数学建模：学习地图与完整流程

专题学习地图 · 第 1 / 27 篇

学习目标与先修知识

学完本篇，你应能把一句生活问题改写为“已知什么、决定什么、优化什么、受什么限制、如何验证”。不需要先学完高等数学；遇到矩阵、导数和概率，回到下一篇基础课即可。

每篇按同样的 11 个部分组织。第一次阅读先看背景、手算和结果；第二次把代码中的变量逐一对应到公式；第三次遮住答案完成练习。看懂答案只是第一步，能换一组数字独立计算，才说明抓住了机制。

问题背景与使用时机

“明天应准备多少份午餐”包含至少三个不同任务：预测明天需求、决定备货数量、比较缺货与浪费损失。预测模型输出一个数，不会自动替你决定应该备多少。

数学模型是对现实的有目的简化。我们挑出与问题有关的因素，用方程、概率、规则或网络描述关系，再检查这些简化是否足以支持决策。算法负责求解模型；同一模型可以用不同算法求解，换算法不等于改好了模型。

核心概念与符号

模型必须同时交代单位。例如“2 千克/批 × 3 批 = 6 千克”，约束两边才能比较。预测值通常记为 $\hat y$，帽子提醒我们它是估计，不是真实观测 $y$。

验证步骤提醒我们：若结果不符合证据，需要回到数据、假设或模型重新检查，再开始下一轮计算。

手算一个最小例子

一家小店今天有 8 千克原料、最多烘烤 5 批。A 每批耗 2 千克，利润 3 元；B 每批耗 1 千克，利润 2 元。假设利润已扣除可变成本，批次必须为整数，且这些产品都能售出。

令 $x$、$y$ 为 A、B 批数：

连续可行域的角点为 $(0,0),(4,0),(3,2),(0,5)$，对应利润为 $0,12,13,10$。这些角点恰好也是整数点，因此这里整数模型也在 $(3,2)$ 取得最大利润 13 元。

检查：原料 $2\times3+2=8$ 千克，批数 $3+2=5$，两个约束都满足。不要把这个特殊例子理解为“整数规划总能直接取连续解”。

建模步骤与完整案例

完整建模按七步进行：

1. 重述问题：今天怎样安排两类面包的批次，使利润最大。
2. 整理数据：资源、单耗、利润、售出条件，分别注明单位与来源。
3. 提出假设：固定利润、没有换线成本、产品能够售出。若有销量上限，应加进约束。
4. 定义变量：把“生产计划”写成可计算的 $x,y$。
5. 建立关系：目标、资源约束和整数约束缺一不可。
6. 求解并验证：先用枚举作小规模基准，再用优化求解器处理大规模。
7. 解释与敏感性分析：减少原料或改变利润，重新求解，观察计划是否改变。

最终报告应同时给出计划、资源使用、收益、主要假设和不能覆盖的情况。不能只交一张求解器截图。

Python 实现与结果解释

配套文件：查看或下载本篇完整脚本。

下面只用 Python 标准库，直接枚举所有可能批次。每一行候选记录都是“一个具体方案”，过滤条件就是数学约束。

def solve_plan(material):
    feasible = [
        (3*x + 2*y, x, y)
        for x in range(6)
        for y in range(6)
        if x + y <= 5 and 2*x + y <= material
    ]
    return max(feasible)

profit, x, y = solve_plan(8)
print("利润、A批数、B批数:", profit, x, y)
print("原料用量:", 2*x + y, "总批数:", x + y)
print("原料减少后:", solve_plan(7))
assert (profit, x, y) == (13, 3, 2)
assert 2*x + y <= 8 and x + y <= 5

原料为 7 时，最优方案变为 A 做 2 批、B 做 3 批，利润 12。这个变化说明生产建议依赖资源条件，而不是永远固定为“3 加 2”。枚举在这里可靠，是因为变量取值范围小且被完整遍历。

方法选择与常见误区

先按问题的输出选择方法：

“套一个复杂模型”不是建模步骤。先写出简单基线：预测可用历史均值或昨天数值，优化可用平均分配。复杂方法必须说明改进发生在哪里，以及增加了什么成本。

练习

1. 小店的单位利润与生产批数，哪个是参数，哪个是决策变量？
2. 若 B 今天最多卖 1 批，应增加什么条件？原来的方案还可行吗？
3. 为什么“模型算出利润最大”仍不能保证真实经营利润最大？
4. 不看答案，用纸列出原料为 7 时的最好方案。

参考答案

1. 单位利润是给定参数；生产批数是决策变量。实际项目中参数也可能需要先估计。
2. 增加 $y\le1$。原方案 $y=2$ 不再可行；重新求解可得 $(x,y)=(4,0)$，利润 12。
3. 结论只在模型与假设下成立。销量不足、利润估计偏差、设备故障或遗漏约束都可能改变结果。
4. $(2,3)$：耗料 $4+3=7$，共 5 批，利润 $6+6=12$。检查其他可行整数点，均不能超过 12。

复习卡片与下一步

推荐阅读顺序

第一阶段读基础、数据处理、可视化、统计与回归；第二阶段读几何、微分方程、规划、图论和评价；第三阶段读时间序列与机器学习；最后用综合案例把分析变成决策。

• 必备数学与 Python 基础：用小例子理解向量矩阵、导数、概率与数组。
• 数据预处理与插值：从缺失、重复和量纲走到可用数据，理解插值与信息泄漏。
• 数据可视化与探索分析：围绕问题选择图表，读懂分布、关系和异常。
• 统计模型与假设检验：从样本波动理解区间、p 值和检验选择。
• 回归与曲线拟合：从手算最小二乘到带验证的预测模型。
• 几何模型与线性代数：从距离、投影和旋转走到定位、方程与分解。
• 微分方程与动力系统：从变化率建立模型，用解析解和数值解预测状态。
• 线性规划与整数优化：把资源分配写成目标与约束，再检查解的可行性。
• 图论与网络优化：用节点和边建模，区分最短路、生成树、流与路线规划。
• 权重生成与综合评价：用 AHP、熵权和 TOPSIS 比较方案并检查排名稳健性。
• 主成分分析与降维：从相关特征找到低维表示，理解方差、投影与解释。
• 时间序列分析与验证：识别趋势、季节和相关性，建立按时间验证的流程。
• 时间序列之移动平均法：手算平滑与一步预测，理解窗口、滞后和趋势修正。
• 时间序列之指数平滑法：从递推权重理解水平、趋势与季节模型。
• ARIMA 与相关时间序列：从差分和自相关理解 AR、MA、ARIMA 的选择与诊断。
• 机器学习流程与 KNN：从距离投票理解监督学习、交叉验证和评估。
• 朴素贝叶斯：从条件概率与平滑走到文本分类。
• 线性判别与支持向量机：从投影与间隔理解 LDA、软间隔和核函数。
• 树模型与集成学习：从手算分裂走到剪枝、随机森林和梯度提升。
• 聚类算法：通过手算分组理解 K-Means、DBSCAN、层次聚类和 GMM。
• 神经网络与反向传播：从单个神经元的手算更新走到可验证的 MLP。
• 进化计算与群体智能：理解 GA、PSO、ACO、SA 的更新与公平比较。
• 随机模拟与不确定性分析：用蒙特卡洛、马尔可夫和排队案例理解风险与误差。
• 图像文本与信号建模：把非表格数据变成特征，理解分割、频谱与融合。
• 综合案例 从销量预测到备货决策：完整连接数据检查、基线、验证、成本优化和报告。
• 研究生数学建模赛题的阅读与方法选择：结合 2021 至 2025 年题目学习如何拆任务和验证方案。

运行代码的准备

最优化方法补充阅读： 最优化方法第一章绪论零基础学习笔记按课本一章完整讲解数学符号、建模、问题分类和全局与局部最优，推导五个例题并详解六道习题。它是原 27 篇主线之外的章节补充，附独立笔记与标准库计算代码包。

使用 Python 3.11 或兼容版本。先下载完整示例代码包并解压，进入解压后的文件夹。包内每个英文文件对应一篇笔记，数据由代码生成或来自 scikit-learn 内置数据，不需要先准备 Bitcoin 或 Titanic 文件。

在终端执行：

python -m venv .venv
Windows 命令提示符：.venv\Scripts\activate
macOS 或 Linux：source .venv/bin/activate
python -m pip install -r requirements.txt
python mathematical-modeling-roadmap.py

激活命令只运行与你的系统对应的一行。依赖安装需要网络；首次可先运行只用标准库的学习地图例子。若提示找不到模块，先确认安装依赖和运行程序使用的是同一个 Python 环境。绘图程序会打开图窗，关闭后继续运行即可。

与原参考教程怎样对照

每篇都应留下三样东西：一张能解释的手算纸、一段自己运行过的代码、一句话说明适用条件。下一篇从数组、矩阵、导数和概率补起。

下一篇 必备数学与 Python 基础

参考资料

• Datawhale《数学建模导论》目录：用于建立知识目录，建议与本篇的手算和案例对照阅读。

• 本专题的主要学习参考为 Datawhale《数学建模导论》，项目负责人和主编为马世拓；章节作者及许可信息见原项目。下面的数字案例和代码按学习目标重新设计。

• 原教程覆盖的偏微分方程、DEA、GARCH 等进阶内容可在完成对应基础后继续阅读；本路线先讲清常用模型的建立、验证与选择。