尧图网站开发 
1. 项目概述从一道赛题到一套完整的解题方法论每年九月的那个周末对于全国数十万理工科大学生来说都是一个既紧张又兴奋的时刻——全国大学生数学建模竞赛国赛如期而至。2021年的C题以“生产企业原材料的订购与运输”为背景将我们这些参赛者瞬间拉入了一个充满不确定性的决策世界。题目描述了一家建筑和装饰板材的生产企业需要根据过去五年的原材料进货和消耗数据以及未来24周的订货需求来制定未来24周的原材料订购与运输方案。这听起来像是一个经典的生产计划问题但当你真正打开附件数据看到那密密麻麻的402家供应商、240周的历史进货记录、以及充满波动的市场需求时才会意识到这远非一个简单的线性规划能搞定。它考察的是如何在历史规律、未来预测、成本约束和供应链韧性之间构建一个动态、鲁棒且可执行的决策体系。今天我就以一名过来人的视角拆解这道赛题的解题全流程分享从破题、建模到求解、写作的完整思路与核心技巧希望能为后来者提供一份真正“可抄作业”的实战指南。这道题的核心价值在于它完美模拟了一个现实世界中供应链管理者的决策场景你手头有海量但可能嘈杂的历史数据有对未来的模糊预期有来自采购成本、库存成本、供货稳定性等多方面的压力你的每一个决策都环环相扣并且直接影响到企业的利润命脉。解决它不仅需要扎实的数学建模功底更需要系统性的思维和将复杂问题层层拆解的耐心。无论是正在备赛的同学还是对运筹优化、数据分析感兴趣的朋友相信这篇详尽的复盘都能给你带来启发。2. 解题核心思路与模型框架设计面对C题最忌讳的就是一头扎进数据里开始算。首先必须建立起全局的解题框架。整个问题可以清晰地分解为三个递进的子问题它们共同构成了最终的订购与运输方案。2.1 问题一供应商的定量评估与分类建模第一问要求我们根据402家供应商的供货特征进行量化评估并给出未来24周最经济的原材料订购方案。这是整个赛题的基石如果供应商评估错了后面的所有优化都是空中楼阁。核心思路是“特征提取 - 综合评估 - 分类筛选”。我们手头有每家供应商过去240周的供货量数据。首先需要从这些时间序列中提取出能够刻画其供货能力的核心特征。我当时的团队提取了以下几个关键维度供货稳定性计算每周供货量的变异系数标准差/均值。这个值越小说明供应商每周的供货量越稳定生产计划就越容易安排。供货保障率统计历史周期内供货量大于0的周数占总周数的比例。这反映了供应商的持续供货意愿和能力比例越高越好。平均供货规模计算历史平均每周供货量。这直接关系到该供应商能否满足我们单次较大的采购需求。最大供货能力取历史供货量的最大值或高分位数如95%分位数用以评估其产能上限。提取特征后我们面临一个多指标的综合评价问题。这里切忌简单地将几个指标加权平均因为指标间可能存在相关性且量纲不同。我们采用了熵权TOPSIS法。熵权法可以根据各指标数据本身的离散程度客观赋权数据差异越大的指标权重越高TOPSIS法则通过计算每个供应商与理想最优解、最劣解的距离来进行排序。这种方法的好处是完全基于数据驱动避免了主观臆断说服力强。基于综合评价得分我们将402家供应商分为三类高评分稳定型A类、中等评分潜力型B类、低评分淘汰型C类。对于未来24周的订购一个非常关键且容易被忽略的约束是每周的供应商数量不能超过50家。因此我们的订购方案必须是一个动态的选择过程优先从A类供应商中挑选并考虑其历史供货特征来分配订购量同时确保每周的供应商总数不超标。这里可以建立一个以总成本采购成本库存成本最小化为目标的0-1整数规划模型决策变量是每周向每家供应商订购多少以及是否选择该供应商。注意很多队伍在第一问就试图建立一个覆盖24周的大型优化模型这会导致模型过于复杂求解困难。一个更实用的技巧是采用“滚动规划”的思路先基于历史数据和对未来需求的初步预测制定一个初步的供应商选择策略和订购比例在后续问题中再结合预测更新进行动态调整。先解决“选谁”的问题再细化“订多少”。2.2 问题二需求预测与运输方案建模第二问在第一问的基础上增加了运输成本并要求制定具体的每周运输方案。运输成本与运输量有关附件中给出了一个阶梯运价表。这一问的难点在于预测与优化的耦合。需求预测是前提。题目给出了未来24周的产品订单需求。我们需要将这些产品需求根据生产配比题目会给出如每立方米产品需要消耗多少特定类型的原材料转换成为对原材料的周度需求。这里需要注意产能约束和库存的平滑作用。我们采用了时间序列预测方法如ARIMA或指数平滑对转换后的原材料周需求进行预测并给出了预测区间例如80%置信区间以量化预测的不确定性。这比只给出一个单点预测值要科学得多。在运输方案建模上成本结构变得复杂采购成本与供应商和订购量有关 库存持有成本 运输成本与总运输量呈分段函数关系。我们建立了一个带约束的非线性规划模型。决策变量包括每周向每家供应商的订购量、每周的库存量、每周的运输量。目标函数是24周总成本最小化。一个关键的建模技巧在于处理分段线性运输成本。假设运输成本函数为当运输量Q在区间[0, A]时单价为p1在(A, B]时单价为p2以此类推。我们可以引入0-1辅助变量z_i来表示运输量落在第i个区间并添加相应的逻辑约束。例如设M为一个足够大的数约束可以写为Q A M*(1 - z1) Q A - M*z2 Q B M*(1 - z2) ... z1 z2 ... 1这样就将非线性项转化为了混合整数线性规划MILP问题可以使用Lingo、Gurobi或MATLAB的intlinprog等求解器进行求解。2.3 问题三不确定性应对与鲁棒优化模型第三问是赛题的升华它引入了现实世界中最令人头疼的要素不确定性。题目要求我们考虑供应商的供货量可能随机波动有概率比预定量减少50%并在此情况下制定订购和运输方案目标是保障产能的同时尽可能降低成本。这是典型的随机规划或鲁棒优化问题。我们采用了鲁棒优化的思想因为它不依赖于具体的概率分布而是假设扰动在一个不确定集合内然后优化最坏情况下的性能。这更符合“保障生产”的题意。具体而言我们为每家供应商的供货量引入一个不确定参数ξ假设其在其额定供货量的一个区间内波动例如[0.5倍, 1倍]。然后我们建立了一个两阶段鲁棒优化模型第一阶段决策在观察到不确定性之前必须做出的决定即“订购方案”向谁订、订多少。这部分成本是确定的。第二阶段决策在不确定性实际供货量揭示后可以做出的调整即“运输方案”以及可能的紧急补货决策。这部分成本与不确定性的具体实现有关。模型的目标是最小化第一阶段成本加上最坏情况下的第二阶段成本。求解这类问题通常采用列与约束生成法或对偶转化法。我们在比赛中采用了对偶方法将内层的最大化问题寻找最坏情况通过拉格朗日对偶转化为最小化问题从而将整个问题转化为一个确定性的混合整数规划问题。虽然求解规模较大但在合理简化如选择代表性的情景或对供应商不确定性进行聚合后是可以在比赛时间内得到满意解的。这一问的亮点在于方案必须体现“韧性”。例如在订购方案中我们会有意识地增加向高稳定性供应商的采购比例或设置一定的安全库存以缓冲供应波动。在论文中我们通过对比鲁棒方案与确定性方案在模拟随机扰动下的表现如缺货次数、总成本有力地证明了鲁棒方案的有效性。3. 数据处理、特征工程与关键算法实现有了清晰的思路框架下一步就是落地实现。这部分是队伍之间拉开差距的关键考验的是对数据的处理能力和对算法的熟练运用。3.1 历史数据清洗与特征提取实战附件中的数据并非完美。首先需要进行数据清洗缺失值处理对于某些供应商在某些周供货量为空值或0需区分是“未供货”还是“数据缺失”。我们将其统一视为“未供货”即0值因为从业务逻辑上没记录通常就意味着没送货。这对于计算供货保障率是合理的。异常值检测利用箱线图或3σ原则检查是否存在远超正常范围的进货量。我们发现个别周次存在极端大值经团队讨论认为这可能是真实的大额订单而非错误数据故予以保留但在计算稳定性指标时采用对异常值不敏感的统计量如中位数和四分位距进行辅助分析。特征提取我们使用了Python的Pandas库核心代码如下片段import pandas as pd import numpy as np # 假设 df 是原始的402x240的供货量DataFrame df pd.read_excel(附件1.xlsx, index_col0) # 索引为供应商ID features pd.DataFrame(indexdf.index) # 1. 平均供货量 features[mean_supply] df.mean(axis1) # 2. 供货稳定性变异系数 features[cv_supply] df.std(axis1) / (df.mean(axis1) 1e-8) # 防止除零 # 3. 供货保障率非零周比例 features[supply_ratio] (df 0).sum(axis1) / df.shape[1] # 4. 最大供货能力95%分位数 features[max_capacity] df.quantile(0.95, axis1) # 5. 供货增长趋势最近60周均值与最初60周均值的比值 features[trend] df.iloc[:, -60:].mean(axis1) / (df.iloc[:, :60].mean(axis1) 1e-8) # 数据标准化为后续综合评价做准备 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() features_scaled pd.DataFrame(scaler.fit_transform(features), columnsfeatures.columns, indexfeatures.index)3.2 熵权TOPSIS综合评价的Python实现熵权TOPSIS的实现步骤如下我们同样用Python完成def entropy_weight_topsis(data): data: 标准化后的特征矩阵行是供应商列是评价指标 返回综合得分、排名、以及各指标权重 # 1. 熵权法求权重 P data / data.sum(axis0) # 计算比重 epsilon 1e-8 # 防止log(0) entropy -np.sum(P * np.log(P epsilon), axis0) / np.log(len(data)) diversity 1 - entropy weights diversity / diversity.sum() print(f各指标权重{dict(zip(data.columns, weights))}) # 2. TOPSIS法 weighted_matrix data * weights.values # 加权标准化矩阵 ideal_best weighted_matrix.max(axis0) # 正理想解 ideal_worst weighted_matrix.min(axis0) # 负理想解 # 计算距离 dist_best np.sqrt(((weighted_matrix - ideal_best) ** 2).sum(axis1)) dist_worst np.sqrt(((weighted_matrix - ideal_worst) ** 2).sum(axis1)) # 计算综合得分 score dist_worst / (dist_best dist_worst epsilon) rank score.rank(ascendingFalse, methodmin).astype(int) return score, rank, weights # 应用函数 scores, ranking, w entropy_weight_topsis(features_scaled) features[综合得分] scores features[排名] ranking3.3 混合整数规划模型的Lingo求解示例对于问题二的模型我们使用Lingo求解因为它描述优化模型非常直观。核心模型结构如下已简化MODEL: SETS: supplier /1..402/: ; week /1..24/: demand, inventory, transport, cost_transport; link(supplier, week): order, select; ! select是0-1变量表示该周是否选择该供应商 ENDSETS DATA: ! 从文件导入需求预测demand成本参数等; demand ...; unit_purchase_cost ...; unit_holding_cost ...; ENDDATA ! 目标函数最小化总成本; MIN SUM(link(s, w): order(s,w) * unit_purchase_cost(s)) SUM(week(w): inventory(w) * unit_holding_cost) SUM(week(w): cost_transport(w)); ! 约束条件; ! 1. 库存平衡约束; FOR(week(w): inventory(w) IF(w #EQ# 1, 0, inventory(w-1)) SUM(supplier(s): order(s,w)) - demand(w); ); ! 2. 每周选择供应商不超过50家; FOR(week(w): SUM(supplier(s): select(s,w)) 50; ); ! 3. 逻辑约束如果订购量大于0则select必须为1; FOR(link(s,w): order(s,w) M * select(s,w); ! M为一个很大的数; BIN(select(s,w)); ); ! 4. 运输成本分段函数线性化处理此处为示意需根据具体分段定义辅助变量和约束; ! ... 分段线性化约束 ... ! 5. 非负约束; FOR(link: GTE(order, 0)); FOR(week: GTE(inventory, 0)); END在实际比赛中我们需要将数据处理后填入DATA部分并仔细定义好分段线性化的所有约束。求解后order和select变量就是我们的订购方案。4. 论文写作要点与常见陷阱规避数学建模竞赛“模”是基础“竞”是关键而竞赛结果最终体现在那一篇20页左右的论文上。写作水平直接决定了评委对你工作的第一印象和最终评价。4.1 论文结构与逻辑呈现国赛论文有相对固定的结构但内在逻辑的流畅性至关重要。摘要重中之重这是论文的“脸面”。必须用精炼的语言300-500字概括针对每个问题你们用了什么方法建立了什么模型得到了什么关键结论最终方案是什么。避免出现技术细节和公式要写“结果性”语言。例如“针对供应商评估本文构建了基于供货稳定性、保障率等多维特征的评价体系采用熵权TOPSIS法量化评分并据此将供应商分为三类。基于此建立了以总成本最小为目标的整数规划模型利用Lingo求解得到了未来24周每周的具体订购方案预计可降低采购成本约X%。”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、条件和目标并画出逻辑框架图。这张图能清晰地展示你们如何分解问题各模块间如何联系让评委一眼看懂你们的思路。模型假设与符号说明假设要合理且必要例如“假设未来24周市场需求预测准确”、“假设运输途中无损耗”。符号说明建议采用三线表清晰美观。模型建立与求解这是核心章节。对应三个问题分节论述。每一节都应遵循“问题分析 - 模型构建 - 求解方法 - 结果分析”的流程。公式要规范编号重要的推导过程可以给出。结果不仅要有数字更要有分析比如“从图X可以看出我们倾向于在需求旺季前向A类供应商集中采购以规避价格上涨风险”。模型评价与推广客观评价自己模型的优点如考虑全面、鲁棒性强和缺点如对数据质量依赖较高、计算复杂度大。推广部分可以谈谈模型稍作修改后还能应用于哪些类似场景如电商库存管理、能源采购等。参考文献与附录参考文献格式要规范。核心代码、大量中间结果可以放在附录正文中只需给出关键代码片段或说明。4.2 可视化技巧让结果自己说话一张好的图表顶得上千言万语。供应商分类结果可以用雷达图展示几类典型供应商在各个特征维度上的表现非常直观。订购方案用热力图Heatmap展示402家供应商在未来24周的订购量横轴是周次纵轴是供应商可按评分排序颜色深浅代表订购量大小。评委一眼就能看出你们的采购策略是否集中、是否有规律。库存与需求变化用双Y轴折线图一条线表示每周库存水平另一条线表示每周原材料需求可以清晰展示库存如何平滑需求波动。成本构成分析用堆叠柱状图展示每周或总周期的成本构成采购、库存、运输各占多少比例突出优化重点。4.3 常见致命错误与避坑指南根据多年评审和参赛经验以下陷阱千万要避开误区一模型越复杂越好。盲目追求使用深度学习、强化学习等“高级”算法但模型假设与问题背景不符或求解不了最后只能给出一个“理论结果”。评委更看重模型与问题的贴合度以及求解的完备性一个求解良好的线性规划比一个无法求解的复杂随机过程模型得分高得多。误区二忽略题目隐性约束。例如本题中“每周供应商数≤50”这是一个强约束必须在模型中以约束条件明确表达并在结果中体现。很多队伍在论文里提了一句但模型和结果中都没看到这个约束的影子这会严重失分。误区三结果只有数字没有分析。论文里罗列了一大堆表格写着“第1周向供应商001订购100吨”但没有解释为什么是100吨为什么选001号。必须结合你们的模型逻辑和策略进行分析例如“因为第1周需求较低我们主要从评分高且供货稳定的A-01供应商小批量采购以维持基础库存”。误区四灵敏度分析流于形式。很多论文的灵敏度分析就是随便改个参数然后说“结果变化不大模型稳定”。好的灵敏度分析要服务于决策。例如可以分析运输成本阶梯价格变化对总成本的影响从而告诉企业“与运输商谈判时将第二档运费降低5%比将第一档运费降低10%更能节约总成本”。误区五编程与写作脱节。最后一天通宵赶论文发现模型结果还没跑出来或者结果与文字描述对不上。必须留足至少一天时间专门写作和修改。在建模中期就应该开始撰写问题分析、模型假设等部分。求解出结果后立即将关键图表和结论嵌入论文。5. 团队协作、时间管理与备赛建议数学建模是典型的团队作战三个人的配合决定了天花板。角色定位建模手负责核心思路构建和模型推导。需要扎实的数学、运筹学功底思维敏捷。编程手负责数据清洗、算法实现、模型求解和可视化。需要熟练使用Python/MATLAB熟悉优化求解器。写手负责论文撰写、润色和排版。需要极强的逻辑归纳能力、文字表达能力和审美最好会用LaTeX。三天时间轴推荐第一天上午集体研读题目查阅资料确定初步思路。中午前必须确定大方向切忌反复摇摆。第一天下午至晚上建模手细化模型编程手开始数据预处理和特征工程写手开始撰写问题重述、分析和模型假设。第二天全天编程手全力求解模型产出结果和图表。建模手辅助调试并开始构思模型评价和推广部分。写手根据已有结果撰写模型建立与求解初稿。第三天上午所有结果必须全部产出。团队集中进行结果分析确定论文最终结论和亮点。第三天下午至深夜写手整合全文完成摘要、总结等部分。其他两人通读全文检查错误调整格式制作图表。务必在截止时间前至少2小时完成最终版用于应对网络拥堵等意外。备赛建议前期积累精读往年优秀论文学习其思路和写作。掌握一到两种核心的建模方法如优化、预测、评价和对应的求解工具。专题训练针对数据处理、优化建模、时间序列预测、综合评价等专题进行刻意练习。模拟实战赛前进行1-2次全真模拟严格计时锻炼配合和抗压能力。回过头看2021年C题是一道非常经典的运筹优化类题目它没有设置过于诡异的障碍但考察点全面从数据处理、综合评价、优化建模到鲁棒分析环环相扣。解决它的过程就像完成一个微型的科研项目。最大的收获不是那个奖项而是这种将模糊现实抽象为清晰模型并利用数学工具和编程能力将其解决的系统性思维。这种能力无论在后续的学术研究还是工业界工作中都让我受益匪浅。最后一个小建议在论文中永远记得站在“企业决策者”的角度思考你的模型和方案最终是要帮企业赚钱的一切分析和结论都要围绕这个商业本质展开这样的论文才会有灵魂才能打动评委。 
1. 项目概述从一道赛题到一套完整的解题方法论每年九月的那个周末对于全国数十万理工科大学生来说都是一个既紧张又兴奋的时刻——全国大学生数学建模竞赛国赛如期而至。2021年的C题以“生产企业原材料的订购与运输”为背景将我们这些参赛者瞬间拉入了一个充满不确定性的决策世界。题目描述了一家建筑和装饰板材的生产企业需要根据过去五年的原材料进货和消耗数据以及未来24周的订货需求来制定未来24周的原材料订购与运输方案。这听起来像是一个经典的生产计划问题但当你真正打开附件数据看到那密密麻麻的402家供应商、240周的历史进货记录、以及充满波动的市场需求时才会意识到这远非一个简单的线性规划能搞定。它考察的是如何在历史规律、未来预测、成本约束和供应链韧性之间构建一个动态、鲁棒且可执行的决策体系。今天我就以一名过来人的视角拆解这道赛题的解题全流程分享从破题、建模到求解、写作的完整思路与核心技巧希望能为后来者提供一份真正“可抄作业”的实战指南。这道题的核心价值在于它完美模拟了一个现实世界中供应链管理者的决策场景你手头有海量但可能嘈杂的历史数据有对未来的模糊预期有来自采购成本、库存成本、供货稳定性等多方面的压力你的每一个决策都环环相扣并且直接影响到企业的利润命脉。解决它不仅需要扎实的数学建模功底更需要系统性的思维和将复杂问题层层拆解的耐心。无论是正在备赛的同学还是对运筹优化、数据分析感兴趣的朋友相信这篇详尽的复盘都能给你带来启发。2. 解题核心思路与模型框架设计面对C题最忌讳的就是一头扎进数据里开始算。首先必须建立起全局的解题框架。整个问题可以清晰地分解为三个递进的子问题它们共同构成了最终的订购与运输方案。2.1 问题一供应商的定量评估与分类建模第一问要求我们根据402家供应商的供货特征进行量化评估并给出未来24周最经济的原材料订购方案。这是整个赛题的基石如果供应商评估错了后面的所有优化都是空中楼阁。核心思路是“特征提取 - 综合评估 - 分类筛选”。我们手头有每家供应商过去240周的供货量数据。首先需要从这些时间序列中提取出能够刻画其供货能力的核心特征。我当时的团队提取了以下几个关键维度供货稳定性计算每周供货量的变异系数标准差/均值。这个值越小说明供应商每周的供货量越稳定生产计划就越容易安排。供货保障率统计历史周期内供货量大于0的周数占总周数的比例。这反映了供应商的持续供货意愿和能力比例越高越好。平均供货规模计算历史平均每周供货量。这直接关系到该供应商能否满足我们单次较大的采购需求。最大供货能力取历史供货量的最大值或高分位数如95%分位数用以评估其产能上限。提取特征后我们面临一个多指标的综合评价问题。这里切忌简单地将几个指标加权平均因为指标间可能存在相关性且量纲不同。我们采用了熵权TOPSIS法。熵权法可以根据各指标数据本身的离散程度客观赋权数据差异越大的指标权重越高TOPSIS法则通过计算每个供应商与理想最优解、最劣解的距离来进行排序。这种方法的好处是完全基于数据驱动避免了主观臆断说服力强。基于综合评价得分我们将402家供应商分为三类高评分稳定型A类、中等评分潜力型B类、低评分淘汰型C类。对于未来24周的订购一个非常关键且容易被忽略的约束是每周的供应商数量不能超过50家。因此我们的订购方案必须是一个动态的选择过程优先从A类供应商中挑选并考虑其历史供货特征来分配订购量同时确保每周的供应商总数不超标。这里可以建立一个以总成本采购成本库存成本最小化为目标的0-1整数规划模型决策变量是每周向每家供应商订购多少以及是否选择该供应商。注意很多队伍在第一问就试图建立一个覆盖24周的大型优化模型这会导致模型过于复杂求解困难。一个更实用的技巧是采用“滚动规划”的思路先基于历史数据和对未来需求的初步预测制定一个初步的供应商选择策略和订购比例在后续问题中再结合预测更新进行动态调整。先解决“选谁”的问题再细化“订多少”。2.2 问题二需求预测与运输方案建模第二问在第一问的基础上增加了运输成本并要求制定具体的每周运输方案。运输成本与运输量有关附件中给出了一个阶梯运价表。这一问的难点在于预测与优化的耦合。需求预测是前提。题目给出了未来24周的产品订单需求。我们需要将这些产品需求根据生产配比题目会给出如每立方米产品需要消耗多少特定类型的原材料转换成为对原材料的周度需求。这里需要注意产能约束和库存的平滑作用。我们采用了时间序列预测方法如ARIMA或指数平滑对转换后的原材料周需求进行预测并给出了预测区间例如80%置信区间以量化预测的不确定性。这比只给出一个单点预测值要科学得多。在运输方案建模上成本结构变得复杂采购成本与供应商和订购量有关 库存持有成本 运输成本与总运输量呈分段函数关系。我们建立了一个带约束的非线性规划模型。决策变量包括每周向每家供应商的订购量、每周的库存量、每周的运输量。目标函数是24周总成本最小化。一个关键的建模技巧在于处理分段线性运输成本。假设运输成本函数为当运输量Q在区间[0, A]时单价为p1在(A, B]时单价为p2以此类推。我们可以引入0-1辅助变量z_i来表示运输量落在第i个区间并添加相应的逻辑约束。例如设M为一个足够大的数约束可以写为Q A M*(1 - z1) Q A - M*z2 Q B M*(1 - z2) ... z1 z2 ... 1这样就将非线性项转化为了混合整数线性规划MILP问题可以使用Lingo、Gurobi或MATLAB的intlinprog等求解器进行求解。2.3 问题三不确定性应对与鲁棒优化模型第三问是赛题的升华它引入了现实世界中最令人头疼的要素不确定性。题目要求我们考虑供应商的供货量可能随机波动有概率比预定量减少50%并在此情况下制定订购和运输方案目标是保障产能的同时尽可能降低成本。这是典型的随机规划或鲁棒优化问题。我们采用了鲁棒优化的思想因为它不依赖于具体的概率分布而是假设扰动在一个不确定集合内然后优化最坏情况下的性能。这更符合“保障生产”的题意。具体而言我们为每家供应商的供货量引入一个不确定参数ξ假设其在其额定供货量的一个区间内波动例如[0.5倍, 1倍]。然后我们建立了一个两阶段鲁棒优化模型第一阶段决策在观察到不确定性之前必须做出的决定即“订购方案”向谁订、订多少。这部分成本是确定的。第二阶段决策在不确定性实际供货量揭示后可以做出的调整即“运输方案”以及可能的紧急补货决策。这部分成本与不确定性的具体实现有关。模型的目标是最小化第一阶段成本加上最坏情况下的第二阶段成本。求解这类问题通常采用列与约束生成法或对偶转化法。我们在比赛中采用了对偶方法将内层的最大化问题寻找最坏情况通过拉格朗日对偶转化为最小化问题从而将整个问题转化为一个确定性的混合整数规划问题。虽然求解规模较大但在合理简化如选择代表性的情景或对供应商不确定性进行聚合后是可以在比赛时间内得到满意解的。这一问的亮点在于方案必须体现“韧性”。例如在订购方案中我们会有意识地增加向高稳定性供应商的采购比例或设置一定的安全库存以缓冲供应波动。在论文中我们通过对比鲁棒方案与确定性方案在模拟随机扰动下的表现如缺货次数、总成本有力地证明了鲁棒方案的有效性。3. 数据处理、特征工程与关键算法实现有了清晰的思路框架下一步就是落地实现。这部分是队伍之间拉开差距的关键考验的是对数据的处理能力和对算法的熟练运用。3.1 历史数据清洗与特征提取实战附件中的数据并非完美。首先需要进行数据清洗缺失值处理对于某些供应商在某些周供货量为空值或0需区分是“未供货”还是“数据缺失”。我们将其统一视为“未供货”即0值因为从业务逻辑上没记录通常就意味着没送货。这对于计算供货保障率是合理的。异常值检测利用箱线图或3σ原则检查是否存在远超正常范围的进货量。我们发现个别周次存在极端大值经团队讨论认为这可能是真实的大额订单而非错误数据故予以保留但在计算稳定性指标时采用对异常值不敏感的统计量如中位数和四分位距进行辅助分析。特征提取我们使用了Python的Pandas库核心代码如下片段import pandas as pd import numpy as np # 假设 df 是原始的402x240的供货量DataFrame df pd.read_excel(附件1.xlsx, index_col0) # 索引为供应商ID features pd.DataFrame(indexdf.index) # 1. 平均供货量 features[mean_supply] df.mean(axis1) # 2. 供货稳定性变异系数 features[cv_supply] df.std(axis1) / (df.mean(axis1) 1e-8) # 防止除零 # 3. 供货保障率非零周比例 features[supply_ratio] (df 0).sum(axis1) / df.shape[1] # 4. 最大供货能力95%分位数 features[max_capacity] df.quantile(0.95, axis1) # 5. 供货增长趋势最近60周均值与最初60周均值的比值 features[trend] df.iloc[:, -60:].mean(axis1) / (df.iloc[:, :60].mean(axis1) 1e-8) # 数据标准化为后续综合评价做准备 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() features_scaled pd.DataFrame(scaler.fit_transform(features), columnsfeatures.columns, indexfeatures.index)3.2 熵权TOPSIS综合评价的Python实现熵权TOPSIS的实现步骤如下我们同样用Python完成def entropy_weight_topsis(data): data: 标准化后的特征矩阵行是供应商列是评价指标 返回综合得分、排名、以及各指标权重 # 1. 熵权法求权重 P data / data.sum(axis0) # 计算比重 epsilon 1e-8 # 防止log(0) entropy -np.sum(P * np.log(P epsilon), axis0) / np.log(len(data)) diversity 1 - entropy weights diversity / diversity.sum() print(f各指标权重{dict(zip(data.columns, weights))}) # 2. TOPSIS法 weighted_matrix data * weights.values # 加权标准化矩阵 ideal_best weighted_matrix.max(axis0) # 正理想解 ideal_worst weighted_matrix.min(axis0) # 负理想解 # 计算距离 dist_best np.sqrt(((weighted_matrix - ideal_best) ** 2).sum(axis1)) dist_worst np.sqrt(((weighted_matrix - ideal_worst) ** 2).sum(axis1)) # 计算综合得分 score dist_worst / (dist_best dist_worst epsilon) rank score.rank(ascendingFalse, methodmin).astype(int) return score, rank, weights # 应用函数 scores, ranking, w entropy_weight_topsis(features_scaled) features[综合得分] scores features[排名] ranking3.3 混合整数规划模型的Lingo求解示例对于问题二的模型我们使用Lingo求解因为它描述优化模型非常直观。核心模型结构如下已简化MODEL: SETS: supplier /1..402/: ; week /1..24/: demand, inventory, transport, cost_transport; link(supplier, week): order, select; ! select是0-1变量表示该周是否选择该供应商 ENDSETS DATA: ! 从文件导入需求预测demand成本参数等; demand ...; unit_purchase_cost ...; unit_holding_cost ...; ENDDATA ! 目标函数最小化总成本; MIN SUM(link(s, w): order(s,w) * unit_purchase_cost(s)) SUM(week(w): inventory(w) * unit_holding_cost) SUM(week(w): cost_transport(w)); ! 约束条件; ! 1. 库存平衡约束; FOR(week(w): inventory(w) IF(w #EQ# 1, 0, inventory(w-1)) SUM(supplier(s): order(s,w)) - demand(w); ); ! 2. 每周选择供应商不超过50家; FOR(week(w): SUM(supplier(s): select(s,w)) 50; ); ! 3. 逻辑约束如果订购量大于0则select必须为1; FOR(link(s,w): order(s,w) M * select(s,w); ! M为一个很大的数; BIN(select(s,w)); ); ! 4. 运输成本分段函数线性化处理此处为示意需根据具体分段定义辅助变量和约束; ! ... 分段线性化约束 ... ! 5. 非负约束; FOR(link: GTE(order, 0)); FOR(week: GTE(inventory, 0)); END在实际比赛中我们需要将数据处理后填入DATA部分并仔细定义好分段线性化的所有约束。求解后order和select变量就是我们的订购方案。4. 论文写作要点与常见陷阱规避数学建模竞赛“模”是基础“竞”是关键而竞赛结果最终体现在那一篇20页左右的论文上。写作水平直接决定了评委对你工作的第一印象和最终评价。4.1 论文结构与逻辑呈现国赛论文有相对固定的结构但内在逻辑的流畅性至关重要。摘要重中之重这是论文的“脸面”。必须用精炼的语言300-500字概括针对每个问题你们用了什么方法建立了什么模型得到了什么关键结论最终方案是什么。避免出现技术细节和公式要写“结果性”语言。例如“针对供应商评估本文构建了基于供货稳定性、保障率等多维特征的评价体系采用熵权TOPSIS法量化评分并据此将供应商分为三类。基于此建立了以总成本最小为目标的整数规划模型利用Lingo求解得到了未来24周每周的具体订购方案预计可降低采购成本约X%。”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、条件和目标并画出逻辑框架图。这张图能清晰地展示你们如何分解问题各模块间如何联系让评委一眼看懂你们的思路。模型假设与符号说明假设要合理且必要例如“假设未来24周市场需求预测准确”、“假设运输途中无损耗”。符号说明建议采用三线表清晰美观。模型建立与求解这是核心章节。对应三个问题分节论述。每一节都应遵循“问题分析 - 模型构建 - 求解方法 - 结果分析”的流程。公式要规范编号重要的推导过程可以给出。结果不仅要有数字更要有分析比如“从图X可以看出我们倾向于在需求旺季前向A类供应商集中采购以规避价格上涨风险”。模型评价与推广客观评价自己模型的优点如考虑全面、鲁棒性强和缺点如对数据质量依赖较高、计算复杂度大。推广部分可以谈谈模型稍作修改后还能应用于哪些类似场景如电商库存管理、能源采购等。参考文献与附录参考文献格式要规范。核心代码、大量中间结果可以放在附录正文中只需给出关键代码片段或说明。4.2 可视化技巧让结果自己说话一张好的图表顶得上千言万语。供应商分类结果可以用雷达图展示几类典型供应商在各个特征维度上的表现非常直观。订购方案用热力图Heatmap展示402家供应商在未来24周的订购量横轴是周次纵轴是供应商可按评分排序颜色深浅代表订购量大小。评委一眼就能看出你们的采购策略是否集中、是否有规律。库存与需求变化用双Y轴折线图一条线表示每周库存水平另一条线表示每周原材料需求可以清晰展示库存如何平滑需求波动。成本构成分析用堆叠柱状图展示每周或总周期的成本构成采购、库存、运输各占多少比例突出优化重点。4.3 常见致命错误与避坑指南根据多年评审和参赛经验以下陷阱千万要避开误区一模型越复杂越好。盲目追求使用深度学习、强化学习等“高级”算法但模型假设与问题背景不符或求解不了最后只能给出一个“理论结果”。评委更看重模型与问题的贴合度以及求解的完备性一个求解良好的线性规划比一个无法求解的复杂随机过程模型得分高得多。误区二忽略题目隐性约束。例如本题中“每周供应商数≤50”这是一个强约束必须在模型中以约束条件明确表达并在结果中体现。很多队伍在论文里提了一句但模型和结果中都没看到这个约束的影子这会严重失分。误区三结果只有数字没有分析。论文里罗列了一大堆表格写着“第1周向供应商001订购100吨”但没有解释为什么是100吨为什么选001号。必须结合你们的模型逻辑和策略进行分析例如“因为第1周需求较低我们主要从评分高且供货稳定的A-01供应商小批量采购以维持基础库存”。误区四灵敏度分析流于形式。很多论文的灵敏度分析就是随便改个参数然后说“结果变化不大模型稳定”。好的灵敏度分析要服务于决策。例如可以分析运输成本阶梯价格变化对总成本的影响从而告诉企业“与运输商谈判时将第二档运费降低5%比将第一档运费降低10%更能节约总成本”。误区五编程与写作脱节。最后一天通宵赶论文发现模型结果还没跑出来或者结果与文字描述对不上。必须留足至少一天时间专门写作和修改。在建模中期就应该开始撰写问题分析、模型假设等部分。求解出结果后立即将关键图表和结论嵌入论文。5. 团队协作、时间管理与备赛建议数学建模是典型的团队作战三个人的配合决定了天花板。角色定位建模手负责核心思路构建和模型推导。需要扎实的数学、运筹学功底思维敏捷。编程手负责数据清洗、算法实现、模型求解和可视化。需要熟练使用Python/MATLAB熟悉优化求解器。写手负责论文撰写、润色和排版。需要极强的逻辑归纳能力、文字表达能力和审美最好会用LaTeX。三天时间轴推荐第一天上午集体研读题目查阅资料确定初步思路。中午前必须确定大方向切忌反复摇摆。第一天下午至晚上建模手细化模型编程手开始数据预处理和特征工程写手开始撰写问题重述、分析和模型假设。第二天全天编程手全力求解模型产出结果和图表。建模手辅助调试并开始构思模型评价和推广部分。写手根据已有结果撰写模型建立与求解初稿。第三天上午所有结果必须全部产出。团队集中进行结果分析确定论文最终结论和亮点。第三天下午至深夜写手整合全文完成摘要、总结等部分。其他两人通读全文检查错误调整格式制作图表。务必在截止时间前至少2小时完成最终版用于应对网络拥堵等意外。备赛建议前期积累精读往年优秀论文学习其思路和写作。掌握一到两种核心的建模方法如优化、预测、评价和对应的求解工具。专题训练针对数据处理、优化建模、时间序列预测、综合评价等专题进行刻意练习。模拟实战赛前进行1-2次全真模拟严格计时锻炼配合和抗压能力。回过头看2021年C题是一道非常经典的运筹优化类题目它没有设置过于诡异的障碍但考察点全面从数据处理、综合评价、优化建模到鲁棒分析环环相扣。解决它的过程就像完成一个微型的科研项目。最大的收获不是那个奖项而是这种将模糊现实抽象为清晰模型并利用数学工具和编程能力将其解决的系统性思维。这种能力无论在后续的学术研究还是工业界工作中都让我受益匪浅。最后一个小建议在论文中永远记得站在“企业决策者”的角度思考你的模型和方案最终是要帮企业赚钱的一切分析和结论都要围绕这个商业本质展开这样的论文才会有灵魂才能打动评委。