Hamilton方法详解与Matlab实现：席位分配公平性算法

1. 项目概述：从“公平”的难题到Hamilton方法的登场

席位分配，听起来像是会议室里排座次的小事，但在数学建模的世界里，它却是一个能引发激烈辩论、甚至影响深远决策的经典难题。想象一下，一个公司要根据各分部的员工人数来分配董事会席位，或者一个议会要根据各选区的人口比例来分配议员名额。你的第一反应可能是：“这还不简单？按比例算呗！”但当你真正拿起笔计算时，就会立刻撞上“整数”这堵墙——席位必须是整数个，不可能出现0.5个席位。这个“取整”操作，就是一切不公平的根源。四舍五入？向上取整？还是向下取整？不同的取整规则会导致完全不同的分配结果，总会有一个群体觉得“我吃亏了”。这就是著名的“席位分配悖论”，一个在政治学、经济学、管理学中无处不在的公平性困局。

而Hamilton方法（又称最大余数法或Vinton方法），就是为了破解这一困局而诞生的一种经典算法。它不像某些方法那样追求数学上的绝对最优，而是提供了一套清晰、可操作且相对公平的分配流程。其核心思想非常直观：先给每个群体分配其按比例计算份额的整数部分（保障基本公平），然后将剩余的总席位，优先分配给那些比例份额小数部分最大的群体（照顾“遗憾”最大的）。这个方法因其简单和易于理解，曾被用于美国众议院的席位分配。我们今天的目标，就是彻底吃透这个方法的每一个细节，并用强大的数学计算工具Matlab，从零开始实现它，让你不仅能理解原理，更能亲手“造轮子”，解决你遇到的真实分配问题。

无论你是正在备战数学建模竞赛的学生，还是需要处理资源分配问题的工程师或分析师，这篇笔记都将带你深入Hamilton方法的肌理。我们会先拆解其数学原理和潜在缺陷，然后一步步搭建Matlab程序，最后我们还要面对现实世界的数据，探讨它的应用场景与局限性。你会发现，实现一个算法只是开始，理解它为何如此设计、在什么情况下会“失灵”，才是数学建模思维的精髓。

2. Hamilton方法的核心原理与数学拆解

要驾驭一个工具，必须先理解它的设计蓝图。Hamilton方法看似简单，但其背后是对“公平”的一种特定诠释。我们通过一个具体的例子来层层剥开它的逻辑。

2.1 问题定义与基本参数

假设有三个部门A、B、C，员工数分别为 105, 205, 290，总计600人。现在公司有10个优秀员工席位需要分配。

首先，我们定义关键变量：

• 各群体数量 (P_i)： 部门A、B、C的人数，即P = [105, 205, 290]。
• 总数量 (P_total)： 所有群体数量之和，P_total = 600。
• 总席位 (S_total)： 需要分配的总席位，S_total = 10。

公平分配的核心是比例。每个部门应得的“理想席位”或“份额 (Quota_i)”计算公式为：Quota_i = P_i * (S_total / P_total)这个S_total / P_total其实就是“每个席位代表多少人”，即席位除数。

计算一下：

• 部门A份额：105 * (10 / 600) = 1.75
• 部门B份额：205 * (10 / 600) = 3.4167
• 部门C份额：290 * (10 / 600) = 4.8333

理想很丰满，但现实是席位必须是整数。直接四舍五入（1.75->2， 3.4167->3， 4.8333->5）加起来是2+3+5=10，刚好。但别急，这只是一个巧合。如果我们把总席位改成11个，矛盾立刻就会出现。

2.2 Hamilton方法的四步操作流程

Hamilton方法通过一个标准化的四步流程，将分配过程固化，避免了随意性。

第一步：计算初始份额如上所述，计算每个群体的理想份额Quota_i。

第二步：分配整数部分（下取整）对每个Quota_i直接向下取整（floor），得到每个群体初步保障的席位S_initial_i。

• A: floor(1.75) = 1
• B: floor(3.4167) = 3
• C: floor(4.8333) = 4 此时，我们分配掉了 1+3+4 = 8 个席位。还剩下S_total - sum(S_initial) = 10 - 8 = 2个席位待分配。

第三步：计算余数并排序余数就是每个群体份额的小数部分，它代表了这个群体在“吃亏”了多少。计算Remainder_i = Quota_i - S_initial_i。

• A: 1.75 - 1 = 0.75
• B: 3.4167 - 3 = 0.4167
• C: 4.8333 - 4 = 0.8333 然后，将这些余数从大到小排序。排序结果是：C(0.8333) > A(0.75) > B(0.4167)。

第四步：按余数顺序分配剩余席位将剩下的2个席位，按照余数从大到小的顺序，依次分配给对应的群体。即：

1. 第一个剩余席位给余数最大的C部门。C部门席位变为 4+1=5。
2. 第二个剩余席位给余数次大的A部门。A部门席位变为 1+1=2。 B部门的余数最小，所以没有获得剩余席位。

最终分配结果： A:2席， B:3席， C:5席。总和为10席。

注意： 这里蕴含了Hamilton方法对“公平”的定义：它认为，那些份额小数部分更大的群体，距离获得下一个完整席位“只差一点点”，因此他们的“遗憾”更大，更应优先获得补偿。这是一种倾向于保护“弱势”（相对其比例而言最接近整数上限的群体）的分配思路。

2.3 方法的内在缺陷：阿拉巴马悖论与人口悖论

没有一个方法是完美的，Hamilton方法著名的缺陷在于它可能违反分配问题中的一些直观公理，其中最著名的就是“阿拉巴马悖论”。

阿拉巴马悖论： 指当总席位增加时，某个群体的席位反而减少的诡异现象。 让我们修改上面的例子来演示。假设总席位从10增加到11。

• 计算新份额：Quota = P * (11/600)
  • A: 105 * 0.018333 = 1.925
  • B: 205 * 0.018333 = 3.7583
  • C: 290 * 0.018333 = 5.3167
• 分配整数部分： A:1, B:3, C:5。已分配9席，剩余2席。
• 计算余数： A:0.925, B:0.7583, C:0.3167。
• 余数排序： A > B > C。
• 分配剩余2席： 依次给A和B。
• 最终结果： A:2席（↑）， B:4席（↑）， C:5席（→）。

看，总席位增加了，C的席位却保持不变。这还算可以接受。但历史上真实的案例更极端：在1880年美国人口普查后，用Hamilton方法分配众议院席位时，当议院总席位从299增加到300时，阿拉巴马州分得的席位反而从8席减少到了7席。这就是该悖论名称的由来。这直观上非常不合理：“蛋糕变大了，我分到的反而少了？”

人口悖论： 指当某个群体的人口增加，而其他群体人口不变时，该群体可能失去席位。这同样违背常理。

这些悖论揭示了Hamilton方法的一个根本问题：分配的最终结果不仅取决于群体自身的份额，还取决于与其他群体份额的相对大小（即余数的排名）。当总席位或人口变动时，余数的排名顺序可能发生改变，从而导致反直觉的结果。理解这些缺陷，对于在数学建模中正确选择和使用方法至关重要——你需要向评委或客户说明，你选择的方法已知优缺点是什么。

3. Matlab实现Hamilton方法：从脚本到函数

理解了原理，我们就要用Matlab把它变成可执行的代码。我们将遵循“由简入繁”的思路，先写一个解决具体问题的脚本，再将其封装成健壮的、可重用的函数。

3.1 基础脚本实现：一个清晰的流程演示

我们先针对前面“10个席位分给3个部门”的例子，写一个直白的脚本。这个脚本的目的是把Hamilton方法的每一步都清晰地展示出来，方便理解和调试。

% Hamilton方法基础演示脚本 clear; clc; % 清空环境 % 1. 输入数据 P = [105, 205, 290]; % 各群体数量（如人口、员工数） S_total = 10; % 总席位 % 2. 计算总数量和份额 P_total = sum(P); quota = P * (S_total / P_total); % 计算理想份额 fprintf('各群体理想份额: '); disp(quota); % 3. 分配整数部分（向下取整） S_initial = floor(quota); fprintf('整数部分分配结果: '); disp(S_initial); allocated = sum(S_initial); % 已分配席位 fprintf('已分配席位: %d, 剩余席位: %d\n', allocated, S_total - allocated); % 4. 计算余数并排序 remainder = quota - S_initial; fprintf('各群体余数: '); disp(remainder); % 对余数进行降序排序，并获取排序后的索引 [sorted_remainder, sorted_idx] = sort(remainder, 'descend'); fprintf('余数降序排序索引（对应群体）: '); disp(sorted_idx); % 5. 分配剩余席位 S_final = S_initial; % 从初始分配结果开始 seats_left = S_total - allocated; % 待分配席位 for i = 1:seats_left group_to_add = sorted_idx(i); % 当前应获得席位的群体索引 S_final(group_to_add) = S_final(group_to_add) + 1; end % 6. 输出最终结果 fprintf('\n========== 最终分配结果 ==========\n'); for i = 1:length(P) fprintf('群体 %d (数量 %d): %d 个席位\n', i, P(i), S_final(i)); end fprintf('席位总和: %d\n', sum(S_final));

运行这个脚本，你会在命令窗口看到每一步的中间结果和最终分配，与之前的手算完全一致。这个脚本的优点是逻辑一目了然，但缺点是数据硬编码在脚本里，不方便处理其他问题。

3.2 封装为健壮的函数：输入验证与错误处理

一个实用的工具应该是可复用的。我们将上述逻辑封装成一个函数。一个好的函数不仅要能计算，还要能处理各种边界情况和非法输入，给出清晰的错误提示。

function [seats, quota, remainder] = allocate_seats_hamilton(populations, total_seats) % ALLOCATE_SEATS_HAMILTON 使用Hamilton方法分配席位 % [SEATS, QUOTA, REMAINDER] = ALLOCATE_SEATS_HAMILTON(POPULATIONS, TOTAL_SEATS) % 输入： % POPULATIONS : 一个行或列向量，包含各群体的数量（正整数）。 % TOTAL_SEATS : 需要分配的总席位（正整数）。 % 输出： % SEATS : 与POPULATIONS同型的向量，包含各群体最终分得的席位。 % QUOTA : 各群体的理想份额（计算中间值）。 % REMAINDER : 各群体的余数（计算中间值）。 % % 示例： % seats = allocate_seats_hamilton([105, 205, 290], 10); % 返回 seats = [2, 3, 5] % 1. 输入验证 (Input Validation) % 这是保证函数鲁棒性的关键，也是很多初学者忽略的地方。 if nargin < 2 error('函数需要两个输入参数：群体数量向量和总席位数。'); end if ~isvector(populations) || any(populations <= 0) || any(floor(populations) ~= populations) error('“群体数量”必须是一个由正整数组成的向量。'); end if ~isscalar(total_seats) || total_seats <= 0 || floor(total_seats) ~= total_seats error('“总席位数”必须是一个正整数。'); end if total_seats < length(populations) warning('总席位数少于群体数。有些群体可能分不到席位，这符合Hamilton方法规则。'); end % 确保populations是行向量，方便后续计算 populations = populations(:)'; % 转为行向量 % 2. 核心计算过程 total_pop = sum(populations); quota = populations * (total_seats / total_pop); % 计算份额 seats_initial = floor(quota); % 初始分配（整数部分） remainder = quota - seats_initial; % 计算余数 % 3. 处理剩余席位 seats = seats_initial; % 最终席位从初始分配开始 seats_left = total_seats - sum(seats_initial); % 剩余席位数 if seats_left > 0 % 对余数进行降序排序，并获取排序索引 [~, sorted_idx] = sort(remainder, 'descend'); % 将剩余席位分配给余数最大的前seats_left个群体 seats(sorted_idx(1:seats_left)) = seats(sorted_idx(1:seats_left)) + 1; elseif seats_left < 0 % 理论上，floor后总和不可能超过总席位，但保留检查 error('计算错误：初始分配席位已超过总席位数。'); end % 如果 seats_left == 0，则直接返回 seats_initial end

实操心得： 函数开头的输入验证部分至关重要。在实际建模或开发中，你无法保证调用者一定会传入正确的参数。nargin检查参数个数，isvector、any、isscalar等函数用于检查数据类型和范围。给出清晰的error信息能快速定位问题。添加warning可以提示一些非常规但可能合法的情况，提升用户体验。

3.3 函数使用与结果可视化

现在，我们可以方便地使用这个函数了，并且可以结合Matlab的绘图功能，让结果更直观。

% 使用封装好的函数进行计算 P = [105, 205, 290]; S_total = 10; [final_seats, quota, remainder] = allocate_seats_hamilton(P, S_total); fprintf('最终席位分配: '); disp(final_seats); fprintf('理想份额: '); disp(quota); fprintf('余数: '); disp(remainder); % 结果可视化：绘制理想份额与实际席位对比图 figure('Position', [100, 100, 800, 400]); % 设置图形窗口位置和大小 subplot(1,2,1); groups = 1:length(P); bar(groups, [quota', final_seats']); legend('理想份额', '实际分配席位', 'Location', 'northwest'); xlabel('群体编号'); ylabel('数量'); title('Hamilton方法分配结果对比'); grid on; % 在柱子上添加数值标签（一个实用的小技巧） ax = gca; for i = 1:length(groups) text(ax, groups(i)-0.18, quota(i)+0.1, sprintf('%.2f', quota(i)), 'FontSize', 9); text(ax, groups(i)+0.05, final_seats(i)+0.1, sprintf('%d', final_seats(i)), 'FontSize', 9, 'Color', 'r'); end subplot(1,2,2); % 绘制余数大小，并用不同颜色标记获得了剩余席位的群体 colors = zeros(length(P), 3); % 初始化颜色矩阵为黑色 [~, idx] = sort(remainder, 'descend'); seats_left = S_total - sum(floor(quota)); % 为获得剩余席位的群体标记为红色 colors(idx(1:seats_left), :) = repmat([1, 0, 0], seats_left, 1); bar(groups, remainder, 'FaceColor', 'flat', 'CData', colors); xlabel('群体编号'); ylabel('余数大小'); title('各群体余数及剩余席位分配（红色表示获得）'); grid on; ylim([0, max(remainder)*1.2]);

这段代码不仅计算了结果，还生成了两张图。第一张图并列显示理想份额和实际分配席位，直观展示“取整”带来的差异。第二张图用红色高亮显示了那些因为余数大而获得额外席位的群体，清晰揭示了Hamilton方法的决策依据。这种可视化在撰写建模论文时是非常有力的展示工具。

4. 深入探索：算法变体、对比与性能考量

掌握了基础实现后，我们可以进一步深入，探索一些相关的变体，并思考如何让我们的代码更高效、更通用。

4.1 处理“零席位”群体与边界情况

在我们的基础函数中，如果一个群体的quota小于1（即floor(quota) = 0），它仍然有机会通过余数排序获得一个席位。这是Hamilton方法允许的。但有些场景可能要求每个群体至少获得一个席位（例如，每个地区至少一名代表）。我们可以轻松地修改函数来满足这个约束。

思路是：先给每个群体分配1个席位（保障基本盘），然后从总席位中扣除这部分，再用剩下的席位和原始人口数，在“已保障1席”的基础上，用标准的Hamilton方法分配剩余席位。

function seats = allocate_seats_hamilton_guaranteed_one(populations, total_seats) % 保证每个群体至少获得一席的Hamilton方法变体 n = length(populations); if total_seats < n error('总席位数必须大于等于群体数，才能保证每个群体至少一席。'); end % 第一步：每个群体先分配1席 guaranteed_seats = ones(1, n); seats_remaining = total_seats - n; % 第二步：用剩余席位和原始人口数，再次进行Hamilton分配 % 注意：此时分配的是“额外的”席位 extra_seats = allocate_seats_hamilton(populations, seats_remaining); % 第三步：合并结果 seats = guaranteed_seats + extra_seats; end

注意事项： 这个变体改变了问题的前提。在数学建模中，务必明确你的模型假设。是允许零席位，还是必须保证最低代表权？这直接决定了方法的选择和函数的编写。

4.2 与其他经典分配方法的对比

Hamilton方法并非唯一解。了解它的“竞争对手”有助于我们在不同场景下做出选择。这里简要介绍两种常见方法：

Webster方法（除数法）： 它不直接处理余数，而是寻找一个合适的“除数D”，使得每个群体的数量除以D并四舍五入后，席位数总和恰好等于总席位。即寻找D，使得sum(round(P_i / D)) = S_total。这种方法通过调整除数来实现分配，通常被认为对中等规模的群体更公平，且能避免阿拉巴马悖论。

Huntington-Hill方法（几何平均法）： 这是当前美国众议院采用的方法。它的规则是：优先将席位分配给那个“优先级”最高的群体，优先级计算公式为P_i / sqrt(S_i * (S_i + 1))，其中S_i是该群体当前已分配的席位数。分配过程是一个迭代过程：从所有群体0席开始，每次计算各群体的优先级，将下一席分配给优先级最高的群体，直到所有席位分完。这种方法倾向于保护小群体的利益。

我们可以编写一个简单的脚本，对比同一组数据下三种方法的结果：

P = [105, 205, 290]; S_total = 10; % Hamilton seats_hamilton = allocate_seats_hamilton(P, S_total); % Webster (简化实现：通过搜索近似除数) % 注：这里是一个简化的、非优化的实现，用于演示原理。 total_pop = sum(P); D_guess = total_pop / S_total; % 初始猜测除数 for iter = 1:1000 % 简单迭代搜索 seats_webster = round(P / D_guess); if sum(seats_webster) == S_total break; elseif sum(seats_webster) > S_total D_guess = D_guess * 1.001; % 除数增大，席位减少 else D_guess = D_guess * 0.999; % 除数减小，席位增加 end end % Huntington-Hill (迭代实现) seats_hh = zeros(size(P)); for s = 1:S_total % 计算当前每个群体的优先级 priority = P ./ sqrt(seats_hh .* (seats_hh + 1)); % 找到优先级最高的群体 [~, idx] = max(priority); % 给该群体增加一席 seats_hh(idx) = seats_hh(idx) + 1; end % 对比结果 fprintf('群体数量: '); disp(P); fprintf('总席位: %d\n', S_total); fprintf('%-20s: %s\n', 'Hamilton方法', mat2str(seats_hamilton)); fprintf('%-20s: %s (除数D≈%.2f)\n', 'Webster方法', mat2str(seats_webster), D_guess); fprintf('%-20s: %s\n', 'Huntington-Hill方法', mat2str(seats_hh));

运行后，你可能会发现对于这组数据，三种方法结果一致。但对于其他数据，差异就会出现。理解这些差异背后的哲学（是偏重大余数、四舍五入还是几何平均）是建模分析的关键部分。

4.3 代码优化与向量化思考

我们之前的函数实现对于中小规模数据完全够用。但如果群体数量成千上万（比如基于精细选区的人口分配），我们就需要考虑性能。Matlab的优势在于向量化运算，应尽量避免在循环中进行大量标量计算。

观察我们的核心函数，主要的循环在于分配剩余席位时的for i = 1:seats_left。这个循环其实可以用向量化操作替代：

% 原循环部分： % for i = 1:seats_left % group_to_add = sorted_idx(i); % S_final(group_to_add) = S_final(group_to_add) + 1; % end % 向量化改进： if seats_left > 0 seats(sorted_idx(1:seats_left)) = seats(sorted_idx(1:seats_left)) + 1; end

这个改进将多次标量加法和索引操作，合并为一次向量加法，当seats_left很大时，效率提升会非常明显。在Matlab中，时刻思考“能否用矩阵或向量运算代替循环”是一个好习惯。

5. 实战应用与建模心得：不止于代码

将算法实现为代码只是第一步。在数学建模竞赛或实际项目中，如何应用它、分析它、呈现它，才是更大的挑战。

5.1 在数学建模中的应用场景与论文写作要点

典型应用场景：

1. 选举制度设计： 比例代表制下的议会席位分配。
2. 资源配额： 公司根据业绩或人数向各部门分配预算、硬件资源、项目名额。
3. 代表权分配： 学会、联合会根据会员人数分配理事席位。
4. 数据分组： 将一定数量的样本点按比例分配到不同类别中（需整数个样本）。

论文写作要点：

• 问题重述与模型假设： 清晰定义“群体”、“席位”、“公平”的标准。明确是否允许零席位。
• 模型建立： 给出Hamilton方法的数学公式描述（如我们第2部分所做），并说明其步骤。
• 模型求解： 展示你的Matlab代码核心部分（如函数定义），并给出运行结果。不要贴全部代码，只贴关键片段。
• 结果分析： 必须包含对阿拉巴马悖论等缺陷的分析！说明在本题数据下是否会出现悖论，并讨论该方法的适用性。对比其他方法（如Webster）的结果，并简要分析差异原因。
• 模型评价与推广： 客观评价Hamilton方法的优缺点（简单易懂 vs. 存在悖论）。说明在什么情况下推荐使用，什么情况下应谨慎使用或选择其他方法。

5.2 常见问题排查与调试技巧实录

在实现和使用过程中，你可能会遇到以下问题：

1. 结果总和不对： 这是最常见的问题。

   • 检查1： 确认floor(quota)之后的总和是否小于等于总席位。如果大于，说明计算逻辑有根本错误（通常不会发生）。
   • 检查2： 在分配剩余席位的循环或向量化操作中，确保没有重复给同一个群体加席。sorted_idx(1:seats_left)必须是不重复的索引。
   • 检查3： 使用assert(sum(seats) == S_total, ‘席位总和错误！’)在函数末尾进行断言，自动捕获错误。

2. 出现负值或非整数席位：

   • 原因： 输入数据未经验证。群体数量或总席位可能是负数、零或小数。
   • 解决： 强化输入验证模块，使用error函数给出明确提示。

3. 对于极大/极小数据精度丢失：

   • 场景： 人口数量巨大（如亿级），而席位数相对较小，计算quota = P * (S_total / P_total)时，(S_total / P_total)会是一个非常小的浮点数，可能导致精度问题。
   • 技巧： 可以调整计算顺序，先做除法quota = (P / P_total) * S_total，但问题依然存在。对于精度要求极高的场合，可以考虑使用符号计算（vpa）或整数运算思路（将所有数量乘以一个大数转换为整数计算）。

4. 排序并列（Tie）问题：

   • 场景： 两个群体的余数完全相等，且处于获得剩余席位的临界位置。
   • Matlab的sort函数： 默认的sort函数在值相等时，会保持原有的相对顺序（稳定排序）。但这可能被视为一种随机的或不公平的决定。
   • 建模处理： 在论文中需要指出这一潜在问题。可以提出解决方案，例如：规定并列时优先分配给人口多的群体，或采用随机抽签，并在模型中说明你的选择。

5.3 从Hamilton方法延伸的建模思考

实现一个算法后，不妨多问几个“如果”：

• 如果“席位”是不可分割的另一种资源怎么办？比如分配的是几台大型设备，每个部门的需求量不同（不是1的倍数）。这实际上变成了整数规划问题，Hamilton方法不再适用。
• 如果公平的标准变了怎么办？Hamilton追求的是“余数公平”。如果我们追求的是“比例偏差最小化”，即让每个群体的“席位/人口”比例尽可能接近，那就需要建立优化模型（如最小化所有群体比例与平均比例的最大偏差或方差），用线性规划或启发式算法求解。
• 如何将这个过程自动化、工具化？你可以基于这个函数，开发一个带有图形用户界面（GUI）的小工具，输入Excel表格数据，点击按钮就能出结果和图表，这会是建模竞赛中一个亮眼的加分项。

最后，我个人在多次使用和教学中的体会是，Hamilton方法的价值不仅在于它提供了一个解决方案，更在于它像一个“教学案例”，清晰地展示了公平分配问题的复杂性和各种权衡。它的简单性让你能快速上手并看到结果，而它的悖论又驱使你去思考更深层次的公平定义。用Matlab实现它，是一个绝佳的练习，融合了数学理解、算法思维和编程实践。下次当你面临分配问题时，不妨先试试Hamilton方法，再看看它的结果是否真的如你所愿的“公平”。