學(xué)建模國賽C題解析：供應(yīng)鏈優(yōu)化中的供應(yīng)商評估與魯棒決策)
1. 項(xiàng)目概述從一道賽題到一套完整的解題方法論每年九月的那個(gè)周末對于全國數(shù)十萬理工科大學(xué)生來說都是一個(gè)既緊張又興奮的時(shí)刻——全國大學(xué)生數(shù)學(xué)建模競賽國賽如期而至。2021年的C題以“生產(chǎn)企業(yè)原材料的訂購與運(yùn)輸”為背景將我們這些參賽者瞬間拉入了一個(gè)充滿不確定性的決策世界。題目描述了一家建筑和裝飾板材的生產(chǎn)企業(yè)需要根據(jù)過去五年的原材料進(jìn)貨和消耗數(shù)據(jù)以及未來24周的訂貨需求來制定未來24周的原材料訂購與運(yùn)輸方案。這聽起來像是一個(gè)經(jīng)典的生產(chǎn)計(jì)劃問題但當(dāng)你真正打開附件數(shù)據(jù)看到那密密麻麻的402家供應(yīng)商、240周的歷史進(jìn)貨記錄、以及充滿波動(dòng)的市場需求時(shí)才會意識到這遠(yuǎn)非一個(gè)簡單的線性規(guī)劃能搞定。它考察的是如何在歷史規(guī)律、未來預(yù)測、成本約束和供應(yīng)鏈韌性之間構(gòu)建一個(gè)動(dòng)態(tài)、魯棒且可執(zhí)行的決策體系。今天我就以一名過來人的視角拆解這道賽題的解題全流程分享從破題、建模到求解、寫作的完整思路與核心技巧希望能為后來者提供一份真正“可抄作業(yè)”的實(shí)戰(zhàn)指南。這道題的核心價(jià)值在于它完美模擬了一個(gè)現(xiàn)實(shí)世界中供應(yīng)鏈管理者的決策場景你手頭有海量但可能嘈雜的歷史數(shù)據(jù)有對未來的模糊預(yù)期有來自采購成本、庫存成本、供貨穩(wěn)定性等多方面的壓力你的每一個(gè)決策都環(huán)環(huán)相扣并且直接影響到企業(yè)的利潤命脈。解決它不僅需要扎實(shí)的數(shù)學(xué)建模功底更需要系統(tǒng)性的思維和將復(fù)雜問題層層拆解的耐心。無論是正在備賽的同學(xué)還是對運(yùn)籌優(yōu)化、數(shù)據(jù)分析感興趣的朋友相信這篇詳盡的復(fù)盤都能給你帶來啟發(fā)。2. 解題核心思路與模型框架設(shè)計(jì)面對C題最忌諱的就是一頭扎進(jìn)數(shù)據(jù)里開始算。首先必須建立起全局的解題框架。整個(gè)問題可以清晰地分解為三個(gè)遞進(jìn)的子問題它們共同構(gòu)成了最終的訂購與運(yùn)輸方案。2.1 問題一供應(yīng)商的定量評估與分類建模第一問要求我們根據(jù)402家供應(yīng)商的供貨特征進(jìn)行量化評估并給出未來24周最經(jīng)濟(jì)的原材料訂購方案。這是整個(gè)賽題的基石如果供應(yīng)商評估錯(cuò)了后面的所有優(yōu)化都是空中樓閣。核心思路是“特征提取 - 綜合評估 - 分類篩選”。我們手頭有每家供應(yīng)商過去240周的供貨量數(shù)據(jù)。首先需要從這些時(shí)間序列中提取出能夠刻畫其供貨能力的核心特征。我當(dāng)時(shí)的團(tuán)隊(duì)提取了以下幾個(gè)關(guān)鍵維度供貨穩(wěn)定性計(jì)算每周供貨量的變異系數(shù)標(biāo)準(zhǔn)差/均值。這個(gè)值越小說明供應(yīng)商每周的供貨量越穩(wěn)定生產(chǎn)計(jì)劃就越容易安排。供貨保障率統(tǒng)計(jì)歷史周期內(nèi)供貨量大于0的周數(shù)占總周數(shù)的比例。這反映了供應(yīng)商的持續(xù)供貨意愿和能力比例越高越好。平均供貨規(guī)模計(jì)算歷史平均每周供貨量。這直接關(guān)系到該供應(yīng)商能否滿足我們單次較大的采購需求。最大供貨能力取歷史供貨量的最大值或高分位數(shù)如95%分位數(shù)用以評估其產(chǎn)能上限。提取特征后我們面臨一個(gè)多指標(biāo)的綜合評價(jià)問題。這里切忌簡單地將幾個(gè)指標(biāo)加權(quán)平均因?yàn)橹笜?biāo)間可能存在相關(guān)性且量綱不同。我們采用了熵權(quán)TOPSIS法。熵權(quán)法可以根據(jù)各指標(biāo)數(shù)據(jù)本身的離散程度客觀賦權(quán)數(shù)據(jù)差異越大的指標(biāo)權(quán)重越高TOPSIS法則通過計(jì)算每個(gè)供應(yīng)商與理想最優(yōu)解、最劣解的距離來進(jìn)行排序。這種方法的好處是完全基于數(shù)據(jù)驅(qū)動(dòng)避免了主觀臆斷說服力強(qiáng)?；诰C合評價(jià)得分我們將402家供應(yīng)商分為三類高評分穩(wěn)定型A類、中等評分潛力型B類、低評分淘汰型C類。對于未來24周的訂購一個(gè)非常關(guān)鍵且容易被忽略的約束是每周的供應(yīng)商數(shù)量不能超過50家。因此我們的訂購方案必須是一個(gè)動(dòng)態(tài)的選擇過程優(yōu)先從A類供應(yīng)商中挑選并考慮其歷史供貨特征來分配訂購量同時(shí)確保每周的供應(yīng)商總數(shù)不超標(biāo)。這里可以建立一個(gè)以總成本采購成本庫存成本最小化為目標(biāo)的0-1整數(shù)規(guī)劃模型決策變量是每周向每家供應(yīng)商訂購多少以及是否選擇該供應(yīng)商。注意很多隊(duì)伍在第一問就試圖建立一個(gè)覆蓋24周的大型優(yōu)化模型這會導(dǎo)致模型過于復(fù)雜求解困難。一個(gè)更實(shí)用的技巧是采用“滾動(dòng)規(guī)劃”的思路先基于歷史數(shù)據(jù)和對未來需求的初步預(yù)測制定一個(gè)初步的供應(yīng)商選擇策略和訂購比例在后續(xù)問題中再結(jié)合預(yù)測更新進(jìn)行動(dòng)態(tài)調(diào)整。先解決“選誰”的問題再細(xì)化“訂多少”。2.2 問題二需求預(yù)測與運(yùn)輸方案建模第二問在第一問的基礎(chǔ)上增加了運(yùn)輸成本并要求制定具體的每周運(yùn)輸方案。運(yùn)輸成本與運(yùn)輸量有關(guān)附件中給出了一個(gè)階梯運(yùn)價(jià)表。這一問的難點(diǎn)在于預(yù)測與優(yōu)化的耦合。需求預(yù)測是前提。題目給出了未來24周的產(chǎn)品訂單需求。我們需要將這些產(chǎn)品需求根據(jù)生產(chǎn)配比題目會給出如每立方米產(chǎn)品需要消耗多少特定類型的原材料轉(zhuǎn)換成為對原材料的周度需求。這里需要注意產(chǎn)能約束和庫存的平滑作用。我們采用了時(shí)間序列預(yù)測方法如ARIMA或指數(shù)平滑對轉(zhuǎn)換后的原材料周需求進(jìn)行預(yù)測并給出了預(yù)測區(qū)間例如80%置信區(qū)間以量化預(yù)測的不確定性。這比只給出一個(gè)單點(diǎn)預(yù)測值要科學(xué)得多。在運(yùn)輸方案建模上成本結(jié)構(gòu)變得復(fù)雜采購成本與供應(yīng)商和訂購量有關(guān) 庫存持有成本 運(yùn)輸成本與總運(yùn)輸量呈分段函數(shù)關(guān)系。我們建立了一個(gè)帶約束的非線性規(guī)劃模型。決策變量包括每周向每家供應(yīng)商的訂購量、每周的庫存量、每周的運(yùn)輸量。目標(biāo)函數(shù)是24周總成本最小化。一個(gè)關(guān)鍵的建模技巧在于處理分段線性運(yùn)輸成本。假設(shè)運(yùn)輸成本函數(shù)為當(dāng)運(yùn)輸量Q在區(qū)間[0, A]時(shí)單價(jià)為p1在(A, B]時(shí)單價(jià)為p2以此類推。我們可以引入0-1輔助變量z_i來表示運(yùn)輸量落在第i個(gè)區(qū)間并添加相應(yīng)的邏輯約束。例如設(shè)M為一個(gè)足夠大的數(shù)約束可以寫為Q A M*(1 - z1) Q A - M*z2 Q B M*(1 - z2) ... z1 z2 ... 1這樣就將非線性項(xiàng)轉(zhuǎn)化為了混合整數(shù)線性規(guī)劃MILP問題可以使用Lingo、Gurobi或MATLAB的intlinprog等求解器進(jìn)行求解。2.3 問題三不確定性應(yīng)對與魯棒優(yōu)化模型第三問是賽題的升華它引入了現(xiàn)實(shí)世界中最令人頭疼的要素不確定性。題目要求我們考慮供應(yīng)商的供貨量可能隨機(jī)波動(dòng)有概率比預(yù)定量減少50%并在此情況下制定訂購和運(yùn)輸方案目標(biāo)是保障產(chǎn)能的同時(shí)盡可能降低成本。這是典型的隨機(jī)規(guī)劃或魯棒優(yōu)化問題。我們采用了魯棒優(yōu)化的思想因?yàn)樗灰蕾囉诰唧w的概率分布而是假設(shè)擾動(dòng)在一個(gè)不確定集合內(nèi)然后優(yōu)化最壞情況下的性能。這更符合“保障生產(chǎn)”的題意。具體而言我們?yōu)槊考夜?yīng)商的供貨量引入一個(gè)不確定參數(shù)ξ假設(shè)其在其額定供貨量的一個(gè)區(qū)間內(nèi)波動(dòng)例如[0.5倍, 1倍]。然后我們建立了一個(gè)兩階段魯棒優(yōu)化模型第一階段決策在觀察到不確定性之前必須做出的決定即“訂購方案”向誰訂、訂多少。這部分成本是確定的。第二階段決策在不確定性實(shí)際供貨量揭示后可以做出的調(diào)整即“運(yùn)輸方案”以及可能的緊急補(bǔ)貨決策。這部分成本與不確定性的具體實(shí)現(xiàn)有關(guān)。模型的目標(biāo)是最小化第一階段成本加上最壞情況下的第二階段成本。求解這類問題通常采用列與約束生成法或?qū)ε嫁D(zhuǎn)化法。我們在比賽中采用了對偶方法將內(nèi)層的最大化問題尋找最壞情況通過拉格朗日對偶轉(zhuǎn)化為最小化問題從而將整個(gè)問題轉(zhuǎn)化為一個(gè)確定性的混合整數(shù)規(guī)劃問題。雖然求解規(guī)模較大但在合理簡化如選擇代表性的情景或?qū)?yīng)商不確定性進(jìn)行聚合后是可以在比賽時(shí)間內(nèi)得到滿意解的。這一問的亮點(diǎn)在于方案必須體現(xiàn)“韌性”。例如在訂購方案中我們會有意識地增加向高穩(wěn)定性供應(yīng)商的采購比例或設(shè)置一定的安全庫存以緩沖供應(yīng)波動(dòng)。在論文中我們通過對比魯棒方案與確定性方案在模擬隨機(jī)擾動(dòng)下的表現(xiàn)如缺貨次數(shù)、總成本有力地證明了魯棒方案的有效性。3. 數(shù)據(jù)處理、特征工程與關(guān)鍵算法實(shí)現(xiàn)有了清晰的思路框架下一步就是落地實(shí)現(xiàn)。這部分是隊(duì)伍之間拉開差距的關(guān)鍵考驗(yàn)的是對數(shù)據(jù)的處理能力和對算法的熟練運(yùn)用。3.1 歷史數(shù)據(jù)清洗與特征提取實(shí)戰(zhàn)附件中的數(shù)據(jù)并非完美。首先需要進(jìn)行數(shù)據(jù)清洗缺失值處理對于某些供應(yīng)商在某些周供貨量為空值或0需區(qū)分是“未供貨”還是“數(shù)據(jù)缺失”。我們將其統(tǒng)一視為“未供貨”即0值因?yàn)閺臉I(yè)務(wù)邏輯上沒記錄通常就意味著沒送貨。這對于計(jì)算供貨保障率是合理的。異常值檢測利用箱線圖或3σ原則檢查是否存在遠(yuǎn)超正常范圍的進(jìn)貨量。我們發(fā)現(xiàn)個(gè)別周次存在極端大值經(jīng)團(tuán)隊(duì)討論認(rèn)為這可能是真實(shí)的大額訂單而非錯(cuò)誤數(shù)據(jù)故予以保留但在計(jì)算穩(wěn)定性指標(biāo)時(shí)采用對異常值不敏感的統(tǒng)計(jì)量如中位數(shù)和四分位距進(jìn)行輔助分析。特征提取我們使用了Python的Pandas庫核心代碼如下片段import pandas as pd import numpy as np # 假設(shè) df 是原始的402x240的供貨量DataFrame df pd.read_excel(附件1.xlsx, index_col0) # 索引為供應(yīng)商ID features pd.DataFrame(indexdf.index) # 1. 平均供貨量 features[mean_supply] df.mean(axis1) # 2. 供貨穩(wěn)定性變異系數(shù) features[cv_supply] df.std(axis1) / (df.mean(axis1) 1e-8) # 防止除零 # 3. 供貨保障率非零周比例 features[supply_ratio] (df 0).sum(axis1) / df.shape[1] # 4. 最大供貨能力95%分位數(shù) features[max_capacity] df.quantile(0.95, axis1) # 5. 供貨增長趨勢最近60周均值與最初60周均值的比值 features[trend] df.iloc[:, -60:].mean(axis1) / (df.iloc[:, :60].mean(axis1) 1e-8) # 數(shù)據(jù)標(biāo)準(zhǔn)化為后續(xù)綜合評價(jià)做準(zhǔn)備 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() features_scaled pd.DataFrame(scaler.fit_transform(features), columnsfeatures.columns, indexfeatures.index)3.2 熵權(quán)TOPSIS綜合評價(jià)的Python實(shí)現(xiàn)熵權(quán)TOPSIS的實(shí)現(xiàn)步驟如下我們同樣用Python完成def entropy_weight_topsis(data): data: 標(biāo)準(zhǔn)化后的特征矩陣行是供應(yīng)商列是評價(jià)指標(biāo) 返回綜合得分、排名、以及各指標(biāo)權(quán)重 # 1. 熵權(quán)法求權(quán)重 P data / data.sum(axis0) # 計(jì)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各指標(biāo)權(quán)重{dict(zip(data.columns, weights))}) # 2. TOPSIS法 weighted_matrix data * weights.values # 加權(quán)標(biāo)準(zhǔn)化矩陣 ideal_best weighted_matrix.max(axis0) # 正理想解 ideal_worst weighted_matrix.min(axis0) # 負(fù)理想解 # 計(jì)算距離 dist_best np.sqrt(((weighted_matrix - ideal_best) ** 2).sum(axis1)) dist_worst np.sqrt(((weighted_matrix - ideal_worst) ** 2).sum(axis1)) # 計(jì)算綜合得分 score dist_worst / (dist_best dist_worst epsilon) rank score.rank(ascendingFalse, methodmin).astype(int) return score, rank, weights # 應(yīng)用函數(shù) scores, ranking, w entropy_weight_topsis(features_scaled) features[綜合得分] scores features[排名] ranking3.3 混合整數(shù)規(guī)劃模型的Lingo求解示例對于問題二的模型我們使用Lingo求解因?yàn)樗枋鰞?yōu)化模型非常直觀。核心模型結(jié)構(gòu)如下已簡化MODEL: SETS: supplier /1..402/: ; week /1..24/: demand, inventory, transport, cost_transport; link(supplier, week): order, select; ! select是0-1變量表示該周是否選擇該供應(yīng)商 ENDSETS DATA: ! 從文件導(dǎo)入需求預(yù)測demand成本參數(shù)等; demand ...; unit_purchase_cost ...; unit_holding_cost ...; ENDDATA ! 目標(biāo)函數(shù)最小化總成本; 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)); ! 約束條件; ! 1. 庫存平衡約束; FOR(week(w): inventory(w) IF(w #EQ# 1, 0, inventory(w-1)) SUM(supplier(s): order(s,w)) - demand(w); ); ! 2. 每周選擇供應(yīng)商不超過50家; FOR(week(w): SUM(supplier(s): select(s,w)) 50; ); ! 3. 邏輯約束如果訂購量大于0則select必須為1; FOR(link(s,w): order(s,w) M * select(s,w); ! M為一個(gè)很大的數(shù); BIN(select(s,w)); ); ! 4. 運(yùn)輸成本分段函數(shù)線性化處理此處為示意需根據(jù)具體分段定義輔助變量和約束; ! ... 分段線性化約束 ... ! 5. 非負(fù)約束; FOR(link: GTE(order, 0)); FOR(week: GTE(inventory, 0)); END在實(shí)際比賽中我們需要將數(shù)據(jù)處理后填入DATA部分并仔細(xì)定義好分段線性化的所有約束。求解后order和select變量就是我們的訂購方案。4. 論文寫作要點(diǎn)與常見陷阱規(guī)避數(shù)學(xué)建模競賽“模”是基礎(chǔ)“競”是關(guān)鍵而競賽結(jié)果最終體現(xiàn)在那一篇20頁左右的論文上。寫作水平直接決定了評委對你工作的第一印象和最終評價(jià)。4.1 論文結(jié)構(gòu)與邏輯呈現(xiàn)國賽論文有相對固定的結(jié)構(gòu)但內(nèi)在邏輯的流暢性至關(guān)重要。摘要重中之重這是論文的“臉面”。必須用精煉的語言300-500字概括針對每個(gè)問題你們用了什么方法建立了什么模型得到了什么關(guān)鍵結(jié)論最終方案是什么。避免出現(xiàn)技術(shù)細(xì)節(jié)和公式要寫“結(jié)果性”語言。例如“針對供應(yīng)商評估本文構(gòu)建了基于供貨穩(wěn)定性、保障率等多維特征的評價(jià)體系采用熵權(quán)TOPSIS法量化評分并據(jù)此將供應(yīng)商分為三類。基于此建立了以總成本最小為目標(biāo)的整數(shù)規(guī)劃模型利用Lingo求解得到了未來24周每周的具體訂購方案預(yù)計(jì)可降低采購成本約X%?！眴栴}重述與分析不要照抄題目要用自己的話梳理問題的背景、條件和目標(biāo)并畫出邏輯框架圖。這張圖能清晰地展示你們?nèi)绾畏纸鈫栴}各模塊間如何聯(lián)系讓評委一眼看懂你們的思路。模型假設(shè)與符號說明假設(shè)要合理且必要例如“假設(shè)未來24周市場需求預(yù)測準(zhǔn)確”、“假設(shè)運(yùn)輸途中無損耗”。符號說明建議采用三線表清晰美觀。模型建立與求解這是核心章節(jié)。對應(yīng)三個(gè)問題分節(jié)論述。每一節(jié)都應(yīng)遵循“問題分析 - 模型構(gòu)建 - 求解方法 - 結(jié)果分析”的流程。公式要規(guī)范編號重要的推導(dǎo)過程可以給出。結(jié)果不僅要有數(shù)字更要有分析比如“從圖X可以看出我們傾向于在需求旺季前向A類供應(yīng)商集中采購以規(guī)避價(jià)格上漲風(fēng)險(xiǎn)”。模型評價(jià)與推廣客觀評價(jià)自己模型的優(yōu)點(diǎn)如考慮全面、魯棒性強(qiáng)和缺點(diǎn)如對數(shù)據(jù)質(zhì)量依賴較高、計(jì)算復(fù)雜度大。推廣部分可以談?wù)勀Ｐ蜕宰餍薷暮筮€能應(yīng)用于哪些類似場景如電商庫存管理、能源采購等。參考文獻(xiàn)與附錄參考文獻(xiàn)格式要規(guī)范。核心代碼、大量中間結(jié)果可以放在附錄正文中只需給出關(guān)鍵代碼片段或說明。4.2 可視化技巧讓結(jié)果自己說話一張好的圖表頂?shù)蒙锨а匀f語。供應(yīng)商分類結(jié)果可以用雷達(dá)圖展示幾類典型供應(yīng)商在各個(gè)特征維度上的表現(xiàn)非常直觀。訂購方案用熱力圖Heatmap展示402家供應(yīng)商在未來24周的訂購量橫軸是周次縱軸是供應(yīng)商可按評分排序顏色深淺代表訂購量大小。評委一眼就能看出你們的采購策略是否集中、是否有規(guī)律。庫存與需求變化用雙Y軸折線圖一條線表示每周庫存水平另一條線表示每周原材料需求可以清晰展示庫存如何平滑需求波動(dòng)。成本構(gòu)成分析用堆疊柱狀圖展示每周或總周期的成本構(gòu)成采購、庫存、運(yùn)輸各占多少比例突出優(yōu)化重點(diǎn)。4.3 常見致命錯(cuò)誤與避坑指南根據(jù)多年評審和參賽經(jīng)驗(yàn)以下陷阱千萬要避開誤區(qū)一模型越復(fù)雜越好。盲目追求使用深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等“高級”算法但模型假設(shè)與問題背景不符或求解不了最后只能給出一個(gè)“理論結(jié)果”。評委更看重模型與問題的貼合度以及求解的完備性一個(gè)求解良好的線性規(guī)劃比一個(gè)無法求解的復(fù)雜隨機(jī)過程模型得分高得多。誤區(qū)二忽略題目隱性約束。例如本題中“每周供應(yīng)商數(shù)≤50”這是一個(gè)強(qiáng)約束必須在模型中以約束條件明確表達(dá)并在結(jié)果中體現(xiàn)。很多隊(duì)伍在論文里提了一句但模型和結(jié)果中都沒看到這個(gè)約束的影子這會嚴(yán)重失分。誤區(qū)三結(jié)果只有數(shù)字沒有分析。論文里羅列了一大堆表格寫著“第1周向供應(yīng)商001訂購100噸”但沒有解釋為什么是100噸為什么選001號。必須結(jié)合你們的模型邏輯和策略進(jìn)行分析例如“因?yàn)榈?周需求較低我們主要從評分高且供貨穩(wěn)定的A-01供應(yīng)商小批量采購以維持基礎(chǔ)庫存”。誤區(qū)四靈敏度分析流于形式。很多論文的靈敏度分析就是隨便改個(gè)參數(shù)然后說“結(jié)果變化不大模型穩(wěn)定”。好的靈敏度分析要服務(wù)于決策。例如可以分析運(yùn)輸成本階梯價(jià)格變化對總成本的影響從而告訴企業(yè)“與運(yùn)輸商談判時(shí)將第二檔運(yùn)費(fèi)降低5%比將第一檔運(yùn)費(fèi)降低10%更能節(jié)約總成本”。誤區(qū)五編程與寫作脫節(jié)。最后一天通宵趕論文發(fā)現(xiàn)模型結(jié)果還沒跑出來或者結(jié)果與文字描述對不上。必須留足至少一天時(shí)間專門寫作和修改。在建模中期就應(yīng)該開始撰寫問題分析、模型假設(shè)等部分。求解出結(jié)果后立即將關(guān)鍵圖表和結(jié)論嵌入論文。5. 團(tuán)隊(duì)協(xié)作、時(shí)間管理與備賽建議數(shù)學(xué)建模是典型的團(tuán)隊(duì)作戰(zhàn)三個(gè)人的配合決定了天花板。角色定位建模手負(fù)責(zé)核心思路構(gòu)建和模型推導(dǎo)。需要扎實(shí)的數(shù)學(xué)、運(yùn)籌學(xué)功底思維敏捷。編程手負(fù)責(zé)數(shù)據(jù)清洗、算法實(shí)現(xiàn)、模型求解和可視化。需要熟練使用Python/MATLAB熟悉優(yōu)化求解器。寫手負(fù)責(zé)論文撰寫、潤色和排版。需要極強(qiáng)的邏輯歸納能力、文字表達(dá)能力和審美最好會用LaTeX。三天時(shí)間軸推薦第一天上午集體研讀題目查閱資料確定初步思路。中午前必須確定大方向切忌反復(fù)搖擺。第一天下午至晚上建模手細(xì)化模型編程手開始數(shù)據(jù)預(yù)處理和特征工程寫手開始撰寫問題重述、分析和模型假設(shè)。第二天全天編程手全力求解模型產(chǎn)出結(jié)果和圖表。建模手輔助調(diào)試并開始構(gòu)思模型評價(jià)和推廣部分。寫手根據(jù)已有結(jié)果撰寫模型建立與求解初稿。第三天上午所有結(jié)果必須全部產(chǎn)出。團(tuán)隊(duì)集中進(jìn)行結(jié)果分析確定論文最終結(jié)論和亮點(diǎn)。第三天下午至深夜寫手整合全文完成摘要、總結(jié)等部分。其他兩人通讀全文檢查錯(cuò)誤調(diào)整格式制作圖表。務(wù)必在截止時(shí)間前至少2小時(shí)完成最終版用于應(yīng)對網(wǎng)絡(luò)擁堵等意外。備賽建議前期積累精讀往年優(yōu)秀論文學(xué)習(xí)其思路和寫作。掌握一到兩種核心的建模方法如優(yōu)化、預(yù)測、評價(jià)和對應(yīng)的求解工具。專題訓(xùn)練針對數(shù)據(jù)處理、優(yōu)化建模、時(shí)間序列預(yù)測、綜合評價(jià)等專題進(jìn)行刻意練習(xí)。模擬實(shí)戰(zhàn)賽前進(jìn)行1-2次全真模擬嚴(yán)格計(jì)時(shí)鍛煉配合和抗壓能力。回過頭看2021年C題是一道非常經(jīng)典的運(yùn)籌優(yōu)化類題目它沒有設(shè)置過于詭異的障礙但考察點(diǎn)全面從數(shù)據(jù)處理、綜合評價(jià)、優(yōu)化建模到魯棒分析環(huán)環(huán)相扣。解決它的過程就像完成一個(gè)微型的科研項(xiàng)目。最大的收獲不是那個(gè)獎(jiǎng)項(xiàng)而是這種將模糊現(xiàn)實(shí)抽象為清晰模型并利用數(shù)學(xué)工具和編程能力將其解決的系統(tǒng)性思維。這種能力無論在后續(xù)的學(xué)術(shù)研究還是工業(yè)界工作中都讓我受益匪淺。最后一個(gè)小建議在論文中永遠(yuǎn)記得站在“企業(yè)決策者”的角度思考你的模型和方案最終是要幫企業(yè)賺錢的一切分析和結(jié)論都要圍繞這個(gè)商業(yè)本質(zhì)展開這樣的論文才會有靈魂才能打動(dòng)評委。 數(shù)學(xué)建模國賽C題解析：供應(yīng)鏈優(yōu)化中的供應(yīng)商評估與魯棒決策
1. 項(xiàng)目概述從一道賽題到一套完整的解題方法論每年九月的那個(gè)周末對于全國數(shù)十萬理工科大學(xué)生來說都是一個(gè)既緊張又興奮的時(shí)刻——全國大學(xué)生數(shù)學(xué)建模競賽國賽如期而至。2021年的C題以“生產(chǎn)企業(yè)原材料的訂購與運(yùn)輸”為背景將我們這些參賽者瞬間拉入了一個(gè)充滿不確定性的決策世界。題目描述了一家建筑和裝飾板材的生產(chǎn)企業(yè)需要根據(jù)過去五年的原材料進(jìn)貨和消耗數(shù)據(jù)以及未來24周的訂貨需求來制定未來24周的原材料訂購與運(yùn)輸方案。這聽起來像是一個(gè)經(jīng)典的生產(chǎn)計(jì)劃問題但當(dāng)你真正打開附件數(shù)據(jù)看到那密密麻麻的402家供應(yīng)商、240周的歷史進(jìn)貨記錄、以及充滿波動(dòng)的市場需求時(shí)才會意識到這遠(yuǎn)非一個(gè)簡單的線性規(guī)劃能搞定。它考察的是如何在歷史規(guī)律、未來預(yù)測、成本約束和供應(yīng)鏈韌性之間構(gòu)建一個(gè)動(dòng)態(tài)、魯棒且可執(zhí)行的決策體系。今天我就以一名過來人的視角拆解這道賽題的解題全流程分享從破題、建模到求解、寫作的完整思路與核心技巧希望能為后來者提供一份真正“可抄作業(yè)”的實(shí)戰(zhàn)指南。這道題的核心價(jià)值在于它完美模擬了一個(gè)現(xiàn)實(shí)世界中供應(yīng)鏈管理者的決策場景你手頭有海量但可能嘈雜的歷史數(shù)據(jù)有對未來的模糊預(yù)期有來自采購成本、庫存成本、供貨穩(wěn)定性等多方面的壓力你的每一個(gè)決策都環(huán)環(huán)相扣并且直接影響到企業(yè)的利潤命脈。解決它不僅需要扎實(shí)的數(shù)學(xué)建模功底更需要系統(tǒng)性的思維和將復(fù)雜問題層層拆解的耐心。無論是正在備賽的同學(xué)還是對運(yùn)籌優(yōu)化、數(shù)據(jù)分析感興趣的朋友相信這篇詳盡的復(fù)盤都能給你帶來啟發(fā)。2. 解題核心思路與模型框架設(shè)計(jì)面對C題最忌諱的就是一頭扎進(jìn)數(shù)據(jù)里開始算。首先必須建立起全局的解題框架。整個(gè)問題可以清晰地分解為三個(gè)遞進(jìn)的子問題它們共同構(gòu)成了最終的訂購與運(yùn)輸方案。2.1 問題一供應(yīng)商的定量評估與分類建模第一問要求我們根據(jù)402家供應(yīng)商的供貨特征進(jìn)行量化評估并給出未來24周最經(jīng)濟(jì)的原材料訂購方案。這是整個(gè)賽題的基石如果供應(yīng)商評估錯(cuò)了后面的所有優(yōu)化都是空中樓閣。核心思路是“特征提取 - 綜合評估 - 分類篩選”。我們手頭有每家供應(yīng)商過去240周的供貨量數(shù)據(jù)。首先需要從這些時(shí)間序列中提取出能夠刻畫其供貨能力的核心特征。我當(dāng)時(shí)的團(tuán)隊(duì)提取了以下幾個(gè)關(guān)鍵維度供貨穩(wěn)定性計(jì)算每周供貨量的變異系數(shù)標(biāo)準(zhǔn)差/均值。這個(gè)值越小說明供應(yīng)商每周的供貨量越穩(wěn)定生產(chǎn)計(jì)劃就越容易安排。供貨保障率統(tǒng)計(jì)歷史周期內(nèi)供貨量大于0的周數(shù)占總周數(shù)的比例。這反映了供應(yīng)商的持續(xù)供貨意愿和能力比例越高越好。平均供貨規(guī)模計(jì)算歷史平均每周供貨量。這直接關(guān)系到該供應(yīng)商能否滿足我們單次較大的采購需求。最大供貨能力取歷史供貨量的最大值或高分位數(shù)如95%分位數(shù)用以評估其產(chǎn)能上限。提取特征后我們面臨一個(gè)多指標(biāo)的綜合評價(jià)問題。這里切忌簡單地將幾個(gè)指標(biāo)加權(quán)平均因?yàn)橹笜?biāo)間可能存在相關(guān)性且量綱不同。我們采用了熵權(quán)TOPSIS法。熵權(quán)法可以根據(jù)各指標(biāo)數(shù)據(jù)本身的離散程度客觀賦權(quán)數(shù)據(jù)差異越大的指標(biāo)權(quán)重越高TOPSIS法則通過計(jì)算每個(gè)供應(yīng)商與理想最優(yōu)解、最劣解的距離來進(jìn)行排序。這種方法的好處是完全基于數(shù)據(jù)驅(qū)動(dòng)避免了主觀臆斷說服力強(qiáng)?；诰C合評價(jià)得分我們將402家供應(yīng)商分為三類高評分穩(wěn)定型A類、中等評分潛力型B類、低評分淘汰型C類。對于未來24周的訂購一個(gè)非常關(guān)鍵且容易被忽略的約束是每周的供應(yīng)商數(shù)量不能超過50家。因此我們的訂購方案必須是一個(gè)動(dòng)態(tài)的選擇過程優(yōu)先從A類供應(yīng)商中挑選并考慮其歷史供貨特征來分配訂購量同時(shí)確保每周的供應(yīng)商總數(shù)不超標(biāo)。這里可以建立一個(gè)以總成本采購成本庫存成本最小化為目標(biāo)的0-1整數(shù)規(guī)劃模型決策變量是每周向每家供應(yīng)商訂購多少以及是否選擇該供應(yīng)商。注意很多隊(duì)伍在第一問就試圖建立一個(gè)覆蓋24周的大型優(yōu)化模型這會導(dǎo)致模型過于復(fù)雜求解困難。一個(gè)更實(shí)用的技巧是采用“滾動(dòng)規(guī)劃”的思路先基于歷史數(shù)據(jù)和對未來需求的初步預(yù)測制定一個(gè)初步的供應(yīng)商選擇策略和訂購比例在后續(xù)問題中再結(jié)合預(yù)測更新進(jìn)行動(dòng)態(tài)調(diào)整。先解決“選誰”的問題再細(xì)化“訂多少”。2.2 問題二需求預(yù)測與運(yùn)輸方案建模第二問在第一問的基礎(chǔ)上增加了運(yùn)輸成本并要求制定具體的每周運(yùn)輸方案。運(yùn)輸成本與運(yùn)輸量有關(guān)附件中給出了一個(gè)階梯運(yùn)價(jià)表。這一問的難點(diǎn)在于預(yù)測與優(yōu)化的耦合。需求預(yù)測是前提。題目給出了未來24周的產(chǎn)品訂單需求。我們需要將這些產(chǎn)品需求根據(jù)生產(chǎn)配比題目會給出如每立方米產(chǎn)品需要消耗多少特定類型的原材料轉(zhuǎn)換成為對原材料的周度需求。這里需要注意產(chǎn)能約束和庫存的平滑作用。我們采用了時(shí)間序列預(yù)測方法如ARIMA或指數(shù)平滑對轉(zhuǎn)換后的原材料周需求進(jìn)行預(yù)測并給出了預(yù)測區(qū)間例如80%置信區(qū)間以量化預(yù)測的不確定性。這比只給出一個(gè)單點(diǎn)預(yù)測值要科學(xué)得多。在運(yùn)輸方案建模上成本結(jié)構(gòu)變得復(fù)雜采購成本與供應(yīng)商和訂購量有關(guān) 庫存持有成本 運(yùn)輸成本與總運(yùn)輸量呈分段函數(shù)關(guān)系。我們建立了一個(gè)帶約束的非線性規(guī)劃模型。決策變量包括每周向每家供應(yīng)商的訂購量、每周的庫存量、每周的運(yùn)輸量。目標(biāo)函數(shù)是24周總成本最小化。一個(gè)關(guān)鍵的建模技巧在于處理分段線性運(yùn)輸成本。假設(shè)運(yùn)輸成本函數(shù)為當(dāng)運(yùn)輸量Q在區(qū)間[0, A]時(shí)單價(jià)為p1在(A, B]時(shí)單價(jià)為p2以此類推。我們可以引入0-1輔助變量z_i來表示運(yùn)輸量落在第i個(gè)區(qū)間并添加相應(yīng)的邏輯約束。例如設(shè)M為一個(gè)足夠大的數(shù)約束可以寫為Q A M*(1 - z1) Q A - M*z2 Q B M*(1 - z2) ... z1 z2 ... 1這樣就將非線性項(xiàng)轉(zhuǎn)化為了混合整數(shù)線性規(guī)劃MILP問題可以使用Lingo、Gurobi或MATLAB的intlinprog等求解器進(jìn)行求解。2.3 問題三不確定性應(yīng)對與魯棒優(yōu)化模型第三問是賽題的升華它引入了現(xiàn)實(shí)世界中最令人頭疼的要素不確定性。題目要求我們考慮供應(yīng)商的供貨量可能隨機(jī)波動(dòng)有概率比預(yù)定量減少50%并在此情況下制定訂購和運(yùn)輸方案目標(biāo)是保障產(chǎn)能的同時(shí)盡可能降低成本。這是典型的隨機(jī)規(guī)劃或魯棒優(yōu)化問題。我們采用了魯棒優(yōu)化的思想因?yàn)樗灰蕾囉诰唧w的概率分布而是假設(shè)擾動(dòng)在一個(gè)不確定集合內(nèi)然后優(yōu)化最壞情況下的性能。這更符合“保障生產(chǎn)”的題意。具體而言我們?yōu)槊考夜?yīng)商的供貨量引入一個(gè)不確定參數(shù)ξ假設(shè)其在其額定供貨量的一個(gè)區(qū)間內(nèi)波動(dòng)例如[0.5倍, 1倍]。然后我們建立了一個(gè)兩階段魯棒優(yōu)化模型第一階段決策在觀察到不確定性之前必須做出的決定即“訂購方案”向誰訂、訂多少。這部分成本是確定的。第二階段決策在不確定性實(shí)際供貨量揭示后可以做出的調(diào)整即“運(yùn)輸方案”以及可能的緊急補(bǔ)貨決策。這部分成本與不確定性的具體實(shí)現(xiàn)有關(guān)。模型的目標(biāo)是最小化第一階段成本加上最壞情況下的第二階段成本。求解這類問題通常采用列與約束生成法或?qū)ε嫁D(zhuǎn)化法。我們在比賽中采用了對偶方法將內(nèi)層的最大化問題尋找最壞情況通過拉格朗日對偶轉(zhuǎn)化為最小化問題從而將整個(gè)問題轉(zhuǎn)化為一個(gè)確定性的混合整數(shù)規(guī)劃問題。雖然求解規(guī)模較大但在合理簡化如選擇代表性的情景或?qū)?yīng)商不確定性進(jìn)行聚合后是可以在比賽時(shí)間內(nèi)得到滿意解的。這一問的亮點(diǎn)在于方案必須體現(xiàn)“韌性”。例如在訂購方案中我們會有意識地增加向高穩(wěn)定性供應(yīng)商的采購比例或設(shè)置一定的安全庫存以緩沖供應(yīng)波動(dòng)。在論文中我們通過對比魯棒方案與確定性方案在模擬隨機(jī)擾動(dòng)下的表現(xiàn)如缺貨次數(shù)、總成本有力地證明了魯棒方案的有效性。3. 數(shù)據(jù)處理、特征工程與關(guān)鍵算法實(shí)現(xiàn)有了清晰的思路框架下一步就是落地實(shí)現(xiàn)。這部分是隊(duì)伍之間拉開差距的關(guān)鍵考驗(yàn)的是對數(shù)據(jù)的處理能力和對算法的熟練運(yùn)用。3.1 歷史數(shù)據(jù)清洗與特征提取實(shí)戰(zhàn)附件中的數(shù)據(jù)并非完美。首先需要進(jìn)行數(shù)據(jù)清洗缺失值處理對于某些供應(yīng)商在某些周供貨量為空值或0需區(qū)分是“未供貨”還是“數(shù)據(jù)缺失”。我們將其統(tǒng)一視為“未供貨”即0值因?yàn)閺臉I(yè)務(wù)邏輯上沒記錄通常就意味著沒送貨。這對于計(jì)算供貨保障率是合理的。異常值檢測利用箱線圖或3σ原則檢查是否存在遠(yuǎn)超正常范圍的進(jìn)貨量。我們發(fā)現(xiàn)個(gè)別周次存在極端大值經(jīng)團(tuán)隊(duì)討論認(rèn)為這可能是真實(shí)的大額訂單而非錯(cuò)誤數(shù)據(jù)故予以保留但在計(jì)算穩(wěn)定性指標(biāo)時(shí)采用對異常值不敏感的統(tǒng)計(jì)量如中位數(shù)和四分位距進(jìn)行輔助分析。特征提取我們使用了Python的Pandas庫核心代碼如下片段import pandas as pd import numpy as np # 假設(shè) df 是原始的402x240的供貨量DataFrame df pd.read_excel(附件1.xlsx, index_col0) # 索引為供應(yīng)商ID features pd.DataFrame(indexdf.index) # 1. 平均供貨量 features[mean_supply] df.mean(axis1) # 2. 供貨穩(wěn)定性變異系數(shù) features[cv_supply] df.std(axis1) / (df.mean(axis1) 1e-8) # 防止除零 # 3. 供貨保障率非零周比例 features[supply_ratio] (df 0).sum(axis1) / df.shape[1] # 4. 最大供貨能力95%分位數(shù) features[max_capacity] df.quantile(0.95, axis1) # 5. 供貨增長趨勢最近60周均值與最初60周均值的比值 features[trend] df.iloc[:, -60:].mean(axis1) / (df.iloc[:, :60].mean(axis1) 1e-8) # 數(shù)據(jù)標(biāo)準(zhǔn)化為后續(xù)綜合評價(jià)做準(zhǔn)備 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() features_scaled pd.DataFrame(scaler.fit_transform(features), columnsfeatures.columns, indexfeatures.index)3.2 熵權(quán)TOPSIS綜合評價(jià)的Python實(shí)現(xiàn)熵權(quán)TOPSIS的實(shí)現(xiàn)步驟如下我們同樣用Python完成def entropy_weight_topsis(data): data: 標(biāo)準(zhǔn)化后的特征矩陣行是供應(yīng)商列是評價(jià)指標(biāo) 返回綜合得分、排名、以及各指標(biāo)權(quán)重 # 1. 熵權(quán)法求權(quán)重 P data / data.sum(axis0) # 計(jì)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各指標(biāo)權(quán)重{dict(zip(data.columns, weights))}) # 2. TOPSIS法 weighted_matrix data * weights.values # 加權(quán)標(biāo)準(zhǔn)化矩陣 ideal_best weighted_matrix.max(axis0) # 正理想解 ideal_worst weighted_matrix.min(axis0) # 負(fù)理想解 # 計(jì)算距離 dist_best np.sqrt(((weighted_matrix - ideal_best) ** 2).sum(axis1)) dist_worst np.sqrt(((weighted_matrix - ideal_worst) ** 2).sum(axis1)) # 計(jì)算綜合得分 score dist_worst / (dist_best dist_worst epsilon) rank score.rank(ascendingFalse, methodmin).astype(int) return score, rank, weights # 應(yīng)用函數(shù) scores, ranking, w entropy_weight_topsis(features_scaled) features[綜合得分] scores features[排名] ranking3.3 混合整數(shù)規(guī)劃模型的Lingo求解示例對于問題二的模型我們使用Lingo求解因?yàn)樗枋鰞?yōu)化模型非常直觀。核心模型結(jié)構(gòu)如下已簡化MODEL: SETS: supplier /1..402/: ; week /1..24/: demand, inventory, transport, cost_transport; link(supplier, week): order, select; ! select是0-1變量表示該周是否選擇該供應(yīng)商 ENDSETS DATA: ! 從文件導(dǎo)入需求預(yù)測demand成本參數(shù)等; demand ...; unit_purchase_cost ...; unit_holding_cost ...; ENDDATA ! 目標(biāo)函數(shù)最小化總成本; 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)); ! 約束條件; ! 1. 庫存平衡約束; FOR(week(w): inventory(w) IF(w #EQ# 1, 0, inventory(w-1)) SUM(supplier(s): order(s,w)) - demand(w); ); ! 2. 每周選擇供應(yīng)商不超過50家; FOR(week(w): SUM(supplier(s): select(s,w)) 50; ); ! 3. 邏輯約束如果訂購量大于0則select必須為1; FOR(link(s,w): order(s,w) M * select(s,w); ! M為一個(gè)很大的數(shù); BIN(select(s,w)); ); ! 4. 運(yùn)輸成本分段函數(shù)線性化處理此處為示意需根據(jù)具體分段定義輔助變量和約束; ! ... 分段線性化約束 ... ! 5. 非負(fù)約束; FOR(link: GTE(order, 0)); FOR(week: GTE(inventory, 0)); END在實(shí)際比賽中我們需要將數(shù)據(jù)處理后填入DATA部分并仔細(xì)定義好分段線性化的所有約束。求解后order和select變量就是我們的訂購方案。4. 論文寫作要點(diǎn)與常見陷阱規(guī)避數(shù)學(xué)建模競賽“模”是基礎(chǔ)“競”是關(guān)鍵而競賽結(jié)果最終體現(xiàn)在那一篇20頁左右的論文上。寫作水平直接決定了評委對你工作的第一印象和最終評價(jià)。4.1 論文結(jié)構(gòu)與邏輯呈現(xiàn)國賽論文有相對固定的結(jié)構(gòu)但內(nèi)在邏輯的流暢性至關(guān)重要。摘要重中之重這是論文的“臉面”。必須用精煉的語言300-500字概括針對每個(gè)問題你們用了什么方法建立了什么模型得到了什么關(guān)鍵結(jié)論最終方案是什么。避免出現(xiàn)技術(shù)細(xì)節(jié)和公式要寫“結(jié)果性”語言。例如“針對供應(yīng)商評估本文構(gòu)建了基于供貨穩(wěn)定性、保障率等多維特征的評價(jià)體系采用熵權(quán)TOPSIS法量化評分并據(jù)此將供應(yīng)商分為三類。基于此建立了以總成本最小為目標(biāo)的整數(shù)規(guī)劃模型利用Lingo求解得到了未來24周每周的具體訂購方案預(yù)計(jì)可降低采購成本約X%?！眴栴}重述與分析不要照抄題目要用自己的話梳理問題的背景、條件和目標(biāo)并畫出邏輯框架圖。這張圖能清晰地展示你們?nèi)绾畏纸鈫栴}各模塊間如何聯(lián)系讓評委一眼看懂你們的思路。模型假設(shè)與符號說明假設(shè)要合理且必要例如“假設(shè)未來24周市場需求預(yù)測準(zhǔn)確”、“假設(shè)運(yùn)輸途中無損耗”。符號說明建議采用三線表清晰美觀。模型建立與求解這是核心章節(jié)。對應(yīng)三個(gè)問題分節(jié)論述。每一節(jié)都應(yīng)遵循“問題分析 - 模型構(gòu)建 - 求解方法 - 結(jié)果分析”的流程。公式要規(guī)范編號重要的推導(dǎo)過程可以給出。結(jié)果不僅要有數(shù)字更要有分析比如“從圖X可以看出我們傾向于在需求旺季前向A類供應(yīng)商集中采購以規(guī)避價(jià)格上漲風(fēng)險(xiǎn)”。模型評價(jià)與推廣客觀評價(jià)自己模型的優(yōu)點(diǎn)如考慮全面、魯棒性強(qiáng)和缺點(diǎn)如對數(shù)據(jù)質(zhì)量依賴較高、計(jì)算復(fù)雜度大。推廣部分可以談?wù)勀Ｐ蜕宰餍薷暮筮€能應(yīng)用于哪些類似場景如電商庫存管理、能源采購等。參考文獻(xiàn)與附錄參考文獻(xiàn)格式要規(guī)范。核心代碼、大量中間結(jié)果可以放在附錄正文中只需給出關(guān)鍵代碼片段或說明。4.2 可視化技巧讓結(jié)果自己說話一張好的圖表頂?shù)蒙锨а匀f語。供應(yīng)商分類結(jié)果可以用雷達(dá)圖展示幾類典型供應(yīng)商在各個(gè)特征維度上的表現(xiàn)非常直觀。訂購方案用熱力圖Heatmap展示402家供應(yīng)商在未來24周的訂購量橫軸是周次縱軸是供應(yīng)商可按評分排序顏色深淺代表訂購量大小。評委一眼就能看出你們的采購策略是否集中、是否有規(guī)律。庫存與需求變化用雙Y軸折線圖一條線表示每周庫存水平另一條線表示每周原材料需求可以清晰展示庫存如何平滑需求波動(dòng)。成本構(gòu)成分析用堆疊柱狀圖展示每周或總周期的成本構(gòu)成采購、庫存、運(yùn)輸各占多少比例突出優(yōu)化重點(diǎn)。4.3 常見致命錯(cuò)誤與避坑指南根據(jù)多年評審和參賽經(jīng)驗(yàn)以下陷阱千萬要避開誤區(qū)一模型越復(fù)雜越好。盲目追求使用深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等“高級”算法但模型假設(shè)與問題背景不符或求解不了最后只能給出一個(gè)“理論結(jié)果”。評委更看重模型與問題的貼合度以及求解的完備性一個(gè)求解良好的線性規(guī)劃比一個(gè)無法求解的復(fù)雜隨機(jī)過程模型得分高得多。誤區(qū)二忽略題目隱性約束。例如本題中“每周供應(yīng)商數(shù)≤50”這是一個(gè)強(qiáng)約束必須在模型中以約束條件明確表達(dá)并在結(jié)果中體現(xiàn)。很多隊(duì)伍在論文里提了一句但模型和結(jié)果中都沒看到這個(gè)約束的影子這會嚴(yán)重失分。誤區(qū)三結(jié)果只有數(shù)字沒有分析。論文里羅列了一大堆表格寫著“第1周向供應(yīng)商001訂購100噸”但沒有解釋為什么是100噸為什么選001號。必須結(jié)合你們的模型邏輯和策略進(jìn)行分析例如“因?yàn)榈?周需求較低我們主要從評分高且供貨穩(wěn)定的A-01供應(yīng)商小批量采購以維持基礎(chǔ)庫存”。誤區(qū)四靈敏度分析流于形式。很多論文的靈敏度分析就是隨便改個(gè)參數(shù)然后說“結(jié)果變化不大模型穩(wěn)定”。好的靈敏度分析要服務(wù)于決策。例如可以分析運(yùn)輸成本階梯價(jià)格變化對總成本的影響從而告訴企業(yè)“與運(yùn)輸商談判時(shí)將第二檔運(yùn)費(fèi)降低5%比將第一檔運(yùn)費(fèi)降低10%更能節(jié)約總成本”。誤區(qū)五編程與寫作脫節(jié)。最后一天通宵趕論文發(fā)現(xiàn)模型結(jié)果還沒跑出來或者結(jié)果與文字描述對不上。必須留足至少一天時(shí)間專門寫作和修改。在建模中期就應(yīng)該開始撰寫問題分析、模型假設(shè)等部分。求解出結(jié)果后立即將關(guān)鍵圖表和結(jié)論嵌入論文。5. 團(tuán)隊(duì)協(xié)作、時(shí)間管理與備賽建議數(shù)學(xué)建模是典型的團(tuán)隊(duì)作戰(zhàn)三個(gè)人的配合決定了天花板。角色定位建模手負(fù)責(zé)核心思路構(gòu)建和模型推導(dǎo)。需要扎實(shí)的數(shù)學(xué)、運(yùn)籌學(xué)功底思維敏捷。編程手負(fù)責(zé)數(shù)據(jù)清洗、算法實(shí)現(xiàn)、模型求解和可視化。需要熟練使用Python/MATLAB熟悉優(yōu)化求解器。寫手負(fù)責(zé)論文撰寫、潤色和排版。需要極強(qiáng)的邏輯歸納能力、文字表達(dá)能力和審美最好會用LaTeX。三天時(shí)間軸推薦第一天上午集體研讀題目查閱資料確定初步思路。中午前必須確定大方向切忌反復(fù)搖擺。第一天下午至晚上建模手細(xì)化模型編程手開始數(shù)據(jù)預(yù)處理和特征工程寫手開始撰寫問題重述、分析和模型假設(shè)。第二天全天編程手全力求解模型產(chǎn)出結(jié)果和圖表。建模手輔助調(diào)試并開始構(gòu)思模型評價(jià)和推廣部分。寫手根據(jù)已有結(jié)果撰寫模型建立與求解初稿。第三天上午所有結(jié)果必須全部產(chǎn)出。團(tuán)隊(duì)集中進(jìn)行結(jié)果分析確定論文最終結(jié)論和亮點(diǎn)。第三天下午至深夜寫手整合全文完成摘要、總結(jié)等部分。其他兩人通讀全文檢查錯(cuò)誤調(diào)整格式制作圖表。務(wù)必在截止時(shí)間前至少2小時(shí)完成最終版用于應(yīng)對網(wǎng)絡(luò)擁堵等意外。備賽建議前期積累精讀往年優(yōu)秀論文學(xué)習(xí)其思路和寫作。掌握一到兩種核心的建模方法如優(yōu)化、預(yù)測、評價(jià)和對應(yīng)的求解工具。專題訓(xùn)練針對數(shù)據(jù)處理、優(yōu)化建模、時(shí)間序列預(yù)測、綜合評價(jià)等專題進(jìn)行刻意練習(xí)。模擬實(shí)戰(zhàn)賽前進(jìn)行1-2次全真模擬嚴(yán)格計(jì)時(shí)鍛煉配合和抗壓能力。回過頭看2021年C題是一道非常經(jīng)典的運(yùn)籌優(yōu)化類題目它沒有設(shè)置過于詭異的障礙但考察點(diǎn)全面從數(shù)據(jù)處理、綜合評價(jià)、優(yōu)化建模到魯棒分析環(huán)環(huán)相扣。解決它的過程就像完成一個(gè)微型的科研項(xiàng)目。最大的收獲不是那個(gè)獎(jiǎng)項(xiàng)而是這種將模糊現(xiàn)實(shí)抽象為清晰模型并利用數(shù)學(xué)工具和編程能力將其解決的系統(tǒng)性思維。這種能力無論在后續(xù)的學(xué)術(shù)研究還是工業(yè)界工作中都讓我受益匪淺。最后一個(gè)小建議在論文中永遠(yuǎn)記得站在“企業(yè)決策者”的角度思考你的模型和方案最終是要幫企業(yè)賺錢的一切分析和結(jié)論都要圍繞這個(gè)商業(yè)本質(zhì)展開這樣的論文才會有靈魂才能打動(dòng)評委。