简介：这是一份昆明理工大学数学建模实验2的线性规划实验报告PDF，面向数学建模、运筹学初学者以及需要完成类似实验任务的高校学生。报告围绕广告投放优化场景展开，要求在总广告费不超过800千元、电视广告费用不超过500千元等约束下，通过MATLAB求解白天电视、最佳时间电视、无线电广播和杂志广告的最佳投放次数，以最大化招徕顾客数。全文包含实验目的与环境、符号说明、问题分析、线性规划模型建立、目标函数与约束条件推导，以及使用linprog函数的完整源程序、运行结果截图和最终最佳投放方案分析。资源为单个PDF文件，大小仅158KB，内容排版完整，可直接作为课程作业、实验报告或期末复习的参考资料。目前已有350人学习下载，适合需要快速掌握线性规划建模步骤和MATLAB求解方法的学习者。
1. 一份"数学建模+实验2.pdf"，解开后是一整套建模练习
如果你在某高校课程平台下过一份《数学建模+实验2》PDF，多半有过类似经历：满怀期待地打开，发现里面既没有可复制的完整代码，也没有标准答案，只有两三页问题描述、一张数据表，外加几句"请用所学方法求解并完成实验报告"。这份文件看起来单薄，实际是老师把完整建模流程装进了一次作业里：从读题、定变量、选方法，到写代码、检验、写报告，每一步都被要求明确。它能帮你补的，恰恰是课堂上学不到的那段"从题目到交付"的完整链路。适合正在修数学建模课的学生、刚进数模竞赛门的新手，以及准备给学生设计实验题的助教。
2. 从PDF到任务清单：先把实验指导书拆成能执行的四步
2.1 先看结构：一份实验PDF里通常藏着哪四样东西
拿到PDF，别急着打开数据表。我花十分钟通读一遍，通常会发现文档由四部分组成：实验目的、问题背景与数据、实验要求、评分与提交规范。这四部分位置不固定，评分标准常藏在最后一页，数据可能在正文也可能在附录，漏掉任何一块都可能导致返工。
| 结构块 | 常见位置 | 要提取的信息 | 容易漏的坑 |
|---|---|---|---|
| 实验目的 | 开头一至两段 | 本实验训练哪个建模方法 | 写报告时照抄，不转成自己的表述 |
| 问题背景与数据 | 第2至3节 | 数据含义、单位、来源 | 数据可能有缺失，单位混着给 |
| 实验要求 | 文档中后部 | 用几种方法、是否需要画图 | 明确要求对比时，只做一种会扣分 |
| 评分与提交规范 | 末页或附录 | 报告结构、代码是否附上 | 只提交结果没提交过程可能被打回 |
这四块里，最容易被忽略的是"评分与提交规范"。很多同学把全部精力放在建模上，最后发现报告要按固定模板写、代码要附完整可运行版本、图表要单独编号。我一般拿到PDF第一件事，就是把评分标准复制到单独的笔记里，当作写报告时的检查清单，等全部做完再逐条核对提交物，能省掉不少返工时间。
2.2 把要求翻译成执行步骤：从"看懂题目"到"四步流水线"
通读之后，我会把PDF要求翻译成一条四步流水线：第一步，定义问题，把题目里的每句话拆成变量和约束；第二步，选方法，根据数据类型决定用拟合、插值还是回归；第三步，写代码求解，把模型表达式变成可运行脚本；第四步，检验与报告，计算指标、画图、把结论写成人话。
举个例子：PDF给出的题目是"某产品过去12个月的销量数据，预测下三个月销量"，同时要求"用拟合方法建模并检验"。那么四步的产物分别是：变量定义表，列出月份序号t、月销量y、参数a与b；方法选型说明，先用散点图判断趋势走向，再选线性或指数拟合；脚本与图表，包括拟合参数、预测值、拟合曲线图；检验报告，包括R²、残差图、参数置信区间，以及对预测结果的业务解释。
变量定义这一步我建议用表格写死，后面写报告直接搬过去：
| 符号 | 含义 | 单位 | 来源/说明 |
|---|---|---|---|
| t | 月份序号，从0开始 | 月 | 数据表第1列，t=0对应起始月 |
| y | 月销量 | 件 | 数据表第2列 |
| a | 截距，t=0时预测销量 | 件 | 拟合参数 |
| b | 斜率，每过一个月销量变化 | 件/月 | 拟合参数 |
四步中最容易被跳过的其实是第一步变量定义。很多同学直接写代码，到报告里解释参数含义时卡壳，回头再补定义等于重做一遍。我把这份定义表放在所有工作的起点，每次跑完一步回头看一眼，确认没偏离题目。
如果PDF是扫描版，文字没法直接复制，我一般先用一个小脚本把文本抽出来再读：
import pdfplumber # 从PDF中按页提取纯文本，便于快速定位题目和数据 with pdfplumber.open("experiment2.pdf") as pdf: for i, page in enumerate(pdf.pages): text = page.extract_text() if text: print(f"--- Page {i+1} ---") print(text)逻辑说明：
extract_text()对印刷体PDF效果很好，扫描图片版需要先OCR，这一步不做也不影响后续建模，至少能帮你快速定位页码；- 打印分页文本后，再用上面说的四块结构去切分，比直接盯着一页页截图效率高得多；
- 如果提取出的文本乱序，多半是文档本身分栏排版，可以按栏顺序手工拼接，不需要重新下载其他工具。
这一章的核心目标是：开工之前先花二十分钟把PDF吃透，把一份模糊的"请建模求解"变成一张有验收标准的任务清单。做完这一步，后面所有操作都只是填空。
3. 用最小二乘拟合打通实验2：原理、代码和参数
3.1 为什么实验2十有八九落在"拟合—检验"这条主线上
从教学安排看，"实验2"很少直接上微分方程或仿真模拟，最常见的就是数据拟合加回归分析。原因有三：第一，它能把建模从抽象变成可操作，散点图一画、模型曲线一配，建模过程立刻可视化；第二，它天然衔接后续的优化和误差分析课程，R²、残差、置信区间这些概念都会在后面反复用；第三，它容易产出可量化的结果，老师好评分，学生也好核对。
这里必须澄清一个常见误区：拟合不等于插值。插值要求曲线穿过每一个已知点，拟合只要求曲线整体误差最小。实验2要的是拟合，因为你关心的是数据背后的趋势，不是逐点还原噪声。选拟合还有一个现实原因：带噪声的数据做插值，曲线会剧烈震荡，拟合曲线的抗噪能力更强，预测也稳定得多。
| 维度 | 插值 | 拟合 |
|---|---|---|
| 目标 | 曲线精确穿过所有已知点 | 曲线整体误差最小 |
| 对噪声的态度 | 很敏感，容易过拟合 | 对噪声有平滑效果 |
| 适用场景 | 需要精确还原每个数据点 | 找趋势、做预测 |
| 在实验2中的出现率 | 偶尔用于样条插值 | 主流做法 |
所以拿到实验2的数据，先画散点图，看趋势是线性、指数还是带周期，再决定用哪一族拟合函数。这一步别省，后面所有代码都建立在这个判断上，方法选错等于全盘重做。
3.2 最小二乘拟合的Python实现：最小脚本与三个必调参数
下面是最小可运行的拟合脚本，包含从读数据到输出参数的全过程。假设数据文件是data.csv，两列，列名分别是month和sales，共12行。
import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit # 1. 读取CSV数据，month为月份序号，sales为销量 df = pd.read_csv("data.csv", encoding="utf-8-sig") t = df["month"].values.astype(float) y = df["sales"].values.astype(float) # 2. 定义线性模型 y = a + b * t def linear_model(t, a, b): return a + b * t # 3. 拟合：返回最优参数popt和协方差矩阵pcov popt, pcov = curve_fit(linear_model, t, y, p0=[1, 1]) # 4. 计算拟合值和残差 y_fit = linear_model(t, *popt) residual = y - y_fit # 5. 画散点图和拟合曲线 plt.scatter(t, y, label="观测值", color="steelblue") plt.plot(t, y_fit, label="拟合曲线", color="darkorange", linewidth=2) plt.xlabel("月份 t") plt.ylabel("销量 y") plt.legend() plt.grid(alpha=0.3) plt.savefig("fit_result.png", dpi=150) plt.show() # 6. 输出参数 print("拟合参数 a=%.3f, b=%.3f" % (popt[0], popt[1]))逻辑说明：
curve_fit的四个核心输入是模型函数、自变量、因变量和初始猜测p0。模型函数必须能用*popt解包方式调用，函数签名顺序和popt顺序要一致；pcov是协方差矩阵，后面算置信区间要用，别丢；- 残差要自己算，
curve_fit不直接返回残差列表，而残差图又是报告必需品，所以第4步不能省。
三个必调参数：
p0：初始参数猜测。线性模型不敏感，但换成指数模型后p0设不好会收敛到局部最优，甚至直接报错。常见做法是按数据范围估计初始值，比如指数模型取p0=[min(y), (y[-1]-y[0])/(t[-1]-t[0])]；maxfev：最大迭代次数。数据量大或者模型复杂时，默认值可能不够，设maxfev=8000能减少"拟合失败"的玄学问题；absolute_sigma：设为True时，把数据误差当成绝对误差处理，适合已知测量误差的实验数据；实验2一般不知道误差，保持默认即可。
模型要换时，只需改模型函数和p0。比如数据呈现指数增长，改成：
def exp_model(t, a, b, c): return a * np.exp(b * t) + c popt, pcov = curve_fit(exp_model, t, y, p0=[y.min(), 0.1, 0], maxfev=8000)参数说明：
- 指数模型的
a控制起始幅值，b控制增长速率，c控制基线偏移。p0里的 0.1 是b的初始猜测，如果数据增长特别快，可以试 0.5； - 指数拟合对
p0敏感，一个通用技巧是先用线性拟合对数据取对数，把斜率作为b的初始值。
预测下一个月很简单，把 t=13 代入模型：
t_next = 13.0 y_pred = linear_model(t_next, *popt) print("第13个月预测销量: %.2f" % y_pred)做预测前要确认自变量t的定义：如果数据里 month 是从 1 开始的序号，那下次就是 13；如果 month 存的是实际日期，必须转成连续序号再预测，否则模型不知道"下个月"在数值上是多少。
3.3 R²、残差图与置信区间：实验2的评分点其实在检验环节
拟合跑通只是开始，报告的重头在检验。实验2的评分标准通常明确要求"给出模型检验"，我见过很多代码一步到位、报告里却只有一张图和一句"拟合效果很好"的作业，结果都被打回。检验环节至少要做三件事。
第一件，算R²（决定系数）。公式是1减去残差平方和除以总平方和，越接近1说明模型解释的数据变异越多，但R²不是越高越好，过拟合时R²也会虚高。
from scipy import stats # R² ss_res = np.sum(residual**2) ss_tot = np.sum((y - np.mean(y))**2) r2 = 1 - ss_res / ss_tot print("R² = %.4f" % r2) # 残差图：残差随拟合值的变化 plt.scatter(y_fit, residual, alpha=0.6) plt.axhline(0, color="gray", linestyle="--") plt.xlabel("拟合值") plt.ylabel("残差") plt.savefig("residual_plot.png", dpi=150) plt.show()残差图怎么看：理想状态是残差点在零线上下随机分布，没有明显弯曲，也没有从窄到宽的喇叭口。如果残差呈现弯曲，说明模型结构不对，比如数据其实是二次趋势却用了直线；如果残差呈喇叭形，说明方差不稳定，可以考虑对 y 取对数。
第三件，算参数的置信区间。这里用pcov和自由度修正的标准误，给出 a 和 b 的95%置信区间，能说明参数估计稳不稳：
# 参数标准误与95%置信区间 n, p = len(t), 2 sigma2 = np.sum(residual**2) / (n - p) se = np.sqrt(np.diag(pcov) * sigma2) alpha = 0.05 t_value = stats.t.ppf(1 - alpha / 2, df=n - p) for i, name in enumerate(["a", "b"]): ci_low = popt[i] - t_value * se[i] ci_high = popt[i] + t_value * se[i] print(f"{name}: {popt[i]:.3f} ± {t_value * se[i]:.3f}, CI=[{ci_low:.3f}, {ci_high:.3f}]")逻辑说明：
- 这里用残差方差
sigma2除以自由度 n-p，再乘pcov的对角线，得到参数标准误se，是教材里的标准做法； - 如果置信区间跨过 0，说明该参数在统计上不显著，或许应该从模型中去掉这一项；
- 把这三样东西写进报告，检验环节才算完整。很多比赛的优秀论文，检验部分的篇幅比建模部分还长，原因就在这里。
4. 避坑：数据拟合实验的5个典型翻车现场
4.1 数据没排序，拟合曲线像一团乱麻
现象：用 Pandas 读入 CSV 后直接画图，散点图在横轴方向来回跳，拟合曲线扭成麻花，R² 甚至出现负值。
原因：数据文件的行顺序不是按自变量排好的。画图时plot是按行号顺序连线的，数据乱序就会画出折返线；而拟合本身按点计算，不依赖顺序，问题出在可视化，不是模型错了。
解决：画曲线前先按自变量排序。df = df.sort_values("month")，再取数组；拟合可以不排序，但画图必须保证 x 单调递增，否则曲线一团乱。这类问题在 Excel 导入的数据里特别常见，我处理时习惯先print(df.head())确认 month 列是不是单调递增，省得画完图才发现。
4.2 贪图高次多项式，结果过拟合
现象：用 8 次多项式把 12 个点的数据拟到 R²=0.999，报告很好看，但预测下一个点时数值直接飞了。
原因：高次多项式自由度足够大，可以穿过每个噪声点，拟合的是噪声而不是趋势，R² 在过拟合场景里完全失真。
解决：把数据分成训练集和测试集，用测试集表现判断模型好坏。多项式次数超过 3 就要警惕，或者直接看残差图——残差不再随机而是一段段弯曲，就是过拟合信号。判断是否过拟合还有个快速办法：如果测试集 RMSE 比训练集差一大截，说明模型把训练集里的噪声也学进去了。
4.3 把日期直接喂给模型
现象：数据里月份是 "2023-01" 这种字符串，astype(float)直接报错；有人手动转成 1、2、3 后模型能跑，但解释参数时说不清"每过一个月"到底从哪天算起。
原因：日期不是连续数值变量，字符串更没法参与计算。即便转成序号，也需要明确基线，否则回归系数的含义悬空，答辩时容易被问住。
解决：把日期统一转成连续的时间索引，比如从起始月份开始编号 0、1、2…，并在报告里写清"t=0 对应 2023 年 1 月"；或者用pd.to_datetime处理成真正的 datetime，再按月份差值计算序号。核心是让模型表达式里每个变量的定义都无歧义。统一化之后，记得检查数据里有没有缺失月份，缺月会导致序号错位，预测全偏。
4.4 只贴R²不画残差图，报告被打回
现象：报告里只有一个 R²=0.94，配一张拟合曲线图，老师反馈"检验不充分，补充残差分析后提交"。
原因：评分标准里明确写了"给出模型检验过程"。R² 是整体指标，残差图是局部诊断，两者互补，只写一个等于检验只做了一半。
解决：把 3.3 的残差图代码跑出来，并在报告里补一句判断结论："残差在零线附近随机分布，无明显弯曲和漏斗形，说明线性模型假设基本合理。"这句话虽然短，却是评分时区分"跑完了"和"想明白了"的关键。残差图这步没有捷径，画出来几秒钟，但能提前发现模型选错。
4.5 报告只有代码没有假设，看起来像调包侠
现象：代码能跑，图也贴了，但整份报告找不到变量定义和模型假设，答辩被问"为什么选线性模型"直接卡住。
原因：数学建模报告评分看的是建模过程，代码只是过程的一部分。没写假设等于没交代清楚模型成立的前提条件，老师无从判断你是理解了还是只会调包。
解决：报告固定写五段：问题重述、变量定义、模型建立（含假设）、求解与检验、结论。变量定义用表格列符号、含义、单位、来源；模型假设写三条足够，比如"数据无系统性采集偏差""销量变化短期连续""忽略节假日等特殊扰动"。写假设不是凑字数，每条假设后面跟一句"如果这个假设不成立，模型会怎样"，比如数据有系统偏差会导致参数估计有偏，这才是建模者的思考。
5. 把实验2从"能交"做到"能打比赛"：交叉验证与模型对比
5.1 用交叉验证替代单次划分，报告里多一张有说服力的图
实验2多数人习惯全量数据拟合完算 R² 交差。这个做法在竞赛里会被挑战，因为拟合和评价用的是同一批数据，属于"拿答案考自己"。常见改进是留出最后几个点做预测检验，但小样本下留出法波动大，折数选得不同结论可能完全不同。
我一般建议用 K 折交叉验证，代码量很小：
from sklearn.model_selection import KFold, cross_val_score from sklearn.linear_model import LinearRegression X = t.reshape(-1, 1) # 自变量需要二维数组 kf = KFold(n_splits=5, shuffle=True, random_state=42) scores = cross_val_score(LinearRegression(), X, y, cv=kf, scoring="r2") print("五折R²: %.3f ± %.3f" % (scores.mean(), scores.std()))参数说明：
shuffle=True在分折前打乱数据，避免时间顺序造成前后期偏移；但如果你是严格的时间序列预测任务，应该用TimeSeriesSplit按顺序划分，实验2里做交叉验证用随机划分即可；random_state=42固定划分方式，保证结果可复现，报告里必须写，不然别人复现不出你的数值会以为你编数据；scores.std()大于 0.2 说明模型对数据划分很敏感，也就是模型不稳定，这时候要回头检查特征或数据量，而不是硬调参数。
加了这段指标，报告里就能写："五折交叉验证 R² 均值为 0.87±0.06，模型在不同数据子集上表现稳定，未出现明显过拟合。"这句话比单独贴一个 R² 有说服力得多。
5.2 做一次模型对比，把报告从"完成作业"提到"可参赛"水平
实验2通常只要求做一个模型，但主动加一个对比模型会让报告质量上一个台阶。常见组合是线性、指数、二次多项式三选二，用统一指标比较。看 RMSE 直观，看 AIC 能惩罚参数数量，防止无脑加项。
| 模型 | 适用数据形状 | 参数个数 | 实验2常见坑 |
|---|---|---|---|
| 线性 | 均匀上升或下降 | 2 | 有弯曲趋势时强行用线性 |
| 指数 | 近似等比增长 | 2或3 | 初始值设不好不收敛 |
| 二次多项式 | 有单峰或单谷 | 3 | 次数再高就过拟合 |
from sklearn.metrics import mean_squared_error def rmse(y_true, y_pred): return np.sqrt(mean_squared_error(y_true, y_pred)) def aic(n, rss, k): return n * np.log(rss / n) + 2 * k # 假设三个模型的预测值已存在：y_fit_linear, y_fit_exp, y_fit_quad models = { "线性": (y_fit_linear, 2), "指数": (y_fit_exp, 2), "二次": (y_fit_quad, 3), } for name, (y_pred, k) in models.items(): rss = np.sum((y - y_pred) ** 2) print(f"{name}: RMSE={rmse(y, y_pred):.3f}, AIC={aic(len(y), rss, k):.2f}")前提是三个模型必须用同一份数据拟合，预测值要按 t 排序对齐。把对比结果放进报告并写一句结论，比如"AIC 最小的是指数模型，说明加入增长趋势后模型复杂度合理，且比线性模型多解释 X% 的方差"，选型就有了依据。多数实验2的评分表里都有一项"方法选择是否合理"，这半页内容就是专门送给这项分数的。我自己带学生做这类实验时，最常见的情况是代码跑通就以为完事，直到答辩被问"你的模型假设是什么"才发现整份报告最值钱的部分没写。后来我习惯把评分标准倒过来当检查清单，先满足检验要求、再补代码、再补叙述，每轮返工时间都短不少。希望帮到你。
本文还有配套的精品资源，点击获取
