1. 赛题概览与核心挑战又到一年国赛时。对于参加过数学建模竞赛的同学来说高教社杯国赛的分量不言而喻它不仅是检验建模能力的试金石更是未来深造或求职时一份极具说服力的履历。2023年的赛题延续了国赛一贯的风格紧贴社会热点兼具理论深度与实际应用价值对参赛者的综合能力提出了全方位的挑战。今年的题目我个人感觉在“跨学科融合”和“数据驱动决策”这两个维度上比往年走得更远对团队的知识储备和临场应变能力要求也更高。简单来说国赛的题目从来不是让你套用现成模型就能解决的。它更像是一个开放的、结构不良的现实问题切片你需要从零开始定义问题、收集或处理数据、选择合适的数学工具、构建模型、求解分析最后形成一篇逻辑自洽、论据充分的论文。这个过程考验的不仅仅是数学和编程更是信息检索、文献调研、团队协作和文字表达的综合能力。无论你是初次参赛的新手还是经验丰富的老将面对国赛的题目都需要保持敬畏之心和清晰的解题思路。2. A题解析定日镜场的优化设计A题通常偏向物理、工程背景涉及机理建模和优化。2023年的A题聚焦于“定日镜场的优化设计”这是一个典型的能源工程与运筹学交叉问题。题目背景是塔式太阳能光热发电站其核心是通过大量定日镜一种可以跟踪太阳的反射镜将阳光反射并聚焦到塔顶的吸热器上从而加热工质发电。问题的核心矛盾在于如何在有限的场地内布置这些定日镜使得在特定时刻如春分、秋分正午或一段时间内聚焦到吸热器上的光斑总能量最大同时兼顾镜场建设的成本如土地占用、镜子数量和光学效率如遮挡、阴影、余弦损失。2.1 问题拆解与核心变量拿到题目第一步是将其翻译成数学语言。我们需要定义决策变量、目标函数和约束条件。决策变量这是我们要优化的东西。主要包括每个定日镜的位置坐标 (x, y)和高度 (z如果有)。对于更复杂的模型可能还包括镜子的尺寸、倾斜角度但题目通常给定镜面为平面且始终对准吸热器中心所以倾斜角由几何关系决定。目标函数我们需要最大化什么最直接的目标是吸热器接收到的瞬时或日均热功率。这个功率是每个定日镜贡献的光通量之和。每面镜子的贡献取决于多个效率因子余弦效率太阳光线与镜面法线的夹角越大有效反射面积越小。这是最大的能量损失来源之一。遮挡与阴影效率前排镜子可能会遮挡后排镜子反射的光线遮挡或者其影子落在后排镜子上阴影导致后者无法接收阳光。大气透射效率光线在空气中传播会有衰减距离越远衰减越严重。截断效率并非所有反射光都能进入吸热器开口边缘部分会损失掉。约束条件镜子不能重叠放置必须位于给定的场地边界内镜子之间需要留出维护通道可能还有镜子高度的限制等。2.2 建模思路与算法选择这是一个高维、非线性、非凸的优化问题。决策变量是每面镜子的坐标镜子数量一多成百上千变量维度极高。直接求解全局最优解几乎不可能。因此必须采用分步优化或启发式算法。常见的建模与求解路径如下建立光学几何模型这是基础。给定太阳位置由日期、时间、地点经纬度计算得出、吸热器位置和尺寸、镜子位置计算每面镜子的法向量、反射光线路径进而计算上述各项效率。这部分需要扎实的空间解析几何知识。简化与假设为了降低问题复杂度初期可以做合理假设。例如先考虑瞬时优化某个特定时刻再扩展到时段假设镜子是点光源忽略镜面曲率采用简化的遮挡阴影判断方法如投影法。分步优化策略宏观布局先不考虑遮挡阴影采用某种规则如同心圆、螺旋线、网格生成镜场的初始布局。同心圆布局是常见起点因为能自然保证镜子到塔的距离影响大气衰减和截断效率有梯度。微观调整在初始布局基础上对每面镜子的位置进行微调以提升目标函数。这里就可以引入优化算法。算法选型智能优化算法这类问题是遗传算法GA、粒子群算法PSO的典型应用场景。它们擅长在复杂空间内寻找较优解对目标函数的数学性质要求不高只需能计算出函数值即可。你可以将每面镜子的坐标编码为“基因”或“粒子位置”以总热功率为适应度函数进行迭代进化。梯度类方法如果目标函数关于镜子坐标是可微的在做了适当平滑处理后也可以尝试基于梯度的方法但容易陷入局部最优且高维问题计算梯度开销大。遮挡阴影处理这是难点和重点。一种高效的方法是计算每面镜子在吸热器靶面上的“光斑有效区域”并判断这些区域是否重叠。重叠部分即意味着遮挡。可以通过计算几何的方法如判断多边形重叠来实现。在优化过程中可以将遮挡损失作为惩罚项加入目标函数或者作为约束条件。注意在实际编程中光学计算和遮挡判断是性能瓶颈。需要编写高效的向量化代码充分利用MATLAB或Python的NumPy矩阵运算避免低效的多重循环。对于成百上千面镜子两两判断遮挡的复杂度是O(N²)需要考虑使用空间划分数据结构如四叉树、网格法来加速。2.3 论文呈现要点与常见误区清晰的问题重述用自己的话把题目背景、目标、约束说清楚并列出符号说明表。模型流程图一张图展示你的建模步骤和算法流程能让评委快速抓住你的思路。分阶段展示结果不要只扔出一个最终布局图。应该展示初始布局如同心圆的能量值经过优化后的布局及能量提升百分比并用图表对比不同算法如GA vs PSO在同一问题上的收敛速度和最终效果。灵敏度分析这是拿高分的关键。分析你的优化结果对关键参数的敏感性。例如太阳位置不同季节、不同时刻变化时镜场效率如何变化吸热器高度或开口尺寸改变对最优布局有何影响场地形状从正方形变为长方形布局策略需要如何调整常见误区忽略遮挡阴影只考虑余弦损失和大气衰减模型过于理想得分不会高。算法描述空洞只说“我们采用了遗传算法”却没有详细说明编码方式实数编码二进制编码、选择、交叉、变异算子的具体设计以及参数种群大小、迭代次数的设置依据。结果分析薄弱只有最终数据没有对比、没有图表可视化、没有深入分析“为什么这个布局更好”。模型假设不合理或未说明例如假设镜子无限薄、太阳是平行光等这些假设必须明确列出并讨论其合理性及对结果的可能影响。3. B题解析多波束测线布设问题B题往往涉及几何、测量、规划。2023年的B题“多波束测线布设”是一个典型的海洋测绘或地形探测问题核心是路径规划与覆盖优化。题目背景是使用搭载多波束测深系统的船对一片矩形海域进行全覆盖测量。多波束测深仪在船行进过程中会向两侧海底发射一个扇形的声波束一次扫描能得到一条垂直于航向的、具有一定宽度的测深数据带即“测线”。问题是如何规划船的航行路线即布设测线在满足全覆盖和一定重叠率要求的前提下使得总航行距离最短或者测量时间最少。3.1 问题本质与约束理解这个问题可以抽象为一个二维平面的覆盖问题。我们要用一系列固定宽度的“扫描带”测线去覆盖一个矩形区域。这里有几个关键约束全覆盖目标矩形区域的每一个点都必须至少被一条测线扫描到。重叠率相邻测线的扫描区域需要有一定的重叠。这是因为测深数据在扫描带边缘精度会下降重叠可以保证数据质量实现无缝拼接。重叠率通常定义为重叠部分的宽度与单条测线有效宽度的比值。测线方向船只能沿着平行或垂直于矩形边界的方向航行即测线是水平的或垂直的。这是现实约束船很难走斜线。转弯成本在实际航行中船在两条测线间切换时需要掉头或转弯这个过程耗时耗能。在更精细的模型中需要考虑转弯的额外距离或时间成本。3.2 从简单到复杂的建模层次建模可以分层次进行逐步逼近现实。层次一忽略宽度和重叠的简单路径这相当于求矩形的哈密顿路径或中国邮递员问题但过于简化不适用。层次二考虑固定宽度的无重叠覆盖铺瓷砖模型这是最基础的模型。将测线视为宽度为W的矩形条带。要覆盖一个长为L、宽为D的矩形区域。如果测线方向平行于长边L那么需要ceil(D / W)条测线总航行距离约为ceil(D / W) * L。如果测线方向平行于短边D那么需要ceil(L / W)条测线总航行距离约为ceil(L / W) * D。比较两种方向选择总距离短的那个。这里ceil是向上取整因为最后一条测线可能不需要走完全程但为简化通常按全程计算。层次三加入重叠率要求设要求的重叠率为p(例如10%即p0.1)。那么相邻两条测线的中心线间距d就不能是W而应该是W * (1 - p)。因为每条测线有效覆盖宽度是W但为了有p的重叠下一次扫描的中心需要向前移动少于W的距离。 此时所需测线条数变为ceil(D / (W*(1-p)))假设测线平行于长边。总距离计算方式同上但条数增多了。这个模型是本题的核心。层次四考虑实际扫描宽度与水深的关系进阶题目中可能会提示多波束的实际覆盖宽度W_actual与水深H有关公式可能为W_actual k * Hk为常数与波束开角有关。如果测区水深变化显著那么每条测线的有效宽度就不是常数了这就变成了一个变宽度条带的覆盖问题难度陡增。你需要根据预先知道的水深图或假设的水深分布动态规划测线的位置在浅水区宽度小布设更密的测线在深水区宽度大布设更疏的测线同时还要保证任意相邻测线之间的重叠率满足要求。这通常需要采用贪心算法或动态规划来求解。层次五考虑转弯成本在层次三或四的基础上计算总距离时不仅要算每条测线的长度还要加上测线之间的衔接段即船从一条测线末端移动到下一条测线起点的距离。最优的测线遍历顺序是“之”字形扫描还是分块扫描会影响总距离。这可以转化为一个排序优化问题甚至是一个简化的旅行商问题TSP但节点数较少可以枚举或使用启发式算法。3.3 求解策略与论文亮点基础模型求解对于层次二、三的固定宽度模型解析解或简单计算即可。这是必须做对的基础分。变宽度模型求解这是区分度所在。如果题目提供了水深数据必须处理。离散化将海域网格化每个网格有水深值。贪心策略从一侧开始放置第一条测线。根据当前位置的水深确定宽度W1下一条测线的中心线就应放在距离W1*(1-p)/2 W2*(1-p)/2的位置这是一个简化精确计算需考虑两条测线边缘重合。然后以新测线为起点重复此过程。这种策略简单但不一定全局最优。动态规划定义状态dp[i]为覆盖从起点到第i条潜在测线位置所需的最短距离。转移方程需要考虑从之前某个状态j跳转到i且覆盖区间[j, i]满足重叠率要求。这能求得全局最优解但设计状态和转移方程需要仔细思考。论文亮点清晰的模型演进图展示从简单铺瓷砖模型到加入重叠率再到考虑变宽度的完整逻辑链条。对比实验固定宽度 vs 变宽度模型的结果对比用总航程缩短的百分比来体现你模型的优越性。可视化绘制出你规划的测线布设图用不同颜色表示不同水深的区域并清晰标出测线及其覆盖范围。鲁棒性分析讨论你的模型对重叠率p、水深变化幅度等参数的敏感性。如果p设置得更大总航程会增加多少如果水深图存在误差对布设方案影响大吗4. C题解析蔬菜类商品的自动定价与补货决策C题通常偏向数据分析、运筹学和管理科学。2023年的C题聚焦生鲜零售要求根据历史销售数据对蔬菜商品进行自动定价和补货决策。这是一个非常经典的数据驱动决策问题融合了时间序列预测、价格弹性分析、库存管理和优化理论。题目通常会提供一段时间内如过去一年多个蔬菜品类或单品的每日销售数据可能包括销量、售价、成本、是否打折、是否有损耗等信息。4.1 问题拆解两个核心子问题这个问题可以清晰地拆分为两个相互关联又相对独立的子问题需求预测给定历史数据预测未来一段时间如下一天、下一周每种蔬菜的需求量。这是所有后续决策的基础。需求受多种因素影响价格最主要、时间效应季节性、周末/节假日、趋势、促销活动、天气如果数据中有、替代品/互补品价格等。联合决策优化在需求预测的基础上决定补货量和销售价格以最大化利润或满足其他目标如满足一定服务水平下的利润最大化。这里存在权衡定价高单位利润高但预测需求量会下降可能导致销量不足最终利润未必高且可能造成更多损耗。定价低能刺激销量减少损耗但单位利润薄。补货多能满足更多需求减少缺货损失但会增加库存持有成本和潜在的损耗成本蔬菜有保质期。补货少库存成本低损耗风险小但可能导致缺货失去销售机会。4.2 需求预测模型的选择与构建预测模型是核心。不能简单地用历史平均值。基础模型时间序列模型对于有明显周期性的单品如周末销量高SARIMA季节性自回归积分滑动平均模型是一个强有力的工具。它可以捕捉趋势、季节性和随机波动。机器学习回归模型将价格、是否周末、是否节假日、月份等作为特征销量作为标签使用线性回归、决策树回归、随机森林回归、XGBoost/LightGBM等进行训练。这类模型能更好地融入价格等外部特征。核心难点价格弹性的融入需求预测必须考虑价格变化。这里需要估计需求的价格弹性。一个常用的模型是对数线性需求模型ln(Q) a b * ln(P) c * X ε其中Q是需求量P是价格X是其他控制变量如时间哑变量b就是价格弹性系数。通过历史数据回归可以估计出a, b, c。这个模型的好处是弹性b大致是常数表示价格变化1%需求量变化b%。有了这个模型给定一个定价P就可以预测出对应的需求量Q。实操建议数据预处理处理缺失值、异常值如促销日的极端销量。对于蔬菜可能还需要处理“零销量”日是缺货还是真没需求。分品类或分单品建模不同蔬菜的需求模式差异巨大例如土豆和绿叶菜。最好对每个重要单品或同质品类分别建立预测模型。特征工程除了价格和时间可以尝试构造“竞争对手平均价格”如果无数据可忽略、“近期销量移动平均”、“天气指数”如有等特征。模型验证必须使用时间序列交叉验证如滚动预测来评估模型效果避免数据泄露。用均方根误差RMSE或平均绝对百分比误差MAPE作为评价指标。4.3 定价与补货联合优化模型在获得需求预测函数Q(P)后我们可以建立优化模型。模型假设与参数已知蔬菜的进货成本C、单件售价P决策变量、预测需求函数Q(P)、库存持有成本率h、缺货惩罚成本s或机会损失、损耗率θ与库存时间和销量相关。决策变量订购量Order、销售价格P。目标函数最大化期望利润。Max Profit P * E[Actual_Sales] - C * Order - Holding_Cost - Shortage_Cost - Wastage_Cost其中E[Actual_Sales]是实际销量的期望值它小于等于min(Order, Q(P))因为需求是随机的我们的预测有误差。求解思路将随机问题确定化这是一个报童模型Newsvendor Model的扩展。经典的报童模型只决定订货量价格固定。这里是价格和订货量联合决策。一种简化思路是假设需求预测是准确的即Actual_Sales min(Order, Q(P))。那么问题简化为Max Profit(P, Order) P * min(Order, Q(P)) - C * Order - 其他成本关于Order的函数其他成本可以简化为一个关于订货量的线性或二次函数。分步优化对于给定的价格P最优订货量Order*可以通过报童模型的临界分位数公式求得如果考虑随机性或者简单地令Order Q(P)在忽略库存和损耗成本或成本很低时。然后问题变为一个关于价格P的一维优化问题Max Profit(P, Order*(P))。由于Q(P)通常是非线性的如指数形式这个目标函数也是非线性的可以用一维搜索算法如黄金分割法、梯度下降来求解最优价格P*。考虑随机性进阶如果考虑预测误差即需求D是一个随机变量服从以Q(P)为均值的某个分布如正态分布、泊松分布。那么期望利润需要积分计算。最优订货量Order*满足F(Order*) (P - C s) / (P h θ)其中F是需求分布的累积分布函数。这需要先估计需求分布的参数。然后再将Order*代入关于P的期望利润函数进行优化。计算会更复杂通常需要数值积分或模拟。4.4 论文写作与方案评估系统性展示论文应清晰地分为“数据探索与预处理”、“需求预测模型构建”、“价格弹性估计”、“定价与补货优化模型”、“结果分析与策略建议”几个部分。模型对比在预测部分对比SARIMA、线性回归、XGBoost等模型的预测精度。在优化部分可以对比“固定价格经典报童模型”与“联合定价补货模型”的利润差异。给出具体决策表最终输出不应该只是一个模型公式而应该是一张清晰的决策表例如“对于西红柿建议明日定价为6.5元/斤补货量为120公斤对于黄瓜建议定价为5.8元/斤补货量为95公斤...”灵敏度与鲁棒性分析分析模型对成本C、损耗率θ等参数变化的敏感性。进行场景分析如果明天是暴雨天气假设需求会上升15%决策应该如何调整如果进货成本突然上涨10%又该如何应对通过模拟仿真在历史数据上回测你的策略计算如果一直采用该策略总利润会比实际历史利润提升多少。这是最有说服力的证据。5. 通用备赛策略与临场应对无论面对哪道题一些通用的策略和临场技巧至关重要。5.1 选题与破题黄金第一小时拿到赛题后的第一个小时决定了整个比赛的基调。三人分头精读每人重点精读一题用20-30分钟画出每道题的问题脉络列出已知条件、未知变量、目标、约束。集中讨论汇总三人的理解。讨论的重点不是“哪道题我们会做”而是“哪道题我们能做得比别人出彩”。评估维度数据可得性C题通常给数据A、B题可能需要自己查资料或做合理假设。评估团队的数据获取和处理能力。模型储备题目涉及的核心模型优化、预测、仿真等是否在团队知识范围内是否有独特的建模视角编程实现难度所需的算法如智能算法、动态规划是否有现成代码或能快速实现创新空间哪道题在基础模型之上有更大的发挥和深化空间例如B题中考虑变宽度和转弯成本C题中考虑多品类关联需求。果断决策避免犹豫不决。一旦选定就要坚定地走下去切忌中途换题。5.2 时间管理与任务分工三天时间必须精密规划。第一天核心是理解问题、建立基础模型、完成初步求解。白天完成选题和基础建模晚上必须跑出一个初步结果哪怕很粗糙。这个结果能验证思路的可行性增强信心。第二天核心是模型改进、深入求解、结果分析。在基础模型上增加细节、考虑更多约束、优化算法、进行灵敏度分析。同时负责论文写作的同学可以开始撰写“问题重述”、“模型假设”、“符号说明”和“模型建立”部分。第三天核心是论文撰写、图表美化、摘要打磨。所有求解和分析必须在第三天中午前结束。下午到晚上是纯粹的论文时间。摘要必须反复打磨它是评委第一眼看到的内容要用800-1000字清晰概括你们的所有工作用了什么方法、解决了什么问题、得到了什么结论、有什么特色和创新。一个高效的分工模式是一人主攻建模与算法建模手一人主攻编程与求解编程手一人主攻论文写作与资料整理写手。但分工不能僵化建模手要懂编程逻辑编程手要理解模型细节写手更要全程参与讨论才能写出有深度的论文。5.3 论文写作你的唯一答卷评委只能通过论文评价你们的工作。摘要独立成页是重中之重。采用“总-分-总”结构。开头一段总述问题、你们的核心思路和最终目标。中间分段简述针对每个子问题建立的模型、采用的算法和得到的主要结论给出关键数据。最后总结你们模型的优点、特色和创新点。避免出现公式和图表引用。模型假设与符号说明假设要合理、必要并说明其合理性。符号说明表要清晰、完整。模型建立与求解这是论文主体。建议按“问题分析 - 模型建立 - 模型求解”的逻辑展开。对于复杂模型用流程图辅助说明。公式要规范编号并对每个重要公式进行文字解释。结果分析与检验不要只罗列数据和图表。要对结果进行解释“这个图说明了什么”“为什么最优解长这样”“当XX参数变化时结果为何如此变化” 检验可以包括稳定性检验数据扰动下结果是否稳定、误差分析、与简单方法的对比等。模型评价与推广客观评价自己模型的优点和缺点缺点要写但可以委婉地提改进方向。说明模型可以推广到哪些类似场景。参考文献与附录引用格式要规范。核心代码、大型数据结果可以放在附录。5.4 常见“坑”与应对坑一追求完美模型迟迟不出结果。国赛是“满意解”竞赛不是“最优解”竞赛。先建立一个能跑通、能出结果的简单模型拿到基础分。再在此基础上迭代改进。坑二编程调试耗时过长。编程手在动手前一定要和建模手确认好模型的每一个细节和输入输出。编写模块化代码分步测试。遇到难题及时讨论简化方案。坑三论文前松后紧摘要仓促。写手从第一天就要开始记录思路搭建论文框架。摘要一定要留出至少3小时反复修改、凝练。坑四忽略灵敏度分析。这是体现模型深度和思维严谨性的关键环节千万不能少。即使时间再紧也要对1-2个关键参数做简单的灵敏度分析。坑五团队内耗与沟通不畅。定期如每半天开短会同步进度、明确下一步目标。决策时尊重主要负责人的意见避免无休止争论。数学建模国赛是一场智力、体力和毅力的马拉松。它没有标准答案考察的是你们面对一个陌生复杂问题时如何团队协作、运用知识、创造性地提出解决方案并清晰表达的全过程。这份经历本身远比奖项更重要。希望这篇浅析能为大家备赛提供一些清晰的路径和实用的建议祝大家在比赛中都能发挥出最佳水平取得理想的成绩。
