1. 赛题核心与破题思路总览又到了一年一度的高教社杯数学建模竞赛也就是大家常说的“国赛”开赛的时候。今年B题的题目一出来估计不少同学已经开始挠头了。作为带过好几届队伍的“老油条”我每年最兴奋也最紧张的就是拆解赛题、构思思路的这几天。今年的B题从题目描述来看延续了国赛一贯的风格背景贴近实际、问题层层递进、对模型综合能力要求高。它不是一个靠单一模型就能“一招鲜吃遍天”的题目而是需要你像搭积木一样把多个模型和方法有机地组合起来形成一个完整的解决方案。简单来说这道题的核心是多目标决策与优化问题并且带有强烈的动态性和不确定性。题目通常会给你一个复杂的现实场景比如城市应急物资调度、生产计划排程、交通流优化等其中涉及多个需要同时考虑甚至相互冲突的目标例如成本最低、时间最短、覆盖最广、风险最小等同时系统中的某些参数或条件会随着时间或外部因素变化或者存在信息不完全的情况。你的任务就是建立一个数学模型来分析和解决这个复杂的决策问题。面对这样的题目新手最容易犯的错误就是“一头扎进细节里”或者“拿着锤子找钉子”——学会了一个算法就想往上套。正确的打开方式应该是“先俯瞰森林再观察树木”。你需要先理解整个问题的脉络它到底在描述一个什么事涉及哪些主体如仓库、车辆、需求点有哪些关键的过程如分配、运输、等待最终要达成的目标是什么把这些宏观框架理清了再去看每个小问具体在问什么它们之间有什么逻辑关系。通常前一小问的答案是后一小问的基础整个问题设计是环环相扣的。2. 问题拆解与模型选择方法论拿到B题这种综合性大题第一步不是急着写代码或查文献而是拿出一张白纸进行深度的问题拆解。我习惯把这个过程称为“问题要素提取”。2.1 核心要素识别与抽象首先逐字逐句分析题目把所有名词和动词圈出来。名词往往是实体如仓库、救援点、车辆、物资或属性如库存量、需求量、距离、成本、时间动词则描述了过程或关系如分配、运输、满足、最小化。然后你需要对这些要素进行数学抽象决策变量哪些是你可以控制或决定的通常是分配量、运输路径、出发时间等。用x_ij,y_k,t等符号表示。目标函数题目要求“最大化”或“最小化”什么可能是总成本最小、总时间最短、满足率最高、系统风险最低。有时是单目标但国赛B题更常见的是多目标需要你处理目标间的权衡。约束条件有哪些限制必须遵守比如库存总量有限、车辆载重上限、时间窗口要求、需求必须非负等。这是模型成立的基础必须列全。参数与输入哪些是已知的、作为模型输入的数据如距离矩阵、需求清单、成本系数等。要仔细检查题目附件中的数据格式和含义。完成这一步你就已经把一篇中文描述的问题转化成了一个数学问题的雏形。接下来就是为这个数学问题匹配合适的“工具”——模型和算法。2.2 模型工具箱的选择逻辑国赛B题常用的模型可以分成几大类选择的关键在于抓住问题的本质特征1. 优化类模型线性/非线性规划如果目标函数和约束条件都能用线性或非线性的等式/不等式表示且决策变量是连续的这是首选。例如资源分配、生产计划。工具上Lingo做中小规模线性规划非常直观Matlab的linprog/fmincon或Python的PuLP、SciPy库是通用选择。整数规划/0-1规划当决策变量代表“是否选择”如是否开设某个仓库、是否使用某条路线时变量必须为整数通常是0或1。这比连续规划复杂得多。可以考虑使用分支定界法或调用Gurobi、CPLEX等专业求解器学习版免费或者用Matlab的intlinprog。动态规划如果问题具有“多阶段决策”特性且每个阶段的状态会影响下一阶段的决策和收益如多期投资、最优路径问题动态规划是利器。关键是定义好“阶段”、“状态”、“决策”和“状态转移方程”。2. 图论与网络模型最短路径问题Dijkstra算法无负权边、Floyd算法多源最短路径是基础。如果涉及时间窗就升级为带时间窗的最短路径或VRP问题。运输问题与网络流有明确的供应点、需求点和运输成本求最小成本分配方案。这是特殊的线性规划有表上作业法等专门解法。车辆路径问题这是B题常客特别是带容量限制、时间窗口的VRP或VRPTW。常用启发式算法求解如节约里程法、最近邻法、模拟退火、遗传算法等。3. 评价与决策类模型多目标决策当需要同时优化多个目标时常用方法有层次分析法AHP将定性判断定量化确定各目标权重加权求和法将多目标转化为单目标** Pareto最优解**寻找那些无法再改进任何一个目标而不损害其他目标的解集。评价模型用于比较不同方案的优劣。除了AHP还有模糊综合评价处理模糊信息、TOPSIS逼近理想解排序法等。4. 预测与模拟类模型时间序列预测如果题目涉及对未来需求的预测如第二问可能需要可以考虑ARIMA模型、指数平滑等。蒙特卡洛模拟当系统中存在大量随机因素如需求随机、运输时间随机时通过大量随机抽样来模拟系统运行评估方案的风险或性能。这是处理不确定性的强大工具。注意模型选择没有标准答案关键是自洽和可求解。一个复杂的混合整数非线性规划模型虽然精确但如果你无法在三天内求解出来不如用一个简化的模型配合启发式算法得到一个不错的可行解。评委更看重你对问题本质的理解和建模过程的逻辑性。3. 典型B题场景的建模全流程推演为了让大家更有体感我们假设一个典型的B题背景“震后应急物资配送中心选址与车辆调度优化”。我们以此为例推演一遍完整的建模流程。3.1 第一问单目标静态优化建模场景设定已知多个备选配送中心位置、多个受灾点位置及其物资需求量、各点之间的道路距离或行驶时间。每个配送中心有建设成本和容量限制每辆车有载重限制和固定使用成本。要求在满足所有受灾点需求的前提下确定选择哪些配送中心以及从每个中心向各受灾点派送多少物资使得总成本建设成本运输成本最低。建模步骤定义索引i代表配送中心j代表受灾点k代表车辆如果需要细化到车辆。定义决策变量y_i0-1变量表示是否在位置i建设配送中心。x_ij从配送中心i运往受灾点j的物资量连续变量。如果考虑车辆z_ijk0-1变量表示车辆k是否从i前往j。建立目标函数Min Z Σ(建设成本_i * y_i) ΣΣ(单位运输成本_ij * 距离_ij * x_ij)如果考虑车辆还需加上Σ(固定成本_k * 使用车辆数_k)。列出约束条件需求满足对每个受灾点jΣ_i x_ij 需求_j。供应能力对每个配送中心iΣ_j x_ij 容量_i * y_i。注意只有当y_i1建设了时该中心才能输出物资。变量非负x_ij 0。0-1约束y_i ∈ {0, 1}。如果考虑车辆车辆载重每辆车运输总量不超过其载重上限流平衡车辆从中心出发最终返回中心。求解与实现 这是一个典型的设施选址-分配问题本质上是混合整数线性规划。可以使用Lingo直接建模求解代码清晰易懂。在Lingo中你只需要按照上述数学公式用gin()函数声明y_i为整数变量用for()循环来写约束集合即可。对于中小规模数据Lingo求解速度很快。也可以使用Python的PuLP库或ortools库它们同样支持调用CBC、GLPK等开源求解器。3.2 第二问引入多目标与动态性场景升级现在考虑时间因素。物资需求不是一次性的而是分时间段的例如震后0-6小时6-12小时12-24小时。每个时间段的需求不同且道路通行条件可能随时间变化如部分道路抢通。目标变为在满足各时段需求的前提下最小化总成本和最小化总配送时间或最大化平均满足速度。建模思路拓展引入时间维度将决策变量扩展为x_ijt表示在时间段t从i到j的运输量。约束条件也需要按时间段书写。处理多目标这是一个双目标优化问题。常用方法主要目标法将其中一个目标如总时间作为约束给定一个可接受的上限然后优化另一个目标总成本。通过调整这个上限可以得到一系列折中解。加权求和法给总成本和总时间分别赋予权重w1和w2w1 w2 1将目标函数变为Min Z w1 * 总成本 w2 * 总时间。权重的设定需要说明依据可以用AHP法通过两两比较矩阵计算得出。Pareto前沿求解使用多目标进化算法如NSGA-II直接搜索出一组非支配解Pareto最优解集然后展示给决策者选择。这是更高级也更受评委青睐的做法但实现难度稍大。动态性处理道路通行条件变化可以体现为随时间变化的“距离矩阵”或“速度矩阵”。在模型约束或目标函数中将固定的距离d_ij替换为与时间t相关的d_ij(t)。求解策略 如果采用加权求和或主要目标法问题仍可转化为一个更复杂的混合整数规划用第一问的工具求解。如果采用NSGA-II求Pareto前沿则需要用编程实现。Matlab的Global Optimization Toolbox里有现成的gamultiobj函数基于遗传算法的多目标优化Python的DEAP、pymoo库也非常强大。你需要编写好目标函数和约束处理通常将约束转化为惩罚项加入目标函数设置好种群大小、迭代次数等参数。3.3 第三问应对不确定性随机或模糊场景再升级受灾点的物资需求量不再是确定值而是随机变量服从某种分布如正态分布或模糊数如“大约100吨”。问题要求设计一个鲁棒的配送方案使得在大多数可能的情况下都能较好地满足需求且控制成本。建模与求解策略随机规划如果需求是随机的可以采用两阶段随机规划。第一阶段在需求未知时决定配送中心的选址y_i这是“此时此地”的决策。第二阶段在需求实现观测到具体值后再决定具体的运输方案x_ij这是“待那时”的决策。目标是最小化第一阶段成本加上第二阶段期望成本。求解通常需要用到场景法。假设需求有S种可能的场景每种场景有一个发生概率那么第二阶段期望成本就是所有场景下成本的概率加权平均。这样就将随机规划转化成了一个大规模确定性线性规划。求解可以使用专业优化软件但规模大会很耗时。模糊规划如果需求是模糊的如三角模糊数(d_min, d_most, d_max)可以采用机会约束规划或模糊期望值模型。机会约束要求满足需求的概率不低于某个置信水平α如95%。即P(Σ_i x_ij 需求_j) α。这需要知道需求的具体分布并将其转化为确定性等价约束。模糊期望利用模糊数的期望值将模糊约束转化为清晰约束。鲁棒优化追求在最坏情况下的性能最好。假设需求在一个不确定集合内变化如[d_j - Δ_j, d_j Δ_j]模型要确保对于该集合内的任何需求实现约束都能满足并优化最坏情况下的成本。这通常会得到一个比较保守但非常稳妥的方案。蒙特卡洛模拟优化这是一种更直观实用的方法。首先你设计一个配送方案包括选址和配送规则。然后用蒙特卡洛方法随机生成成千上万组符合分布的可能需求数据代入你的方案中模拟运行统计出平均成本、需求满足率、成本波动情况等指标。通过调整方案参数反复模拟寻找综合指标最好的方案。这种方法虽然不给出精确的最优解但非常灵活能处理非常复杂的随机性而且结果易于理解和展示。实操心得对于三天竞赛处理不确定性时蒙特卡洛模拟往往是性价比最高的选择。它逻辑直观编程实现相对容易用循环即可结果展示力强可以画出成本分布直方图而且很容易与前面的确定性优化模型结合。先用一个简化模型求出一个基准方案再用蒙特卡洛模拟评估其鲁棒性并进行微调是一条可行的技术路线。4. 算法实现、编程与求解的实战细节思路有了模型建了最终要靠编程和求解来出结果。这里有几个关键的实战环节。4.1 求解器与编程语言选型Lingo强烈推荐用于求解线性、非线性、整数规划。它的语法几乎就是数学模型的直译调试方便求解中小规模问题速度极快。对于B题前两问的确定性优化模型用Lingo可以节省大量编码时间。缺点是处理大规模问题、复杂算法如遗传算法不如编程语言灵活。Matlab全能选手。优化工具箱fmincon,intlinprog,ga、全局优化工具箱gamultiobj、统计预测工具箱功能强大。画图美观矩阵运算方便。适合实现各种经典算法和进行蒙特卡洛模拟。学习曲线适中。Python后起之秀生态丰富。NumPy/SciPy用于科学计算PuLP/CVXPY用于优化建模pandas处理数据matplotlib/seaborn画图DEAP/pymoo用于进化算法。灵活性最高但需要一定的编程基础。对于需要自定义复杂算法逻辑的题目Python是利器。我的建议是Lingo Matlab/Python 组合使用。用Lingo快速求解核心优化模型用Matlab或Python处理数据、实现智能算法、进行模拟和画图。团队内可以分工协作。4.2 启发式算法应用要点当问题规模太大精确算法如分支定界无法在有效时间内求解时必须使用启发式算法求满意解。对于VRP、复杂选址问题等这是常态。遗传算法最常用的全局优化启发式算法。关键在编码设计如何用一条染色体表示一个解、适应度函数如何评价解的好坏、遗传算子选择、交叉、变异。交叉算子的设计要保证产生的新解仍是可行解。模拟退火适合求解组合优化问题。关键在于降温策略初始温度、降温系数、终止温度和邻域搜索的设计如何从当前解产生一个细微扰动后的新解。禁忌搜索通过禁忌表避免重复搜索引导搜索走向新区域。核心是禁忌对象和藐视准则的设计。实现建议不要从零开始写利用成熟的工具箱或库。Matlab的ga函数Python的DEAP库都提供了很好的框架你只需要定义好适应度函数和编码解码方式即可。这能极大提高效率和可靠性。4.3 数据处理与结果可视化数据清洗拿到题目附件数据首先用Excel或Python的pandas检查是否有缺失值、异常值。对于距离矩阵检查是否对称。理解每一列数据的物理意义。结果可视化这是论文的亮点地图标注如果涉及地理位置用散点图在地图上标出配送中心、需求点用箭头或线条表示配送路径。Matlab的geoplot或Python的folium、plotly库可以做出交互式地图。** Pareto前沿图**对于多目标问题画出Pareto最优解集在目标空间中的分布一目了然。收敛曲线展示遗传算法等迭代算法的适应度随迭代次数的变化证明算法有效性。对比柱状图/雷达图用于比较不同方案的各项指标。动态演示如果涉及时间序列可以制作GIF或视频展示物资配送随时间推进的动态过程非常出彩。5. 论文写作、常见陷阱与时间管理5.1 论文写作的“黄金结构”国赛论文有相对固定的结构但切忌死板。核心是逻辑清晰、重点突出。摘要重中之重评委第一眼看的决定第一印象。要用精简的语言按“针对…问题建立了…模型采用了…方法得到了…结果最后…评价、推广”的逻辑概括全文精华。必须出现核心模型名称和关键结论数据。建议写完正文后再反复打磨摘要。问题重述与分析不要照抄题目要用自己的话梳理问题的背景、条件和目标并画出问题分析框图思维导图清晰地展示你对问题的理解层次和解决路径。模型假设与符号说明假设要合理且必要为简化模型服务。符号说明建议用三线表清晰美观。模型建立与求解这是论文主体。对应每个问题按照“模型设计 - 公式推导 - 算法描述 - 求解结果”的顺序来写。算法描述可以结合流程图。关键公式要编号并做解释。模型检验与灵敏度分析体现模型稳健性和你的思考深度。可以改变关键参数如需求波动、成本系数观察结果变化分析模型对哪些参数敏感。也可以用不同的初始值运行启发式算法看结果是否稳定。模型评价与推广客观评价自己模型的优点考虑全面、求解高效等和缺点假设较强、未考虑某因素等。提出几个可行的改进或推广方向。参考文献与附录参考文献格式要规范。附录放核心代码不要全部堆砌、大型图表或中间结果。代码要有简要注释。5.2 三天竞赛时间管理表第一天上午全体成员共同审题彻底讨论明确问题查阅相关资料。必须达成共识。完成问题分析框图。第一天下午至晚上根据分工分别进行模型初步构建、算法调研、数据预处理。完成模型主体框架和符号定义。第二天全天集中编程求解跑出第一版结果。写作同学开始撰写模型建立部分。晚上进行第一次结果讨论分析是否合理是否需要调整模型。第三天上午优化模型和算法进行灵敏度分析、稳定性测试。写作同学完成论文主体初稿。第三天下午整合所有结果完成图表制作撰写摘要、优缺点分析。摘要要花至少1-2小时反复修改。第三天晚上全文统稿、校对、排版、检查错别字和公式编号。最终提交前确保所有附件齐全。5.3 常见“巨坑”与避坑指南模型与问题脱节建立的模型非常 fancy但仔细一看并没有完全回答题目所问。对策每建立一个模型或写一段文字都回头对照一下题目看是否解决了其中一个小问。求解结果不合理未察觉跑出的结果总成本是负数或配送量超过了库存自己却没发现。对策对结果要有常识性判断。画出配送路径图、物资分配图一眼就能看出是否合理。进行简单的总量平衡验算。论文成了代码说明书通篇在讲用了什么函数、什么循环而没有讲清建模思想。对策论文的核心是“模型”和“分析”不是“编程”。代码细节放附录正文用伪代码或流程图描述算法思想。灵敏度分析走过场随便改个参数说“结果变化不大模型稳健”。对策选择有实际意义的参数进行变化如需求增减10%、20%成本上涨15%分析结果变化的趋势和原因这能体现你对模型内在机理的理解。摘要空洞无物只说“我们建立了模型用了算法结果较好”。对策摘要里必须包含具体的模型名称如“两阶段随机规划模型”、关键方法如“采用NSGA-II算法求解Pareto前沿”、核心结论数据如“将总成本降低了约18%平均配送时间缩短了2小时”。团队沟通不畅各干各的最后发现模型假设冲突结果对不上。对策每天早中晚至少三次简短碰头会同步进度确认方向。使用在线协作文档如腾讯文档、语雀实时共享思路和结果。数学建模竞赛比拼的不仅是数学和编程能力更是问题拆解、逻辑思维、团队协作和快速学习的综合能力。面对B题这样的挑战保持冷静按照“理解问题 - 抽象建模 - 选择工具 - 求解验证 - 表达呈现”的步骤稳步推进。记住一个逻辑清晰、自圆其说、结果合理的“简单”模型远胜过一个漏洞百出、无法求解的“复杂”模型。祝大家都能在三天的时间里享受这场智力与协作的盛宴交出满意的答卷。
1. 赛题核心与破题思路总览又到了一年一度的高教社杯数学建模竞赛也就是大家常说的“国赛”开赛的时候。今年B题的题目一出来估计不少同学已经开始挠头了。作为带过好几届队伍的“老油条”我每年最兴奋也最紧张的就是拆解赛题、构思思路的这几天。今年的B题从题目描述来看延续了国赛一贯的风格背景贴近实际、问题层层递进、对模型综合能力要求高。它不是一个靠单一模型就能“一招鲜吃遍天”的题目而是需要你像搭积木一样把多个模型和方法有机地组合起来形成一个完整的解决方案。简单来说这道题的核心是多目标决策与优化问题并且带有强烈的动态性和不确定性。题目通常会给你一个复杂的现实场景比如城市应急物资调度、生产计划排程、交通流优化等其中涉及多个需要同时考虑甚至相互冲突的目标例如成本最低、时间最短、覆盖最广、风险最小等同时系统中的某些参数或条件会随着时间或外部因素变化或者存在信息不完全的情况。你的任务就是建立一个数学模型来分析和解决这个复杂的决策问题。面对这样的题目新手最容易犯的错误就是“一头扎进细节里”或者“拿着锤子找钉子”——学会了一个算法就想往上套。正确的打开方式应该是“先俯瞰森林再观察树木”。你需要先理解整个问题的脉络它到底在描述一个什么事涉及哪些主体如仓库、车辆、需求点有哪些关键的过程如分配、运输、等待最终要达成的目标是什么把这些宏观框架理清了再去看每个小问具体在问什么它们之间有什么逻辑关系。通常前一小问的答案是后一小问的基础整个问题设计是环环相扣的。2. 问题拆解与模型选择方法论拿到B题这种综合性大题第一步不是急着写代码或查文献而是拿出一张白纸进行深度的问题拆解。我习惯把这个过程称为“问题要素提取”。2.1 核心要素识别与抽象首先逐字逐句分析题目把所有名词和动词圈出来。名词往往是实体如仓库、救援点、车辆、物资或属性如库存量、需求量、距离、成本、时间动词则描述了过程或关系如分配、运输、满足、最小化。然后你需要对这些要素进行数学抽象决策变量哪些是你可以控制或决定的通常是分配量、运输路径、出发时间等。用x_ij,y_k,t等符号表示。目标函数题目要求“最大化”或“最小化”什么可能是总成本最小、总时间最短、满足率最高、系统风险最低。有时是单目标但国赛B题更常见的是多目标需要你处理目标间的权衡。约束条件有哪些限制必须遵守比如库存总量有限、车辆载重上限、时间窗口要求、需求必须非负等。这是模型成立的基础必须列全。参数与输入哪些是已知的、作为模型输入的数据如距离矩阵、需求清单、成本系数等。要仔细检查题目附件中的数据格式和含义。完成这一步你就已经把一篇中文描述的问题转化成了一个数学问题的雏形。接下来就是为这个数学问题匹配合适的“工具”——模型和算法。2.2 模型工具箱的选择逻辑国赛B题常用的模型可以分成几大类选择的关键在于抓住问题的本质特征1. 优化类模型线性/非线性规划如果目标函数和约束条件都能用线性或非线性的等式/不等式表示且决策变量是连续的这是首选。例如资源分配、生产计划。工具上Lingo做中小规模线性规划非常直观Matlab的linprog/fmincon或Python的PuLP、SciPy库是通用选择。整数规划/0-1规划当决策变量代表“是否选择”如是否开设某个仓库、是否使用某条路线时变量必须为整数通常是0或1。这比连续规划复杂得多。可以考虑使用分支定界法或调用Gurobi、CPLEX等专业求解器学习版免费或者用Matlab的intlinprog。动态规划如果问题具有“多阶段决策”特性且每个阶段的状态会影响下一阶段的决策和收益如多期投资、最优路径问题动态规划是利器。关键是定义好“阶段”、“状态”、“决策”和“状态转移方程”。2. 图论与网络模型最短路径问题Dijkstra算法无负权边、Floyd算法多源最短路径是基础。如果涉及时间窗就升级为带时间窗的最短路径或VRP问题。运输问题与网络流有明确的供应点、需求点和运输成本求最小成本分配方案。这是特殊的线性规划有表上作业法等专门解法。车辆路径问题这是B题常客特别是带容量限制、时间窗口的VRP或VRPTW。常用启发式算法求解如节约里程法、最近邻法、模拟退火、遗传算法等。3. 评价与决策类模型多目标决策当需要同时优化多个目标时常用方法有层次分析法AHP将定性判断定量化确定各目标权重加权求和法将多目标转化为单目标** Pareto最优解**寻找那些无法再改进任何一个目标而不损害其他目标的解集。评价模型用于比较不同方案的优劣。除了AHP还有模糊综合评价处理模糊信息、TOPSIS逼近理想解排序法等。4. 预测与模拟类模型时间序列预测如果题目涉及对未来需求的预测如第二问可能需要可以考虑ARIMA模型、指数平滑等。蒙特卡洛模拟当系统中存在大量随机因素如需求随机、运输时间随机时通过大量随机抽样来模拟系统运行评估方案的风险或性能。这是处理不确定性的强大工具。注意模型选择没有标准答案关键是自洽和可求解。一个复杂的混合整数非线性规划模型虽然精确但如果你无法在三天内求解出来不如用一个简化的模型配合启发式算法得到一个不错的可行解。评委更看重你对问题本质的理解和建模过程的逻辑性。3. 典型B题场景的建模全流程推演为了让大家更有体感我们假设一个典型的B题背景“震后应急物资配送中心选址与车辆调度优化”。我们以此为例推演一遍完整的建模流程。3.1 第一问单目标静态优化建模场景设定已知多个备选配送中心位置、多个受灾点位置及其物资需求量、各点之间的道路距离或行驶时间。每个配送中心有建设成本和容量限制每辆车有载重限制和固定使用成本。要求在满足所有受灾点需求的前提下确定选择哪些配送中心以及从每个中心向各受灾点派送多少物资使得总成本建设成本运输成本最低。建模步骤定义索引i代表配送中心j代表受灾点k代表车辆如果需要细化到车辆。定义决策变量y_i0-1变量表示是否在位置i建设配送中心。x_ij从配送中心i运往受灾点j的物资量连续变量。如果考虑车辆z_ijk0-1变量表示车辆k是否从i前往j。建立目标函数Min Z Σ(建设成本_i * y_i) ΣΣ(单位运输成本_ij * 距离_ij * x_ij)如果考虑车辆还需加上Σ(固定成本_k * 使用车辆数_k)。列出约束条件需求满足对每个受灾点jΣ_i x_ij 需求_j。供应能力对每个配送中心iΣ_j x_ij 容量_i * y_i。注意只有当y_i1建设了时该中心才能输出物资。变量非负x_ij 0。0-1约束y_i ∈ {0, 1}。如果考虑车辆车辆载重每辆车运输总量不超过其载重上限流平衡车辆从中心出发最终返回中心。求解与实现 这是一个典型的设施选址-分配问题本质上是混合整数线性规划。可以使用Lingo直接建模求解代码清晰易懂。在Lingo中你只需要按照上述数学公式用gin()函数声明y_i为整数变量用for()循环来写约束集合即可。对于中小规模数据Lingo求解速度很快。也可以使用Python的PuLP库或ortools库它们同样支持调用CBC、GLPK等开源求解器。3.2 第二问引入多目标与动态性场景升级现在考虑时间因素。物资需求不是一次性的而是分时间段的例如震后0-6小时6-12小时12-24小时。每个时间段的需求不同且道路通行条件可能随时间变化如部分道路抢通。目标变为在满足各时段需求的前提下最小化总成本和最小化总配送时间或最大化平均满足速度。建模思路拓展引入时间维度将决策变量扩展为x_ijt表示在时间段t从i到j的运输量。约束条件也需要按时间段书写。处理多目标这是一个双目标优化问题。常用方法主要目标法将其中一个目标如总时间作为约束给定一个可接受的上限然后优化另一个目标总成本。通过调整这个上限可以得到一系列折中解。加权求和法给总成本和总时间分别赋予权重w1和w2w1 w2 1将目标函数变为Min Z w1 * 总成本 w2 * 总时间。权重的设定需要说明依据可以用AHP法通过两两比较矩阵计算得出。Pareto前沿求解使用多目标进化算法如NSGA-II直接搜索出一组非支配解Pareto最优解集然后展示给决策者选择。这是更高级也更受评委青睐的做法但实现难度稍大。动态性处理道路通行条件变化可以体现为随时间变化的“距离矩阵”或“速度矩阵”。在模型约束或目标函数中将固定的距离d_ij替换为与时间t相关的d_ij(t)。求解策略 如果采用加权求和或主要目标法问题仍可转化为一个更复杂的混合整数规划用第一问的工具求解。如果采用NSGA-II求Pareto前沿则需要用编程实现。Matlab的Global Optimization Toolbox里有现成的gamultiobj函数基于遗传算法的多目标优化Python的DEAP、pymoo库也非常强大。你需要编写好目标函数和约束处理通常将约束转化为惩罚项加入目标函数设置好种群大小、迭代次数等参数。3.3 第三问应对不确定性随机或模糊场景再升级受灾点的物资需求量不再是确定值而是随机变量服从某种分布如正态分布或模糊数如“大约100吨”。问题要求设计一个鲁棒的配送方案使得在大多数可能的情况下都能较好地满足需求且控制成本。建模与求解策略随机规划如果需求是随机的可以采用两阶段随机规划。第一阶段在需求未知时决定配送中心的选址y_i这是“此时此地”的决策。第二阶段在需求实现观测到具体值后再决定具体的运输方案x_ij这是“待那时”的决策。目标是最小化第一阶段成本加上第二阶段期望成本。求解通常需要用到场景法。假设需求有S种可能的场景每种场景有一个发生概率那么第二阶段期望成本就是所有场景下成本的概率加权平均。这样就将随机规划转化成了一个大规模确定性线性规划。求解可以使用专业优化软件但规模大会很耗时。模糊规划如果需求是模糊的如三角模糊数(d_min, d_most, d_max)可以采用机会约束规划或模糊期望值模型。机会约束要求满足需求的概率不低于某个置信水平α如95%。即P(Σ_i x_ij 需求_j) α。这需要知道需求的具体分布并将其转化为确定性等价约束。模糊期望利用模糊数的期望值将模糊约束转化为清晰约束。鲁棒优化追求在最坏情况下的性能最好。假设需求在一个不确定集合内变化如[d_j - Δ_j, d_j Δ_j]模型要确保对于该集合内的任何需求实现约束都能满足并优化最坏情况下的成本。这通常会得到一个比较保守但非常稳妥的方案。蒙特卡洛模拟优化这是一种更直观实用的方法。首先你设计一个配送方案包括选址和配送规则。然后用蒙特卡洛方法随机生成成千上万组符合分布的可能需求数据代入你的方案中模拟运行统计出平均成本、需求满足率、成本波动情况等指标。通过调整方案参数反复模拟寻找综合指标最好的方案。这种方法虽然不给出精确的最优解但非常灵活能处理非常复杂的随机性而且结果易于理解和展示。实操心得对于三天竞赛处理不确定性时蒙特卡洛模拟往往是性价比最高的选择。它逻辑直观编程实现相对容易用循环即可结果展示力强可以画出成本分布直方图而且很容易与前面的确定性优化模型结合。先用一个简化模型求出一个基准方案再用蒙特卡洛模拟评估其鲁棒性并进行微调是一条可行的技术路线。4. 算法实现、编程与求解的实战细节思路有了模型建了最终要靠编程和求解来出结果。这里有几个关键的实战环节。4.1 求解器与编程语言选型Lingo强烈推荐用于求解线性、非线性、整数规划。它的语法几乎就是数学模型的直译调试方便求解中小规模问题速度极快。对于B题前两问的确定性优化模型用Lingo可以节省大量编码时间。缺点是处理大规模问题、复杂算法如遗传算法不如编程语言灵活。Matlab全能选手。优化工具箱fmincon,intlinprog,ga、全局优化工具箱gamultiobj、统计预测工具箱功能强大。画图美观矩阵运算方便。适合实现各种经典算法和进行蒙特卡洛模拟。学习曲线适中。Python后起之秀生态丰富。NumPy/SciPy用于科学计算PuLP/CVXPY用于优化建模pandas处理数据matplotlib/seaborn画图DEAP/pymoo用于进化算法。灵活性最高但需要一定的编程基础。对于需要自定义复杂算法逻辑的题目Python是利器。我的建议是Lingo Matlab/Python 组合使用。用Lingo快速求解核心优化模型用Matlab或Python处理数据、实现智能算法、进行模拟和画图。团队内可以分工协作。4.2 启发式算法应用要点当问题规模太大精确算法如分支定界无法在有效时间内求解时必须使用启发式算法求满意解。对于VRP、复杂选址问题等这是常态。遗传算法最常用的全局优化启发式算法。关键在编码设计如何用一条染色体表示一个解、适应度函数如何评价解的好坏、遗传算子选择、交叉、变异。交叉算子的设计要保证产生的新解仍是可行解。模拟退火适合求解组合优化问题。关键在于降温策略初始温度、降温系数、终止温度和邻域搜索的设计如何从当前解产生一个细微扰动后的新解。禁忌搜索通过禁忌表避免重复搜索引导搜索走向新区域。核心是禁忌对象和藐视准则的设计。实现建议不要从零开始写利用成熟的工具箱或库。Matlab的ga函数Python的DEAP库都提供了很好的框架你只需要定义好适应度函数和编码解码方式即可。这能极大提高效率和可靠性。4.3 数据处理与结果可视化数据清洗拿到题目附件数据首先用Excel或Python的pandas检查是否有缺失值、异常值。对于距离矩阵检查是否对称。理解每一列数据的物理意义。结果可视化这是论文的亮点地图标注如果涉及地理位置用散点图在地图上标出配送中心、需求点用箭头或线条表示配送路径。Matlab的geoplot或Python的folium、plotly库可以做出交互式地图。** Pareto前沿图**对于多目标问题画出Pareto最优解集在目标空间中的分布一目了然。收敛曲线展示遗传算法等迭代算法的适应度随迭代次数的变化证明算法有效性。对比柱状图/雷达图用于比较不同方案的各项指标。动态演示如果涉及时间序列可以制作GIF或视频展示物资配送随时间推进的动态过程非常出彩。5. 论文写作、常见陷阱与时间管理5.1 论文写作的“黄金结构”国赛论文有相对固定的结构但切忌死板。核心是逻辑清晰、重点突出。摘要重中之重评委第一眼看的决定第一印象。要用精简的语言按“针对…问题建立了…模型采用了…方法得到了…结果最后…评价、推广”的逻辑概括全文精华。必须出现核心模型名称和关键结论数据。建议写完正文后再反复打磨摘要。问题重述与分析不要照抄题目要用自己的话梳理问题的背景、条件和目标并画出问题分析框图思维导图清晰地展示你对问题的理解层次和解决路径。模型假设与符号说明假设要合理且必要为简化模型服务。符号说明建议用三线表清晰美观。模型建立与求解这是论文主体。对应每个问题按照“模型设计 - 公式推导 - 算法描述 - 求解结果”的顺序来写。算法描述可以结合流程图。关键公式要编号并做解释。模型检验与灵敏度分析体现模型稳健性和你的思考深度。可以改变关键参数如需求波动、成本系数观察结果变化分析模型对哪些参数敏感。也可以用不同的初始值运行启发式算法看结果是否稳定。模型评价与推广客观评价自己模型的优点考虑全面、求解高效等和缺点假设较强、未考虑某因素等。提出几个可行的改进或推广方向。参考文献与附录参考文献格式要规范。附录放核心代码不要全部堆砌、大型图表或中间结果。代码要有简要注释。5.2 三天竞赛时间管理表第一天上午全体成员共同审题彻底讨论明确问题查阅相关资料。必须达成共识。完成问题分析框图。第一天下午至晚上根据分工分别进行模型初步构建、算法调研、数据预处理。完成模型主体框架和符号定义。第二天全天集中编程求解跑出第一版结果。写作同学开始撰写模型建立部分。晚上进行第一次结果讨论分析是否合理是否需要调整模型。第三天上午优化模型和算法进行灵敏度分析、稳定性测试。写作同学完成论文主体初稿。第三天下午整合所有结果完成图表制作撰写摘要、优缺点分析。摘要要花至少1-2小时反复修改。第三天晚上全文统稿、校对、排版、检查错别字和公式编号。最终提交前确保所有附件齐全。5.3 常见“巨坑”与避坑指南模型与问题脱节建立的模型非常 fancy但仔细一看并没有完全回答题目所问。对策每建立一个模型或写一段文字都回头对照一下题目看是否解决了其中一个小问。求解结果不合理未察觉跑出的结果总成本是负数或配送量超过了库存自己却没发现。对策对结果要有常识性判断。画出配送路径图、物资分配图一眼就能看出是否合理。进行简单的总量平衡验算。论文成了代码说明书通篇在讲用了什么函数、什么循环而没有讲清建模思想。对策论文的核心是“模型”和“分析”不是“编程”。代码细节放附录正文用伪代码或流程图描述算法思想。灵敏度分析走过场随便改个参数说“结果变化不大模型稳健”。对策选择有实际意义的参数进行变化如需求增减10%、20%成本上涨15%分析结果变化的趋势和原因这能体现你对模型内在机理的理解。摘要空洞无物只说“我们建立了模型用了算法结果较好”。对策摘要里必须包含具体的模型名称如“两阶段随机规划模型”、关键方法如“采用NSGA-II算法求解Pareto前沿”、核心结论数据如“将总成本降低了约18%平均配送时间缩短了2小时”。团队沟通不畅各干各的最后发现模型假设冲突结果对不上。对策每天早中晚至少三次简短碰头会同步进度确认方向。使用在线协作文档如腾讯文档、语雀实时共享思路和结果。数学建模竞赛比拼的不仅是数学和编程能力更是问题拆解、逻辑思维、团队协作和快速学习的综合能力。面对B题这样的挑战保持冷静按照“理解问题 - 抽象建模 - 选择工具 - 求解验证 - 表达呈现”的步骤稳步推进。记住一个逻辑清晰、自圆其说、结果合理的“简单”模型远胜过一个漏洞百出、无法求解的“复杂”模型。祝大家都能在三天的时间里享受这场智力与协作的盛宴交出满意的答卷。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
