区块链技术应用
赋能数字经济，第三届江苏大数据开发与应用大赛赛题设计与评审工作圆满完成
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区第三届江苏大数据开发与应用大赛8月启动以来，一直备受关注，近日，大赛工作取得里程碑进展，四个赛道的赛题设计工作顺利完成。在赛题评审会上，赛题体现出的技术水平和创新思维均获得大赛专家团队的的高度认可。
江苏大数据开发与应用大赛是江苏省工业和信息化厅指导下的高规格数据大赛，又简称“SEED大赛”，寓意海量的数据像沉睡的种子，等待开发培育。江苏省数字经济发展起步早，基础好，政府在推进数据价值化、推进数据要素市场建设方面工作力度很大，SEED大赛就是在探索数据价值化实现路径的背景下应运而生，到今年已是第三届。南数研究院连续三年承接SEED大赛的运营工作，并提供数据服务平台进行支撑。
自主创新，数据竞赛专业服务
大赛引领，数字经济赋能江苏
南数研究院依托于平台+解决方案，为各级政府提供综合性的数字经济赋能服务，数字创新大赛是研究院数字经济服务中的重要内容。研究院拥有成熟的赛事运营、选手推广的经验，为多个地方政府成功打造数字经济名片，赛事业务已走向全国，并以大赛为抓手，为各地政府、企业进行综合性的创新创业、数字化转型服务。
SEED大赛作为高规格的省级赛事，选手覆盖全国乃至世界范围，不乏业界高手，对赛事的技术规格，数据规格都要求很高。在赛事运营服务上，充分体现了研究院在云计算、大数据、人工智能、隐私计算方面深厚的技术积累，在政务、行业数据开放运营方面的丰富经验。在这三年的SEED大赛中，南数研究院为江苏省数字经济发展，数据要素市场建设，做出了独特的创新性贡献，为江苏省打造了医疗健康、智能制造、车联网、能源管理等数个典型大数据开放应用场景。在政府的引导和支撑下，研究院在SEED大赛中实践技术，打造和完善了大数据安全共享与开发服务平台，研发出基于隐私保护的数据安全计算沙箱技术、多云协同算力调度技术、自动化模型评估技术等。
在研究院主持设计下，今年的赛题在前两届赛事的基础上实现多处创新和技术升级，其中医疗卫生赛道持续聚焦胃癌领域，为参赛选手提供病理和影像的融合数据，实践人工智能的多模态学习；能源管理赛道中，大赛赛题首次与隐私计算技术结合，在“可用不可得”的前提下，实现了电力和政务数据的融合分析。同时，在南数研究院的精心打磨下，MARS大数据服务平台也焕然一新，在这届大赛中展现3.0版新面貌，整体提升大赛的数据应用技术水平和选手体验。
SEED升级，大赛数据价值挖掘
MARS改版，平台数据开放服务
本届SEED大赛，为了赛题在内容和规格上实现全方位的突破升级，研究院抽调数据分析和算法团队核心成员加入赛题设计工作，持续2个月的辛苦努力与大赛专家组协同完成了赛题的设计工作。研究院数据分析和算法团队的成员，多年深耕于数据领域，有丰富的大数据分析挖掘经验，为多家大型客户进行过数字化转型、人工智能应用服务。团队在大数据分析挖掘、计算机视觉，分析决策等方面有深厚积累，在城市智能管理、医疗病理诊断、工业瑕疵检测等应用领域有多项先进技术成果。这些技术积累和经验，为本届SEED大赛赛题的论证和设计提供了可靠的理论和技术支撑。
在大赛运营赛题设计工作中，尤其对于算法赛题，需要以清晰明确的思路，帮助参赛选手充分理解考察重点和开发目标，同时配套科学的计算方法对模型效果进行合理评价。在赛事数据条件的基础上，在成本限制、计算资源约束、数据安全防护的前提下，赛题设计需要平衡可解性、前沿性和创新性等多方面的要求。这对赛题设计专家要求极高，除了数据方面的技术底蕴，还需要在各领域具备非常广博的知识储备。
为更好地支持SEED大赛，南数研究院对MARS平台进行了全方位的升级改造，即将上线的MARS3.0发布后将形成竞赛、大数据开放服务、大数据开放实验室、大数据生态合作等丰富板块的大数据公共服务平台。MARS平台是国内唯一一家集大赛、数据开放为一体的大数据公共服务平台，平台依托区块链、隐私计算技术，集数据开放、算力开放、算法模型开放、场景开放、教育实训开放服务为一体，目前注册用户40000多人，遍布全球20多个国家和地区。大赛累计参与院校1200余所，数据开放应用涉及24个行业领域。
大赛赛题评审会精彩实录及摘要
9月28日，由江苏大数据开发与应用大赛组委会发起，邀请了来自南京大学郭延文教授、南京航空航天大学梁栋副教授、东南大学倪巍伟副教授、东南大学沈卓炜副教授、南京航空航天大学朱旗副教授等专家对大赛四个赛道赛题展开评审。南数研究院院长曹祯庭携运营团队以及承办方代表国网江苏省电力有限公司相关负责人通过线上+线下方式参会。
今年的赛道数量与往届相同，共设4个赛道，分为3个算法赛道，1个创新创意赛道，一方面，巩固往届大赛成效和应用，延续性设置医疗卫生和数字媒体赛道；另一方面，推进行业产业数字化转型，创新设置智能制造和能源管理赛道，不断探索与实践数据与产业融合的创新发展模式。
专家组对今年赛题的质量和规则设计都给予高度肯定，特别是医疗卫生赛道和能源管理赛道，都实现重大突破和创新。南数研究院数据科学团队与评审专家对四个赛道的赛题创意、赛题内容、技术实现、评审规则、应用场景等进行了充分讨论，提出了科学合理的意见建议，确保了赛题的合理性和公平性，整体上保证赛题质量，为大赛的成功举办奠定了坚实的基础。
南数研究院算法总监孟娇特别重点介绍了医疗赛道的多模态技术：医疗卫生的胃癌风险智能预测是一个专业性要求极高的任务，本届再次聚焦胃癌病理诊断并对赛题进行全方位设计，为参赛选手提供多模态的融合数据用于目标建模。生活中，每一种信息的来源或者形式，都可以称为一种模态。个体对场景进行感知时会接收到多种信号，如视觉、听觉、嗅觉等，所以多模态机器学习方法更贴近人类认识世界的形式，也是人工智能技术取得进一步进展的基石。随着技术和产业的进一步发展，多模态成为人工智能技术和产业突围的新方向，更多场景应用需要多模态模型来支撑。在精准医学时代，核心的基础要素是多模态数据，唯有多模态数据，才能让医生看到全部信息，还原疾病与人体健康情况的真实面貌。
能源管理的赛题设计上也进行了重大创新，南数研究院技术总监赵梧初介绍，在能源管理赛道设计上运用了隐私计算技术，它是在保护数据本身不对外泄露的前提下实现数据分析计算的技术，能够增强对于数据的隐私保护、降低数据泄露风险，实现“数据可用不可得”。
南京大学郭延文教授评价，“多模态技术在本次大赛医疗卫生赛道中的图像识别任务中应用，将为参赛选手提供不同类型的融合数据，考察选手综合处理多模态数据的能力，让选手有更大的赛题发挥空间。”
东南大学副教授倪巍伟在评议赛题时谈到政务数据和电力数据融合分析时，深度探讨了联合建模时如何平衡准确率和性能，在我们赛题的特殊场景中，应兼顾效率的同时优先保证准确率，与会专家深入讨论了在现实中纵向联邦场景的实现，探讨了数据垄断的问题和商业公平性问题。
在评审会的尾声，与会评审专家意犹未尽，总结发言中，对南数研究院自主研发的MARS大数据服务平台表示高度认可，并表达了希望后续在MARS平台上进行科研领域的合作探索。
南京南数数据运筹科学研究院是依托南京大学数学系国家一级重点数学学科、科技部国家应用数学中心、教育部国家理科基础科学研究和教学人才培养基地组建成立的新型研发机构，江苏大数据联盟理事长单位。
南数研究院集数字化转型咨询服务、数字化人才发展服务、数字产业研究咨询服务、数据科学竞赛服务、数字文商旅聚合服务为一体，致力于政产学研用的融合创新。
相关推荐
基于MPC+二自由度动力学的车辆轨迹跟踪+横向控制Carsim和Simulink联合仿真（Matlab代码、Simulink仿真实现）
内容概要：本文系统阐述了基于模型预测控制（MPC）与二自由度车辆动力学模型的轨迹跟踪与横向控制方法，通过Carsim与Simulink联合仿真平台实现了Matlab代码与Simulink模型的协同验证。该方法结合MPC算法的滚动时域优化特性与车辆二自由度动力学模型的运动学精度，构建了高精度的路径跟踪控制系统，能够有效提升自动驾驶车辆在复杂工况下的行驶稳定性与轨迹跟随精度。文中详细介绍了控制策略设计、车辆动力学建模、仿真参数配置、联合仿真接口搭建及结果分析全过程，涵盖了状态预测、代价函数构建、约束处理与优化求解等核心环节，适用于智能驾驶中路径规划与跟踪控制系统的研发与验证。; 适合人群：具备车辆动力学、现代控制理论（如最优控制、预测控制）基础知识，熟练掌握Matlab/Simulink与Carsim仿真工具，从事自动驾驶、智能车辆控制算法开发的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于智能网联汽车与无人驾驶系统中横向控制算法的设计与性能验证；②作为MPC在车辆运动控制中应用的教学案例，辅助高校课程实践与科研训练；③支撑高水平学术论文复现、课题申报与工程原型开发。; 阅读建议：建议读者在Carsim与Simulink联合仿真环境下动手复现，重点掌握MPC控制器中预测模型的建立、权重系数调节、约束设定及实时性优化等关键技术，并尝试在不同道路曲率、车速及路面附着条件下进行鲁棒性测试，进一步拓展至非线性MPC或自适应MPC等先进控制策略的研究。
基于线性时变模型预测控制的车辆轨迹跟踪系统研究（Matlab代码、Simulink仿真实现）
内容概要：本文系统研究了基于线性时变模型预测控制（LTV-MPC）的车辆轨迹跟踪系统，利用Matlab与Simulink工具搭建完整的控制系统仿真模型。研究首先建立车辆动力学模型，并通过局部线性化方法将非线性系统转化为时变状态空间模型，进而构建包含状态预测、滚动优化与反馈校正的MPC控制框架。文中详细阐述了目标函数设计、约束条件处理（如输入饱和、状态边界）、预测时域与控制时域设定等关键技术环节，重点分析LTV-MPC在不同行驶工况下对参考轨迹的跟踪精度、稳定性和实时性表现。通过与传统线性MPC的对比仿真，验证了LTV-MPC在应对系统非线性、提升轨迹跟踪性能方面的显著优势，充分展现了其在自动驾驶路径跟踪中的工程应用价值。; 适合人群：具备自动控制理论、车辆动力学及优化算法基础，熟练掌握Matlab/Simulink编程环境，从事智能驾驶决策控制、路径规划、先进驾驶辅助系统（ADAS）研发的科研人员、工程技术人员及研究生。; 使用场景及目标：①掌握车辆轨迹跟踪中MPC控制器的设计与实现方法；②学习如何将非线性车辆模型在线线性化并集成到预测控制框架中；③深入理解LTV-MPC相较于固定参数MPC的性能优势与适用边界；④通过仿真调试优化权重矩阵、预测时域等关键参数，提升实际控制效果；⑤为自动驾驶系统的控制模块开发、学术论文撰写或毕业课题提供可复现的技术方案与仿真平台。; 阅读建议：建议读者结合所提供的Matlab代码与Simulink模型，逐步运行并剖析各功能模块，重点关注车辆模型线性化过程、状态预测模块构建、QP求解器配置及约束处理机制，通过调整工况和控制参数进行对比实验，深入掌握LTV-MPC的调控机理与性能优化方法。
基于扩展卡尔曼滤波（EKF）的激光雷达与雷达异构传感器融合算法研究（Matlab代码实现）
内容概要：本文系统性解读了一套完整的多机器人路径规划（MAPF）MATLAB代码库，聚焦于优先级规划算法的工程实现，提出将求解过程划分为几何解析、拓扑建模、调度优化与可视化呈现四个解耦层次的模块化框架。文章深入阐述了动态边权膨胀、节点预留历史、几何惩罚驱动的局部同步机制、Petri网双阶段优化以及双坐标系统可视化等核心技术设计，实现了空间路径规划与时间冲突消解的有效分离，在保障多项式时间复杂度的前提下显著提升了路径规划的成功率与计算效率。该框架不仅具备良好的可复现性和工程扩展性，还为MAPF领域的算法研究、性能评估与教学实践提供了系统化的参考范例。; 适合人群：具备一定MATLAB编程基础，从事机器人路径规划、智能交通、自动化控制、多智能体系统等相关领域的科研人员、工程技术人员及研究生。; 使用场景及目标：① 深入理解并复现多智能体路径规划中优先级规划与冲突消解的核心机制；② 学习如何将复杂的MAPF问题分解为几何、拓扑、调度与呈现的模块化工程实现方法；③ 借鉴动态边权惩罚、Petri网建模、局部同步优化等创新设计思路，以提升自身路径规划算法的鲁棒性与效率。; 阅读建议：建议读者结合文中提供的MATLAB代码与MovingAI标准地图数据集，严格按照章节顺序逐步实现各模块功能，并通过内置的动画演示工具直观观察算法执行过程，重点关注各模块间的接口设计、关键参数（如惩罚权重、同步阈值）的调优策略及其对整体性能的影响。
【脉冲多普勒雷达信号处理】基于匹配滤波与慢时间傅里叶变换的距离速度联合估计理论及模糊特性研究（Matlab代码实现）
内容概要：本文系统性解读了一套完整的多机器人路径规划（MAPF）MATLAB代码库，重点围绕优先级规划算法展开，提出将求解过程划分为几何、拓扑、调度与呈现四个解耦层次的框架设计。该框架采用动态边权膨胀策略提升路径灵活性，利用节点预留历史实现高效冲突查询，并通过几何惩罚驱动的局部同步机制优化时间消解效率。此外，代码库还引入Petri网整数规划作为对比路径，支持双坐标系统与全流程可视化，具备良好的可复现性与可扩展性，适用于教学与科研参考。; 适合人群：具备一定MATLAB编程基础，从事机器人路径规划、智能调度或自动化系统研究的科研人员及研究生。; 使用场景及目标：①学习多机器人路径规划中优先级规划的核心思想与工程实现；②掌握动态边权膨胀、时间同步与冲突消解等关键技术的设计逻辑；③复现并改进现有算法，用于仓储物流、无人机编队等实际应用场景的研究与仿真验证。; 阅读建议：建议按文中所述的数据流顺序逐步阅读各模块内容，重点关注各层之间的接口设计与信息传递机制，结合提供的可视化工具调试与观察算法行为，以深入理解框架的整体架构与关键创新点。
2026 年MathorCup 数学应用挑战赛A题-啤酒酿造化合物分析与啤酒风味预测
内容概要：本文档是2026年MathorCup数学应用挑战赛A题“啤酒酿造化合物分析与啤酒风味预测”的相关资料汇总，聚焦于啤酒酿造过程中关键化学成分的识别及其对最终风味的影响，开展系统的数据分析与建模研究。文档虽未提供完整解题过程，但通过列举多源数据融合、信号处理、机器学习预测模型等多种技术方法与仿真案例，揭示了该问题潜在的解决路径，涵盖化合物数据的预处理与特征提取、关键风味物质的关联性挖掘，以及基于先进算法的风味预测模型构建等内容，体现了从化学成分到感官体验的跨学科研究范式。; 适合人群：具备数据分析、统计建模或机器学习基础知识，对食品科学、生物工程、化学工程等领域有浓厚兴趣，且有意参与数学建模竞赛的本科生、研究生及科研人员。; 使用场景及目标：①应用于数学建模竞赛，对啤酒酿造工艺中的化学成分与感官评价数据进行关联性分析；②构建从原料及发酵产物到成品啤酒风味的量化预测模型，旨在实现风味的精准评估与酿造工艺的科学优化。; 阅读建议：此资源侧重于提供解题思路与技术工具的指引，使用者应结合比赛提供的具体数据集，参考文档中提及的算法（如PCA、PLS回归、随机森林、神经网络等）进行模型的构建、训练与验证，并重点关注数据清洗、特征工程、模型选择及可解释性分析等关键环节。
