/*.csv') + glob.glob('用户数据/*.xlsx') + glob.glob('用户数据/*.xls') print(f"找到 {len(data_files)} 个数据文件") for f in data_files: print(f"\n=== {os.path.basename(f)} ===") try: if f.endswith('.csv'): # 尝试多种编码 for enc in ['utf-8', 'gbk', 'gb2312', 'latin-1']: try: df = pd.read_csv(f, encoding=enc) print(f" 编码: {enc}") break except UnicodeDecodeError: continue else: df = pd.read_excel(f) print(f" 形状: {df.shape}") print(f" 列名: {list(df.columns)}") print(f" 数据类型:\n{df.dtypes}") print(f" 缺失值:\n{df.isnull().sum()[df.isnull().sum() > 0]}") print(f" 前3行:\n{df.head(3)}") # 数值列的基本统计 num_cols = df.select_dtypes(include='number').columns if len(num_cols) > 0: print(f" 数值统计:\n{df[num_cols].describe()}") # 检查异常值 for col in num_cols: if df[col].min() < 0 and '价格' in col or '数量' in col or '距离' in col: print(f" ⚠ {col} 有负值（{df[col].min()}），检查是否合理") if df[col].isnull().sum() > len(df) * 0.5: print(f" ⚠ {col} 缺失率 > 50%") except Exception as e: print(f" ❌ 读取失败: {e}") ``` **实施 data_preprocessing.py 后，确认以下几点再继续：** 1. 全部数据文件都能无误查阅（编码、分隔符无误） 2. 列名和题目描述保持一致（不是乱码或错位） 3. 数据规模和题目描述保持一致（行数、列数） 4. 缺失值和异常值已识别，后续代码中有处理方案 5. 按 `建模报告.md` 的预处理合同完成实际变换，禁止只打印审计信息便结束 6. 处理前后质量统计均已计算，预测/学习任务已做到先划分、仅用训练集拟合变换器 7. 只生成一个供模型读取的规范文件到 `数据/processed/`，模型脚本不得回读 `用户数据/` 8. `全部结果.json.data_preparation` 已写入源文件与冻结输入 SHA-256、步骤、质量统计和泄漏控制 ### 工作节点 3：代码目录结构 ``` 程序/ main.py # 主程序（串联所有子问题） problem1.py # 子问题 1 problem2.py # 子问题 2 通用工具.py # 公共工具 依赖清单.txt ``` ### 工作节点 3.0：⛔⛔⛔ 模块导入铁律（违反必失败） **问题本质：** 程序/ 下的脚本互相 `import` 时，从不同目录调用会导致 sys.path 不涵盖 `程序/`， 报 `ModuleNotFoundError: No module named 'utils'` / `'problem1'` 等。这是历史上最高频的失败缘由。 **⛔ 准则 1：各个 .py 文件顶部务必有自举 import 头（在全部 import 此前）：** ```python # ⛔ 自举模块路径（让 sibling import 不依赖调用方式） import os, sys _HERE = os.path.dirname(os.path.abspath(__file__)) if _HERE not in sys.path: sys.path.insert(0, _HERE) # 之后才能写其它 import import numpy as np import 通用工具 as u # 现在 通用工具.py 跟当前文件同目录就一定能 import 到 ``` **⛔ 准则 2：实施任何 程序/ 下的脚本务必 `cd code && python xxx.py`，禁止 `python 程序/xxx.py`** ```bash # ✅ 正确（无论 utils 在不在都能跑） cd code && python data_preprocessing.py && cd .. cd code && python problem1.py && cd .. cd code && python main.py && cd .. # ❌ 错误：sys.path 不含 程序/，sibling import 会爆 ModuleNotFoundError python 程序/problem1.py python -m code.problem1 ``` **⛔ 准则 3：写入子问题脚本前先写 `程序/通用工具.py` 雏形（哪怕暂时为空），避免"先写 problem1 → import utils → utils 还没建立"的瞬时错。** **⛔ 准则 4：跑代码务必用 `set -e` + 明示核验 exit code，不可在脚本失败后假装结果有效：** ```bash cd code set -e python data_preprocessing.py 2>&1 | tee ../临时文件/data_preprocessing.log python problem1.py 2>&1 | tee ../临时文件/problem1.log [ -f ../图表/问题_1_结果.json ] || { echo "❌ problem1 未产出结果 JSON"; exit 1; } cd .. ``` ### 工作节点 4：逐子问题编写和实施 **务必按次序逐问求解：编写 -> 实施 -> 校验 -> 下一问。** **⛔ Phase 4.0: 上游一致性核验（启动编码前必做）：** ```bash echo "=== 上游一致性检查 ===" # 检查 建模报告.md 是否存在 [ -f 建模报告.md ] && echo "✅ 建模报告.md 存在" || { echo "❌ 建模报告.md 不存在！"; exit 1; } # 提取子问题数量 PROB_COUNT=$(grep -c '问题[一二三四五六七八九十0-9]' 问题分析.md 2>/dev/null || echo 0) MODEL_COUNT=$(grep -c '问题[一二三四五六七八九十0-9]' 建模报告.md 2>/dev/null || echo 0) echo "问题情境解构子问题数: $PROB_COUNT, 建模报告子问题数: $MODEL_COUNT" [ "$MODEL_COUNT" -lt "$PROB_COUNT" ] && echo "⚠ 建模报告覆盖的子问题数少于问题情境解构，请检查是否遗漏" # 提取建模报告推荐的方法 echo "--- 建模报告推荐方法 ---" grep -i '算法\|方法\|模型.*选择\|求解.*策略' 建模报告.md 2>/dev/null | head -10 echo "--- 计算实验实现时必须使用上述方法，或明确说明替代理由 ---" ``` 代码性能要求： - 优先采用 numpy 向量化运算，避免 Python 原生 for 循环遍历大数据 - 数据量大（>1000 行）务必用向量化或矩阵运算 - 各个脚本实施前后打印进度信息 - 若代码跑超过 3 分钟，立即重写优化版本 自主判定数据来源： - 有附件数据（`用户数据/*.csv` 出现）：从文件查阅 - 无附件数据（纯建模题）：依据 建模报告.md 自行构造参数 各个子问题： 1. 编写独立 Python 文件 2. 实施并核验交付 3. 校验结果合理性 4. 留存结果到 `图表/问题_N_结果.json` 5. 结果异常则调整代码重跑 --- ### 工作节点 4.5：⛔⛔⛔ 每问跑完后的自检过程（关键，各个子问题都务必做） **这是当前环节防失败的关键。每完成一问的代码 + JSON 后，务必按下面过程做自检， 满足要求才能转入下一问。** 避免写完全部问题再统一自检 — 那样发现问题要回头改, 浪费 turn 预算。 各个子问题跑完, 立即按以下次序 Read 自检文件并按其要求校验： **第 1 步：必读（全部题型）** ``` Read references/checks/_index.md # 自检总索引（仅第 1 问读, 后续可跳过） Read references/checks/consistency.md # 建模-代码契约 + 物理参数引用 + 自动化约束验证代码 Read references/checks/sanity_check.md # 自动数值审查 + 9 问背景审查 + 编程 Bug 排查 ``` **第 2 步：依据本问的题型选读 1 个分类自检文件** | 本问类别 | Read 哪个 | |---|---| | 优化类（调度/选址/路线/分配/规划/求最优值）| `references/checks/optimization.md`（含 5 层求解 + 结构性校验）| | 预测类（时间序列/回归/分类）| `references/checks/prediction.md` | | 评价类（TOPSIS/AHP/熵权法/排名打分）| `references/checks/evaluation.md` | | 物理/几何（碰撞检测/动力学/ODE/SAT 检测）| `references/checks/physical.md` | | 统计/实证/图论 | `references/checks/sanity_check.md` 末尾的 S/G 区段已涵盖 | **第 3 步：把自检结论写到 `临时文件/问题_N_复核.md`，每条 ✅/⚠️/❌** **第 4 步：处理 ❌** - 任何 ❌ → 修代码 → 重跑 → 重新自检 - 同一问最多修 3 轮，3 轮还不通过 → 在 计算结果.md 中标注"建模需修正"，继续下一问 **第 5 步：全部 ✅ 或最多 ⚠️ → 把本问的方法 + 关键结果写到 计算结果.md 相应章节，立即下一问** ⛔ **关键纪律**： - 自检时**不可依赖记忆里的准则**，务必明示 Read 上面列出的 .md 文件 — 这是本拆分设计的目的 - 每问都要走完 Phase 4.5 才能启动下一问，避免跳过、避免合并、避免等到全部问都跑完再统一自检 ### 工作节点 5：编写主程序 `程序/主程序.py` 串联全部子问题，汇总结果到 `图表/全部结果.json`。 主程序和逐问程序完成并运行成功后，刷新代码清单： ```bash python 工具/build_code_appendix.py --workspace . --manifest-only ``` `程序/code_manifest.json` 必须登记当前入口、全部源文件、代码行数、用途、是否要求进入附录以及 SHA-256。修改任何源程序后都必须重新生成，陈旧哈希不得通过 COMPUTATION 门禁。 ### 工作节点 5.5：模型检验（依据题型自主判定） 依据题目类别，选取合适的模型检验方式。不是全部题都需灵敏度分析 — 自己判定： - **优化类**（调度/选址/路线）→ 灵敏度分析：关键参数 ±20% 对目标函数的影响 - **预测类**（时间序列/回归）→ 交叉校验 + 残差分析 + 多模型对比 - **评价类**（TOPSIS/AHP/熵权法）→ 权重稳定性分析：微调权重看排名是否变化 - **图论/网络类** → 参数灵敏度（边权/容量变化对最优解的影响） - **统计/实证类** → 稳健性检验（替换变量、子样本、工具变量） 若判定需灵敏度分析，实施下列环节： Read 建模报告.md for the sensitivity analysis plan. For every key parameter identified: 1. Write `程序/sensitivity_analysis.py` that varies the parameter across a range (e.g., ±20% in 10 steps) 2. For every parameter value, re-run the model and record the objective function value 3. Save outcomes to `图表/灵敏度结果.json`: ```json { "parameter_name": {"values": [...], "objective": [...]}, "parameter_name2": {"values": [...], "objective": [...]} } ``` 4. Execute the script and validate outcomes are reasonable This data is required by evidence-visualization to produce tornado charts and sensitivity curves, and by manuscript-synthesis for the 灵敏度分析 chapter. ### 工作节点 6：结果校验 + 实现清单对照 - 数值界限：概率在[0,1]、非负数、非 NaN/Inf - 一致性：子问题间不矛盾 - 收敛性：优化器是否收敛 - 统计检验：R2在[0,1]、p值在[0,1] **⛔ MANDATORY: 对照 Phase 1 的实现清单，逐项校验：** ```bash echo "=== 实现清单对照 ===" echo "检查每个子问题的结果文件是否存在且非空：" for f in 图表/问题_*_结果.json 图表/全部结果.json; do if [ -f "$f" ] && [ -s "$f" ]; then echo " ✅ $f ($(wc -c < "$f") bytes)" else echo " ❌ $f — MISSING or EMPTY" fi done # 灵敏度分析数据是软性要求(优化类必做, 其他题型可选) if [ -f 图表/灵敏度结果.json ]; then echo " ✅ 图表/灵敏度结果.json (灵敏度分析数据)" elif [ -f 建模报告.md ] && grep -qE '灵敏度|sensitivity' 建模报告.md; then echo " ⚠ 图表/灵敏度结果.json — 建模报告提到灵敏度但未产出, 优化类必须补" fi echo "" echo "检查代码文件是否存在：" for f in 程序/*.py; do [ -f "$f" ] && echo " ✅ $(basename $f)" || echo " ❌ $(basename $f)" done ``` **若有 ❌，务必回去补完再继续。** 尤其注意： - `图表/全部结果.json` 务必出现（evidence-visualization 依赖它画图） - 各个子问题的 `图表/问题_N_结果.json` 务必出现 - `图表/灵敏度结果.json` 仅当题目/建模报告涉及灵敏度分析时务必（优化类必做） ### 工作节点 7：结果汇总 留存到 `计算结果.md`：各个子问题的方法、关键结果、数据文件路线、代码文件清单。 ### 工作节点 7.5：数据交付完整性核验（⛔ 务必通过） 保证全部分析结果都留存为 JSON/CSV，供下一步 evidence-visualization 查阅画图： ```bash echo "=== 数据输出完整性检查 ===" echo "" echo "JSON 数据文件（evidence-visualization 的输入）：" ls -la 图表/*.json 2>/dev/null || echo " (无)" echo "" echo "TABLE 文件：" ls -la 图表/TABLE_*.tex 2>/dev/null || echo " (无)" ``` **⛔ MANDATORY：** ```bash MISSING=0 # 全部结果.json 必须存在 if [ -f 图表/全部结果.json ] && [ -s 图表/全部结果.json ]; then echo " ✅ 图表/全部结果.json" else echo " ❌ 图表/全部结果.json — MISSING or EMPTY" MISSING=$((MISSING+1)) fi # 灵敏度分析数据（数模竞赛必须） if [ -f 图表/灵敏度结果.json ]; then echo " ✅ 图表/灵敏度结果.json" else echo " ⚠ 图表/灵敏度结果.json — not found (required for sensitivity chapter)" fi echo "Missing: $MISSING" ``` **若 ❌，务必回去补完再继续。** **⛔ 避免在这一步产出 PDF 图形与表格或 图表引用.tex——那是 evidence-visualization 的职责。** ## 关键准则 - **computational-realization 只负责数据采集、统计分析、交付结果数据（JSON/CSV）。不画图。** - **⛔ 禁止在分析代码中产出 PDF 图形与表格。** 全部 `plt.savefig()`、`save_fig()` 调用都不应出现在 computational-realization 的代码里。若分析过程中需可视化校验结果，用 `plt.show()` 看一眼就行，避免留存 PDF。 - **图形与表格 PDF 全部由下一步 evidence-visualization 产出。** evidence-visualization 会查阅 computational-realization 交付的 JSON 数据，按 recipe 系统产出高质量 PDF。 - **⛔ 求解器/优化器超时设定：** 避免设太短的超时（如 120 秒）。竞赛数据量可能很大，求解器需充足时间。推荐设定： - 小规模问题（变量 <100）：`timeout=300`（5 分钟） - 中规模问题（变量 100-1000）：`timeout=600`（10 分钟） - 大规模问题（变量 >1000）：`timeout=1200`（20 分钟） - 全部求解器都务必打印进度（每 30 秒输出一次当前最优解），防止无交付超时被系统杀掉 - 主交付文件：`计算结果.md` + `图表/*.json` - 临时文件放 `临时文件/` 目录 - 代码务必能运行：写完务必实施校验 - 结果务必留存为 JSON/CSV 文件（供 evidence-visualization 查阅画图） ### 无用户数据时的数据生成质量要求 When no user data is available and you need to produce or simulate data: 1. **Realistic ranges**: values needs to match the problem domain — e.g., temperature in °C not arbitrary 0-1, population in millions not random integers 2. **Meaningful patterns**: data is expected to show the trends/relationships the model is designed to capture — e.g., if modeling seasonal demand, the data is expected to have seasonal patterns 3. **Visualization-friendly**: design data so the resulting visuals look informative and professional: - Avoid extreme outliers that compress the primary data into a tiny range - Confirm different methods/groups have visible but not identical differences (5-20% gaps, not 0.1% or 500%) - Cover enough data points for smooth curves (≥50 for line plots, ≥200 for distributions) - For method comparison: the proposed method is expected to be best but not unrealistically dominant — other methods is expected to have their own strengths on some metrics 4. **Consistent with problem statement**: all generated numbers are expected to be traceable to the problem description — if the problem says "30 provinces", produce 30 data points, not 10 5. **Reproducible**: set random seeds (`np.random.seed(42)`) so outcomes are deterministic #### 画图配色准则（任何 matplotlib/seaborn 图都务必遵守） **依据论文类别选取配色方案（整篇论文统一一套）：** | 论文类别 | 推荐配色 | 调用方式 | |----------|---------|---------| | 竞赛论文 / 经管 / 统计建模 | Soft（默认） | `setup_style()` | | 多组对比（>6 组） | Tableau | `setup_style('tableau')` | | 自然科学 / 生物 / 化学 | NPG | `setup_style('npg')` | | 医学 / 统计分析 | NEJM | `setup_style('nejm')` | | IEEE / ACM / 工程类 | Science | `setup_style('science')` | | 无障碍要求 | Colorblind | `setup_style('colorblind')` | **在任何画图代码的开头，务必先初始化配色：** ```python import os, sys, shutil if not os.path.isdir('工具'): os.makedirs('工具', exist_ok=True) for src in ['plot_utils.py', 'stats_utils.py']: for search in ['skills/shared-scripts', '../skills/shared-scripts']: p = os.path.join(search, src) if os.path.isfile(p): shutil.copy2(p, f'工具/{src}'); break sys.path.insert(0, '.') try: from 工具.plot_utils import setup_style, save_fig, PALETTE setup_style() except ImportError: import matplotlib; matplotlib.use('Agg') import matplotlib.pyplot as plt PALETTE = ['#5B9BD5','#ED7D7D','#7BC8A4','#B0B0B0','#9B8EC4','#F4A261'] matplotlib.rcParams['axes.prop_cycle'] = matplotlib.cycler(color=PALETTE) import seaborn as sns ``` **单组柱状图务必明示传颜色：** ```python # 正确：ax.bar(x, y, color=PALETTE[:len(x)], edgecolor='white') # 或用 seaborn：sns.barplot(data=df, x='col', y='val', palette=PALETTE) ``` **各个画图脚本写完后自检：** 核验是否有硬编码颜色、plt.title()、缺少 setup_style。发现就立即修复。 - 代码要有注释（附录评审加分项） - 数据路线用相对路线 - 基本异常处理，一个子问题失败不可全崩 - 依赖清单.txt 与 程序/code_manifest.json 务必产出 - 大文件用 Bash heredoc 分块写入 ## 详细参考（按需 Read，避免一次全读） 主过程已在 Phase 0–7.5。以下是按主题搬到 `references/checks/` 的深度参考，按 Phase 4.5 的指引在每问跑完时打开： | 触发场景 | Read 哪个文件 | |---|---| | 第 1 问启动前（仅 1 次）| `references/checks/_index.md` | | 任何子问题跑完 | `references/checks/consistency.md` | | 任何子问题跑完 | `references/checks/sanity_check.md` | | 优化类子问题 | `references/checks/optimization.md`（含 5 层求解 + 结构性校验）| | 预测类子问题 | `references/checks/prediction.md` | | 评价类子问题 | `references/checks/evaluation.md` | | 物理/几何题 | `references/checks/physical.md` | | 写代码遇到具体 bug | `references/error_prevention_code.md`（按题型查防错条目）| ⛔ **每问的自检过程见 Phase 4.5，不可跳过、不可合并、不可等到全部问跑完才统一自检。**