1. 从赛题到方案：一次完整的建模实战复盘

又到了一年一度的国赛季，看着新一届的同学们开始为选题和思路焦头烂额，我想起了去年带队攻克C题的经历。当时我们团队在有限的三天四夜里，从一片茫然到最终形成一套逻辑自洽的解决方案，这个过程充满了挑战，也沉淀下许多超越具体题目的通用方法论。今天，我不打算直接给出去年的“标准答案”——事实上，建模竞赛从来不存在唯一的答案。我更想以一个过来人的身份，拆解我们当时面对“蔬菜类商品的自动定价与补货决策”这个问题时，完整的思考路径、工具选型、模型构建与代码实现中的那些关键抉择与踩过的坑。无论你今年面对的是A、B还是C题，这套从问题解析到模型落地的实战框架，或许能帮你更快地找到突破口。

数学建模竞赛的核心，从来不是比拼谁用的算法最高深，而是考察团队如何将一个模糊的实际问题，转化为清晰的数学语言，并设计出可执行、可验证的解决方案。C题往往偏向数据分析与运筹优化，我们的策略是：用扎实的数据分析奠定基础，用清晰的优化模型构建骨架，再用稳健的代码实现赋予其生命。接下来，我将按照我们实际攻关的时间线，分模块还原我们的工作流，其中会穿插大量在论文和代码里不会写的“幕后故事”和决策逻辑。

2. 第一阶段：破题与数据清洗——一切模型的基础

拿到题目后，最忌讳的就是一头扎进文献里找“高级模型”。我们花了整整第一个上午，只做一件事：彻底读懂题目，并让数据“开口说话”。

2.1 核心需求解析：从业务问题到数学问题

去年的C题背景是生鲜商超的定价与补货。题目给定了过去一段时间内多个蔬菜品类的销售数据、损耗数据以及批发价格数据。问题最终归结为：如何建立数学模型，实现对未来单品的每日定价与补货量的决策，以最大化商超的收益（或最小化成本）。

这里的关键转换在于识别出问题中的核心变量与目标：

• 决策变量：每日每个单品的售价、补货量。
• 目标函数：商超的日均收益（总收入 - 总成本）。成本需包含进货成本、损耗成本（废弃或打折处理）、可能的库存持有成本。
• 约束条件：
  1. 供需关系约束：销量受价格影响（需求函数）。
  2. 库存动态约束：当日库存 = 前日库存 + 补货量 - 当日销量 - 当日损耗。
  3. 业务规则约束：如定价不能超过某个上限、补货量有运输容量限制等。
  4. 非负约束：所有变量非负。

注意：很多队伍在这里会忽略“损耗”的动态性。损耗率并非固定，它和商品的新鲜度（可近似为库存时间）强相关。忽略这一点，建立的库存模型会有很大偏差。

2.2 数据清洗与探索性分析：用pandas撬开信息之门

题目附件提供了销售流水明细.csv、蔬菜类商品信息.csv、批发价格数据.csv等文件。第一步就是用pandas进行数据清洗，这一步的质量直接决定了后续所有模型的可靠性。

我们的清洗与探索流程如下：

1. 缺失值与异常值处理：

   import pandas as pd import numpy as np # 读取数据 sales_df = pd.read_csv('销售流水明细.csv', encoding='gbk') # 注意编码 veg_info_df = pd.read_csv('蔬菜类商品信息.csv') wholesale_df = pd.read_csv('批发价格数据.csv') # 1. 统一日期格式，并转换为datetime类型 sales_df['销售日期'] = pd.to_datetime(sales_df['销售日期'], format='%Y/%m/%d') wholesale_df['日期'] = pd.to_datetime(wholesale_df['日期'], format='%Y/%m/%d') # 2. 检查关键字段缺失 print(sales_df.isnull().sum()) # 对于单价、销量为0或负数的异常记录，根据业务逻辑判断是删除还是修正 # 例如，销量为0但销售额不为0的记录显然有问题，需重点核查或剔除。 sales_df = sales_df[(sales_df['销量(千克)'] > 0) & (sales_df['销售单价(元/千克)'] > 0)] # 3. 合并数据，形成分析主表 # 将销售数据按单品和日期聚合，得到每日销量和销售额 daily_sales = sales_df.groupby(['单品编码', '销售日期']).agg({ '销量(千克)': 'sum', '销售单价(元/千克)': 'mean' # 注意：这里取日均价，更精细的做法可考虑销量加权平均 }).reset_index()

   这里的一个实操心得是：不要急于删除所有异常值。例如，某天某个单品销量激增，可能是促销或团购，这本身是重要的业务信息。我们更倾向于先打上标签，在后续建模时作为特殊日期（虚拟变量）考虑。

2. 关键指标计算与可视化： 清洗后，我们计算了几个核心指标，并用matplotlib或seaborn进行可视化，这是发现规律的关键。

   • 每日销量与价格序列：观察每个单品销量和价格随时间的变化趋势，初步判断是否存在季节性、周期性。
   • 价格-销量散点图：这是构建需求函数最直观的依据。将历史数据中同一单品不同日期的价格和销量画成散点图，可以观察大致的负相关关系。
   • 损耗率分析：将销售数据与进货数据（需从销售和库存变化中间接推算）结合，估算每日损耗。我们发现，对于叶菜类，损耗率随库存天数呈指数上升趋势，这个洞察直接影响了后续库存模型的形式。

   import matplotlib.pyplot as plt import seaborn as sns # 示例：分析某个代表性单品（如‘黄瓜’）的价格-销量关系 cuke_data = daily_sales[daily_sales['单品编码'] == '指定的黄瓜编码'].copy() plt.figure(figsize=(10, 6)) plt.scatter(cuke_data['销售单价(元/千克)'], cuke_data['销量(千克)'], alpha=0.6) plt.xlabel('销售单价 (元/千克)') plt.ylabel('销量 (千克)') plt.title('黄瓜价格-销量散点图') plt.grid(True) plt.show()

   通过可视化，我们发现了一个关键点：价格和销量的关系并不是简单的线性，在价格很低时，销量增长有瓶颈（市场饱和），在价格很高时，销量下降也更剧烈。这提示我们，需求函数可能需要用更灵活的形式，如指数型、对数型或分段的线性函数。

3. 第二阶段：模型构建与选型——在简单与复杂间权衡

有了清晰的问题定义和干净的数据，就可以开始构建模型了。我们的原则是：模型复杂度以能解决核心问题为度，优先选择可解释性强、求解稳健的模型。

3.1 需求预测模型：销量如何随价格变动？

这是整个优化模型的基础。我们需要一个函数销量 = f(价格, 其他因素)。常见的选择有：

1. 线性需求模型：销量 = a - b * 价格。最简单，但往往不符合实际，尤其是价格极端时。
2. 指数需求模型：销量 = A * exp(-λ * 价格)。能刻画价格上升时销量快速衰减的特性。
3. 对数线性模型：ln(销量) = α - β * ln(价格)。即幂函数形式销量 = K * (价格)^(-β)，其价格弹性为常数β，这在经济学中很常见。
4. 机器学习模型：如用XGBoost、随机森林回归，将价格、星期几、节假日、季节性等作为特征。预测精度可能更高，但可解释性差，且容易过拟合有限的历史数据。

我们的选择与理由： 我们最终选择了对数线性模型。原因有三：第一，它形式简单，待估参数少（K和β），在数据量不大的情况下更稳健；第二，其常价格弹性的假设在一定的价格变动范围内是合理的；第三，它易于后续整合进优化模型进行求导分析。我们使用历史数据，对每个单品分别进行回归，估计其K和β值。

import statsmodels.api as sm def fit_demand_model(item_data): """拟合对数线性需求模型""" # item_data 包含‘销售单价’和‘销量’两列 X = np.log(item_data['销售单价(元/千克)']) X = sm.add_constant(X) # 添加常数项 y = np.log(item_data['销量(千克)']) model = sm.OLS(y, X).fit() # model.params[0] 是 ln(K), model.params[1] 是 -β K = np.exp(model.params[0]) beta = -model.params[1] return K, beta, model.rsquared

注意事项：对于历史数据中价格变化范围很小的单品，估计出的价格弹性可能不可靠。我们设定了一个阈值，如果价格标准差过小，则采用同类商品的弹性均值，这是一种稳健性处理。

3.2 库存与损耗模型：如何刻画“不新鲜”的成本？

生鲜商品的核心难点在于损耗。我们将其建模为库存天数的函数。假设当日未售出的商品，其损耗率（腐败比例）会随着在库时间的增加而加速上升。我们采用一个简化的指数增长模型：

第t日对第s日进货的商品的损耗率 = γ * exp(θ * (t - s))

其中，t-s就是库存天数，γ和θ是待估参数。这个模型意味着，商品越新鲜（库存天数少），损耗率越低；一旦开始不新鲜，损耗会成倍增加。参数可以通过历史损耗数据（需从进货与销售数据中间接推算）进行拟合。

3.3 整合优化模型：构建最终的决策框架

将需求模型、库存损耗模型、成本参数（进价、存储费、废弃处理费）整合，我们构建了一个以未来T天（如一周）总利润最大化为目标的动态规划/非线性规划模型。

模型简述如下：

• 决策变量：p[i,t](单品i在第t天的售价)，q[i,t](单品i在第t天的补货量)。
• 状态变量：I[i,s,t](第t天结束时，库龄为s天（即第t-s天进货）的单品i的库存量)。这是一个三维变量，刻画了库存的“年龄结构”，对于计算精准损耗至关重要。
• 目标函数：最大化总利润 = Σ (销售收入 - 进货成本 - 损耗成本)。
  • 销售收入基于需求模型f(p[i,t])计算。
  • 损耗成本基于库存天数和上述损耗率模型计算。
• 约束：
  1. 库存平衡方程：I[i,0,t] = q[i,t](当天新进的货库龄为0)，I[i,s,t] = I[i,s-1,t-1] - 销售消耗 - 损耗。
  2. 需求约束：销量 ≤ 需求函数预测值。
  3. 能力约束：总补货量 ≤ 仓库日处理能力；总陈列量 ≤ 货架容量。
  4. 定价约束：售价在合理区间内。

这个模型是一个大规模的、带非线性约束的优化问题。直接求解非常困难。

4. 第三阶段：模型求解与代码实现——将理论落地

面对复杂模型，我们采用了分步优化与启发式规则相结合的策略，这是在实际竞赛时间限制下的务实选择。

4.1 求解策略：分解与迭代

我们意识到，定价和补货虽然耦合，但可以解耦迭代求解：

1. 给定补货计划，优化定价：如果补货量已知，那么问题简化为每个单品每天的独立定价问题（因为需求函数只依赖自身价格）。我们可以对每个单品、每一天，求解一个一维非线性优化问题：max Profit = p * f(p) - 成本。这里f(p)是对数线性需求函数。这个最大值点可以通过求导解析得到，或者用scipy.optimize快速求解。
2. 给定价格策略，优化补货：价格确定后，需求就确定了。补货问题变成一个考虑损耗的动态库存问题，目标是在满足需求的前提下，使进货成本+损耗成本最小。这类似于一个带有腐败损耗的报童模型扩展，可以用动态规划求解。
3. 迭代直至收敛：交替执行步骤1和2，直到价格和补货量的变化小于某个阈值。

import numpy as np from scipy.optimize import minimize_scalar def optimize_price(K, beta, cost_per_unit): """给定需求函数参数K, beta和单位成本，求最优价格""" # 利润函数: profit(p) = p * K * p**(-beta) - cost_per_unit * K * p**(-beta) # 简化后: profit(p) = (p - cost_per_unit) * K * p**(-beta) def profit_func(p): if p <= cost_per_unit: # 价格不能低于成本 return -np.inf return (p - cost_per_unit) * K * (p ** (-beta)) # 在合理价格区间内寻找最大值 res = minimize_scalar(lambda p: -profit_func(p), bounds=(cost_per_unit*1.1, cost_per_unit*5), method='bounded') optimal_price = res.x max_profit = profit_func(optimal_price) return optimal_price, max_profit # 示例：黄瓜的成本为5元/千克，估计出的K=100, beta=1.5 opt_price, opt_profit = optimize_price(K=100, beta=1.5, cost_per_unit=5) print(f"最优定价：{opt_price:.2f} 元，预期利润：{opt_profit:.2f} 元")

4.2 补货模型的动态规划实现

对于补货决策，我们将其建模为一个有限期（T天）的动态规划问题。定义状态为每日开始时的库存量（这里为简化，先忽略库龄结构，用平均损耗率近似），决策为当日的补货量。

def inventory_dp(T, demand_forecast, wholesale_price, holding_cost, spoilage_rate, max_order): """ 简化的动态规划求解补货问题 T: 规划期天数 demand_forecast: 列表，未来T天的需求预测 wholesale_price: 进货单价 holding_cost: 单位库存持有成本 spoilage_rate: 每日损耗率 max_order: 最大日补货量 """ # 假设库存上限为 M M = max(demand_forecast) * 3 # 初始化DP表，dp[t][i] 表示第t天开始时库存为i，到期末的最小总成本 dp = [[float('inf')] * (M + 1) for _ in range(T + 1)] order_policy = [[0] * (M + 1) for _ in range(T)] # 记录最优决策 # 边界条件：第T天结束时，库存残值为0（或按废弃价值计算） for i in range(M + 1): dp[T][i] = 0 # 简化处理，忽略期末库存价值 # 逆序递推 for t in range(T - 1, -1, -1): for i in range(M + 1): # i是第t天开始的库存 min_cost = float('inf') best_order = 0 demand_t = demand_forecast[t] for order in range(0, max_order + 1): # 遍历可能的补货量 available = i + order if available < demand_t: # 库存加补货仍不能满足需求，产生缺货成本（这里简化为高惩罚） cost = wholesale_price * order + holding_cost * i + 10000 * (demand_t - available) else: # 满足需求后剩余库存 leftover = available - demand_t # 剩余库存会经历损耗 leftover_after_spoil = leftover * (1 - spoilage_rate) leftover_after_spoil = int(round(leftover_after_spoil)) # 离散化 if leftover_after_spoil > M: leftover_after_spoil = M # 当天成本 = 进货成本 + 库存持有成本 cost_t = wholesale_price * order + holding_cost * i # 总成本 = 当天成本 + 未来最小成本 total_cost = cost_t + dp[t + 1][leftover_after_spoil] if total_cost < min_cost: min_cost = total_cost best_order = order dp[t][i] = min_cost order_policy[t][i] = best_order # 正向推导得到最优补货序列（假设初始库存为0） optimal_orders = [] current_inv = 0 for t in range(T): order = order_policy[t][current_inv] optimal_orders.append(order) available = current_inv + order leftover = max(0, available - demand_forecast[t]) current_inv = int(round(leftover * (1 - spoilage_rate))) return optimal_orders, dp[0][0]

5. 第四阶段：问题排查与模型调优——让结果更可靠

在编程实现和模型求解过程中，我们遇到了无数问题。以下是几个典型问题及我们的解决思路。

5.1 常见问题速查与解决

5.2 模型验证与敏感性分析

模型建好后，不能直接相信结果。我们做了以下验证：

• 历史回测：用过去一段时间的数据，将我们的模型决策（价格、补货）与商超实际决策对比，计算模拟利润。我们的模型利润提升了约15%，这给了我们信心。
• 敏感性分析：关键参数（如需求弹性β、损耗率θ）变动±10%，观察对最终总利润的影响。我们发现利润对需求弹性最为敏感，这提示我们在数据收集和弹性估计上要格外小心。
• 场景测试：设计极端场景，如批发价格突然上涨30%，或周末客流增加50%，测试模型的应对策略是否合理。

6. 论文写作与结果呈现：完成最后一公里

数学建模竞赛，论文是最终的交付物。模型再精巧，代码再高效，如果无法清晰表达，也是徒劳。

我们的论文组织框架：

1. 问题重述与分析：用自己语言提炼问题，明确目标、约束和难点。
2. 模型假设：列出关键假设（如需求函数形式、损耗模型、信息确定性等），并说明其合理性。好的假设是简化问题的关键。
3. 符号说明：用表格清晰列出所有变量、参数及其含义。
4. 模型建立：这是核心。按逻辑顺序介绍数据分析、需求模型、库存损耗模型、最终优化模型。每一部分都要有“为什么这么做”的理由阐述。
5. 模型求解：介绍求解算法（如我们的分步迭代法）、算法流程（可画流程图）、以及关键部分的实现思路。
6. 结果分析：
   • 核心结果：给出未来一周的定价与补货建议表（用清晰的表格呈现）。
   • 分析讨论：分析结果是否合理（如高价商品是否对应高损耗或高需求弹性？）。展示敏感性分析结果，说明模型的稳健性。
   • 模型评价：客观说明本模型的优点（如考虑损耗动态性、可解释性强）与缺点（如假设需求确定性、未考虑竞争），并提出改进方向。
7. 参考文献与附录：附录里可以放核心代码的片段（不宜过长）、重要的中间结果图表。

关于代码提交：我们除了在附录中提供关键算法的伪代码或代码片段，还将完整、可运行的代码整理在一个结构清晰的文件夹中，包含README.md说明运行环境和方法。代码中关键步骤都有注释，变量命名规范。这体现了工作的完整性和专业性。

回顾这次竞赛，最大的收获不是那个奖项，而是这套处理复杂问题的结构化思维：从业务理解到数据洞察，从模型抽象到算法实现，再到结果批判性验证。数学建模的本质，是使用数学工具讲一个逻辑自洽、证据充分的故事。希望这份超过五千字的复盘，能为你今年的竞赛之旅提供一些实实在在的、可操作的思路。记住，没有完美的模型，只有不断迭代、逼近现实的思考过程。祝你们在接下来的比赛中，找到属于自己的最优解。