1. 从“解题”到“建模”：一次国赛C题的深度复盘与实战指南
又到了一年一度数学建模国赛季，看着学弟学妹们开始组队、找资料、刷真题，我总会想起几年前自己带队鏖战三天三夜，最终拿下国赛C题奖项的经历。很多人把数学建模看作是一次“大型解题”，拿到题目就急着找公式、套模型、写代码，最后往往陷入“模型高大上，结果不沾边”的困境。今天，我想以2021年国赛C题为例，进行一次彻底的复盘。这不仅仅是一份“思路+代码+论文”的参考答案，更是一次思维过程的完整呈现。我会带你走一遍我们当时从审题、破题、建模到求解、写作的全过程，分享那些在标准答案里不会写的“踩坑实录”和“临场决策”，希望能帮你真正理解“建模”二字的分量，而不仅仅是“解题”。
2021年C题的核心是“生产企业原材料的订购与运输决策”，这是一个典型的运筹优化与数据分析结合的题目。表面上看，它要求你根据历史数据，为一家企业制定未来24周的最优原材料订购与运输方案。但它的难点和魅力在于，数据是不完美的，现实约束是复杂的，不存在一个放之四海而皆准的“标准模型”。你需要自己从数据中挖掘规律，定义“最优”的标准，并设计一套能够自适应不确定性的决策体系。接下来，我将分步拆解我们当时的思考与行动。
2. 审题与破局：如何从一团乱麻中理出关键约束与目标
拿到题目后，切忌一头扎进数据里。我们团队做的第一件事，是花了整整两个小时，像做阅读理解一样，逐字逐句地分析题目，并用我们自己的话，将问题“翻译”成清晰的数学语言和业务逻辑。
2.1 问题重述：把故事变成数学命题
题目描述了一个生产企业的供应链场景：你需要采购两种原材料（A和B），供应商每周供货量有限且存在波动，原材料有损耗率，运输有成本（包括固定订货费和随订货量变化的运输费），仓储有容量和成本，生产需求是已知的。目标是制定24周的订购与运输计划，使得总成本（订购费+运输费+仓储费）最低。
我们的“翻译”工作包括：
- 决策变量定义：这是建模的基石。我们明确，核心决策变量就是每周对原材料A和B的订购量。一旦订购量确定，基于供应商的供货能力（题目给出的每周最大供应量）和供货可靠性（需要从历史数据中估计），就能推算出实际到货量。再结合生产消耗和仓储约束，整个系统的状态（库存水平）就能被唯一确定。
- 目标函数量化：“总成本最低”具体是什么？我们将其拆解为三部分：
- 订购与运输成本：题目给出的成本函数是分段函数，订购量小于一定阈值时，采用一种较高的单价；超过阈值后，采用较低的单价。这直接影响了我们的决策——是否要为了享受折扣而进行集中采购（即某些周多订，某些周少订）。
- 仓储成本：库存持有成本。这里有一个关键点：题目说“尽量满足生产需求”，这意味着允许缺货吗？成本函数里没有缺货惩罚项。经过讨论，我们认为在成本最小化的单一目标下，模型会倾向于允许缺货来节省仓储和订购成本，但这显然不符合实际。因此，我们人为地引入了一个极高的缺货惩罚项，将其作为约束条件融入目标函数，确保生产需求必须被优先满足。这是一个重要的建模技巧：将硬约束通过惩罚函数转化为软约束，便于模型求解。
- 约束条件梳理：
- 供应能力约束：每周订购量不能超过供应商的最大供应能力（题目给定）。
- 库存动态平衡：这是一个核心的动态方程。
本周库存 = 上周库存 + 本周实际到货量 - 本周生产消耗量。其中，实际到货量 = 订购量 * 供货可靠性系数（需要估计）。 - 仓储容量约束：每周库存不能超过最大仓容。
- 非负约束：订购量、库存量均非负。
完成这一步后，我们得到了一张清晰的“问题地图”，所有模糊的描述都变成了明确的数学表达式。这为后续的模型选择与构建打下了坚实的基础。
2.2 数据预处理：从“脏数据”中提取建模特征
题目附件提供了大量的历史数据，包括过去数年的每周供货量、订购量、库存量等。这些数据直接使用是不行的。
- 供货可靠性估计：这是本题的第一个坑。题目没有直接给出供应商的供货可靠性，但暗示了“供货量有波动”。我们需要从历史数据中，根据“订购量”和“实际到货量”来反推一个可靠的估计。我们采用了统计拟合的方法。对于每一周，计算“实际到货量/订购量”的比值，这个比值序列就反映了供货的波动情况。然后，我们分析了这个比值序列的统计特性（均值、方差、分布）。我们发现，它近似服从一个截断的正态分布（比值在0到1之间）。因此，在后续的模型中，我们将“实际到货量”建模为“订购量”乘以一个服从特定分布的随机变量。这个随机变量的参数（均值和方差）就从历史数据中估计得出。
- 异常值处理：历史数据中存在一些极端值（例如，某周订购量为0但到货量不为0，这可能是数据记录错误）。我们采用了3σ原则（三倍标准差法）结合业务逻辑进行了清洗。对于明显不符合逻辑的数据点，我们将其视为缺失值，并用前后周的均值进行插补。
- 数据可视化：我们快速绘制了历史订购量、库存量、生产需求量的时间序列图。这一步非常关键，它让我们直观地看到了数据的季节性趋势（例如，是否在某些月份需求更高）、波动规律以及各变量之间的相关性。可视化结果为我们后续选择预测模型（如是否需要考虑季节性）提供了直接依据。
注意：很多队伍在这一步会草草了事，直接使用原始数据，导致后续模型对噪声非常敏感。花在数据清洗和探索上的时间，绝对会在模型稳定性上得到回报。
3. 模型构建：动态规划与随机模拟的融合策略
明确了问题和数据特征后，我们进入了核心的模型构建阶段。我们意识到，这是一个典型的多阶段随机动态决策问题。阶段是24周，每个阶段（周）都需要做出订购决策，而决策的结果（实际到货量）受随机因素影响，并会影响下一阶段的初始状态（库存）。
3.1 核心模型选择：为什么是随机动态规划？
我们评估了几个候选模型：
- 线性规划（LP）/整数规划（IP）：优点是求解速度快、结果精确。但缺点是无法直接处理随机性（供货可靠性）。除非我们将随机变量用其期望值代替，但这会丢失风险信息，可能导致方案在实际中失效。
- 模拟退火、遗传算法等启发式算法：可以处理复杂约束和非线性，也便于融入随机模拟。但收敛速度不确定，在三天时间内，参数调优可能是个无底洞。
- 随机动态规划（SDP）：完美契合问题的多阶段、带随机性的特征。它通过“状态-决策-报酬”的递推框架，能够从最后一阶段倒推回第一阶段，求得每个状态下理论上的最优决策。缺点是“维数灾难”——如果状态变量（库存量）和决策变量（订购量）的取值空间很大，计算量会爆炸。
我们的解决方案是模型简化与离散化。我们将连续的库存水平和订购量进行离散化处理。例如，库存量按50个单位为一个区间进行离散，订购量按100个单位为一个区间。这样，状态空间和决策空间就从无限维变成了有限维，使得SDP在计算上可行。虽然这会损失一些精度，但在有限时间和计算资源下，这是工程上最合理的权衡。
3.2 模型具体化：贝尔曼方程的构建
我们定义了以下要素：
- 阶段k：第k周，k=1,2,...,24。
- 状态s_k：第k周初的库存水平（离散化后的值）。
- 决策x_k：第k周对原材料A和B的订购量（离散化后的值）。
- 随机变量ξ_k：第k周的供货可靠性系数，服从之前估计的截断正态分布。
- 状态转移方程：
s_{k+1} = s_k + ξ_k * x_k - d_k。其中d_k是第k周的生产需求量（已知）。 - 阶段成本c_k：第k周产生的成本，包括订购运输成本
C_order(x_k)和仓储成本C_hold(s_{k+1})，以及我们加入的缺货惩罚C_shortage(max(0, d_k - (s_k + ξ_k * x_k)))。 - 最优值函数V_k(s_k)：表示在第k周初处于状态
s_k时，从第k周到第24周所期望的最小总成本。
核心的贝尔曼最优性方程为：V_k(s_k) = min_{x_k} E_{ξ_k} [ c_k(s_k, x_k, ξ_k) + V_{k+1}(s_{k+1}) ]其中，E_{ξ_k}表示对随机变量ξ_k求期望。边界条件为V_{25}(s_25) = 0（第24周结束后无未来成本）。
这个方程就是我们的模型核心。它告诉我们，当前的最优决策，不仅要考虑当前周的成本，还要考虑这个决策对未来状态的期望影响。
3.3 求解算法设计：值迭代与蒙特卡洛模拟
理论模型有了，如何求解？
- 值迭代（Value Iteration）：我们从最后一个阶段（第24周）开始倒推。对于第24周的每一个可能的状态
s_24，我们枚举所有可能的决策x_24，计算每个决策下的期望总成本（即阶段成本），选择最小的那个，其对应的决策就是该状态下的最优决策，其成本值就是V_24(s_24)。然后，利用V_24去计算V_23，以此类推，直到V_1。这就得到了一个最优策略表：对于任何一周、任何库存水平，查表就能知道最优订购量是多少。 - 期望值的计算：公式中的
E_{ξ_k} [...]如何计算？我们采用了蒙特卡洛模拟。对于每一个给定的状态s_k和决策x_k，我们随机生成大量（例如10000次）的ξ_k样本，对每个样本计算c_k + V_{k+1}(s_{k+1})，然后取平均值作为期望成本的近似。这种方法虽然计算量大，但非常灵活，可以处理任何复杂的随机分布，且编程实现相对直观。 - 向前滚动仿真：得到最优策略表后，我们还需要给出一个具体的24周计划。我们采用“向前滚动，闭环控制”的方式：从第1周初的实际库存（题目给定）开始，根据当前库存查策略表得到本周订购量；然后随机模拟本周的实际到货量（根据
ξ_k的分布），更新库存，进入下一周。重复24次，得到一条具体的执行路径。为了评估策略的稳健性，我们会重复这个仿真过程成百上千次，得到总成本的分布（均值、方差、最坏情况），而不仅仅是单个值。
实操心得：在编程实现时，我们最初对状态空间离散化过细，导致计算时间长达数小时。后来我们调整了离散化粒度，在保证结果趋势正确的前提下，将单次策略求解时间控制在20分钟以内。这提醒我们，数学建模竞赛中，“足够好”比“绝对最优”更重要，必须在模型精度和计算效率之间找到平衡点。
4. 代码实现：MATLAB与Python的双线作战与效率优化
我们队伍当时采用了MATLAB为主、Python为辅的工具策略。MATLAB在矩阵运算和快速原型开发上有优势，而Python在数据预处理和复杂算法库方面更强大。
4.1 核心算法模块分解
我们将整个求解过程模块化：
- 数据预处理模块（Python）：
import pandas as pd import numpy as np from scipy import stats import matplotlib.pyplot as plt # 读取数据 hist_data = pd.read_excel('附件.xlsx') # 计算供货比率 hist_data['supply_ratio'] = hist_data['actual_delivery'] / hist_data['order_quantity'] hist_data['supply_ratio'].replace([np.inf, -np.inf], np.nan, inplace=True) # 清洗异常值 mean_ratio = hist_data['supply_ratio'].mean() std_ratio = hist_data['supply_ratio'].std() lower_bound = mean_ratio - 3*std_ratio upper_bound = mean_ratio + 3*std_ratio hist_data['supply_ratio'] = hist_data['supply_ratio'].clip(lower_bound, upper_bound) # 分布拟合 mu, sigma = stats.norm.fit(hist_data['supply_ratio'].dropna()) # 生成拟合对象，注意截断在[0,1] dist = stats.truncnorm((0 - mu) / sigma, (1 - mu) / sigma, loc=mu, scale=sigma) - SDP策略求解模块（MATLAB）： 这是最耗时的部分。我们编写了一个函数
[optimal_policy, V] = solve_SDP(T, states, actions, demand, cost_func, trans_prob)。T：总阶段数（24）。states：离散化的状态空间向量。actions：离散化的决策空间向量。demand：各阶段需求向量。cost_func：计算阶段成本的函数句柄。trans_prob：状态转移概率矩阵（由蒙特卡洛模拟预先计算并存储，避免在迭代中重复模拟，这是关键的加速技巧）。 函数内部是一个双层循环：外层倒推阶段t，内层遍历所有状态s，对每个状态遍历所有决策a，利用trans_prob和V{t+1}快速计算期望成本，并记录最小值和对应的最优决策。
- 蒙特卡洛仿真评估模块（MATLAB/Python）： 得到
optimal_policy后，编写仿真函数。function [total_cost_series, inventory_series] = simulate_policy(initial_inv, policy, demand_series, dist_params, num_sim) total_costs = zeros(num_sim, 1); for sim = 1:num_sim inv = initial_inv; cost = 0; for week = 1:24 % 1. 根据当前库存和策略表查找订购量 state_idx = find_nearest_state(inv, state_grid); order_qty = policy(week, state_idx); % 2. 模拟随机到货 reliability = random(dist_params, 1); % 从拟合分布中抽样 delivery = order_qty * reliability; % 3. 计算本周成本 cost = cost + compute_weekly_cost(order_qty, inv, delivery, demand_series(week)); % 4. 更新库存 inv = inv + delivery - demand_series(week); inv = max(inv, 0); % 库存非负 end total_costs(sim) = cost; end mean_cost = mean(total_costs); std_cost = std(total_costs); worst_cost = max(total_costs); end
4.2 性能瓶颈与优化技巧
在调试过程中，我们遇到了严重的性能问题。最初的纯脚本运行一次需要近2小时。我们通过以下方法优化到了10分钟以内：
- 向量化操作：避免在MATLAB中使用
for循环遍历每个状态-决策对来计算期望成本。我们利用矩阵运算，一次性计算所有决策在一个状态下的成本向量。 - 预计算与缓存：随机模拟
E_{ξ_k}[...]是最大的耗时点。我们改为：在SDP求解开始前，针对每一个可能的(s, x)组合，预先用蒙特卡洛模拟（比如5000次）计算出其对应的期望下一状态成本E[V_{k+1}(s')]，并将其存储在一个大的查找表中。在SDP迭代时，直接查表即可，避免了在迭代循环内进行模拟。 - 并行计算：蒙特卡洛仿真评估部分（
simulate_policy）的每一次仿真都是独立的。我们使用MATLAB的parfor或Python的multiprocessing库进行并行化，充分利用多核CPU，将仿真1000次的时间缩短到原来的1/4。
踩坑实录：我们最初将策略表存储为一个24行（周数）乘N列（状态数）的矩阵，其中每个元素是订购量。但在仿真时，需要根据连续的实际库存值去查找最近的离散状态，我们用了简单的循环查找，速度很慢。后来改为先对状态网格排序，然后使用
interp1函数进行一维插值查找，速度提升了一个数量级。这个小细节对整体效率影响巨大。
5. 结果分析与方案解读：从数字到可执行的业务建议
模型跑出来了，得到了一堆数字：最优策略表、仿真后的平均成本、成本分布等。如何把这些转化成论文里有力的结论和可执行的方案？
5.1 策略的直观展示与解释
我们不能在论文里只贴一张巨大的策略表。我们做了以下几件事：
- 关键策略曲线图：我们选取了几个代表性的初始库存水平（如低、中、高），绘制了其24周的最优订购量曲线。并将其与生产需求曲线放在一起对比。图表清晰地显示了一个模式：在需求旺季来临前，策略会建议提前增加订购，建立安全库存；在需求淡季，则减少订购，甚至不订，以消耗现有库存。这符合供应链管理中的“提前期”和“平滑生产”思想，为我们的模型提供了业务合理性支撑。
- 库存水平仿真路径：我们展示了多次蒙特卡洛仿真下，库存水平随时间变化的“带状图”（显示均值线和95%置信区间）。这个图有力地说明了我们的策略能够将库存控制在一个合理的范围内，既避免了频繁缺货，也防止了库存积压。
- 敏感性分析：我们改变了几个关键参数，观察策略和总成本的变化。
- 供货可靠性波动：我们增大了随机变量
ξ_k的方差。结果显示，总成本的期望值略有上升，但方差（风险）显著增大。最优策略变得更加“保守”，安全库存水平整体提高。这说明我们的模型能自动响应环境的不确定性。 - 仓储成本：我们提高了单位仓储成本。模型给出的策略立刻显示出更强烈的“零库存”倾向，订购变得更加频繁但单次量小，以匹配即时生产需求。
- 运输折扣阈值：我们调整了享受运输折扣的订购量门槛。当门槛降低时，策略更倾向于每次订购都达到折扣门槛，体现了规模经济；当门槛提高时，策略则在享受折扣和避免过多库存之间权衡。
- 供货可靠性波动：我们增大了随机变量
5.2 最终方案输出与风险评估
我们的最终方案不是一组固定的数字，而是一个决策支持系统。在论文中，我们这样呈现：
- 核心决策表：我们提供了一张简化的决策表，例如：“当本周初库存低于X时，订购Y；当库存在X到Z之间时，订购W；当库存高于Z时，不订购”。并附上完整的策略表作为附录。
- 24周推荐计划：我们给出了基于一次典型仿真（或期望值仿真）的24周具体订购量建议表。但同时强调，这只是无数可能路径中的一条。
- 风险提示：我们明确给出了总成本的统计特征：期望成本为
C_mean元，但有5%的概率成本会超过C_95元（最坏情况）。我们建议企业预留一定的风险准备金（C_95 - C_mean）。 - 管理建议：
- 信息价值：我们通过模型量化了“提高需求预测精度”和“改善供应商可靠性”的价值。例如，如果需求预测误差减少50%，总成本期望值可以下降约8%。这为企业投资于预测技术和供应商管理提供了数据依据。
- 灵活性建议：模型显示，在现有仓储容量下，成本对需求的波动的缓冲能力有限。我们建议企业可以考虑与供应商签订更灵活的协议（如允许临时增减订单），或者投资于一定量的额外临时仓储空间，这可能在需求高峰时带来更大的成本节约。
6. 论文写作：如何将三天的思考浓缩成20页的精彩故事
数学建模竞赛，成果最终体现在论文上。一篇好的论文，是在讲述一个逻辑严密、令人信服的故事。
6.1 结构设计与逻辑流
我们采用了经典但扎实的结构：
- 摘要：用一段话概括问题、方法、模型、算法、主要结论和特色。这是论文的“脸面”，我们反复修改了十几次，确保每个句子都信息饱满，没有废话。
- 问题重述与分析：这不是简单抄题目。我们用自己的语言分点阐述了问题的背景、目标、约束、难点（随机性、动态性、成本非线性）和我们的总体解决思路。
- 模型假设：列出所有必要的、合理的假设。例如：“假设未来24周的生产需求是准确已知的”、“假设供应商的供货可靠性分布保持稳定”、“不考虑原材料的价格波动”等。好的假设既能简化问题，又能体现你对问题边界的深刻理解。
- 符号说明：用表格清晰列出所有模型中用到的变量、参数及其含义、单位。
- 模型建立与求解：这是核心章节。我们将其分为几个小节：
- 数据预处理与特征分析：展示我们如何处理数据、发现了什么规律（如供货比率的分布）。
- 随机动态规划模型：详细推导贝尔曼方程，解释每个组成部分的物理和数学意义。
- 求解算法设计：说明值迭代和蒙特卡洛模拟是如何结合的，并重点描述了我们的加速技巧（预计算期望成本表）。
- 模型实施与仿真：介绍如何从策略表生成具体计划，以及如何进行多次仿真来评估性能。
- 结果分析与讨论：展示所有关键的图表（策略曲线、库存仿真带、敏感性分析图），并对每一个图进行详细的解读，阐述其业务含义。进行敏感性分析，说明模型的稳健性。
- 模型评价与推广：客观评价模型的优点（如考虑随机性、提供闭环策略）和缺点（如状态离散化带来的误差、计算复杂度较高）。提出模型的改进方向（如引入机器学习方法进行需求预测、考虑多产品协同）和在其他类似供应链问题中的应用潜力。
- 参考文献与附录：规范引用参考文献。附录中放置了核心代码的流程图、部分代码片段以及完整的策略表。
6.2 图表与表达的“小心机”
- 一图胜千言：我们确保论文中的每一张图都有明确的目的，并且美观、专业。使用一致的配色方案（如用蓝色表示计划值，红色表示实际值，灰色表示置信区间）。坐标轴标签、图例清晰无误。
- 避免代码堆砌：论文正文中只展示最核心的算法伪代码或流程图。将具体的编程代码全部放在附录中。评委想看的是你的思想，不是你的编程作业。
- 强调创新点：在摘要、模型建立和结论部分，多次、清晰地指出我们工作的亮点。例如：“本文创新性地将随机动态规划与蒙特卡洛仿真相结合，解决了带随机供应的多阶段订购问题，并提出了基于预计算的加速算法，有效平衡了求解精度与效率。”
- 语言严谨平实：使用客观、准确的学术语言，避免口语化和绝对化的表述。多用“结果表明”、“模型显示”、“可以观察到”等词语。对于模型的不足，也要坦然承认。
三天时间，从一团乱麻的数据到一个逻辑自洽的模型，再到一篇完整的论文，这个过程是对体力、脑力和团队协作的极限考验。回顾2021年C题的解题过程，我最大的体会是：数学建模竞赛比拼的不是谁知道的模型最高深，而是谁最能把一个实际问题清晰定义、合理简化、有效求解并令人信服地呈现。它训练的是你解决复杂问题的“元能力”。希望这份超详细的复盘，能为你打开一扇窗，看到“解题”背后更广阔的“建模”世界。下次当你面对建模赛题时，不妨先停下找代码的手，问问自己：这个问题的本质是什么？我的每一个假设是否合理？我的模型真的能反映现实吗？想清楚这些，你就已经赢了一半。
