1. 赛题核心与破题思路拆解2021年全国大学生数学建模竞赛C题题目是“生产企业原材料的订购与运输决策”。这题一出来很多队伍都懵了感觉像是个供应链管理或者运筹学的题但又和传统的库存模型不太一样。我当时带了几支队伍自己也深入研究了一下发现这道题的精髓在于它构建了一个多周期、多供应商、需求不确定且存在损耗的复杂决策环境。它不是让你套一个经典的EOQ经济订货批量模型就完事的它逼着你去思考在现实生产约束下如何动态地平衡“订购成本”、“库存成本”、“缺货损失”和“运输成本”这几座大山。简单来说题目给了你一家生产企业每周需要向供应商订购原材料供应商不止一家每家供货能力和运输成本还不同。原材料运到企业后并不是立刻全部投入生产而是先进入仓库。生产部门每周从仓库领料但这个领料量即生产需求是波动的、预测出来的不是定值。更麻烦的是仓库里的原材料不是“永葆青春”的放久了会变质有个折算比例相当于价值损耗。你的任务就是根据未来24周附件提供了前8周的实际数据的需求预测制定每一周向每一个供应商的订购量以及选择相应的运输方式目标是使企业的总成本订购费库存费缺货损失运输费最低。所以破题的关键在于建立一套动态决策模型。你不能只看一周必须考虑未来多周的需求趋势和库存状态你不能只订一家必须权衡各家供应商的价格和运能你不能无视损耗必须让库存周转起来。很多队伍一开始就陷入了“精确求解”的误区试图搞出一个能一次性求出24周最优解的超级模型结果要么模型过于复杂无法求解要么忽略了问题的动态性。我的思路是将其分解为“预测-决策-优化”三个核心模块采用“滚动时域优化”的策略进行求解。先基于历史数据预测未来需求然后以未来几周为窗口在窗口内进行优化决策执行第一周的决策后时间滚动到下一周用新的实际数据更新预测和状态再优化下一个窗口如此循环。这种方法在学术上叫Model Predictive Control (MPC)在工程上非常实用既能应对不确定性又保证了决策的可行性。2. 需求预测模块的构建与实操题目只给了前8周的实际供货量和企业的周产能需求是隐含的。我们需要预测的是未来24周每周的生产需求即从仓库的领料量。这是所有决策的起点预测不准后面优化得再好也是南辕北辙。2.1 数据理解与预处理附件中的数据是关键。你需要仔细分析“供应商的供货数据”和“企业的产能数据”。供货数据反映了供应商的历史表现和可能的季节性但注意供货量不等于企业的需求它受企业订单量即你的决策和供应商产能上限的双重影响。企业的周产能是一个重要的约束生产需求不可能超过最大产能这为预测提供了一个上限。第一步是数据清洗和可视化。画出前8周各供应商的供货量曲线、企业总库存变化曲线。通过库存变化我们可以反推每周的实际消耗量即需求本周消耗量 上周末库存 本周到货量 - 本周末库存。这里就涉及到对“损耗”的理解。题目说库存原材料每周会有价值折算在预测需求时我们可以先忽略损耗的具体计算因为损耗影响的是成本模型而不是需求本身。我们反推的是物理上的“领出量”。2.2 预测模型的选择与融合对于这种时间序列预测常见方法有移动平均、指数平滑、ARIMA模型等。但这里只有8个数据点传统时间序列模型很难训练。因此融合多种简单方法并结合业务逻辑进行判断是更稳妥的策略。趋势外推法计算前8周平均周消耗量作为未来需求的基线。如果数据有轻微上升或下降趋势可以加上一个简单的线性趋势项。周环比法观察数据是否呈现以“周”为周期的波动。比如是否每月的最后一周需求较高虽然数据少但可以结合附件中可能隐含的“产能利用率”信息进行推测。基于产能的约束调整预测出的周需求值绝对不能超过题目给出的周最大产能。这是一个硬约束必须对预测结果进行截断处理。不确定性处理预测不可能100%准确。在优化模型中我们需要考虑预测误差带来的风险。一个实用的技巧是生成三种需求情景基准情景、乐观情景需求下调10%、悲观情景需求上调10%。后续的优化可以在多情景下进行或者采用鲁棒优化的思想使决策方案在多种可能的需求下表现都相对较好。实际操作中我建议队伍用Excel或PythonPandas库先做一遍数据反推和可视化。然后用一个加权组合的方式生成最终预测最终预测需求 a * 移动平均值 b * 最近一周值 c * 产能约束调整值其中a, b, c是根据数据特征设定的权重总和为1。例如如果数据很平稳a可以设大些如果最近一周有特殊变化b可以设大些。注意切忌在预测环节过度复杂化。数学建模竞赛时间有限预测模块是为决策优化服务的只要预测结果合理、能自圆其说并且在论文中清晰阐述你的预测方法和依据就能拿到相应的分数。把主要精力放在后面的优化模型上。3. 动态优化决策模型详解这是整个赛题最核心、最见功力的部分。我们需要建立一个数学模型在每一决策点每周初根据当前库存、在途物资、未来需求预测来决定本周向各供应商订多少货以及选择何种运输方式。3.1 模型要素定义首先明确定义以下要素这是建模的基础决策变量x_{i,t}表示第t周向供应商i的订购量y_{t}表示第t周选择的运输方式可能是一个0-1变量例如0代表普通运输1代表加急运输具体看题目附件说明。状态变量I_t表示第t周末的库存水平。它是连接前后周期的纽带满足状态转移方程I_t I_{t-1} Σ x_{i,t- L_i} - D_t S_t。这里L_i是供应商i的运输提前期可能为0或1周D_t是第t周的预测需求S_t是可能的损耗量与I_{t-1}相关。成本项订购成本可能包含固定订购费只要订货就产生和可变采购费与订货量成正比。运输成本与运输方式和总运量相关可能是一个分段函数或固定费率。库存持有成本与期末库存I_t成正比。注意如果题目明确了损耗是价值折算那么库存成本的计算基数是折算后的库存价值。缺货成本如果实际需求大于可用库存到货则产生缺货。缺货成本通常很高是惩罚项。在模型中可以引入缺货量B_t作为辅助变量成本与B_t成正比。3.2 滚动时域优化框架直接建立24周的整体优化模型变量和约束太多求解困难且不符合“每周做一次决策”的动态过程。因此滚动优化是更合理、更可行的框架。设定优化窗口长度N例如N4周或N6周。这意味着我们在第T周做决策时只考虑未来N周第T周到第TN-1周的情况。构建窗口内的优化模型以第T周为起点未来N周的需求预测D_T, D_{T1}, ..., D_{TN-1}是已知的输入。当前库存I_{T-1}是已知初始状态。我们建立一个以未来N周总成本最小化为目标的数学规划模型。目标函数Min Σ (第T到TN-1周的各项成本之和)。约束条件库存平衡约束核心。供应商供应能力约束附件中每家供应商可能有周最大供应量。企业仓库容量约束库存上限。运输方式选择约束可能限制每周只能选一种。非负约束、整数约束如果订购量必须为整数。求解与滚动求解这个N周的优化问题得到最优解序列x_{i,T}, x_{i,T1}, ..., x_{i,TN-1}。但是我们只取第一周的决策结果即x_{i,T}和y_T作为本周的实际执行方案。状态更新与窗口前移执行完第T周的决策后进入第T1周。此时我们会“知道”第T周更准确的需求如果题目有反馈机制否则仍用预测库存状态更新为I_T。然后将优化窗口向前移动一周从T1周到TN周用更新后的状态和新的需求预测可能重新预测或沿用重复步骤2-3进行下一轮的优化决策。这个框架完美模拟了企业实际的滚动计划流程模型在每一轮只需求解一个规模较小的N周问题计算量可控。在论文中需要画出清晰的滚动优化流程图。3.3 模型求解工具选择这个优化模型通常是一个**线性规划(LP)或混合整数线性规划(MILP)**问题如果运输方式选择是0-1变量。推荐使用以下工具LINGO专为优化设计语法简单求解速度快非常适合数模竞赛。对于线性/整数规划问题代码非常简洁。MATLAB Optimization Toolboxlinprog函数用于线性规划intlinprog函数用于混合整数线性规划。适合习惯MATLAB的队伍。Python PuLP / CVXPYPuLP库建模非常直观类似自然语言易于调试。CVXPY则更加强大。Python的优势是方便与数据预处理、结果可视化整合。我强烈建议队伍在练习阶段就选定一个工具并熟练掌握。比赛时先用手工简化数据比如只考虑2个供应商、4周把整个模型流程跑通确保模型逻辑、代码没有错误然后再代入全部24周、多个供应商的真实数据运行。这能极大避免最后一天发现模型根本算不出来的灾难。4. 核心环节实现以PythonPuLP为例这里我以一个简化版为例演示滚动优化的核心代码逻辑。假设有2个供应商运输提前期均为1周优化窗口N4周。import pulp import pandas as pd import numpy as np # 假设我们已经有了未来M周的需求预测列表 forecast_demand[M] # 假设初始库存为 I0 # 定义供应商参数成本供应上限等 suppliers { A: {cost_per_unit: 10, max_supply: 500, lead_time: 1}, B: {cost_per_unit: 12, max_supply: 300, lead_time: 1} } holding_cost 0.5 # 每周每单位库存持有成本 shortage_cost 20 # 每周每单位缺货成本 warehouse_capacity 1000 def rolling_optimization(start_week, current_inventory, horizon4): 执行一次滚动优化 :param start_week: 当前周次 (T) :param current_inventory: 当前周初库存 I_{T-1} :param horizon: 优化窗口长度 N :return: 本周应向各供应商订购的量 (dict) # 1. 获取未来N周的需求预测 demand_forecast forecast_demand[start_week: start_week horizon] # 2. 创建PuLP问题 prob pulp.LpProblem(fWeek_{start_week}_Rolling_Optimization, pulp.LpMinimize) # 3. 定义决策变量 (窗口内每周、每个供应商的订购量) order_vars pulp.LpVariable.dicts(Order, ((s, w) for s in suppliers for w in range(horizon)), lowBound0, catContinuous) # 定义库存和缺货变量 inventory_vars pulp.LpVariable.dicts(Inv, range(horizon1), lowBound0) # 包含第0周期初 shortage_vars pulp.LpVariable.dicts(Short, range(horizon), lowBound0) # 4. 设置初始库存 prob inventory_vars[0] current_inventory # 5. 定义目标函数最小化总成本订购成本 库存成本 缺货成本 # 订购成本 order_cost pulp.lpSum([order_vars[s, w] * suppliers[s][cost_per_unit] for s in suppliers for w in range(horizon)]) # 库存持有成本 holding_cost_total pulp.lpSum([inventory_vars[w] * holding_cost for w in range(1, horizon1)]) # 缺货成本 shortage_cost_total pulp.lpSum([shortage_vars[w] * shortage_cost for w in range(horizon)]) prob order_cost holding_cost_total shortage_cost_total # 6. 添加约束 for w in range(horizon): # 库存平衡约束 (考虑提前期) # 本周到货 sum( lead_time周前的订单 ) arrivals pulp.lpSum([order_vars[s, w_prev] for s in suppliers for w_prev in range(horizon) if w_prev suppliers[s][lead_time] w]) # 平衡方程: 期末库存 期初库存 到货 - 需求 缺货 prob inventory_vars[w1] inventory_vars[w] arrivals - demand_forecast[w] shortage_vars[w] # 供应商供应能力约束 for s in suppliers: prob order_vars[s, w] suppliers[s][max_supply] # 仓库容量约束 prob inventory_vars[w1] warehouse_capacity # 7. 求解 prob.solve(pulp.PULP_CBC_CMD(msgFalse)) # 8. 提取本周窗口第一周的决策 current_orders {} if pulp.LpStatus[prob.status] Optimal: for s in suppliers: current_orders[s] order_vars[s, 0].varValue print(fWeek {start_week} optimal orders: {current_orders}, Total Cost: {pulp.value(prob.objective)}) return current_orders else: print(Optimization failed!) return None # 主循环模拟24周滚动决策 I initial_inventory orders_schedule [] for week in range(24): # 假设总共决策24次 week_orders rolling_optimization(week, I, horizon4) if week_orders: orders_schedule.append(week_orders) # 模拟实际执行更新库存状态这里简化假设需求等于预测且无损耗 # 实际中这里应该用更复杂的模拟器来更新状态 total_arrival_this_week sum([week_orders[s] for s in suppliers]) # 简化假设提前期0 I I total_arrival_this_week - forecast_demand[week] I max(I, 0) # 库存非负 else: break这段代码提供了一个完整的滚动优化骨架。在实际比赛中你需要根据附件数据填充参数并完善状态更新逻辑特别是考虑运输提前期和损耗。模型的目标函数和约束也需要根据题目描述进行细化例如加入固定订购费、运输方式选择等。5. 结果分析与模型检验得到24周的订购与运输方案后工作只完成了一半。如何检验你的方案好坏如何在论文中展现模型的优越性这是拿高分的关键。5.1 方案的成本核算与敏感性分析你需要设计一个模拟器。这个模拟器不依赖于你的优化模型它就像一个“上帝视角”的沙盘严格按照你制定的24周方案结合真实的或你认为合理的需求序列、损耗规则去计算最终发生的总成本。这个成本才是评价方案优劣的最终标准。基准情景分析用你预测的“基准需求”序列运行模拟器得到基准总成本。敏感性分析这是亮点改变关键参数观察方案的成本变化。需求波动将需求上下浮动10%、20%重新模拟。你的方案成本增加了多少这体现了方案的鲁棒性。成本参数变化例如运输成本上涨10%库存成本上涨10%对总成本的影响有多大这能说明方案对不同成本结构的适应能力。预测误差分析故意在你的预测中加入随机误差模拟预测不准的情况看看滚动优化模型相比“静态一次性优化”模型是否表现更稳定。5.2 模型对比与评价在论文中你不能只说“我的模型很好”要通过对比来证明。对比策略一经验策略。设计一个简单的基准策略例如固定订货点策略当库存低于某个安全库存时按固定量订货。等量订购策略每周订购相同的量等于平均需求。 用你的模拟器计算这些简单策略的成本你的优化模型应该能显著降低成本例如降低15%-30%。这个对比能直观展示优化带来的价值。对比策略二不同优化窗口长度。尝试N3, N4, N6比较它们最终的总成本和计算时间。你会发现窗口太短N3可能目光短浅窗口太长N6计算量增大但收益不明显。在论文中分析并给出你选择N4举例的理由这体现了你对模型参数的深入思考。模型优缺点与推广诚实地讨论你的模型假设如需求预测是准确的、损耗模型是线性的在什么情况下可能不成立。简要说明模型可以如何推广到更复杂的情况比如供应商有最小起订量、存在价格折扣、运输方式更多样等。这展示了你的思维高度。6. 论文写作与常见陷阱规避数学建模竞赛论文是唯一的评分依据。模型再好表达不清也白搭。摘要重中之重必须精炼地说明“针对什么问题建立了什么模型采用了什么方法特别是滚动优化框架得到了什么方案主要结论进行了什么分析敏感性分析结果如何成本降低了多少”。避免在摘要中出现公式和细节。模型假设清晰列出。例如“假设每周初做决策并立即下单”、“假设运输提前期已知且固定”、“假设需求预测误差在一定范围内”等。合理的假设是简化问题的前提。符号说明用三线表格清晰列出所有变量、符号及其含义。这是专业性的体现。模型建立分小节阐述。对应我们上面的模块6.1 问题分析与整体框架6.2 需求预测模型6.3 滚动优化决策模型包含目标函数、约束条件、状态转移方程6.4 模型求解方法。模型求解与结果给出核心的求解流程代码框图或伪代码展示关键结果例如用表格列出24周的订购计划用图表展示库存水平变化趋势。模型检验与灵敏度分析单独成节详细展示对比实验和敏感性分析的结果用图表如柱状图、折线图直观呈现。优缺点与推广客观评价体现思维的全面性。常见陷阱与避坑指南忽略损耗或处理错误损耗是本题特色。一定要在库存状态方程和库存持有成本计算中正确体现。如果损耗是比例折算那么计算库存成本时库存价值是递减的。混淆决策周期题目要求“每周制定”计划但你的模型输出的是未来24周固定计划这不符合题意。必须体现“滚动”、“动态调整”的过程。模型求解失败一开始就用完整数据建模求解容易因规模大或模型有误而卡死。务必先用极小规模数据2周1个供应商调试通所有逻辑和代码。论文只有模型没有结果花了大量篇幅描述复杂的模型但结果部分只有一句话“我们求解得到了最优方案”。必须将核心的决策方案订购量表和关键的绩效指标成本变化图、库存曲线清晰地呈现出来。敏感性分析流于形式只说“模型对参数变化不敏感”但没有数据支撑。必须设计具体的对比实验用数字说话。这道C题考察的是将实际问题转化为数学模型并设计有效算法求解的综合能力。它没有标准答案关键在于你的建模逻辑是否清晰、求解过程是否合理、结果分析是否深入。抓住“动态”、“滚动”、“多目标权衡”这几个核心建立一个稳健可解的模型并配上一份逻辑严密、图表清晰的论文就能取得非常不错的成绩。最后提醒一点团队分工要明确一个人主攻模型和算法一个人主攻编程实现一个人主攻论文写作和数据分析三者要紧密配合定期同步。
数学建模竞赛C题：动态优化与滚动时域决策实战解析
1. 赛题核心与破题思路拆解2021年全国大学生数学建模竞赛C题题目是“生产企业原材料的订购与运输决策”。这题一出来很多队伍都懵了感觉像是个供应链管理或者运筹学的题但又和传统的库存模型不太一样。我当时带了几支队伍自己也深入研究了一下发现这道题的精髓在于它构建了一个多周期、多供应商、需求不确定且存在损耗的复杂决策环境。它不是让你套一个经典的EOQ经济订货批量模型就完事的它逼着你去思考在现实生产约束下如何动态地平衡“订购成本”、“库存成本”、“缺货损失”和“运输成本”这几座大山。简单来说题目给了你一家生产企业每周需要向供应商订购原材料供应商不止一家每家供货能力和运输成本还不同。原材料运到企业后并不是立刻全部投入生产而是先进入仓库。生产部门每周从仓库领料但这个领料量即生产需求是波动的、预测出来的不是定值。更麻烦的是仓库里的原材料不是“永葆青春”的放久了会变质有个折算比例相当于价值损耗。你的任务就是根据未来24周附件提供了前8周的实际数据的需求预测制定每一周向每一个供应商的订购量以及选择相应的运输方式目标是使企业的总成本订购费库存费缺货损失运输费最低。所以破题的关键在于建立一套动态决策模型。你不能只看一周必须考虑未来多周的需求趋势和库存状态你不能只订一家必须权衡各家供应商的价格和运能你不能无视损耗必须让库存周转起来。很多队伍一开始就陷入了“精确求解”的误区试图搞出一个能一次性求出24周最优解的超级模型结果要么模型过于复杂无法求解要么忽略了问题的动态性。我的思路是将其分解为“预测-决策-优化”三个核心模块采用“滚动时域优化”的策略进行求解。先基于历史数据预测未来需求然后以未来几周为窗口在窗口内进行优化决策执行第一周的决策后时间滚动到下一周用新的实际数据更新预测和状态再优化下一个窗口如此循环。这种方法在学术上叫Model Predictive Control (MPC)在工程上非常实用既能应对不确定性又保证了决策的可行性。2. 需求预测模块的构建与实操题目只给了前8周的实际供货量和企业的周产能需求是隐含的。我们需要预测的是未来24周每周的生产需求即从仓库的领料量。这是所有决策的起点预测不准后面优化得再好也是南辕北辙。2.1 数据理解与预处理附件中的数据是关键。你需要仔细分析“供应商的供货数据”和“企业的产能数据”。供货数据反映了供应商的历史表现和可能的季节性但注意供货量不等于企业的需求它受企业订单量即你的决策和供应商产能上限的双重影响。企业的周产能是一个重要的约束生产需求不可能超过最大产能这为预测提供了一个上限。第一步是数据清洗和可视化。画出前8周各供应商的供货量曲线、企业总库存变化曲线。通过库存变化我们可以反推每周的实际消耗量即需求本周消耗量 上周末库存 本周到货量 - 本周末库存。这里就涉及到对“损耗”的理解。题目说库存原材料每周会有价值折算在预测需求时我们可以先忽略损耗的具体计算因为损耗影响的是成本模型而不是需求本身。我们反推的是物理上的“领出量”。2.2 预测模型的选择与融合对于这种时间序列预测常见方法有移动平均、指数平滑、ARIMA模型等。但这里只有8个数据点传统时间序列模型很难训练。因此融合多种简单方法并结合业务逻辑进行判断是更稳妥的策略。趋势外推法计算前8周平均周消耗量作为未来需求的基线。如果数据有轻微上升或下降趋势可以加上一个简单的线性趋势项。周环比法观察数据是否呈现以“周”为周期的波动。比如是否每月的最后一周需求较高虽然数据少但可以结合附件中可能隐含的“产能利用率”信息进行推测。基于产能的约束调整预测出的周需求值绝对不能超过题目给出的周最大产能。这是一个硬约束必须对预测结果进行截断处理。不确定性处理预测不可能100%准确。在优化模型中我们需要考虑预测误差带来的风险。一个实用的技巧是生成三种需求情景基准情景、乐观情景需求下调10%、悲观情景需求上调10%。后续的优化可以在多情景下进行或者采用鲁棒优化的思想使决策方案在多种可能的需求下表现都相对较好。实际操作中我建议队伍用Excel或PythonPandas库先做一遍数据反推和可视化。然后用一个加权组合的方式生成最终预测最终预测需求 a * 移动平均值 b * 最近一周值 c * 产能约束调整值其中a, b, c是根据数据特征设定的权重总和为1。例如如果数据很平稳a可以设大些如果最近一周有特殊变化b可以设大些。注意切忌在预测环节过度复杂化。数学建模竞赛时间有限预测模块是为决策优化服务的只要预测结果合理、能自圆其说并且在论文中清晰阐述你的预测方法和依据就能拿到相应的分数。把主要精力放在后面的优化模型上。3. 动态优化决策模型详解这是整个赛题最核心、最见功力的部分。我们需要建立一个数学模型在每一决策点每周初根据当前库存、在途物资、未来需求预测来决定本周向各供应商订多少货以及选择何种运输方式。3.1 模型要素定义首先明确定义以下要素这是建模的基础决策变量x_{i,t}表示第t周向供应商i的订购量y_{t}表示第t周选择的运输方式可能是一个0-1变量例如0代表普通运输1代表加急运输具体看题目附件说明。状态变量I_t表示第t周末的库存水平。它是连接前后周期的纽带满足状态转移方程I_t I_{t-1} Σ x_{i,t- L_i} - D_t S_t。这里L_i是供应商i的运输提前期可能为0或1周D_t是第t周的预测需求S_t是可能的损耗量与I_{t-1}相关。成本项订购成本可能包含固定订购费只要订货就产生和可变采购费与订货量成正比。运输成本与运输方式和总运量相关可能是一个分段函数或固定费率。库存持有成本与期末库存I_t成正比。注意如果题目明确了损耗是价值折算那么库存成本的计算基数是折算后的库存价值。缺货成本如果实际需求大于可用库存到货则产生缺货。缺货成本通常很高是惩罚项。在模型中可以引入缺货量B_t作为辅助变量成本与B_t成正比。3.2 滚动时域优化框架直接建立24周的整体优化模型变量和约束太多求解困难且不符合“每周做一次决策”的动态过程。因此滚动优化是更合理、更可行的框架。设定优化窗口长度N例如N4周或N6周。这意味着我们在第T周做决策时只考虑未来N周第T周到第TN-1周的情况。构建窗口内的优化模型以第T周为起点未来N周的需求预测D_T, D_{T1}, ..., D_{TN-1}是已知的输入。当前库存I_{T-1}是已知初始状态。我们建立一个以未来N周总成本最小化为目标的数学规划模型。目标函数Min Σ (第T到TN-1周的各项成本之和)。约束条件库存平衡约束核心。供应商供应能力约束附件中每家供应商可能有周最大供应量。企业仓库容量约束库存上限。运输方式选择约束可能限制每周只能选一种。非负约束、整数约束如果订购量必须为整数。求解与滚动求解这个N周的优化问题得到最优解序列x_{i,T}, x_{i,T1}, ..., x_{i,TN-1}。但是我们只取第一周的决策结果即x_{i,T}和y_T作为本周的实际执行方案。状态更新与窗口前移执行完第T周的决策后进入第T1周。此时我们会“知道”第T周更准确的需求如果题目有反馈机制否则仍用预测库存状态更新为I_T。然后将优化窗口向前移动一周从T1周到TN周用更新后的状态和新的需求预测可能重新预测或沿用重复步骤2-3进行下一轮的优化决策。这个框架完美模拟了企业实际的滚动计划流程模型在每一轮只需求解一个规模较小的N周问题计算量可控。在论文中需要画出清晰的滚动优化流程图。3.3 模型求解工具选择这个优化模型通常是一个**线性规划(LP)或混合整数线性规划(MILP)**问题如果运输方式选择是0-1变量。推荐使用以下工具LINGO专为优化设计语法简单求解速度快非常适合数模竞赛。对于线性/整数规划问题代码非常简洁。MATLAB Optimization Toolboxlinprog函数用于线性规划intlinprog函数用于混合整数线性规划。适合习惯MATLAB的队伍。Python PuLP / CVXPYPuLP库建模非常直观类似自然语言易于调试。CVXPY则更加强大。Python的优势是方便与数据预处理、结果可视化整合。我强烈建议队伍在练习阶段就选定一个工具并熟练掌握。比赛时先用手工简化数据比如只考虑2个供应商、4周把整个模型流程跑通确保模型逻辑、代码没有错误然后再代入全部24周、多个供应商的真实数据运行。这能极大避免最后一天发现模型根本算不出来的灾难。4. 核心环节实现以PythonPuLP为例这里我以一个简化版为例演示滚动优化的核心代码逻辑。假设有2个供应商运输提前期均为1周优化窗口N4周。import pulp import pandas as pd import numpy as np # 假设我们已经有了未来M周的需求预测列表 forecast_demand[M] # 假设初始库存为 I0 # 定义供应商参数成本供应上限等 suppliers { A: {cost_per_unit: 10, max_supply: 500, lead_time: 1}, B: {cost_per_unit: 12, max_supply: 300, lead_time: 1} } holding_cost 0.5 # 每周每单位库存持有成本 shortage_cost 20 # 每周每单位缺货成本 warehouse_capacity 1000 def rolling_optimization(start_week, current_inventory, horizon4): 执行一次滚动优化 :param start_week: 当前周次 (T) :param current_inventory: 当前周初库存 I_{T-1} :param horizon: 优化窗口长度 N :return: 本周应向各供应商订购的量 (dict) # 1. 获取未来N周的需求预测 demand_forecast forecast_demand[start_week: start_week horizon] # 2. 创建PuLP问题 prob pulp.LpProblem(fWeek_{start_week}_Rolling_Optimization, pulp.LpMinimize) # 3. 定义决策变量 (窗口内每周、每个供应商的订购量) order_vars pulp.LpVariable.dicts(Order, ((s, w) for s in suppliers for w in range(horizon)), lowBound0, catContinuous) # 定义库存和缺货变量 inventory_vars pulp.LpVariable.dicts(Inv, range(horizon1), lowBound0) # 包含第0周期初 shortage_vars pulp.LpVariable.dicts(Short, range(horizon), lowBound0) # 4. 设置初始库存 prob inventory_vars[0] current_inventory # 5. 定义目标函数最小化总成本订购成本 库存成本 缺货成本 # 订购成本 order_cost pulp.lpSum([order_vars[s, w] * suppliers[s][cost_per_unit] for s in suppliers for w in range(horizon)]) # 库存持有成本 holding_cost_total pulp.lpSum([inventory_vars[w] * holding_cost for w in range(1, horizon1)]) # 缺货成本 shortage_cost_total pulp.lpSum([shortage_vars[w] * shortage_cost for w in range(horizon)]) prob order_cost holding_cost_total shortage_cost_total # 6. 添加约束 for w in range(horizon): # 库存平衡约束 (考虑提前期) # 本周到货 sum( lead_time周前的订单 ) arrivals pulp.lpSum([order_vars[s, w_prev] for s in suppliers for w_prev in range(horizon) if w_prev suppliers[s][lead_time] w]) # 平衡方程: 期末库存 期初库存 到货 - 需求 缺货 prob inventory_vars[w1] inventory_vars[w] arrivals - demand_forecast[w] shortage_vars[w] # 供应商供应能力约束 for s in suppliers: prob order_vars[s, w] suppliers[s][max_supply] # 仓库容量约束 prob inventory_vars[w1] warehouse_capacity # 7. 求解 prob.solve(pulp.PULP_CBC_CMD(msgFalse)) # 8. 提取本周窗口第一周的决策 current_orders {} if pulp.LpStatus[prob.status] Optimal: for s in suppliers: current_orders[s] order_vars[s, 0].varValue print(fWeek {start_week} optimal orders: {current_orders}, Total Cost: {pulp.value(prob.objective)}) return current_orders else: print(Optimization failed!) return None # 主循环模拟24周滚动决策 I initial_inventory orders_schedule [] for week in range(24): # 假设总共决策24次 week_orders rolling_optimization(week, I, horizon4) if week_orders: orders_schedule.append(week_orders) # 模拟实际执行更新库存状态这里简化假设需求等于预测且无损耗 # 实际中这里应该用更复杂的模拟器来更新状态 total_arrival_this_week sum([week_orders[s] for s in suppliers]) # 简化假设提前期0 I I total_arrival_this_week - forecast_demand[week] I max(I, 0) # 库存非负 else: break这段代码提供了一个完整的滚动优化骨架。在实际比赛中你需要根据附件数据填充参数并完善状态更新逻辑特别是考虑运输提前期和损耗。模型的目标函数和约束也需要根据题目描述进行细化例如加入固定订购费、运输方式选择等。5. 结果分析与模型检验得到24周的订购与运输方案后工作只完成了一半。如何检验你的方案好坏如何在论文中展现模型的优越性这是拿高分的关键。5.1 方案的成本核算与敏感性分析你需要设计一个模拟器。这个模拟器不依赖于你的优化模型它就像一个“上帝视角”的沙盘严格按照你制定的24周方案结合真实的或你认为合理的需求序列、损耗规则去计算最终发生的总成本。这个成本才是评价方案优劣的最终标准。基准情景分析用你预测的“基准需求”序列运行模拟器得到基准总成本。敏感性分析这是亮点改变关键参数观察方案的成本变化。需求波动将需求上下浮动10%、20%重新模拟。你的方案成本增加了多少这体现了方案的鲁棒性。成本参数变化例如运输成本上涨10%库存成本上涨10%对总成本的影响有多大这能说明方案对不同成本结构的适应能力。预测误差分析故意在你的预测中加入随机误差模拟预测不准的情况看看滚动优化模型相比“静态一次性优化”模型是否表现更稳定。5.2 模型对比与评价在论文中你不能只说“我的模型很好”要通过对比来证明。对比策略一经验策略。设计一个简单的基准策略例如固定订货点策略当库存低于某个安全库存时按固定量订货。等量订购策略每周订购相同的量等于平均需求。 用你的模拟器计算这些简单策略的成本你的优化模型应该能显著降低成本例如降低15%-30%。这个对比能直观展示优化带来的价值。对比策略二不同优化窗口长度。尝试N3, N4, N6比较它们最终的总成本和计算时间。你会发现窗口太短N3可能目光短浅窗口太长N6计算量增大但收益不明显。在论文中分析并给出你选择N4举例的理由这体现了你对模型参数的深入思考。模型优缺点与推广诚实地讨论你的模型假设如需求预测是准确的、损耗模型是线性的在什么情况下可能不成立。简要说明模型可以如何推广到更复杂的情况比如供应商有最小起订量、存在价格折扣、运输方式更多样等。这展示了你的思维高度。6. 论文写作与常见陷阱规避数学建模竞赛论文是唯一的评分依据。模型再好表达不清也白搭。摘要重中之重必须精炼地说明“针对什么问题建立了什么模型采用了什么方法特别是滚动优化框架得到了什么方案主要结论进行了什么分析敏感性分析结果如何成本降低了多少”。避免在摘要中出现公式和细节。模型假设清晰列出。例如“假设每周初做决策并立即下单”、“假设运输提前期已知且固定”、“假设需求预测误差在一定范围内”等。合理的假设是简化问题的前提。符号说明用三线表格清晰列出所有变量、符号及其含义。这是专业性的体现。模型建立分小节阐述。对应我们上面的模块6.1 问题分析与整体框架6.2 需求预测模型6.3 滚动优化决策模型包含目标函数、约束条件、状态转移方程6.4 模型求解方法。模型求解与结果给出核心的求解流程代码框图或伪代码展示关键结果例如用表格列出24周的订购计划用图表展示库存水平变化趋势。模型检验与灵敏度分析单独成节详细展示对比实验和敏感性分析的结果用图表如柱状图、折线图直观呈现。优缺点与推广客观评价体现思维的全面性。常见陷阱与避坑指南忽略损耗或处理错误损耗是本题特色。一定要在库存状态方程和库存持有成本计算中正确体现。如果损耗是比例折算那么计算库存成本时库存价值是递减的。混淆决策周期题目要求“每周制定”计划但你的模型输出的是未来24周固定计划这不符合题意。必须体现“滚动”、“动态调整”的过程。模型求解失败一开始就用完整数据建模求解容易因规模大或模型有误而卡死。务必先用极小规模数据2周1个供应商调试通所有逻辑和代码。论文只有模型没有结果花了大量篇幅描述复杂的模型但结果部分只有一句话“我们求解得到了最优方案”。必须将核心的决策方案订购量表和关键的绩效指标成本变化图、库存曲线清晰地呈现出来。敏感性分析流于形式只说“模型对参数变化不敏感”但没有数据支撑。必须设计具体的对比实验用数字说话。这道C题考察的是将实际问题转化为数学模型并设计有效算法求解的综合能力。它没有标准答案关键在于你的建模逻辑是否清晰、求解过程是否合理、结果分析是否深入。抓住“动态”、“滚动”、“多目标权衡”这几个核心建立一个稳健可解的模型并配上一份逻辑严密、图表清晰的论文就能取得非常不错的成绩。最后提醒一点团队分工要明确一个人主攻模型和算法一个人主攻编程实现一个人主攻论文写作和数据分析三者要紧密配合定期同步。