数学建模竞赛实战：从微分方程到Python代码的温室微气候调控方案

1. 从赛题到方案：一次完整的数模竞赛实战复盘

去年带队参加亚太赛，B题“玻璃温室中的微气候调控”让不少队伍直呼棘手。题目给了一个看似简单的温室物理模型，要求我们分析不同通风和遮阳策略对内部温度、湿度的影响，并给出优化方案。这题的核心，表面上是解几个微分方程，但真正拉开差距的，在于如何将抽象的数学公式，落地为一个能跑出可信结果、并能用清晰逻辑呈现给评委的完整解决方案。今天，我就以这道题为例，拆解一次完整的数学建模竞赛从思路分析、模型构建、代码实现到论文写作的全过程。无论你是初次参赛的新手，还是想提升成绩的老兵，这篇复盘希望能给你带来一些超越标准答案的实战心得。

2. 破题与思路分析：抓住物理本质与问题边界

拿到赛题，最忌一上来就埋头建模型。我们花了近两个小时，只做一件事：反复读题，划清边界，并统一团队对问题本质的理解。

2.1 核心问题拆解：不止于解方程

B题描述了一个玻璃温室，其内部微气候（温度、湿度）受外部天气、通风窗开闭、遮阳帘启停以及作物蒸腾作用共同影响。题目要求建立模型，并分析不同控制策略的效果。

我们的分析聚焦于以下几个层面：

1. 物理过程识别：这是建模的基石。温室内能量流动主要包括：太阳辐射的输入（受遮阳影响）、与外界的热对流（受通风影响）、作物蒸腾带来的潜热交换、以及温室结构本身的蓄热和散热。物质流动则主要是水蒸气，来源于作物蒸腾和土壤蒸发，通过通风与外界交换。
2. 变量与参数梳理：明确哪些是状态变量（需要我们模型计算的，如室内温度T_in、室内湿度H_in），哪些是控制变量（我们可以调节的，如通风窗开度V、遮阳帘遮光率S），哪些是输入参数（题目给定的或需要假设的，如室外温度T_out、太阳辐射I、作物参数）。
3. 问题边界与简化：竞赛时间有限，模型必须在精确性和可求解性之间权衡。我们做了几个关键简化假设：假设温室内空气均匀混合（忽略空间梯度），将作物层视为一个均匀的“源项”，忽略温室内部复杂的湍流细节，用集总参数法建立常微分方程模型。这些假设必须在论文中明确陈述并论证其合理性。

注意：很多队伍在这里犯错，要么模型过于复杂导致无法求解或结果不稳定，要么过于简化丢失了核心物理机制。我们的原则是，模型必须能体现**控制变量（V, S）如何通过关键物理过程影响状态变量（T_in, H_in）**这一主线。

2.2 思路框架搭建：从微分方程到策略评估

基于以上分析，我们形成了清晰的解决路径：

• 第一步：建立机理模型。基于能量守恒和质量守恒定律，建立关于室内温度T_in和室内绝对湿度（或水汽浓度）W_in的常微分方程组。方程中必须包含太阳辐射项（乘以(1-S)）、通风带来的显热和潜热交换项（与V和室内外温差/湿度差相关）、以及作物蒸腾项（通常表示为与辐射、温度相关的函数）。
• 第二步：模型参数确定与校准。题目给出部分参数，但如作物蒸腾系数、热交换系数等可能需要根据典型文献值设定，或利用题目附件中的少量数据进行简单校准，使模型在基准场景下的输出“看起来合理”。
• 第三步：控制策略定义与模拟。定义几种典型的控制策略，例如：定时通风、基于温度阈值的开关控制、结合温度和湿度的模糊控制等。将这些策略以逻辑规则的形式写入代码，让模型在模拟时间步长内动态调整V和S。
• 第四步：结果分析与优化。运行模拟，对比不同策略下T_in和H_in的动态曲线，使用综合评价指标（如温度在适宜区间内的时间占比、累计能耗等）进行量化评估。进而，可以尝试使用启发式算法（如遗传算法）对策略中的阈值参数进行优化。

这个框架将一个大问题分解为几个可顺序攻克的子模块，让团队分工有了明确依据。

3. 模型构建详解：能量与质量平衡方程的核心推导

这是整个项目的理论核心。我们采用集总参数法，将温室视为一个均匀的整体。

3.1 能量平衡方程（温度变化）

温室内部空气能量变化率 = 净辐射得热 + 通风显热交换 + 作物蒸腾潜热交换 + 其他（考虑地热、设备等，本题可忽略或简化）。

用公式表示如下：

ρ_a * V_g * C_a * dT_in/dt = (1-S) * A_g * I * τ - h_v * A_v * (T_in - T_out) - λ * E_t

我们来逐一拆解：

• ρ_a, C_a：空气密度和比热容，常数。
• V_g：温室内部空气体积，常数。
• dT_in/dt：室内温度随时间的变化率，这是我们要求解的微分项。
• (1-S) * A_g * I * τ：净辐射得热。S是遮阳率（0-1），A_g是温室透光面积，I是室外太阳总辐射，τ是玻璃透射率。这部分是主要的热量来源。
• h_v * A_v * (T_in - T_out)：通风显热交换。h_v是综合对流换热系数，它与通风窗开度V直接相关（通常可假设为线性或某种函数关系，如h_v = h_0 * V）。A_v是通风窗有效面积。此项表示由于空气交换导致的热量流失（当T_in > T_out时）。
• λ * E_t：作物蒸腾潜热消耗。λ是水的汽化潜热，E_t是作物蒸腾速率。蒸腾过程吸收热量，从而降低空气温度。E_t本身是一个模型，常用基于辐射和温度的公式，如E_t = k * (1-S)*I * f(T_in)，其中k是作物系数，f(T_in)是温度响应函数。

3.2 质量平衡方程（湿度变化）

室内水汽质量变化率 = 作物蒸腾产生的水汽 + 通风带来的水汽净交换。

公式表示如下：

V_g * dW_in/dt = E_t * A_c / ρ_w - V * A_v * v * (W_in - W_out)

• W_in, W_out：室内、室外空气的绝对湿度（kg/m³）。
• dW_in/dt：室内绝对湿度变化率。
• E_t * A_c / ρ_w：蒸腾源项。E_t是上文的蒸腾速率（kg/m²/s），A_c是作物种植面积，ρ_w是水密度（用于单位转换）。此项向室内添加水汽。
• V * A_v * v * (W_in - W_out)：通风除湿项。V是通风窗开度，v是通风风速（可与V相关或设为常数）。此项表示由于空气交换导致的水汽流失（当W_in > W_out时）。

3.3 模型的关键：耦合与参数化

这两个方程通过E_t和共享的控制变量V, S耦合在一起。E_t同时依赖于辐射（受S影响）和温度(T_in)，而T_in和W_in又共同决定了室内相对湿度（RH），RH是题目中常要求评估的舒适度指标之一，计算公式为RH = (W_in / W_sat(T_in)) * 100%，其中W_sat(T_in)是当前温度下的饱和绝对湿度。

参数设定是另一个难点。h_v,k,v等系数需要查阅农业工程或设施园艺领域的文献获取典型值。在竞赛中，可以说明“参考了XX文献，取值为...”，并可以进行简单的敏感性分析，表明模型结果对这些参数在一定范围内的变化不敏感，以增强鲁棒性。

4. 代码实现与数值求解：从方程到动态曲线

模型建立后，需要用代码将其实现并求解。我们选择Python作为主要工具，因其生态丰富（NumPy, SciPy, Matplotlib），便于快速开发和可视化。

4.1 环境搭建与核心库

import numpy as np from scipy.integrate import solve_ivp # 用于求解微分方程组 import matplotlib.pyplot as plt import pandas as pd # 用于处理输入数据（如果有的话）

4.2 定义微分方程组

这是最核心的函数，它实现了上一节推导的方程。

def greenhouse_model(t, state, T_out_func, I_func, RH_out_func, S_control, V_control): """ 温室微气候微分方程组 t: 当前时间 state: 状态变量数组 [T_in, W_in] T_out_func, I_func, RH_out_func: 外部气候函数，输入时间t，返回对应的室外温度、辐射、室外相对湿度 S_control, V_control: 控制策略函数，输入时间t和当前状态，返回遮阳率S和通风开度V """ T_in, W_in = state # 1. 获取当前时刻外部条件 T_out = T_out_func(t) I = I_func(t) RH_out = RH_out_func(t) # 计算室外绝对湿度 W_out (需要饱和水汽压公式) W_out = calculate_absolute_humidity(T_out, RH_out) # 2. 根据控制策略获取当前控制量 S = S_control(t, T_in, W_in) # 控制策略可以基于当前状态 V = V_control(t, T_in, W_in) # 3. 参数定义 (此处为示例值，实际需根据文献设定) rho_a = 1.2 # 空气密度 kg/m3 C_a = 1005 # 空气比热容 J/kg/K V_g = 1000 # 温室体积 m3 A_g = 200 # 温室透光面积 m2 tau = 0.7 # 玻璃透射率 h_0 = 10 # 基准对流换热系数 W/m2/K A_v = 10 # 通风窗面积 m2 lambda_w = 2.45e6 # 水汽化潜热 J/kg k_crop = 0.005 # 作物系数 kg/m2/J A_c = 300 # 作物面积 m2 rho_w = 1000 # 水密度 kg/m3 v_wind = 0.5 # 通风风速 m/s # 4. 计算中间变量 # 对流换热系数与通风开度相关 h_v = h_0 * V # 作物蒸腾速率 (简化模型) E_t = k_crop * (1 - S) * I * max(0, (T_in - 10) / 20) # 假设有一个温度响应 # 5. 能量平衡方程 dT_in/dt dTdt = ((1 - S) * A_g * I * tau - h_v * A_v * (T_in - T_out) - lambda_w * E_t * A_c) / (rho_a * V_g * C_a) # 6. 质量平衡方程 dW_in/dt dWdt = (E_t * A_c / rho_w - V * A_v * v_wind * (W_in - W_out)) / V_g return [dTdt, dWdt] def calculate_absolute_humidity(T, RH): """根据温度和相对湿度计算绝对湿度""" # 饱和水汽压计算公式 (Magnus公式近似) es = 6.112 * np.exp((17.67 * T) / (T + 243.5)) * 100 # Pa # 实际水汽压 e = es * RH / 100.0 # 绝对湿度 (kg/m3) W = 0.622 * e / (101325 - 0.378 * e) * 1.293 # 粗略换算 return W

4.3 实现控制策略

控制策略以函数形式实现，方便切换和对比。

# 策略1：无控制（基准） def strategy_baseline(t, T_in, W_in): S = 0.0 # 无遮阳 V = 0.0 # 无通风 return S, V # 策略2：基于温度阈值的开关控制 def strategy_thermostat(t, T_in, W_in): T_low, T_high = 22, 28 # 温度阈值 if T_in > T_high: V = 1.0 # 全开通风 S = 0.5 # 启动一半遮阳 elif T_in < T_low: V = 0.0 S = 0.0 else: # 在舒适区内，根据温度线性调节通风 V = (T_in - T_low) / (T_high - T_low) S = 0.0 return S, V # 策略3：定时通风（模拟白天开窗） def strategy_timed(t, T_in, W_in): hour = t % 24 if 8 <= hour <= 18: # 白天8点到18点 V = 0.8 else: V = 0.1 # 遮阳基于辐射强度（假设） I = get_external_radiation(t) # 需要外部辐射函数 if I > 500: S = 0.6 else: S = 0.0 return S, V

4.4 集成求解与可视化

# 定义外部气候条件（这里用简化的正弦函数模拟昼夜变化） def T_out_func(t): return 15 + 10 * np.sin(2 * np.pi * t / 24 - np.pi/2) # 日均20度，振幅10度 def I_func(t): hour = t % 24 if 6 <= hour <= 18: return 800 * np.sin(np.pi * (hour - 6) / 12) # 白天正弦变化 else: return 0 def RH_out_func(t): return 60 + 20 * np.sin(2 * np.pi * t / 24) # 湿度波动 # 初始条件 initial_state = [20, calculate_absolute_humidity(20, 60)] # 初始温度20C，湿度60% t_span = (0, 72) # 模拟3天 t_eval = np.linspace(*t_span, 1000) # 时间点 # 选择策略并求解 strategy = strategy_thermostat # 切换策略只需改这里 sol = solve_ivp(greenhouse_model, t_span, initial_state, args=(T_out_func, I_func, RH_out_func, strategy, strategy), t_eval=t_eval, method='RK45') # 提取结果 T_in_sim = sol.y[0] W_in_sim = sol.y[1] time = sol.t # 计算室内相对湿度 RH_in_sim = [] for T, W in zip(T_in_sim, W_in_sim): W_sat = calculate_absolute_humidity(T, 100) # 饱和绝对湿度 RH_in_sim.append(W / W_sat * 100 if W_sat > 0 else 0) # 可视化 fig, axes = plt.subplots(3, 1, figsize=(10, 8)) axes[0].plot(time, T_in_sim, label='Indoor Temp') axes[0].plot(time, [T_out_func(t) for t in time], '--', label='Outdoor Temp') axes[0].set_ylabel('Temperature (°C)') axes[0].legend() axes[0].grid(True) axes[1].plot(time, RH_in_sim, label='Indoor RH') axes[1].plot(time, [RH_out_func(t) for t in time], '--', label='Outdoor RH') axes[1].set_ylabel('Relative Humidity (%)') axes[1].legend() axes[1].grid(True) # 可以添加控制变量（S, V）的曲线 # ... (需要从策略函数中记录或后处理) axes[2].plot(time, [I_func(t) for t in time], label='Solar Radiation') axes[2].set_ylabel('Radiation (W/m2)') axes[2].set_xlabel('Time (hour)') axes[2].legend() axes[2].grid(True) plt.tight_layout() plt.show()

这段代码构成了一个完整的、可运行的模拟内核。通过更换strategy函数，我们可以轻松对比不同控制策略的效果。

5. 论文写作与呈现：如何将工作包装成高分答卷

数学建模竞赛，成果最终体现在一篇论文上。代码跑出结果只是第一步，如何清晰、有力、专业地呈现你的工作，往往决定了最终名次。

5.1 论文结构规划与写作要点

一篇标准的数模论文通常包含以下部分，每一部分都有其写作技巧：

1. 摘要：这是论文的“脸面”，评委最先看且可能只看的部分。必须用精炼的语言概括问题重述、建模思路、所用方法、主要结果和结论。避免细节，突出亮点。例如：“本文针对玻璃温室微气候调控问题，基于能量-质量守恒定律建立了集总参数微分方程模型。模型耦合了通风、遮阳与作物蒸腾等关键过程。通过数值求解，对比分析了阈值控制、定时控制等策略，发现基于温湿度双阈值的模糊控制策略能在节能XX%的同时，将室内温湿度处于适宜区间的时间占比提升至XX%。最后，利用遗传算法对控制参数进行了优化，提出了改进方案。”

2. 问题重述与分析：不要照抄题目！要用自己的语言梳理问题背景、已知条件、待求解目标，并给出自己的分析，明确解题路径。本节末尾可以给出一个技术路线图。

3. 模型假设与符号说明：列出所有关键假设，并论证其合理性。符号表要清晰完整，包含变量、含义、单位。这体现了工作的严谨性。

4. 模型的建立与求解：这是论文的核心。

   • 模型建立：详细推导微分方程。每一步物理意义要解释清楚，公式编号规范。可以配合简单的示意图说明能量和质量的流动。
   • 参数确定：说明每个参数的来源（题目给定、文献引用、合理假设、数据拟合）。对于假设的参数，最好能进行简单的敏感性分析，证明模型结果对参数在一定范围内变化不敏感。
   • 求解方法：说明采用了什么数值方法（如Runge-Kutta法），以及为什么选择它（稳定性好、适合常微分方程组）。提及使用的工具（Python SciPy库的solve_ivp函数）。

5. 模型应用与结果分析：

   • 情景设计：明确定义你要测试的几种控制策略（如策略A：无控制；策略B：温度阈值控制；策略C：温湿度模糊控制）。
   • 结果展示：用高质量的图表呈现模拟结果。例如：绘制3天内室内外温度、湿度对比曲线；绘制不同策略下温度频率分布直方图；用表格汇总各策略的评价指标（如适宜时长占比、通风能耗估算等）。
   • 深入分析：不要只摆图表。要解释图表：“从图X可以看出，在策略B下，中午高温时段室内温度被有效抑制在28°C以下，这是因为当温度超过设定阈值时，通风窗自动开启，增强了显热散热。同时，由于通风加强，室内湿度在下午有所下降...”将曲线变化与你的模型机理、控制逻辑联系起来。

6. 模型的评价与优化：

   • 优点：客观评价自己模型的优点，如物理意义清晰、可扩展性强、计算效率高等。
   • 缺点与改进：指出模型的局限性（如忽略了空间异质性、作物生长动态变化等），并提出未来可行的改进方向。这体现了批判性思维。
   • 优化尝试：如果时间允许，可以增加一个优化章节。例如，将控制策略中的阈值参数（如T_high, T_low）作为决策变量，以“适宜时长占比最高且通风能耗最低”为目标，构建一个优化模型，利用遗传算法进行求解，给出“最优”参数组合。这能极大提升论文的深度和亮点。

7. 参考文献：规范引用所用到的文献、数据来源和工具包。

5.2 图表与排版的魔鬼细节

• 图表：务必清晰、专业。每个图都要有编号和自解释的标题（如“图3. 不同通风策略下室内温度对比”）。坐标轴标签、单位要完整。曲线线型、颜色要区分明显，并在图例中注明。避免使用默认的难看配色，可以使用viridis,plasma等科学配色方案。
• 公式：使用公式编辑器（LaTeX或Word的公式工具）确保格式规范。重要公式单独成行并编号。
• 排版：结构清晰，段落分明。适当使用加粗强调关键结论。保持整体风格简洁、学术。

6. 团队协作与时间管理：三天内的效率之战

数模竞赛是团队作战，合理分工和严格的时间管理是成功的基础。

6.1 角色分工与技能搭配

一个经典的三人团队角色如下：

• 建模手：负责核心模型推导、公式建立、算法设计。需要较强的数学和物理功底，思维严谨。
• 编程手：负责将模型转化为代码、进行数值计算、数据处理和可视化。需要熟练使用Python/MATLAB等工具，代码能力扎实。
• 写手：负责论文写作、图表美化、排版整合。需要良好的文字表达能力、逻辑组织能力和审美，同时对模型要有足够理解，能准确转述。

但分工不是割裂。建模手要能看懂代码逻辑，编程手要理解模型细节以便调试，写手更要全程参与讨论，理解每一步。我们团队的做法是：每天固定时间开短会同步进度，任何关键决策（如模型简化方式、策略定义）必须三人达成一致。

6.2 三天时间轴规划

• 第一天上午：集中精力读题、讨论、确定初步模型框架。完成问题分析和技术路线图。建模手开始详细推导公式，编程手搭建基础代码框架（如定义函数、数据读取），写手开始撰写“问题重述”和“模型假设”。
• 第一天下午至晚上：建立完整模型，确定所有参数。编程手实现第一个可运行的版本，并生成基准情景（无控制）的结果。写手同步撰写“模型的建立”部分初稿。
• 第二天全天：这是攻坚期。编程手实现多种控制策略，跑出对比结果。建模手和编程手一起分析结果，发现问题并调整模型或参数。写手根据已有结果撰写“模型应用与结果分析”部分，并开始制作图表。
• 第三天上午：进行模型优化（如果计划有）、敏感性分析等深化工作。写手整合所有内容，完成“模型的评价与优化”、“摘要”等部分。团队共同检查论文初稿。
• 第三天下午至截止前：集中进行论文的打磨、修改、润色和最终检查。检查逻辑是否连贯，图表是否清晰，公式编号是否正确，有无错别字。这是最紧张也是最重要的环节，务必留足时间。

踩坑提醒：千万不要前松后紧。常见错误是第一天过度纠结细节，导致第二天模型还没跑通，第三天通宵赶工，论文质量惨不忍睹。我们的原则是：第一天必须产出可运行的初步结果，哪怕它很粗糙。有了结果，后续的优化和分析才有方向。

7. 进阶思考与优化方向：从完成到出色

如果满足于完成基本要求，可能只能获得二等奖。要冲击一等奖或更高奖项，需要在基础模型上体现更多的思考和创新。

1. 模型复杂化与精细化：

   • 空间分布模型：将温室在高度或长度方向离散为几个区域，建立偏微分方程或多节点模型，研究温度、湿度的空间分布，这更符合实际。
   • 考虑作物动态：将作物生长模型（如光合作用、蒸腾与气孔导度模型）与微气候模型耦合，研究长期调控策略对作物产量的影响。
   • 引入不确定性：外部天气（I, T_out）存在不确定性，可以引入随机过程或使用历史天气数据序列进行模拟，评估控制策略的鲁棒性。

2. 控制策略智能化：

   • 模糊控制：温湿度“舒适”本身就是一个模糊概念。可以设计模糊控制器，输入是温度偏差和湿度偏差，输出是通风和遮阳的开度，比简单的开关控制更平滑、更符合逻辑。
   • 模型预测控制：利用未来短时段的天气预报数据，以未来若干小时内的舒适度和能耗最优为目标，滚动优化当前的控制决策。这能体现更前沿的控制思想。
   • 强化学习：将温室环境模拟器作为环境，控制策略作为智能体，以舒适度维持时间为奖励，训练一个RL智能体。这可以作为未来展望提出。

3. 评价体系多元化：

   • 不仅看温度湿度在适宜区间的时长，还可以综合能耗指标（通风耗电、遮阳帘动作损耗）。
   • 引入经济性评价，将节能收益与设备成本、作物增产收益结合起来，进行简单的成本效益分析。
   • 设计多目标优化问题，同时最大化舒适时长和最小化能耗，用帕累托前沿图来展示不同策略的权衡关系。

在论文中，即使因为时间所限未能完全实现这些进阶内容，也可以在“模型评价与优化”部分作为深入的讨论点和未来工作展望提出来，这能显著展示你们团队的视野和深度。

数学建模竞赛的魅力，在于它将抽象的数学知识与具体的现实问题连接起来。从看到题目时的一头雾水，到建立方程时的豁然开朗，再到代码跑通、图表绘就时的成就感，最后凝结为一篇逻辑缜密的论文——这个过程本身就是一次绝佳的思维训练。希望这篇基于亚太赛B题的详细复盘，能为你下次参赛提供一张有价值的“地图”。记住，清晰的思路、扎实的模型、可靠的代码和漂亮的论文，缺一不可。祝你在未来的比赛中，都能顺利地将思路转化为模型，将模型转化为代码，最终将这一切转化为一份出色的答卷。