数学建模实验二实战指南：从零构建优化、微分方程与数据驱动模型
1. 项目缘起：从“数模实验二”说起
如果你正在读这篇文章，大概率是某个理工科专业的学生，或者是对数学建模刚产生兴趣的初学者。你的电脑桌面上，可能正躺着一个名为“数模实验二”的文件夹，里面或许只有一个空白的Word文档，或者几行不知从何下手的代码。你看着这个标题，心里可能在想：“这到底要做什么？老师只给了个标题，正文和具体要求呢？” 别慌，这种感觉我太熟悉了。当年我也是这么过来的，从一个看到“实验二”就发懵的新手，到后来能带队拿奖的老油条。今天，我就以一个过来人的身份，和你聊聊这个看似空泛的“数模实验二”背后，到底藏着哪些门道，以及我们该如何把它从一个空洞的标题，变成一个丰满、完整、能拿高分的项目。
“数模实验二”这个标题，在高校的数学建模课程或培训中非常典型。它通常不是指某个特定的赛题，而是一个教学环节的代号。这意味着，它的具体内容高度依赖于你的课程进度、授课老师的侧重点以及当前的教学目标。它可能紧接着“实验一”的线性规划，而来探讨非线性优化；也可能从“实验一”的数据拟合，进阶到微分方程建模；又或者，它是一个综合性的小项目，要求你将前序学过的几种方法融合应用。所以，面对一个空的“项目正文”，我们的第一要务不是焦虑，而是主动定义问题。这恰恰是数学建模最核心的能力之一：从模糊的需求中，提炼出清晰、可解的数学问题。
2. 破解“空标题”：定义属于你的实验二核心
既然老师没有给具体题目，我们就需要自己搭建一个合理的框架。这个框架的构建，不能天马行空，必须基于你已学的知识和课程常见的考察方向。下面，我将提供几个最有可能的“实验二”主题方向，并详细拆解每个方向下，一个合格的项目应该包含哪些核心模块。
2.1 方向一：优化类问题进阶——从线性到非线性
如果你的“实验一”是关于线性规划（Linear Programming, LP）的，那么“实验二”极有可能引入非线性规划（Nonlinear Programming, NLP）或整数规划（Integer Programming, IP）。这是建模竞赛和实际应用中非常经典的进阶路径。
核心任务定义：寻找一个实际案例，其目标函数或约束条件至少有一个是非线性的（例如包含平方项、指数项、三角函数等），或者决策变量要求是整数（如人数、设备台数）。
我建议的实战选题：“基于成本与效率平衡的工厂生产计划优化”。
- 问题背景：某工厂生产两种产品A和B。生产它们需要消耗两种原材料，且占用机器的工时。但是，这里有个关键变化：产品的单位利润并非固定值，而是随着产量的增加呈现“边际效益递减”（例如，因为市场饱和或促销成本增加），这可以用一个二次函数来描述。同时，工厂的机器维护成本与开机时间成指数关系（开机时间越长，维护成本增速越快）。此外，生产线的启动需要固定成本，这引入了“0-1”决策变量。
- 数学建模过程：
- 决策变量：设
x_A,x_B为产品A和B的产量（连续变量）；设y为一个0-1变量，y=1表示开启生产线，y=0表示关闭。 - 目标函数：最大化总利润。总利润 = (产品A收入函数
f_A(x_A)) + (产品B收入函数f_B(x_B)) - (原材料成本) - (机器工时成本函数g(工时)) - (生产线固定成本 *y)。其中f_A,f_B,g都是非线性函数。 - 约束条件：原材料消耗 ≤ 库存；机器总工时 ≤ 可用工时；并且产量
x_A,x_B与生产线状态y关联（例如，如果y=0，则x_A = x_B = 0；如果y=1，则产量有上下限）。这个关联约束通常用“大M法”转化为线性约束，这是整数规划建模的一个技巧。
- 决策变量：设
- 为什么选这个题：它完美融合了连续变量、0-1变量、非线性目标函数和约束，涵盖了从LP到NLP/IP的核心进阶知识点。求解它可能需要用到MATLAB的
fmincon函数（处理非线性约束）或intlinprog函数（处理整数规划），或者Python中SciPy的minimize函数配合自定义约束处理。
2.2 方向二：动态系统建模——微分方程初探
如果你们的课程涉及动态过程，如人口增长、疾病传播、药物代谢、热传导等，“实验二”很可能要求你建立并求解一个微分方程模型。
核心任务定义：用一个或一组微分方程，描述某个量随时间（或空间）变化的规律，并通过数值方法求解，最后分析参数的影响。
我建议的实战选题：“封闭环境内传染病传播的SIR模型模拟与防控分析”。
- 问题背景：研究一种传染病在固定人群中的传播 dynamics。这是数学建模的经典案例，也是当前社会非常关注的话题。
- 数学建模过程：
- 模型假设：将总人口N分为三类：易感者(S)、感染者(I)、康复者(R)。假设康复者获得永久免疫；不考虑出生、死亡和迁移；疾病通过有效接触传播。
- 建立方程：这就是著名的SIR模型。
dS/dt = -β * S * I / N（易感者减少的速度，与S和I的乘积成正比）dI/dt = β * S * I / N - γ * I（感染者增加的速度等于新感染数减去康复数）dR/dt = γ * I（康复者增加的速度） 其中，β是感染率，γ是康复率（其倒数1/γ平均感染期）。
- 数值求解：给定初始值
S(0), I(0), R(0)和参数β, γ，使用数值方法（如欧拉法、龙格-库塔法）求解这个常微分方程组。在MATLAB中可以用ode45函数，在Python中可以用SciPy的solve_ivp函数，非常简单。 - 模型分析：改变
β（模拟戴口罩、社交距离的效果）和γ（模拟医疗水平的效果），观察感染高峰I_max和最终感染规模R(∞)的变化。可以引入一个关键指标——基本再生数R0 = β / γ，当R0 > 1时疾病会流行，R0 < 1时疾病会逐渐消失。
- 为什么选这个题：模型经典、意义明确、求解工具成熟、分析维度丰富。你可以很容易地画出S、I、R随时间变化的曲线图，直观展示不同防控措施的效果，论文的图表和论述会非常出彩。
2.3 方向三：数据驱动建模——拟合、预测与评价
如果“实验一”涉及基础的数据处理或简单拟合，“实验二”可能会要求进行更复杂的回归分析、时间序列预测，并引入严格的模型评价体系。
核心任务定义：基于一组真实或模拟的数据，建立预测模型，并使用多种指标评价模型好坏，同时避免过拟合。
我建议的实战选题：“城市共享单车每日使用量的影响因素分析与预测”。
- 问题背景：你有过去一年某个城市共享单车每日的使用量数据，以及对应的日期特征（是否周末、节假日）、天气数据（最高温、最低温、降水量、天气状况编码）、星期几等。
- 数学建模过程：
- 数据预处理：处理缺失值、异常值；对类别变量（如天气状况）进行独热编码；将日期转化为“第几天”或提取“月份”、“季节”等周期特征。
- 模型选择与建立：这是一个典型的回归问题。你可以尝试多种模型，形成对比：
- 多元线性回归：作为基线模型，简单可解释。
- 决策树回归 / 随机森林回归：能捕捉非线性关系，对特征无需复杂预处理。
- 梯度提升树（如XGBoost, LightGBM）：在结构化数据预测中表现往往非常出色。
- 模型训练与评价：
- 将数据按时间顺序划分为训练集（前80%天数）和测试集（后20%天数），切记不能随机划分，因为时间序列数据具有相关性。
- 在训练集上训练模型，在测试集上评估。评价指标不能只看R²，还应包括：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）。这些指标能从不同角度反映预测误差。
- 特征重要性分析：对于树模型，可以输出特征重要性排序，分析哪些因素（如温度、是否周末）对单车使用量影响最大。
- 为什么选这个题：贴近生活，数据易于获取（很多公开数据集）；流程完整，涵盖了从数据清洗到模型评价的全流程；可以展示你对多种机器学习模型的了解和对比能力。
注意：在实际操作中，你必须与你的课程指导老师或团队成员确认“实验二”的具体范围。以上三个方向是我根据最常见教学路径的推测。选择最贴近你们课程进度的一个方向，然后深入下去。
3. 从框架到血肉：构建一份完整的数模实验报告
无论你选择了哪个方向，一份优秀的“数模实验二”报告（或论文）都需要遵循严谨的结构。下面，我以“SIR传染病模型”为例，给你拆解一份报告应该怎么写，里面有哪些必须包含的“血肉”，以及那些容易被忽略但能加分的细节。
3.1 摘要：浓缩的精华，决胜的关键
摘要虽然放在最前面，但往往是最后写的。它需要独立成篇，让读者在不看正文的情况下，就能完全理解你做了什么、怎么做、结果如何。
- 写法：采用“问题背景→建模思路→所用方法→主要结果→结论建议”的流水线式写法。
- 示例骨架：“针对封闭环境内传染病传播规律问题，本文基于经典SIR compartmental model，建立了描述易感者(S)、感染者(I)、康复者(R)三类人群演化的微分方程组模型。利用MATLAB的ode45求解器对模型进行数值求解，模拟了疫情发展的全过程。重点分析了感染率β和康复率γ两个关键参数对疫情峰值(I_max)和最终感染规模(R∞)的影响。数值模拟表明，将基本再生数R0控制在1以下是阻断传播的关键。据此，本文提出了通过降低接触率（对应降低β）和缩短感染期（对应提高γ）两类防控建议。本模型为理解传染病动力学提供了量化工具。”
- 避坑提示：摘要里不要出现公式、图表引用，用文字清晰描述。字数控制在200-300字为宜。
3.2 问题重述与假设：划定你的战场
这一部分展示你定义问题的能力。
- 问题重述：不要直接拷贝“研究传染病传播”，要用自己的话，更具体地描述你要研究的场景。例如：“本研究考虑一个总人数N固定、个体间均匀混合的封闭社区，旨在建立数学模型，模拟一种具有永久免疫性的传染病（如麻疹）在该社区内的传播动态，并定量评估不同防控措施的效果。”
- 模型假设：这是模型的基石，必须清晰、合理、完整。好的假设能简化问题，同时不丢失本质。
- 总人口N恒定，不考虑出生、死亡和迁移。
- 人群均匀混合，即任何个体与其他个体接触的机会均等。
- 疾病通过有效接触传播，单位时间内一个感染者能传染的易感者人数与当前易感者比例成正比。
- 感染者以固定速率γ康复，康复后获得永久免疫，不再被感染。
- 潜伏期、无症状感染者等因素在本模型中暂不考虑。
- 我的心得：假设不是越多越好，而是越“必要”越好。每一条假设都应该是为了推导出下一个公式或简化某个环节而服务的。在论文中，可以在最后加入“模型优缺点与改进”部分，讨论放松某些假设（如考虑潜伏期SEIR模型）会怎样。
3.3 模型建立与求解：展示硬核实力
这是报告的核心。
- 符号说明：用一个三列表格清晰列出所有变量和参数的含义、单位。例如：
| 符号 | 含义 | 单位/说明 |
|---|---|---|
| S(t) | t时刻易感者人数 | 人 |
| I(t) | t时刻感染者人数 | 人 |
| R(t) | t时刻康复者人数 | 人 |
| N | 总人口数 | 人，N = S+I+R |
| β | 日感染率 | 1/(人·天) |
| γ | 日康复率 | 1/天 |
| R0 | 基本再生数 | 无量纲，R0 = β/γ |
- 模型推导：从假设出发，用文字和公式一步步推导出微分方程组。要解释每一项的物理意义，比如为什么
dS/dt是-βSI/N。 - 求解过程：
- 解析解（如果可能）：对于SIR模型，通常没有简单的解析解，但可以给出相轨线分析。这部分如果课程没要求，可以略过。
- 数值解（重点）：详细说明你用的数值方法（如四阶龙格-库塔法）和工具（MATLAB ode45）。必须附上核心代码片段，并加以注释。
% SIR模型数值求解示例 (MATLAB) % 参数设置 beta = 0.3; % 感染率 gamma = 0.1; % 康复率 N = 1000; % 总人口 I0 = 1; % 初始感染者 R0 = 0; % 初始康复者 S0 = N - I0 - R0; % 初始易感者 y0 = [S0; I0; R0]; % 初始条件向量 % 定义时间区间 tspan = [0 150]; % 模拟150天 % 定义微分方程组 sir_ode = @(t, y) [-beta * y(1) * y(2) / N; beta * y(1) * y(2) / N - gamma * y(2); gamma * y(2)]; % 调用ode45求解 [t, y] = ode45(sir_ode, tspan, y0); % 提取结果 S = y(:, 1); I = y(:, 2); R = y(:, 3); % 绘图 figure; plot(t, S, 'b-', t, I, 'r-', t, R, 'g-', 'LineWidth', 2); legend('易感者 S', '感染者 I', '康复者 R'); xlabel('时间 (天)'); ylabel('人数'); title('SIR传染病模型动态模拟'); grid on;- 结果可视化：将S, I, R随时间变化的曲线画出来。这是最直观的部分。图要清晰，有图题，坐标轴标签、单位、图例要齐全。
3.4 模型分析与讨论：体现思考深度
这是区分普通报告和优秀报告的关键。不要只满足于画出曲线。
- 参数敏感性分析：系统性地改变参数，看结果如何变化。例如，固定γ=0.1，让β从0.1变化到0.5，观察疫情峰值I_max和最终感染比例R(∞)/N的变化趋势。可以用一张二维曲线图或三维曲面图来展示。
- 关键指标计算：计算并讨论基本再生数R0。模拟R0>1和R0<1的两种情景，直观展示“疫情爆发”与“疫情消退”的差别。
- “防控措施”模拟：将防控措施映射到模型参数上。例如，“实施社交距离和佩戴口罩”可以理解为降低了有效接触率，即β值减小。在报告中，你可以设计一个场景：从第50天开始，由于采取强力防控，β值从0.3降至0.15。重新运行模型，对比防控前后感染者曲线的变化，定量评估防控措施的效果（如峰值降低了多少，疫情结束时间提前了多少天）。
- 模型局限性讨论：真诚地指出你的模型的不足。例如，SIR模型忽略了潜伏期、年龄结构、空间异质性、医疗资源挤兑等现实因素。指出这些不足，并简要说明如果考虑这些因素，模型可以如何扩展（如提到SEIR模型、考虑年龄结构的仓室模型等），这体现了你的批判性思维和对问题更深入的理解。
4. 实验报告之外的实战要点：工具、协作与表达
完成模型和论文只是第一步。要让你的“实验二”出彩，还需要注意以下这些实操层面的细节。
4.1 工具链的选择与高效使用
工欲善其事，必先利其器。
- 编程语言：MATLAB在数值计算、画图方面有天然优势，函数库丰富，特别适合求解微分方程、优化问题。Python（搭配NumPy, SciPy, Pandas, Matplotlib）则更通用，在数据处理、机器学习方面更强，且免费开源。根据你的问题方向和个人熟悉度选择。我建议数模新手可以从MATLAB入手，因为它更“傻瓜化”；想往数据科学方向发展的同学，可以坚定地使用Python。
- 文献与资料管理：在写“问题背景”和“模型优缺点”时，可能需要引用一些资料。不要随便复制粘贴。使用Zotero、Mendeley或EndNote等文献管理软件，从一开始就规范地管理你的参考文献，最后可以一键生成参考文献列表。
- 绘图与可视化：一图胜千言。除了MATLAB和Matplotlib，可以了解一些更专业的绘图工具或库，如Origin（商业软件，绘图精美）、Python的Seaborn和Plotly库（可以做出交互式图表）。确保你的图表配色清晰、对比度高，在黑白打印时也能区分。
4.2 团队协作与版本管理
如果是团队项目，协作效率至关重要。
- 代码版本控制：强烈建议使用Git。在GitHub、Gitee或GitLab上创建一个私有仓库。将论文LaTeX或Word源文件、代码、数据都放进去。每次修改后提交，写清楚提交信息。这能完美解决“最终版_v2_改_真的最终版.docx”这种混乱，也能方便地回溯到任何历史版本。
- 文档协作：对于论文写作，Overleaf（在线LaTeX编辑器）支持多人实时协作，是写数模论文的神器。如果坚持用Word，可以使用Office 365的在线协作功能或腾讯文档。
- 任务分解与沟通：明确分工，比如一人主攻模型推导和编程，一人主攻论文写作和画图，一人负责资料搜集和敏感性分析。但分工不分家，每天要有简短的同步会议，确保彼此进度和理解一致。
4.3 论文写作的表达与规范
再好的模型，也需要清晰的表达来呈现。
- 语言：使用客观、准确的学术语言，避免口语化。“我们发现”可以改为“模拟结果显示”或“计算结果指出”。
- 公式：所有公式必须用公式编辑器（如Word的公式编辑器、LaTeX）规范编写，并居中编号。在文中引用时，使用“式(1)”这样的格式。
- 图表：每一个图表都应有独立的编号和标题（图题在下方，表题在上方）。在正文中，应先引用“如图1所示”，然后再出现图。图表中的文字大小要适中，确保打印后清晰可读。
- 参考文献：只要引用了别人的观点、模型、数据，就必须标注出处。参考文献格式可以参照国标GB/T 7714，或者APA、IEEE等常用格式，但全文必须统一。
最后，我想分享一点个人体会：“数模实验二”这样的任务，其真正价值不在于得到一个完美的答案，而在于完整地体验一次“从无到有”的建模过程。从面对一个空文件夹的茫然，到主动定义问题、查阅资料、建立模型、调试代码、分析结果、撰写报告，这个过程里你锻炼的检索能力、编程能力、逻辑思维和文字表达，远比一个具体的模型公式更重要。所以，不要怕起点低，不要怕过程曲折。选定一个你感兴趣的方向，按照我上面提供的框架，一步步去实现它。当你最终完成一份几十页、包含自己思考和劳动的实验报告时，那种成就感，就是学习数学建模最大的乐趣。