學(xué)建模國(guó)賽C題解析：供應(yīng)鏈優(yōu)化中的供應(yīng)商評(píng)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(duì)于全國(guó)數(shù)十萬(wàn)理工科大學(xué)生來(lái)說(shuō)都是一個(gè)既緊張又興奮的時(shí)刻——全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽國(guó)賽如期而至。2021年的C題以“生產(chǎn)企業(yè)原材料的訂購(gòu)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(mǎn)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(guò)去五年的原材料進(jìn)貨和消耗數(shù)據(jù)以及未來(lái)24周的訂貨需求來(lái)制定未來(lái)24周的原材料訂購(gòu)與運(yùn)輸方案。這聽(tīng)起來(lái)像是一個(gè)經(jīng)典的生產(chǎn)計(jì)劃問(wèn)題但當(dāng)你真正打開(kāi)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(mǎn)波動(dòng)的市場(chǎng)需求時(shí)才會(huì)意識(shí)到這遠(yuǎn)非一個(gè)簡(jiǎn)單的線(xiàn)性規(guī)劃能搞定。它考察的是如何在歷史規(guī)律、未來(lái)預(yù)測(cè)、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(guò)來(lái)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(xiě)作的完整思路與核心技巧希望能為后來(lái)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(chǎng)景你手頭有海量但可能嘈雜的歷史數(shù)據(jù)有對(duì)未來(lái)的模糊預(yù)期有來(lái)自采購(gòu)成本、庫(kù)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(rùn)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(wèn)題層層拆解的耐心。無(wú)論是正在備賽的同學(xué)還是對(duì)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(pán)都能給你帶來(lái)啟發(fā)。2. 解題核心思路與模型框架設(shè)計(jì)面對(duì)C題最忌諱的就是一頭扎進(jìn)數(shù)據(jù)里開(kāi)始算。首先必須建立起全局的解題框架。整個(gè)問(wèn)題可以清晰地分解為三個(gè)遞進(jìn)的子問(wèn)題它們共同構(gòu)成了最終的訂購(gòu)與運(yùn)輸方案。2.1 問(wèn)題一供應(yīng)商的定量評(píng)估與分類(lèi)建模第一問(wèn)要求我們根據(jù)402家供應(yīng)商的供貨特征進(jìn)行量化評(píng)估并給出未來(lái)24周最經(jīng)濟(jì)的原材料訂購(gòu)方案。這是整個(gè)賽題的基石如果供應(yīng)商評(píng)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(píng)估 - 分類(lèi)篩選”。我們手頭有每家供應(yīng)商過(guò)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(huà)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(shuō)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(mǎn)足我們單次較大的采購(gòu)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(píng)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(píng)價(jià)問(wèn)題。這里切忌簡(jiǎn)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(guān)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(guò)計(jì)算每個(gè)供應(yīng)商與理想最優(yōu)解、最劣解的距離來(lái)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(guān)臆斷說(shuō)服力強(qiáng)。基于綜合評(píng)價(jià)得分我們將402家供應(yīng)商分為三類(lèi)高評(píng)分穩(wěn)定型A類(lèi)、中等評(píng)分潛力型B類(lèi)、低評(píng)分淘汰型C類(lèi)。對(duì)于未來(lái)24周的訂購(gòu)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(guò)50家。因此我們的訂購(gòu)方案必須是一個(gè)動(dòng)態(tài)的選擇過(guò)程優(yōu)先從A類(lèi)供應(yīng)商中挑選并考慮其歷史供貨特征來(lái)分配訂購(gòu)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(gòu)成本庫(kù)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(gòu)多少以及是否選擇該供應(yīng)商。注意很多隊(duì)伍在第一問(wèn)就試圖建立一個(gè)覆蓋24周的大型優(yōu)化模型這會(huì)導(dǎo)致模型過(guò)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(duì)未來(lái)需求的初步預(yù)測(cè)制定一個(gè)初步的供應(yīng)商選擇策略和訂購(gòu)比例在后續(xù)問(wèn)題中再結(jié)合預(yù)測(cè)更新進(jìn)行動(dòng)態(tài)調(diào)整。先解決“選誰(shuí)”的問(wèn)題再細(xì)化“訂多少”。2.2 問(wèn)題二需求預(yù)測(cè)與運(yùn)輸方案建模第二問(wèn)在第一問(wèn)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(wèn)的難點(diǎn)在于預(yù)測(cè)與優(yōu)化的耦合。需求預(yù)測(cè)是前提。題目給出了未來(lái)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(huì)給出如每立方米產(chǎn)品需要消耗多少特定類(lèi)型的原材料轉(zhuǎn)換成為對(duì)原材料的周度需求。這里需要注意產(chǎn)能約束和庫(kù)存的平滑作用。我們采用了時(shí)間序列預(yù)測(cè)方法如ARIMA或指數(shù)平滑對(duì)轉(zhuǎn)換后的原材料周需求進(jìn)行預(yù)測(cè)并給出了預(yù)測(cè)區(qū)間例如80%置信區(qū)間以量化預(yù)測(cè)的不確定性。這比只給出一個(gè)單點(diǎn)預(yù)測(cè)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(gòu)成本與供應(yīng)商和訂購(gòu)量有關(guān) 庫(kù)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(xiàn)性規(guī)劃模型。決策變量包括每周向每家供應(yīng)商的訂購(gòu)量、每周的庫(kù)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(xiàn)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(lèi)推。我們可以引入0-1輔助變量z_i來(lái)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(xiě)為Q A M*(1 - z1) Q A - M*z2 Q B M*(1 - z2) ... z1 z2 ... 1這樣就將非線(xiàn)性項(xiàng)轉(zhuǎn)化為了混合整數(shù)線(xiàn)性規(guī)劃M(mǎn)ILP問(wèn)題可以使用Lingo、Gurobi或MATLAB的intlinprog等求解器進(jìn)行求解。2.3 問(wèn)題三不確定性應(yīng)對(duì)與魯棒優(yōu)化模型第三問(wèn)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(gòu)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(wèn)題。我們采用了魯棒優(yōu)化的思想因?yàn)樗灰蕾?lài)于具體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(guān)察到不確定性之前必須做出的決定即“訂購(gòu)方案”向誰(shuí)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(lèi)問(wèn)題通常采用列與約束生成法或?qū)ε嫁D(zhuǎn)化法。我們?cè)诒荣愔胁捎昧藢?duì)偶方法將內(nèi)層的最大化問(wèn)題尋找最壞情況通過(guò)拉格朗日對(duì)偶轉(zhuǎn)化為最小化問(wèn)題從而將整個(gè)問(wèn)題轉(zhuǎn)化為一個(gè)確定性的混合整數(shù)規(guī)劃問(wèn)題。雖然求解規(guī)模較大但在合理簡(jiǎn)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(mǎn)意解的。這一問(wèn)的亮點(diǎn)在于方案必須體現(xiàn)“韌性”。例如在訂購(gòu)方案中我們會(huì)有意識(shí)地增加向高穩(wěn)定性供應(yīng)商的采購(gòu)比例或設(shè)置一定的安全庫(kù)存以緩沖供應(yīng)波動(dòng)。在論文中我們通過(guò)對(duì)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(kāi)差距的關(guān)鍵考驗(yàn)的是對(duì)數(shù)據(jù)的處理能力和對(duì)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(duì)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(méi)記錄通常就意味著沒(méi)送貨。這對(duì)于計(jì)算供貨保障率是合理的。異常值檢測(cè)利用箱線(xiàn)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(duì)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(kù)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(zhǎng)趨勢(shì)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(píng)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(píng)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(píng)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(duì)于問(wèn)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(guān)。核心模型結(jié)構(gòu)如下已簡(jiǎn)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(cè)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(kù)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(guò)50家; FOR(week(w): SUM(supplier(s): select(s,w)) 50; ); ! 3. 邏輯約束如果訂購(gòu)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(xiàn)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(xiàn)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(xiàn)性化的所有約束。求解后order和select變量就是我們的訂購(gòu)方案。4. 論文寫(xiě)作要點(diǎn)與常見(jiàn)陷阱規(guī)避數(shù)學(xué)建模競(jìng)賽“模”是基礎(chǔ)“競(jìng)”是關(guān)鍵而競(jìng)賽結(jié)果最終體現(xiàn)在那一篇20頁(yè)左右的論文上。寫(xiě)作水平直接決定了評(píng)委對(duì)你工作的第一印象和最終評(píng)價(jià)。4.1 論文結(jié)構(gòu)與邏輯呈現(xiàn)國(guó)賽論文有相對(duì)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(yǔ)言300-500字概括針對(duì)每個(gè)問(wèn)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(xiě)“結(jié)果性”語(yǔ)言。例如“針對(duì)供應(yīng)商評(píng)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(píng)價(jià)體系采用熵權(quán)TOPSIS法量化評(píng)分并據(jù)此將供應(yīng)商分為三類(lèi)。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(lái)24周每周的具體訂購(gòu)方案預(yù)計(jì)可降低采購(gòu)成本約X%。”問(wèn)題重述與分析不要照抄題目要用自己的話(huà)梳理問(wèn)題的背景、條件和目標(biāo)并畫(huà)出邏輯框架圖。這張圖能清晰地展示你們?nèi)绾畏纸鈫?wèn)題各模塊間如何聯(lián)系讓評(píng)委一眼看懂你們的思路。模型假設(shè)與符號(hào)說(shuō)明假設(shè)要合理且必要例如“假設(shè)未來(lái)24周市場(chǎng)需求預(yù)測(cè)準(zhǔn)確”、“假設(shè)運(yùn)輸途中無(wú)損耗”。符號(hào)說(shuō)明建議采用三線(xiàn)表清晰美觀(guān)。模型建立與求解這是核心章節(jié)。對(duì)應(yīng)三個(gè)問(wèn)題分節(jié)論述。每一節(jié)都應(yīng)遵循“問(wèn)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(hào)重要的推導(dǎo)過(guò)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(lèi)供應(yīng)商集中采購(gòu)以規(guī)避價(jià)格上漲風(fēng)險(xiǎn)”。模型評(píng)價(jià)與推廣客觀(guān)評(píng)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(duì)數(shù)據(jù)質(zhì)量依賴(lài)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(lèi)似場(chǎng)景如電商庫(kù)存管理、能源采購(gòu)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(shuō)明。4.2 可視化技巧讓結(jié)果自己說(shuō)話(huà)一張好的圖表頂?shù)蒙锨а匀f(wàn)語(yǔ)。供應(yīng)商分類(lèi)結(jié)果可以用雷達(dá)圖展示幾類(lèi)典型供應(yīng)商在各個(gè)特征維度上的表現(xiàn)非常直觀(guān)。訂購(gòu)方案用熱力圖Heatmap展示402家供應(yīng)商在未來(lái)24周的訂購(gòu)量橫軸是周次縱軸是供應(yīng)商可按評(píng)分排序顏色深淺代表訂購(gòu)量大小。評(píng)委一眼就能看出你們的采購(gòu)策略是否集中、是否有規(guī)律。庫(kù)存與需求變化用雙Y軸折線(xiàn)圖一條線(xiàn)表示每周庫(kù)存水平另一條線(xiàn)表示每周原材料需求可以清晰展示庫(kù)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(gòu)、庫(kù)存、運(yùn)輸各占多少比例突出優(yōu)化重點(diǎn)。4.3 常見(jiàn)致命錯(cuò)誤與避坑指南根據(jù)多年評(píng)審和參賽經(jīng)驗(yàn)以下陷阱千萬(wàn)要避開(kāi)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(jí)”算法但模型假設(shè)與問(wèn)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(píng)委更看重模型與問(wèn)題的貼合度以及求解的完備性一個(gè)求解良好的線(xiàn)性規(guī)劃比一個(gè)無(wú)法求解的復(fù)雜隨機(jī)過(guò)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(méi)看到這個(gè)約束的影子這會(huì)嚴(yán)重失分。誤區(qū)三結(jié)果只有數(shù)字沒(méi)有分析。論文里羅列了一大堆表格寫(xiě)著“第1周向供應(yīng)商001訂購(gòu)100噸”但沒(méi)有解釋為什么是100噸為什么選001號(hào)。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(píng)分高且供貨穩(wěn)定的A-01供應(yīng)商小批量采購(gòu)以維持基礎(chǔ)庫(kù)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(shuō)“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(duì)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(xiě)作脫節(jié)。最后一天通宵趕論文發(fā)現(xiàn)模型結(jié)果還沒(méi)跑出來(lái)或者結(jié)果與文字描述對(duì)不上。必須留足至少一天時(shí)間專(zhuān)門(mén)寫(xiě)作和修改。在建模中期就應(yīng)該開(kāi)始撰寫(xiě)問(wèn)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(xiě)手負(fù)責(zé)論文撰寫(xiě)、潤(rùn)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(huì)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(kāi)始數(shù)據(jù)預(yù)處理和特征工程寫(xiě)手開(kāi)始撰寫(xiě)問(wèn)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(kāi)始構(gòu)思模型評(píng)價(jià)和推廣部分。寫(xiě)手根據(jù)已有結(jié)果撰寫(xiě)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(xiě)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(duì)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(xiě)作。掌握一到兩種核心的建模方法如優(yōu)化、預(yù)測(cè)、評(píng)價(jià)和對(duì)應(yīng)的求解工具。專(zhuān)題訓(xùn)練針對(duì)數(shù)據(jù)處理、優(yōu)化建模、時(shí)間序列預(yù)測(cè)、綜合評(píng)價(jià)等專(zhuān)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(guò)頭看2021年C題是一道非常經(jīng)典的運(yùn)籌優(yōu)化類(lèi)題目它沒(méi)有設(shè)置過(guò)于詭異的障礙但考察點(diǎn)全面從數(shù)據(jù)處理、綜合評(píng)價(jià)、優(yōu)化建模到魯棒分析環(huán)環(huán)相扣。解決它的過(guò)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(wú)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(qián)的一切分析和結(jié)論都要圍繞這個(gè)商業(yè)本質(zhì)展開(kāi)這樣的論文才會(huì)有靈魂才能打動(dòng)評(píng)委。 數(shù)學(xué)建模國(guó)賽C題解析：供應(yīng)鏈優(yōu)化中的供應(yīng)商評(píng)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(duì)于全國(guó)數(shù)十萬(wàn)理工科大學(xué)生來(lái)說(shuō)都是一個(gè)既緊張又興奮的時(shí)刻——全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽國(guó)賽如期而至。2021年的C題以“生產(chǎn)企業(yè)原材料的訂購(gòu)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(mǎn)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(guò)去五年的原材料進(jìn)貨和消耗數(shù)據(jù)以及未來(lái)24周的訂貨需求來(lái)制定未來(lái)24周的原材料訂購(gòu)與運(yùn)輸方案。這聽(tīng)起來(lái)像是一個(gè)經(jīng)典的生產(chǎn)計(jì)劃問(wèn)題但當(dāng)你真正打開(kāi)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(mǎn)波動(dòng)的市場(chǎng)需求時(shí)才會(huì)意識(shí)到這遠(yuǎn)非一個(gè)簡(jiǎn)單的線(xiàn)性規(guī)劃能搞定。它考察的是如何在歷史規(guī)律、未來(lái)預(yù)測(cè)、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(guò)來(lái)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(xiě)作的完整思路與核心技巧希望能為后來(lái)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(chǎng)景你手頭有海量但可能嘈雜的歷史數(shù)據(jù)有對(duì)未來(lái)的模糊預(yù)期有來(lái)自采購(gòu)成本、庫(kù)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(rùn)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(wèn)題層層拆解的耐心。無(wú)論是正在備賽的同學(xué)還是對(duì)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(pán)都能給你帶來(lái)啟發(fā)。2. 解題核心思路與模型框架設(shè)計(jì)面對(duì)C題最忌諱的就是一頭扎進(jìn)數(shù)據(jù)里開(kāi)始算。首先必須建立起全局的解題框架。整個(gè)問(wèn)題可以清晰地分解為三個(gè)遞進(jìn)的子問(wèn)題它們共同構(gòu)成了最終的訂購(gòu)與運(yùn)輸方案。2.1 問(wèn)題一供應(yīng)商的定量評(píng)估與分類(lèi)建模第一問(wèn)要求我們根據(jù)402家供應(yīng)商的供貨特征進(jìn)行量化評(píng)估并給出未來(lái)24周最經(jīng)濟(jì)的原材料訂購(gòu)方案。這是整個(gè)賽題的基石如果供應(yīng)商評(píng)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(píng)估 - 分類(lèi)篩選”。我們手頭有每家供應(yīng)商過(guò)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(huà)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(shuō)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(mǎn)足我們單次較大的采購(gòu)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(píng)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(píng)價(jià)問(wèn)題。這里切忌簡(jiǎn)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(guān)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(guò)計(jì)算每個(gè)供應(yīng)商與理想最優(yōu)解、最劣解的距離來(lái)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(guān)臆斷說(shuō)服力強(qiáng)。基于綜合評(píng)價(jià)得分我們將402家供應(yīng)商分為三類(lèi)高評(píng)分穩(wěn)定型A類(lèi)、中等評(píng)分潛力型B類(lèi)、低評(píng)分淘汰型C類(lèi)。對(duì)于未來(lái)24周的訂購(gòu)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(guò)50家。因此我們的訂購(gòu)方案必須是一個(gè)動(dòng)態(tài)的選擇過(guò)程優(yōu)先從A類(lèi)供應(yīng)商中挑選并考慮其歷史供貨特征來(lái)分配訂購(gòu)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(gòu)成本庫(kù)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(gòu)多少以及是否選擇該供應(yīng)商。注意很多隊(duì)伍在第一問(wèn)就試圖建立一個(gè)覆蓋24周的大型優(yōu)化模型這會(huì)導(dǎo)致模型過(guò)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(duì)未來(lái)需求的初步預(yù)測(cè)制定一個(gè)初步的供應(yīng)商選擇策略和訂購(gòu)比例在后續(xù)問(wèn)題中再結(jié)合預(yù)測(cè)更新進(jìn)行動(dòng)態(tài)調(diào)整。先解決“選誰(shuí)”的問(wèn)題再細(xì)化“訂多少”。2.2 問(wèn)題二需求預(yù)測(cè)與運(yùn)輸方案建模第二問(wèn)在第一問(wèn)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(wèn)的難點(diǎn)在于預(yù)測(cè)與優(yōu)化的耦合。需求預(yù)測(cè)是前提。題目給出了未來(lái)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(huì)給出如每立方米產(chǎn)品需要消耗多少特定類(lèi)型的原材料轉(zhuǎn)換成為對(duì)原材料的周度需求。這里需要注意產(chǎn)能約束和庫(kù)存的平滑作用。我們采用了時(shí)間序列預(yù)測(cè)方法如ARIMA或指數(shù)平滑對(duì)轉(zhuǎn)換后的原材料周需求進(jìn)行預(yù)測(cè)并給出了預(yù)測(cè)區(qū)間例如80%置信區(qū)間以量化預(yù)測(cè)的不確定性。這比只給出一個(gè)單點(diǎn)預(yù)測(cè)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(gòu)成本與供應(yīng)商和訂購(gòu)量有關(guān) 庫(kù)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(xiàn)性規(guī)劃模型。決策變量包括每周向每家供應(yīng)商的訂購(gòu)量、每周的庫(kù)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(xiàn)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(lèi)推。我們可以引入0-1輔助變量z_i來(lái)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(xiě)為Q A M*(1 - z1) Q A - M*z2 Q B M*(1 - z2) ... z1 z2 ... 1這樣就將非線(xiàn)性項(xiàng)轉(zhuǎn)化為了混合整數(shù)線(xiàn)性規(guī)劃M(mǎn)ILP問(wèn)題可以使用Lingo、Gurobi或MATLAB的intlinprog等求解器進(jìn)行求解。2.3 問(wèn)題三不確定性應(yīng)對(duì)與魯棒優(yōu)化模型第三問(wèn)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(gòu)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(wèn)題。我們采用了魯棒優(yōu)化的思想因?yàn)樗灰蕾?lài)于具體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(guān)察到不確定性之前必須做出的決定即“訂購(gòu)方案”向誰(shuí)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(lèi)問(wèn)題通常采用列與約束生成法或?qū)ε嫁D(zhuǎn)化法。我們?cè)诒荣愔胁捎昧藢?duì)偶方法將內(nèi)層的最大化問(wèn)題尋找最壞情況通過(guò)拉格朗日對(duì)偶轉(zhuǎn)化為最小化問(wèn)題從而將整個(gè)問(wèn)題轉(zhuǎn)化為一個(gè)確定性的混合整數(shù)規(guī)劃問(wèn)題。雖然求解規(guī)模較大但在合理簡(jiǎn)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(mǎn)意解的。這一問(wèn)的亮點(diǎn)在于方案必須體現(xiàn)“韌性”。例如在訂購(gòu)方案中我們會(huì)有意識(shí)地增加向高穩(wěn)定性供應(yīng)商的采購(gòu)比例或設(shè)置一定的安全庫(kù)存以緩沖供應(yīng)波動(dòng)。在論文中我們通過(guò)對(duì)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(kāi)差距的關(guān)鍵考驗(yàn)的是對(duì)數(shù)據(jù)的處理能力和對(duì)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(duì)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(méi)記錄通常就意味著沒(méi)送貨。這對(duì)于計(jì)算供貨保障率是合理的。異常值檢測(cè)利用箱線(xiàn)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(duì)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(kù)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(zhǎng)趨勢(shì)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(píng)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(píng)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(píng)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(duì)于問(wèn)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(guān)。核心模型結(jié)構(gòu)如下已簡(jiǎn)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(cè)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(kù)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(guò)50家; FOR(week(w): SUM(supplier(s): select(s,w)) 50; ); ! 3. 邏輯約束如果訂購(gòu)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(xiàn)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(xiàn)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(xiàn)性化的所有約束。求解后order和select變量就是我們的訂購(gòu)方案。4. 論文寫(xiě)作要點(diǎn)與常見(jiàn)陷阱規(guī)避數(shù)學(xué)建模競(jìng)賽“模”是基礎(chǔ)“競(jìng)”是關(guān)鍵而競(jìng)賽結(jié)果最終體現(xiàn)在那一篇20頁(yè)左右的論文上。寫(xiě)作水平直接決定了評(píng)委對(duì)你工作的第一印象和最終評(píng)價(jià)。4.1 論文結(jié)構(gòu)與邏輯呈現(xiàn)國(guó)賽論文有相對(duì)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(yǔ)言300-500字概括針對(duì)每個(gè)問(wèn)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(xiě)“結(jié)果性”語(yǔ)言。例如“針對(duì)供應(yīng)商評(píng)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(píng)價(jià)體系采用熵權(quán)TOPSIS法量化評(píng)分并據(jù)此將供應(yīng)商分為三類(lèi)。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(lái)24周每周的具體訂購(gòu)方案預(yù)計(jì)可降低采購(gòu)成本約X%。”問(wèn)題重述與分析不要照抄題目要用自己的話(huà)梳理問(wèn)題的背景、條件和目標(biāo)并畫(huà)出邏輯框架圖。這張圖能清晰地展示你們?nèi)绾畏纸鈫?wèn)題各模塊間如何聯(lián)系讓評(píng)委一眼看懂你們的思路。模型假設(shè)與符號(hào)說(shuō)明假設(shè)要合理且必要例如“假設(shè)未來(lái)24周市場(chǎng)需求預(yù)測(cè)準(zhǔn)確”、“假設(shè)運(yùn)輸途中無(wú)損耗”。符號(hào)說(shuō)明建議采用三線(xiàn)表清晰美觀(guān)。模型建立與求解這是核心章節(jié)。對(duì)應(yīng)三個(gè)問(wèn)題分節(jié)論述。每一節(jié)都應(yīng)遵循“問(wèn)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(hào)重要的推導(dǎo)過(guò)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(lèi)供應(yīng)商集中采購(gòu)以規(guī)避價(jià)格上漲風(fēng)險(xiǎn)”。模型評(píng)價(jià)與推廣客觀(guān)評(píng)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(duì)數(shù)據(jù)質(zhì)量依賴(lài)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(lèi)似場(chǎng)景如電商庫(kù)存管理、能源采購(gòu)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(shuō)明。4.2 可視化技巧讓結(jié)果自己說(shuō)話(huà)一張好的圖表頂?shù)蒙锨а匀f(wàn)語(yǔ)。供應(yīng)商分類(lèi)結(jié)果可以用雷達(dá)圖展示幾類(lèi)典型供應(yīng)商在各個(gè)特征維度上的表現(xiàn)非常直觀(guān)。訂購(gòu)方案用熱力圖Heatmap展示402家供應(yīng)商在未來(lái)24周的訂購(gòu)量橫軸是周次縱軸是供應(yīng)商可按評(píng)分排序顏色深淺代表訂購(gòu)量大小。評(píng)委一眼就能看出你們的采購(gòu)策略是否集中、是否有規(guī)律。庫(kù)存與需求變化用雙Y軸折線(xiàn)圖一條線(xiàn)表示每周庫(kù)存水平另一條線(xiàn)表示每周原材料需求可以清晰展示庫(kù)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(gòu)、庫(kù)存、運(yùn)輸各占多少比例突出優(yōu)化重點(diǎn)。4.3 常見(jiàn)致命錯(cuò)誤與避坑指南根據(jù)多年評(píng)審和參賽經(jīng)驗(yàn)以下陷阱千萬(wàn)要避開(kāi)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(jí)”算法但模型假設(shè)與問(wèn)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(píng)委更看重模型與問(wèn)題的貼合度以及求解的完備性一個(gè)求解良好的線(xiàn)性規(guī)劃比一個(gè)無(wú)法求解的復(fù)雜隨機(jī)過(guò)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(méi)看到這個(gè)約束的影子這會(huì)嚴(yán)重失分。誤區(qū)三結(jié)果只有數(shù)字沒(méi)有分析。論文里羅列了一大堆表格寫(xiě)著“第1周向供應(yīng)商001訂購(gòu)100噸”但沒(méi)有解釋為什么是100噸為什么選001號(hào)。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(píng)分高且供貨穩(wěn)定的A-01供應(yīng)商小批量采購(gòu)以維持基礎(chǔ)庫(kù)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(shuō)“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(duì)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(xiě)作脫節(jié)。最后一天通宵趕論文發(fā)現(xiàn)模型結(jié)果還沒(méi)跑出來(lái)或者結(jié)果與文字描述對(duì)不上。必須留足至少一天時(shí)間專(zhuān)門(mén)寫(xiě)作和修改。在建模中期就應(yīng)該開(kāi)始撰寫(xiě)問(wèn)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(xiě)手負(fù)責(zé)論文撰寫(xiě)、潤(rùn)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(huì)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(kāi)始數(shù)據(jù)預(yù)處理和特征工程寫(xiě)手開(kāi)始撰寫(xiě)問(wèn)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(kāi)始構(gòu)思模型評(píng)價(jià)和推廣部分。寫(xiě)手根據(jù)已有結(jié)果撰寫(xiě)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(xiě)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(duì)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(xiě)作。掌握一到兩種核心的建模方法如優(yōu)化、預(yù)測(cè)、評(píng)價(jià)和對(duì)應(yīng)的求解工具。專(zhuān)題訓(xùn)練針對(duì)數(shù)據(jù)處理、優(yōu)化建模、時(shí)間序列預(yù)測(cè)、綜合評(píng)價(jià)等專(zhuān)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(guò)頭看2021年C題是一道非常經(jīng)典的運(yùn)籌優(yōu)化類(lèi)題目它沒(méi)有設(shè)置過(guò)于詭異的障礙但考察點(diǎn)全面從數(shù)據(jù)處理、綜合評(píng)價(jià)、優(yōu)化建模到魯棒分析環(huán)環(huán)相扣。解決它的過(guò)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(wú)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(qián)的一切分析和結(jié)論都要圍繞這個(gè)商業(yè)本質(zhì)展開(kāi)這樣的論文才會(huì)有靈魂才能打動(dòng)評(píng)委。