戰(zhàn)：從礦石加工到數(shù)學(xué)建模競(jìng)賽的隨機(jī)過程分析)
1. 從“礦石加工”到“數(shù)學(xué)建?！币坏蕾愵}的實(shí)戰(zhàn)拆解又到了五一假期對(duì)于很多數(shù)學(xué)建模愛好者來說這不僅是休息的時(shí)間更是每年一度的“五一數(shù)學(xué)建模競(jìng)賽”開賽的日子。2022年的C題“礦石加工質(zhì)量控制問題”當(dāng)時(shí)在賽題發(fā)布后討論熱度就非常高。這道題沒有給出一個(gè)標(biāo)準(zhǔn)的數(shù)據(jù)集而是要求參賽者自己根據(jù)題目描述去“構(gòu)造”或“模擬”數(shù)據(jù)這直接讓很多習(xí)慣了“給數(shù)據(jù)、跑模型”的同學(xué)感到無從下手。今天我就以一個(gè)過來人的視角結(jié)合當(dāng)年帶隊(duì)的實(shí)戰(zhàn)經(jīng)驗(yàn)來深度拆解這道題。我們不僅要復(fù)盤“怎么做”更要深挖“為什么這么做”以及“在有限時(shí)間內(nèi)如何做出有區(qū)分度的亮點(diǎn)”。無論你是準(zhǔn)備參加未來的比賽還是想學(xué)習(xí)如何將實(shí)際問題轉(zhuǎn)化為數(shù)學(xué)模型這道題都是一個(gè)絕佳的案例。這道題的核心是研究一個(gè)礦石加工系統(tǒng)原料經(jīng)過破碎、篩分、再破碎的循環(huán)過程最終產(chǎn)出不同規(guī)格的產(chǎn)品。題目要求我們建立模型分析系統(tǒng)參數(shù)如破碎概率、篩分效率對(duì)最終產(chǎn)品合格率的影響并給出優(yōu)化方案。它本質(zhì)上是一個(gè)隨機(jī)過程與系統(tǒng)優(yōu)化相結(jié)合的問題非?？简?yàn)對(duì)問題本質(zhì)的抽象能力和對(duì)多種數(shù)學(xué)工具的靈活運(yùn)用。2. 問題重述與核心矛盾我們到底要解決什么拿到賽題第一步絕不是急著找公式或編代碼而是必須徹底吃透題目在問什么。2022年C題的描述看似是一個(gè)具體的工業(yè)流程但其中埋著幾個(gè)關(guān)鍵的理解陷阱和建模難點(diǎn)。2.1 流程梳理與關(guān)鍵狀態(tài)定義題目描述的流程可以簡(jiǎn)化為大塊礦石初始狀態(tài)進(jìn)入一級(jí)破碎機(jī)破碎后變成小塊所有礦石經(jīng)過一級(jí)篩分篩上物不合格的大塊返回一級(jí)破碎機(jī)再次破碎篩下物合格的小塊進(jìn)入二級(jí)破碎機(jī)二級(jí)破碎后的礦石經(jīng)過二級(jí)篩分篩上物返回二級(jí)破碎篩下物成為最終產(chǎn)品。這里第一個(gè)容易混淆的點(diǎn)是“狀態(tài)”。很多同學(xué)直接用“大塊”、“小塊”來建模但這不夠精確因?yàn)榻?jīng)過不同次數(shù)破碎的“小塊”其物理特性可能不同。更嚴(yán)謹(jǐn)?shù)淖龇ㄊ嵌x粒度狀態(tài)。我們可以將礦石的粒度離散化為幾個(gè)等級(jí)例如狀態(tài)A原始大塊、狀態(tài)B一級(jí)破碎后中塊、狀態(tài)C二級(jí)破碎后目標(biāo)小塊、狀態(tài)D過粉碎的粉末視為廢料。這樣整個(gè)流程就變成了礦石在這些狀態(tài)之間的概率轉(zhuǎn)移。2.2 題目中隱含的“隨機(jī)性”與“動(dòng)態(tài)平衡”這是本題的核心矛盾也是區(qū)分建模水平的關(guān)鍵。題目中提到“破碎概率”和“篩分效率”這意味著每一次破碎、每一次篩分都是一個(gè)隨機(jī)事件。一塊狀態(tài)A的礦石經(jīng)過一級(jí)破碎可能以概率p1變成狀態(tài)B也可能以概率(1-p1)變成更小的狀態(tài)C甚至狀態(tài)D。篩分過程同樣篩分效率η決定了有多大比例的狀態(tài)B礦石能被正確篩分到下一級(jí)。更關(guān)鍵的是系統(tǒng)存在回流篩上物返回再破碎。這意味著系統(tǒng)不是一個(gè)簡(jiǎn)單的單向流水線而是一個(gè)帶有反饋回路的動(dòng)態(tài)系統(tǒng)。我們的目標(biāo)是分析這個(gè)系統(tǒng)在長(zhǎng)期運(yùn)行后是否能達(dá)到一個(gè)穩(wěn)定的狀態(tài)即動(dòng)態(tài)平衡以及在這個(gè)穩(wěn)定狀態(tài)下最終產(chǎn)品狀態(tài)C的產(chǎn)出率是多少。這直接將問題引向了馬爾可夫鏈Markov Chain的穩(wěn)態(tài)分析。2.3 從“應(yīng)用題”到“數(shù)學(xué)問題”的轉(zhuǎn)化所以我們面臨的不是一個(gè)簡(jiǎn)單的計(jì)算題而是需要完成以下轉(zhuǎn)化物理流程 - 狀態(tài)轉(zhuǎn)移圖將破碎、篩分工序抽象為礦石在不同粒度狀態(tài)間的概率轉(zhuǎn)移路徑并畫出包含回流路徑的狀態(tài)轉(zhuǎn)移圖。工序參數(shù) - 轉(zhuǎn)移概率矩陣將破碎概率p1, p2和篩分效率η1, η2量化為狀態(tài)轉(zhuǎn)移概率矩陣P中的具體元素。系統(tǒng)優(yōu)化 - 穩(wěn)態(tài)概率求解與敏感度分析求解馬爾可夫鏈的穩(wěn)態(tài)分布π即πP π其中π向量的某個(gè)分量就代表了最終產(chǎn)品狀態(tài)C的長(zhǎng)期產(chǎn)出比例合格率。然后分析p1, p2, η1, η2這些參數(shù)如何影響π從而找到優(yōu)化方向。很多隊(duì)伍折戟在第一步因?yàn)樗麄冊(cè)噲D用微分方程描述連續(xù)變化的質(zhì)量或者用蒙特卡洛模擬硬算卻忽略了“回流”帶來的穩(wěn)態(tài)分析這個(gè)更優(yōu)雅、更數(shù)學(xué)化的核心。3. 模型構(gòu)建馬爾可夫鏈模型的建立與求解明確了核心是馬爾可夫鏈后我們來具體構(gòu)建模型。這是整篇論文的理論基石必須清晰、嚴(yán)謹(jǐn)。3.1 狀態(tài)空間與轉(zhuǎn)移概率矩陣的設(shè)定我們采用一個(gè)4狀態(tài)模型進(jìn)行說明狀態(tài)1 (S1)初始給料粒度大于一級(jí)篩網(wǎng)孔徑。狀態(tài)2 (S2)經(jīng)過一級(jí)破碎后粒度介于一級(jí)和二級(jí)篩網(wǎng)之間。狀態(tài)3 (S3)經(jīng)過二級(jí)破碎后粒度小于二級(jí)篩網(wǎng)孔徑即目標(biāo)產(chǎn)品。狀態(tài)4 (S4)過粉碎物料粒度小于目標(biāo)產(chǎn)品要求視為損失。接下來定義關(guān)鍵參數(shù)α: 一級(jí)破碎機(jī)中S1礦石破碎后進(jìn)入S2的概率即“合格破碎”概率。β: 一級(jí)破碎機(jī)中S1礦石破碎后“過粉碎”直接進(jìn)入S4的概率。顯然1-α-β是S1礦石破碎后仍停留在S1破碎不充分的概率但題目通常假設(shè)破碎后粒度總會(huì)減小所以這部分可設(shè)為0或并入β簡(jiǎn)化起見我們?cè)O(shè)αβ1。γ: 二級(jí)破碎機(jī)中S2礦石破碎后進(jìn)入S3的概率。δ: 二級(jí)破碎機(jī)中S2礦石破碎后過粉碎進(jìn)入S4的概率。同理設(shè)γδ1。η1: 一級(jí)篩分效率即S2物料通過一級(jí)篩網(wǎng)進(jìn)入二級(jí)破碎的比例。η2: 二級(jí)篩分效率即S3物料通過二級(jí)篩網(wǎng)成為最終產(chǎn)品的比例。于是我們可以構(gòu)建一步狀態(tài)轉(zhuǎn)移概率矩陣P。矩陣的行表示當(dāng)前狀態(tài)列表示下一時(shí)刻狀態(tài)。例如P_{12}表示從S1轉(zhuǎn)移到S2的概率?？紤]流程S1的轉(zhuǎn)移只能進(jìn)入一級(jí)破碎。破碎后以概率α進(jìn)入S2以概率β進(jìn)入S4。所以P_{12} α,P_{14} β,P_{11}0,P_{13}0。S2的轉(zhuǎn)移經(jīng)過一級(jí)篩分。以概率η1通過篩網(wǎng)進(jìn)入二級(jí)破碎機(jī)以概率(1-η1)未通過返回一級(jí)破碎機(jī)即變回S1等待再次破碎。進(jìn)入二級(jí)破碎機(jī)的S2破碎后以概率γ變成S3以概率δ變成S4。 因此從S2出發(fā)轉(zhuǎn)移到S1的概率(1-η1)篩上返回轉(zhuǎn)移到S3的概率η1 * γ篩下且合格破碎轉(zhuǎn)移到S4的概率η1 * δ篩下且過粉碎轉(zhuǎn)移到S2的概率0 自身無法停留S3的轉(zhuǎn)移經(jīng)過二級(jí)篩分。以概率η2成為最終產(chǎn)品我們假設(shè)產(chǎn)品被移出系統(tǒng)不再參與循環(huán)以概率(1-η2)未通過篩網(wǎng)返回二級(jí)破碎機(jī)即變回S2。 因此從S3出發(fā)轉(zhuǎn)移到S2的概率(1-η2)篩上返回轉(zhuǎn)移到“產(chǎn)品”移出系統(tǒng)的概率η2。在馬爾可夫鏈中這通常被視為一個(gè)“吸收態(tài)”或“輸出”。為了簡(jiǎn)化矩陣我們可以增設(shè)一個(gè)虛擬的“吸收態(tài)”來表示產(chǎn)品產(chǎn)出或者更簡(jiǎn)單地在計(jì)算穩(wěn)態(tài)時(shí)將S3到產(chǎn)品的轉(zhuǎn)移視為系統(tǒng)的最終輸出流。S4的轉(zhuǎn)移過粉碎物料視為廢料從系統(tǒng)中排出不再參與循環(huán)。可以認(rèn)為S4是一個(gè)“吸收態(tài)”即P_{44}1其他為0。為了簡(jiǎn)化計(jì)算和聚焦核心流程一個(gè)更實(shí)用的方法是不把S4和產(chǎn)品作為鏈內(nèi)狀態(tài)而是視為系統(tǒng)的兩個(gè)輸出出口。我們只關(guān)注S1, S2, S3這三個(gè)循環(huán)狀態(tài)之間的轉(zhuǎn)移以及它們流向兩個(gè)出口的概率。這樣我們的轉(zhuǎn)移矩陣P就是一個(gè)3x3的矩陣但需要額外計(jì)算從每個(gè)狀態(tài)“流出系統(tǒng)”的概率。3.2 穩(wěn)態(tài)方程的建立與求解設(shè)系統(tǒng)在穩(wěn)態(tài)時(shí)處于S1, S2, S3狀態(tài)的概率也可以理解為物料在系統(tǒng)中的比例分別為π1, π2, π3。它們滿足穩(wěn)態(tài)方程πP π且π1 π2 π3 1。根據(jù)上述轉(zhuǎn)移關(guān)系我們可以列出方程。例如對(duì)于S1流入它的物料來自S2中未通過一級(jí)篩分的部分流出它的物料是全部去破碎。具體方程如下π1 π2 * (1 - η1) # S1的穩(wěn)態(tài)方程 π2 π1 * α π3 * (1 - η2) # S2的穩(wěn)態(tài)方程 π3 π2 * (η1 * γ) # S3的穩(wěn)態(tài)方程 π1 π2 π3 1 # 歸一化條件這是一個(gè)線性方程組可以直接求解。最終產(chǎn)品合格產(chǎn)品的產(chǎn)出率就是離開S3并成功通過二級(jí)篩分的物料流即產(chǎn)品產(chǎn)出率 π3 * η2過粉碎廢料S4的產(chǎn)出率則來自兩條路徑從S1直接過粉碎以及從S2過粉碎。廢料產(chǎn)出率 π1 * β π2 * (η1 * δ)求解這個(gè)方程組就能得到產(chǎn)品產(chǎn)出率關(guān)于參數(shù)α, β, γ, δ, η1, η2的解析表達(dá)式。這是模型的理論核心成果。3.3 為什么選擇馬爾可夫鏈與其他方法的對(duì)比在比賽中看到有隊(duì)伍用系統(tǒng)動(dòng)力學(xué)流圖、有隊(duì)伍用蒙特卡洛模擬、也有隊(duì)伍試圖用微分方程。這里分析一下優(yōu)劣微分方程試圖描述物料質(zhì)量的連續(xù)變化。但題目中的“破碎”是一個(gè)離散的、概率性的事件用微分方程描述其變化率往往需要很強(qiáng)的、未必合理的假設(shè)如破碎速率與當(dāng)前質(zhì)量成正比模型會(huì)變得復(fù)雜且物理意義模糊。蒙特卡洛模擬非常直觀跟蹤每一塊“虛擬礦石”的命運(yùn)。這對(duì)于驗(yàn)證模型、展示過程非常有效。但是如果僅用模擬論文的理論深度會(huì)不足。模擬得到的是數(shù)值解難以進(jìn)行解析的敏感度分析。更優(yōu)的策略是“主模型用馬爾可夫鏈解析推導(dǎo)輔以蒙特卡洛模擬進(jìn)行驗(yàn)證和可視化”。這樣既體現(xiàn)了理論建模能力又展示了編程和結(jié)果呈現(xiàn)能力。系統(tǒng)動(dòng)力學(xué)適合表達(dá)反饋和積累但同樣對(duì)隨機(jī)過程的刻畫不如馬爾可夫鏈直接和精確。因此采用馬爾可夫鏈模型是切中問題隨機(jī)性、反饋性本質(zhì)的最直接、最數(shù)學(xué)化的方法容易得到清晰的解析關(guān)系為后續(xù)優(yōu)化奠定基礎(chǔ)。4. 仿真、驗(yàn)證與參數(shù)敏感度分析模型建立后不能只給出一個(gè)干巴巴的公式。我們需要讓它“活”起來通過仿真驗(yàn)證其正確性并深入分析各個(gè)參數(shù)如何影響最終結(jié)果。4.1 蒙特卡洛模擬驗(yàn)證我們可以編寫一個(gè)簡(jiǎn)單的程序來模擬這個(gè)礦石加工系統(tǒng)。思路如下初始化設(shè)定一定數(shù)量如10000塊的虛擬礦石所有礦石初始狀態(tài)為S1。模擬一個(gè)時(shí)間步長(zhǎng)或事件步長(zhǎng)遍歷每塊礦石的當(dāng)前狀態(tài)。根據(jù)狀態(tài)和相應(yīng)的概率α, β, γ, δ, η1, η2用隨機(jī)數(shù)決定其下一步去向改變狀態(tài)、成為產(chǎn)品或成為廢料。記錄每個(gè)時(shí)間步后系統(tǒng)中各狀態(tài)礦石的數(shù)量以及累計(jì)的產(chǎn)品和廢料數(shù)量。運(yùn)行足夠長(zhǎng)的時(shí)間或事件步數(shù)直到系統(tǒng)狀態(tài)波動(dòng)趨于平穩(wěn)。將模擬穩(wěn)定后得到的S1, S2, S3的比例與馬爾可夫鏈穩(wěn)態(tài)方程求解出的π1, π2, π3進(jìn)行對(duì)比。如果兩者非常接近就驗(yàn)證了我們模型和推導(dǎo)的正確性。在論文中可以放置一個(gè)對(duì)比表格或趨勢(shì)對(duì)比圖這是非常有力的佐證。# 一個(gè)簡(jiǎn)化的偽代碼示例展示模擬邏輯 import numpy as np def simulate(alpha, beta, gamma, delta, eta1, eta2, num_particles10000, steps1000): # 狀態(tài)編碼: 0:S1, 1:S2, 2:S3, 3:產(chǎn)品, 4:廢料 state np.zeros(num_particles, dtypeint) # 初始全為S1 product_count 0 waste_count 0 history [] # 記錄每一步各狀態(tài)數(shù)量 for _ in range(steps): s1_mask (state 0) s2_mask (state 1) s3_mask (state 2) # 處理S1 if s1_mask.any(): rand np.random.rand(s1_mask.sum()) # 破碎去S2或S4(廢料) to_s2 rand alpha to_waste ~to_s2 # 因?yàn)閍lphabeta1 state[s1_mask] np.where(to_s2, 1, 4) # 去S2或廢料態(tài)4 waste_count to_waste.sum() # 處理S2 (類似邏輯需考慮篩分和破碎) # ... 此處省略詳細(xì)代碼需先篩分篩上回S1篩下再破碎去S3或S4 # 處理S3 (篩分篩上回S2篩下成產(chǎn)品) # ... # 記錄當(dāng)前循環(huán)內(nèi)狀態(tài)分布僅統(tǒng)計(jì)仍在系統(tǒng)中的S1,S2,S3 sys_mask (state 2) hist np.bincount(state[sys_mask], minlength3) if sys_mask.any() else [0,0,0] history.append(hist) # 計(jì)算模擬穩(wěn)態(tài)比例 last_hist np.mean(history[-100:], axis0) # 取最后100步平均 sim_pi last_hist / last_hist.sum() return sim_pi, product_count/num_particles, waste_count/num_particles4.2 參數(shù)敏感度分析哪個(gè)環(huán)節(jié)影響最大這是論文出彩的關(guān)鍵部分。我們不能僅僅說“提高破碎概率和篩分效率能提高合格率”這種結(jié)論過于籠統(tǒng)。我們需要定量地回答在資源有限的情況下優(yōu)先改進(jìn)哪個(gè)參數(shù)對(duì)提升合格率的效果最顯著方法是利用我們求得的解析表達(dá)式產(chǎn)品產(chǎn)出率 f(α, β, γ, δ, η1, η2)。進(jìn)行敏感度分析有兩種主流方法局部敏感度分析求偏導(dǎo)計(jì)算合格率對(duì)每個(gè)參數(shù)的偏導(dǎo)數(shù)?f/?α,?f/?η1等。偏導(dǎo)數(shù)的絕對(duì)值大小代表了在該參數(shù)當(dāng)前取值附近參數(shù)微小變動(dòng)對(duì)合格率的影響程度。例如如果|?f/?η1| |?f/?α|則說明一級(jí)篩分效率η1比一級(jí)破碎合格率α更敏感改進(jìn)η1的收益更大。注意求偏導(dǎo)可能得到復(fù)雜的表達(dá)式。一個(gè)取巧且直觀的方法是在論文中固定其他參數(shù)為某個(gè)典型值如α0.8, η10.9等然后分別改變一個(gè)參數(shù)畫出合格率隨該參數(shù)變化的曲線。曲線的斜率直觀地反映了敏感度。全局敏感度分析如Sobol指數(shù)考慮到參數(shù)可能存在不確定性或在一個(gè)范圍內(nèi)變化全局敏感度分析可以評(píng)估每個(gè)參數(shù)及其交互作用對(duì)輸出結(jié)果方差的貢獻(xiàn)度。這在數(shù)學(xué)建模競(jìng)賽中是高級(jí)技巧能極大提升論文的深度。實(shí)現(xiàn)起來需要借助采樣如拉丁超立方采樣和方差計(jì)算有一定編程復(fù)雜度但一旦做出來就是絕對(duì)的亮點(diǎn)。在論文中至少要做局部敏感度分析?？梢栽O(shè)計(jì)一個(gè)表格參數(shù)基準(zhǔn)值變化范圍合格率變化幅度敏感度排名結(jié)論與建議一級(jí)篩分效率 η10.85±0.052.1% / -1.8%1最敏感。應(yīng)優(yōu)先維護(hù)或升級(jí)一級(jí)篩網(wǎng)確保其清潔和最佳工作狀態(tài)。二級(jí)破碎合格率 γ0.75±0.051.5% / -1.7%2影響顯著。優(yōu)化二級(jí)破碎機(jī)參數(shù)如轉(zhuǎn)速、間隙減少過粉碎。一級(jí)破碎合格率 α0.80±0.051.2% / -1.3%3有影響但次于前兩者?？啥ㄆ跈z查破碎機(jī)襯板磨損。二級(jí)篩分效率 η20.90±0.050.8% / -0.9%4影響相對(duì)較小。因二級(jí)篩分前物料已較細(xì)效率本身已較高。這樣的分析使得建議不再是空話而是有數(shù)據(jù)支撐的、可操作的優(yōu)先級(jí)指南。5. 優(yōu)化模型建立與求解策略題目不僅要求分析還要求優(yōu)化即如何調(diào)整參數(shù)使得合格率最高。這需要我們將問題表述為一個(gè)優(yōu)化模型。5.1 目標(biāo)函數(shù)與約束條件我們的目標(biāo)是最大化產(chǎn)品合格率f(α, β, γ, δ, η1, η2)。但參數(shù)不能任意調(diào)整它們受到現(xiàn)實(shí)約束物理約束α β 1,γ δ 1。破碎概率之和為1。技術(shù)邊界約束每個(gè)參數(shù)都有其可行的技術(shù)范圍。例如α ∈ [α_min, α_max]破碎機(jī)性能有限η1 ∈ [η1_min, η1_max]篩網(wǎng)性能有限通常η1, η2的上限可能低于1如0.95下限由設(shè)備老化決定。經(jīng)濟(jì)或成本約束進(jìn)階提高某個(gè)參數(shù)可能需要成本。例如將α從0.8提升到0.85可能需要更換更昂貴的破碎機(jī)錘頭或增加能耗。我們可以引入一個(gè)成本函數(shù)C(α, η1, ...)并在總預(yù)算B的約束下進(jìn)行優(yōu)化。這大大增加了問題的現(xiàn)實(shí)性和復(fù)雜性。5.2 優(yōu)化算法選擇與求解這是一個(gè)帶有邊界約束的非線性規(guī)劃問題。目標(biāo)函數(shù)f是多個(gè)參數(shù)的非線性函數(shù)從穩(wěn)態(tài)方程解出的表達(dá)式。如果問題較簡(jiǎn)單參數(shù)少無成本約束可以直接利用求偏導(dǎo)的方法結(jié)合KKT條件進(jìn)行分析求解?；蛘哂捎谧兞坎欢嗫紤]到αβ1可消去β實(shí)際獨(dú)立變量約4-5個(gè)可以使用枚舉法或網(wǎng)格搜索。在參數(shù)的可能取值范圍內(nèi)取離散點(diǎn)計(jì)算所有組合下的合格率找出最大值。這種方法簡(jiǎn)單粗暴在論文中易于實(shí)現(xiàn)和解釋雖然計(jì)算量稍大但對(duì)于競(jìng)賽規(guī)模的問題是完全可以接受的。如果問題復(fù)雜加入成本約束則需要使用數(shù)值優(yōu)化算法。由于目標(biāo)函數(shù)很可能不是凸函數(shù)且約束簡(jiǎn)單粒子群優(yōu)化PSO或遺傳算法GA這類啟發(fā)式算法是非常合適的選擇。它們易于編程實(shí)現(xiàn)能有效處理非線性、非凸問題并且其“優(yōu)化過程”本身可以作為論文的一個(gè)亮點(diǎn)進(jìn)行描述和展示。在論文中你需要清晰地寫出優(yōu)化模型Maximize: P_product f(α, γ, η1, η2) # 目標(biāo)函數(shù)β和δ由α,γ決定 Subject to: α_min ≤ α ≤ α_max γ_min ≤ γ ≤ γ_max η1_min ≤ η1 ≤ η1_max η2_min ≤ η2 ≤ η2_max (可選) C(α, γ, η1, η2) ≤ Budget然后說明你采用的求解方法如網(wǎng)格搜索并呈現(xiàn)優(yōu)化結(jié)果一組最優(yōu)的參數(shù)組合(α*, γ*, η1*, η2*)以及此時(shí)的最大合格率P_max。與原始參數(shù)下的合格率進(jìn)行對(duì)比展示優(yōu)化潛力。6. 論文寫作要點(diǎn)與賽中實(shí)戰(zhàn)技巧模型和求解是基礎(chǔ)如何將其組織成一篇優(yōu)秀的數(shù)學(xué)建模論文是獲勝的另一半關(guān)鍵。6.1 論文結(jié)構(gòu)規(guī)劃摘要重中之重用一段話精煉地概括針對(duì)什么問題建立了什么模型馬爾可夫鏈采用了什么方法穩(wěn)態(tài)分析、蒙特卡洛驗(yàn)證、敏感度分析、優(yōu)化模型得到了什么關(guān)鍵結(jié)論參數(shù)敏感度排序、最優(yōu)參數(shù)建議。避免細(xì)節(jié)突出邏輯鏈條和最終結(jié)論。問題重述與分析用自己的話梳理流程明確指出問題的核心是“帶有隨機(jī)反饋的流程系統(tǒng)”并點(diǎn)明建模方向狀態(tài)轉(zhuǎn)移、穩(wěn)態(tài)分析。這部分展示你對(duì)問題的理解深度。模型假設(shè)清晰合理的假設(shè)是模型的起點(diǎn)。例如“假設(shè)同一狀態(tài)礦石的破碎和篩分概率特性相同”、“忽略設(shè)備故障和維修時(shí)間”、“系統(tǒng)運(yùn)行時(shí)間足夠長(zhǎng)以達(dá)到穩(wěn)態(tài)”等。假設(shè)要服務(wù)于簡(jiǎn)化模型同時(shí)不能偏離實(shí)際太遠(yuǎn)。符號(hào)說明將α, β, γ, δ, η1, η2, π1, π2, π3等所有符號(hào)用表格列出確保全文統(tǒng)一。模型的建立與求解這是核心章節(jié)。建議分小節(jié)6.1 狀態(tài)轉(zhuǎn)移圖的繪制與說明6.2 轉(zhuǎn)移概率矩陣的建立6.3 馬爾可夫鏈穩(wěn)態(tài)方程的推導(dǎo)與解析解或求解過程6.4 蒙特卡洛模擬驗(yàn)證對(duì)比圖表模型的分析與應(yīng)用7.1 參數(shù)敏感度分析圖表、排序表7.2 優(yōu)化模型的建立與求解給出最優(yōu)解7.3 結(jié)果分析與管理建議結(jié)合敏感度和優(yōu)化結(jié)果提出具體、分優(yōu)先級(jí)的建議模型的評(píng)價(jià)與推廣客觀評(píng)價(jià)模型的優(yōu)點(diǎn)如抓住了隨機(jī)反饋本質(zhì)、解析解清晰和缺點(diǎn)如假設(shè)狀態(tài)離散化、忽略連續(xù)粒度分布。討論模型可以推廣到其他類似流程如化工生產(chǎn)、糧食加工。參考文獻(xiàn)與附錄附錄里可以放核心的模擬代碼或復(fù)雜的計(jì)算過程。6.2 實(shí)戰(zhàn)避坑指南結(jié)合當(dāng)年評(píng)審和指導(dǎo)經(jīng)驗(yàn)分享幾個(gè)容易失分和值得加分的點(diǎn)坑1數(shù)據(jù)缺失就慌了神。本題沒有數(shù)據(jù)恰恰是考察建模能力。不要花大量時(shí)間去“編造”真實(shí)數(shù)據(jù)而是用字母參數(shù)α, β, γ, δ, η1, η2進(jìn)行推導(dǎo)。在數(shù)值分析時(shí)可以合理假設(shè)一組基準(zhǔn)參數(shù)值如α0.8, η10.85并說明“為說明問題假設(shè)參數(shù)取如下典型值”。這是完全合理且專業(yè)的做法?？?模型與求解方法單一。如果全文只有蒙特卡洛模擬缺乏理論深度如果只有解析公式缺乏驗(yàn)證和生動(dòng)展示?！袄碚摻馕鰯?shù)值驗(yàn)證優(yōu)化拓展”的三段式結(jié)構(gòu)是穩(wěn)妥且出彩的選擇。坑3敏感度分析流于表面。一定要有定量的比較偏導(dǎo)數(shù)值或變化幅度并給出基于此的、有邏輯的優(yōu)先級(jí)建議。只說“提高篩分效率很重要”是遠(yuǎn)遠(yuǎn)不夠的?？?論文像實(shí)驗(yàn)報(bào)告。避免大段堆砌代碼和計(jì)算結(jié)果。多用圖表說話狀態(tài)轉(zhuǎn)移圖、穩(wěn)態(tài)比例對(duì)比圖、參數(shù)敏感度曲線圖、優(yōu)化過程收斂圖。圖表要清晰有編號(hào)和標(biāo)題并在正文中引用說明。加分項(xiàng)1考慮更多現(xiàn)實(shí)因素。在模型拓展部分可以討論如果各級(jí)破碎/篩分效率不是常數(shù)而是與當(dāng)前物料粒度分布相關(guān)即參數(shù)動(dòng)態(tài)變化模型該如何改進(jìn)這體現(xiàn)了思維的深度。加分項(xiàng)2清晰的代碼與可復(fù)現(xiàn)性。在附錄提供簡(jiǎn)潔、注釋良好的核心代碼如蒙特卡洛模擬、優(yōu)化算法。評(píng)委可能會(huì)看這代表了嚴(yán)謹(jǐn)?shù)膽B(tài)度。加分項(xiàng)3摘要寫得像“故事梗概”。用連貫的語(yǔ)言把整個(gè)工作串起來讓評(píng)委在最短時(shí)間內(nèi)看到你的完整思路和亮點(diǎn)?；仡?022年C題它成功地區(qū)分了不同層次的參賽者?；A(chǔ)隊(duì)伍可能只做了模擬中等隊(duì)伍建立了馬爾可夫鏈模型而優(yōu)秀的隊(duì)伍則在此基礎(chǔ)上完成了深入的敏感度分析和有說服力的優(yōu)化建模。這道題啟示我們面對(duì)一個(gè)沒有現(xiàn)成數(shù)據(jù)的“裸題”關(guān)鍵在于抽象與轉(zhuǎn)化——將具體的工業(yè)流程轉(zhuǎn)化為一個(gè)具有普遍意義的數(shù)學(xué)問題隨機(jī)過程與系統(tǒng)優(yōu)化然后運(yùn)用堅(jiān)實(shí)的數(shù)學(xué)工具去解決它。這個(gè)過程正是數(shù)學(xué)建模的核心魅力所在。 馬爾可夫鏈建模實(shí)戰(zhàn)：從礦石加工到數(shù)學(xué)建模競(jìng)賽的隨機(jī)過程分析
1. 從“礦石加工”到“數(shù)學(xué)建?！币坏蕾愵}的實(shí)戰(zhàn)拆解又到了五一假期對(duì)于很多數(shù)學(xué)建模愛好者來說這不僅是休息的時(shí)間更是每年一度的“五一數(shù)學(xué)建模競(jìng)賽”開賽的日子。2022年的C題“礦石加工質(zhì)量控制問題”當(dāng)時(shí)在賽題發(fā)布后討論熱度就非常高。這道題沒有給出一個(gè)標(biāo)準(zhǔn)的數(shù)據(jù)集而是要求參賽者自己根據(jù)題目描述去“構(gòu)造”或“模擬”數(shù)據(jù)這直接讓很多習(xí)慣了“給數(shù)據(jù)、跑模型”的同學(xué)感到無從下手。今天我就以一個(gè)過來人的視角結(jié)合當(dāng)年帶隊(duì)的實(shí)戰(zhàn)經(jīng)驗(yàn)來深度拆解這道題。我們不僅要復(fù)盤“怎么做”更要深挖“為什么這么做”以及“在有限時(shí)間內(nèi)如何做出有區(qū)分度的亮點(diǎn)”。無論你是準(zhǔn)備參加未來的比賽還是想學(xué)習(xí)如何將實(shí)際問題轉(zhuǎn)化為數(shù)學(xué)模型這道題都是一個(gè)絕佳的案例。這道題的核心是研究一個(gè)礦石加工系統(tǒng)原料經(jīng)過破碎、篩分、再破碎的循環(huán)過程最終產(chǎn)出不同規(guī)格的產(chǎn)品。題目要求我們建立模型分析系統(tǒng)參數(shù)如破碎概率、篩分效率對(duì)最終產(chǎn)品合格率的影響并給出優(yōu)化方案。它本質(zhì)上是一個(gè)隨機(jī)過程與系統(tǒng)優(yōu)化相結(jié)合的問題非?？简?yàn)對(duì)問題本質(zhì)的抽象能力和對(duì)多種數(shù)學(xué)工具的靈活運(yùn)用。2. 問題重述與核心矛盾我們到底要解決什么拿到賽題第一步絕不是急著找公式或編代碼而是必須徹底吃透題目在問什么。2022年C題的描述看似是一個(gè)具體的工業(yè)流程但其中埋著幾個(gè)關(guān)鍵的理解陷阱和建模難點(diǎn)。2.1 流程梳理與關(guān)鍵狀態(tài)定義題目描述的流程可以簡(jiǎn)化為大塊礦石初始狀態(tài)進(jìn)入一級(jí)破碎機(jī)破碎后變成小塊所有礦石經(jīng)過一級(jí)篩分篩上物不合格的大塊返回一級(jí)破碎機(jī)再次破碎篩下物合格的小塊進(jìn)入二級(jí)破碎機(jī)二級(jí)破碎后的礦石經(jīng)過二級(jí)篩分篩上物返回二級(jí)破碎篩下物成為最終產(chǎn)品。這里第一個(gè)容易混淆的點(diǎn)是“狀態(tài)”。很多同學(xué)直接用“大塊”、“小塊”來建模但這不夠精確因?yàn)榻?jīng)過不同次數(shù)破碎的“小塊”其物理特性可能不同。更嚴(yán)謹(jǐn)?shù)淖龇ㄊ嵌x粒度狀態(tài)。我們可以將礦石的粒度離散化為幾個(gè)等級(jí)例如狀態(tài)A原始大塊、狀態(tài)B一級(jí)破碎后中塊、狀態(tài)C二級(jí)破碎后目標(biāo)小塊、狀態(tài)D過粉碎的粉末視為廢料。這樣整個(gè)流程就變成了礦石在這些狀態(tài)之間的概率轉(zhuǎn)移。2.2 題目中隱含的“隨機(jī)性”與“動(dòng)態(tài)平衡”這是本題的核心矛盾也是區(qū)分建模水平的關(guān)鍵。題目中提到“破碎概率”和“篩分效率”這意味著每一次破碎、每一次篩分都是一個(gè)隨機(jī)事件。一塊狀態(tài)A的礦石經(jīng)過一級(jí)破碎可能以概率p1變成狀態(tài)B也可能以概率(1-p1)變成更小的狀態(tài)C甚至狀態(tài)D。篩分過程同樣篩分效率η決定了有多大比例的狀態(tài)B礦石能被正確篩分到下一級(jí)。更關(guān)鍵的是系統(tǒng)存在回流篩上物返回再破碎。這意味著系統(tǒng)不是一個(gè)簡(jiǎn)單的單向流水線而是一個(gè)帶有反饋回路的動(dòng)態(tài)系統(tǒng)。我們的目標(biāo)是分析這個(gè)系統(tǒng)在長(zhǎng)期運(yùn)行后是否能達(dá)到一個(gè)穩(wěn)定的狀態(tài)即動(dòng)態(tài)平衡以及在這個(gè)穩(wěn)定狀態(tài)下最終產(chǎn)品狀態(tài)C的產(chǎn)出率是多少。這直接將問題引向了馬爾可夫鏈Markov Chain的穩(wěn)態(tài)分析。2.3 從“應(yīng)用題”到“數(shù)學(xué)問題”的轉(zhuǎn)化所以我們面臨的不是一個(gè)簡(jiǎn)單的計(jì)算題而是需要完成以下轉(zhuǎn)化物理流程 - 狀態(tài)轉(zhuǎn)移圖將破碎、篩分工序抽象為礦石在不同粒度狀態(tài)間的概率轉(zhuǎn)移路徑并畫出包含回流路徑的狀態(tài)轉(zhuǎn)移圖。工序參數(shù) - 轉(zhuǎn)移概率矩陣將破碎概率p1, p2和篩分效率η1, η2量化為狀態(tài)轉(zhuǎn)移概率矩陣P中的具體元素。系統(tǒng)優(yōu)化 - 穩(wěn)態(tài)概率求解與敏感度分析求解馬爾可夫鏈的穩(wěn)態(tài)分布π即πP π其中π向量的某個(gè)分量就代表了最終產(chǎn)品狀態(tài)C的長(zhǎng)期產(chǎn)出比例合格率。然后分析p1, p2, η1, η2這些參數(shù)如何影響π從而找到優(yōu)化方向。很多隊(duì)伍折戟在第一步因?yàn)樗麄冊(cè)噲D用微分方程描述連續(xù)變化的質(zhì)量或者用蒙特卡洛模擬硬算卻忽略了“回流”帶來的穩(wěn)態(tài)分析這個(gè)更優(yōu)雅、更數(shù)學(xué)化的核心。3. 模型構(gòu)建馬爾可夫鏈模型的建立與求解明確了核心是馬爾可夫鏈后我們來具體構(gòu)建模型。這是整篇論文的理論基石必須清晰、嚴(yán)謹(jǐn)。3.1 狀態(tài)空間與轉(zhuǎn)移概率矩陣的設(shè)定我們采用一個(gè)4狀態(tài)模型進(jìn)行說明狀態(tài)1 (S1)初始給料粒度大于一級(jí)篩網(wǎng)孔徑。狀態(tài)2 (S2)經(jīng)過一級(jí)破碎后粒度介于一級(jí)和二級(jí)篩網(wǎng)之間。狀態(tài)3 (S3)經(jīng)過二級(jí)破碎后粒度小于二級(jí)篩網(wǎng)孔徑即目標(biāo)產(chǎn)品。狀態(tài)4 (S4)過粉碎物料粒度小于目標(biāo)產(chǎn)品要求視為損失。接下來定義關(guān)鍵參數(shù)α: 一級(jí)破碎機(jī)中S1礦石破碎后進(jìn)入S2的概率即“合格破碎”概率。β: 一級(jí)破碎機(jī)中S1礦石破碎后“過粉碎”直接進(jìn)入S4的概率。顯然1-α-β是S1礦石破碎后仍停留在S1破碎不充分的概率但題目通常假設(shè)破碎后粒度總會(huì)減小所以這部分可設(shè)為0或并入β簡(jiǎn)化起見我們?cè)O(shè)αβ1。γ: 二級(jí)破碎機(jī)中S2礦石破碎后進(jìn)入S3的概率。δ: 二級(jí)破碎機(jī)中S2礦石破碎后過粉碎進(jìn)入S4的概率。同理設(shè)γδ1。η1: 一級(jí)篩分效率即S2物料通過一級(jí)篩網(wǎng)進(jìn)入二級(jí)破碎的比例。η2: 二級(jí)篩分效率即S3物料通過二級(jí)篩網(wǎng)成為最終產(chǎn)品的比例。于是我們可以構(gòu)建一步狀態(tài)轉(zhuǎn)移概率矩陣P。矩陣的行表示當(dāng)前狀態(tài)列表示下一時(shí)刻狀態(tài)。例如P_{12}表示從S1轉(zhuǎn)移到S2的概率?？紤]流程S1的轉(zhuǎn)移只能進(jìn)入一級(jí)破碎。破碎后以概率α進(jìn)入S2以概率β進(jìn)入S4。所以P_{12} α,P_{14} β,P_{11}0,P_{13}0。S2的轉(zhuǎn)移經(jīng)過一級(jí)篩分。以概率η1通過篩網(wǎng)進(jìn)入二級(jí)破碎機(jī)以概率(1-η1)未通過返回一級(jí)破碎機(jī)即變回S1等待再次破碎。進(jìn)入二級(jí)破碎機(jī)的S2破碎后以概率γ變成S3以概率δ變成S4。 因此從S2出發(fā)轉(zhuǎn)移到S1的概率(1-η1)篩上返回轉(zhuǎn)移到S3的概率η1 * γ篩下且合格破碎轉(zhuǎn)移到S4的概率η1 * δ篩下且過粉碎轉(zhuǎn)移到S2的概率0 自身無法停留S3的轉(zhuǎn)移經(jīng)過二級(jí)篩分。以概率η2成為最終產(chǎn)品我們假設(shè)產(chǎn)品被移出系統(tǒng)不再參與循環(huán)以概率(1-η2)未通過篩網(wǎng)返回二級(jí)破碎機(jī)即變回S2。 因此從S3出發(fā)轉(zhuǎn)移到S2的概率(1-η2)篩上返回轉(zhuǎn)移到“產(chǎn)品”移出系統(tǒng)的概率η2。在馬爾可夫鏈中這通常被視為一個(gè)“吸收態(tài)”或“輸出”。為了簡(jiǎn)化矩陣我們可以增設(shè)一個(gè)虛擬的“吸收態(tài)”來表示產(chǎn)品產(chǎn)出或者更簡(jiǎn)單地在計(jì)算穩(wěn)態(tài)時(shí)將S3到產(chǎn)品的轉(zhuǎn)移視為系統(tǒng)的最終輸出流。S4的轉(zhuǎn)移過粉碎物料視為廢料從系統(tǒng)中排出不再參與循環(huán)。可以認(rèn)為S4是一個(gè)“吸收態(tài)”即P_{44}1其他為0。為了簡(jiǎn)化計(jì)算和聚焦核心流程一個(gè)更實(shí)用的方法是不把S4和產(chǎn)品作為鏈內(nèi)狀態(tài)而是視為系統(tǒng)的兩個(gè)輸出出口。我們只關(guān)注S1, S2, S3這三個(gè)循環(huán)狀態(tài)之間的轉(zhuǎn)移以及它們流向兩個(gè)出口的概率。這樣我們的轉(zhuǎn)移矩陣P就是一個(gè)3x3的矩陣但需要額外計(jì)算從每個(gè)狀態(tài)“流出系統(tǒng)”的概率。3.2 穩(wěn)態(tài)方程的建立與求解設(shè)系統(tǒng)在穩(wěn)態(tài)時(shí)處于S1, S2, S3狀態(tài)的概率也可以理解為物料在系統(tǒng)中的比例分別為π1, π2, π3。它們滿足穩(wěn)態(tài)方程πP π且π1 π2 π3 1。根據(jù)上述轉(zhuǎn)移關(guān)系我們可以列出方程。例如對(duì)于S1流入它的物料來自S2中未通過一級(jí)篩分的部分流出它的物料是全部去破碎。具體方程如下π1 π2 * (1 - η1) # S1的穩(wěn)態(tài)方程 π2 π1 * α π3 * (1 - η2) # S2的穩(wěn)態(tài)方程 π3 π2 * (η1 * γ) # S3的穩(wěn)態(tài)方程 π1 π2 π3 1 # 歸一化條件這是一個(gè)線性方程組可以直接求解。最終產(chǎn)品合格產(chǎn)品的產(chǎn)出率就是離開S3并成功通過二級(jí)篩分的物料流即產(chǎn)品產(chǎn)出率 π3 * η2過粉碎廢料S4的產(chǎn)出率則來自兩條路徑從S1直接過粉碎以及從S2過粉碎。廢料產(chǎn)出率 π1 * β π2 * (η1 * δ)求解這個(gè)方程組就能得到產(chǎn)品產(chǎn)出率關(guān)于參數(shù)α, β, γ, δ, η1, η2的解析表達(dá)式。這是模型的理論核心成果。3.3 為什么選擇馬爾可夫鏈與其他方法的對(duì)比在比賽中看到有隊(duì)伍用系統(tǒng)動(dòng)力學(xué)流圖、有隊(duì)伍用蒙特卡洛模擬、也有隊(duì)伍試圖用微分方程。這里分析一下優(yōu)劣微分方程試圖描述物料質(zhì)量的連續(xù)變化。但題目中的“破碎”是一個(gè)離散的、概率性的事件用微分方程描述其變化率往往需要很強(qiáng)的、未必合理的假設(shè)如破碎速率與當(dāng)前質(zhì)量成正比模型會(huì)變得復(fù)雜且物理意義模糊。蒙特卡洛模擬非常直觀跟蹤每一塊“虛擬礦石”的命運(yùn)。這對(duì)于驗(yàn)證模型、展示過程非常有效。但是如果僅用模擬論文的理論深度會(huì)不足。模擬得到的是數(shù)值解難以進(jìn)行解析的敏感度分析。更優(yōu)的策略是“主模型用馬爾可夫鏈解析推導(dǎo)輔以蒙特卡洛模擬進(jìn)行驗(yàn)證和可視化”。這樣既體現(xiàn)了理論建模能力又展示了編程和結(jié)果呈現(xiàn)能力。系統(tǒng)動(dòng)力學(xué)適合表達(dá)反饋和積累但同樣對(duì)隨機(jī)過程的刻畫不如馬爾可夫鏈直接和精確。因此采用馬爾可夫鏈模型是切中問題隨機(jī)性、反饋性本質(zhì)的最直接、最數(shù)學(xué)化的方法容易得到清晰的解析關(guān)系為后續(xù)優(yōu)化奠定基礎(chǔ)。4. 仿真、驗(yàn)證與參數(shù)敏感度分析模型建立后不能只給出一個(gè)干巴巴的公式。我們需要讓它“活”起來通過仿真驗(yàn)證其正確性并深入分析各個(gè)參數(shù)如何影響最終結(jié)果。4.1 蒙特卡洛模擬驗(yàn)證我們可以編寫一個(gè)簡(jiǎn)單的程序來模擬這個(gè)礦石加工系統(tǒng)。思路如下初始化設(shè)定一定數(shù)量如10000塊的虛擬礦石所有礦石初始狀態(tài)為S1。模擬一個(gè)時(shí)間步長(zhǎng)或事件步長(zhǎng)遍歷每塊礦石的當(dāng)前狀態(tài)。根據(jù)狀態(tài)和相應(yīng)的概率α, β, γ, δ, η1, η2用隨機(jī)數(shù)決定其下一步去向改變狀態(tài)、成為產(chǎn)品或成為廢料。記錄每個(gè)時(shí)間步后系統(tǒng)中各狀態(tài)礦石的數(shù)量以及累計(jì)的產(chǎn)品和廢料數(shù)量。運(yùn)行足夠長(zhǎng)的時(shí)間或事件步數(shù)直到系統(tǒng)狀態(tài)波動(dòng)趨于平穩(wěn)。將模擬穩(wěn)定后得到的S1, S2, S3的比例與馬爾可夫鏈穩(wěn)態(tài)方程求解出的π1, π2, π3進(jìn)行對(duì)比。如果兩者非常接近就驗(yàn)證了我們模型和推導(dǎo)的正確性。在論文中可以放置一個(gè)對(duì)比表格或趨勢(shì)對(duì)比圖這是非常有力的佐證。# 一個(gè)簡(jiǎn)化的偽代碼示例展示模擬邏輯 import numpy as np def simulate(alpha, beta, gamma, delta, eta1, eta2, num_particles10000, steps1000): # 狀態(tài)編碼: 0:S1, 1:S2, 2:S3, 3:產(chǎn)品, 4:廢料 state np.zeros(num_particles, dtypeint) # 初始全為S1 product_count 0 waste_count 0 history [] # 記錄每一步各狀態(tài)數(shù)量 for _ in range(steps): s1_mask (state 0) s2_mask (state 1) s3_mask (state 2) # 處理S1 if s1_mask.any(): rand np.random.rand(s1_mask.sum()) # 破碎去S2或S4(廢料) to_s2 rand alpha to_waste ~to_s2 # 因?yàn)閍lphabeta1 state[s1_mask] np.where(to_s2, 1, 4) # 去S2或廢料態(tài)4 waste_count to_waste.sum() # 處理S2 (類似邏輯需考慮篩分和破碎) # ... 此處省略詳細(xì)代碼需先篩分篩上回S1篩下再破碎去S3或S4 # 處理S3 (篩分篩上回S2篩下成產(chǎn)品) # ... # 記錄當(dāng)前循環(huán)內(nèi)狀態(tài)分布僅統(tǒng)計(jì)仍在系統(tǒng)中的S1,S2,S3 sys_mask (state 2) hist np.bincount(state[sys_mask], minlength3) if sys_mask.any() else [0,0,0] history.append(hist) # 計(jì)算模擬穩(wěn)態(tài)比例 last_hist np.mean(history[-100:], axis0) # 取最后100步平均 sim_pi last_hist / last_hist.sum() return sim_pi, product_count/num_particles, waste_count/num_particles4.2 參數(shù)敏感度分析哪個(gè)環(huán)節(jié)影響最大這是論文出彩的關(guān)鍵部分。我們不能僅僅說“提高破碎概率和篩分效率能提高合格率”這種結(jié)論過于籠統(tǒng)。我們需要定量地回答在資源有限的情況下優(yōu)先改進(jìn)哪個(gè)參數(shù)對(duì)提升合格率的效果最顯著方法是利用我們求得的解析表達(dá)式產(chǎn)品產(chǎn)出率 f(α, β, γ, δ, η1, η2)。進(jìn)行敏感度分析有兩種主流方法局部敏感度分析求偏導(dǎo)計(jì)算合格率對(duì)每個(gè)參數(shù)的偏導(dǎo)數(shù)?f/?α,?f/?η1等。偏導(dǎo)數(shù)的絕對(duì)值大小代表了在該參數(shù)當(dāng)前取值附近參數(shù)微小變動(dòng)對(duì)合格率的影響程度。例如如果|?f/?η1| |?f/?α|則說明一級(jí)篩分效率η1比一級(jí)破碎合格率α更敏感改進(jìn)η1的收益更大。注意求偏導(dǎo)可能得到復(fù)雜的表達(dá)式。一個(gè)取巧且直觀的方法是在論文中固定其他參數(shù)為某個(gè)典型值如α0.8, η10.9等然后分別改變一個(gè)參數(shù)畫出合格率隨該參數(shù)變化的曲線。曲線的斜率直觀地反映了敏感度。全局敏感度分析如Sobol指數(shù)考慮到參數(shù)可能存在不確定性或在一個(gè)范圍內(nèi)變化全局敏感度分析可以評(píng)估每個(gè)參數(shù)及其交互作用對(duì)輸出結(jié)果方差的貢獻(xiàn)度。這在數(shù)學(xué)建模競(jìng)賽中是高級(jí)技巧能極大提升論文的深度。實(shí)現(xiàn)起來需要借助采樣如拉丁超立方采樣和方差計(jì)算有一定編程復(fù)雜度但一旦做出來就是絕對(duì)的亮點(diǎn)。在論文中至少要做局部敏感度分析?？梢栽O(shè)計(jì)一個(gè)表格參數(shù)基準(zhǔn)值變化范圍合格率變化幅度敏感度排名結(jié)論與建議一級(jí)篩分效率 η10.85±0.052.1% / -1.8%1最敏感。應(yīng)優(yōu)先維護(hù)或升級(jí)一級(jí)篩網(wǎng)確保其清潔和最佳工作狀態(tài)。二級(jí)破碎合格率 γ0.75±0.051.5% / -1.7%2影響顯著。優(yōu)化二級(jí)破碎機(jī)參數(shù)如轉(zhuǎn)速、間隙減少過粉碎。一級(jí)破碎合格率 α0.80±0.051.2% / -1.3%3有影響但次于前兩者?？啥ㄆ跈z查破碎機(jī)襯板磨損。二級(jí)篩分效率 η20.90±0.050.8% / -0.9%4影響相對(duì)較小。因二級(jí)篩分前物料已較細(xì)效率本身已較高。這樣的分析使得建議不再是空話而是有數(shù)據(jù)支撐的、可操作的優(yōu)先級(jí)指南。5. 優(yōu)化模型建立與求解策略題目不僅要求分析還要求優(yōu)化即如何調(diào)整參數(shù)使得合格率最高。這需要我們將問題表述為一個(gè)優(yōu)化模型。5.1 目標(biāo)函數(shù)與約束條件我們的目標(biāo)是最大化產(chǎn)品合格率f(α, β, γ, δ, η1, η2)。但參數(shù)不能任意調(diào)整它們受到現(xiàn)實(shí)約束物理約束α β 1,γ δ 1。破碎概率之和為1。技術(shù)邊界約束每個(gè)參數(shù)都有其可行的技術(shù)范圍。例如α ∈ [α_min, α_max]破碎機(jī)性能有限η1 ∈ [η1_min, η1_max]篩網(wǎng)性能有限通常η1, η2的上限可能低于1如0.95下限由設(shè)備老化決定。經(jīng)濟(jì)或成本約束進(jìn)階提高某個(gè)參數(shù)可能需要成本。例如將α從0.8提升到0.85可能需要更換更昂貴的破碎機(jī)錘頭或增加能耗。我們可以引入一個(gè)成本函數(shù)C(α, η1, ...)并在總預(yù)算B的約束下進(jìn)行優(yōu)化。這大大增加了問題的現(xiàn)實(shí)性和復(fù)雜性。5.2 優(yōu)化算法選擇與求解這是一個(gè)帶有邊界約束的非線性規(guī)劃問題。目標(biāo)函數(shù)f是多個(gè)參數(shù)的非線性函數(shù)從穩(wěn)態(tài)方程解出的表達(dá)式。如果問題較簡(jiǎn)單參數(shù)少無成本約束可以直接利用求偏導(dǎo)的方法結(jié)合KKT條件進(jìn)行分析求解?；蛘哂捎谧兞坎欢嗫紤]到αβ1可消去β實(shí)際獨(dú)立變量約4-5個(gè)可以使用枚舉法或網(wǎng)格搜索。在參數(shù)的可能取值范圍內(nèi)取離散點(diǎn)計(jì)算所有組合下的合格率找出最大值。這種方法簡(jiǎn)單粗暴在論文中易于實(shí)現(xiàn)和解釋雖然計(jì)算量稍大但對(duì)于競(jìng)賽規(guī)模的問題是完全可以接受的。如果問題復(fù)雜加入成本約束則需要使用數(shù)值優(yōu)化算法。由于目標(biāo)函數(shù)很可能不是凸函數(shù)且約束簡(jiǎn)單粒子群優(yōu)化PSO或遺傳算法GA這類啟發(fā)式算法是非常合適的選擇。它們易于編程實(shí)現(xiàn)能有效處理非線性、非凸問題并且其“優(yōu)化過程”本身可以作為論文的一個(gè)亮點(diǎn)進(jìn)行描述和展示。在論文中你需要清晰地寫出優(yōu)化模型Maximize: P_product f(α, γ, η1, η2) # 目標(biāo)函數(shù)β和δ由α,γ決定 Subject to: α_min ≤ α ≤ α_max γ_min ≤ γ ≤ γ_max η1_min ≤ η1 ≤ η1_max η2_min ≤ η2 ≤ η2_max (可選) C(α, γ, η1, η2) ≤ Budget然后說明你采用的求解方法如網(wǎng)格搜索并呈現(xiàn)優(yōu)化結(jié)果一組最優(yōu)的參數(shù)組合(α*, γ*, η1*, η2*)以及此時(shí)的最大合格率P_max。與原始參數(shù)下的合格率進(jìn)行對(duì)比展示優(yōu)化潛力。6. 論文寫作要點(diǎn)與賽中實(shí)戰(zhàn)技巧模型和求解是基礎(chǔ)如何將其組織成一篇優(yōu)秀的數(shù)學(xué)建模論文是獲勝的另一半關(guān)鍵。6.1 論文結(jié)構(gòu)規(guī)劃摘要重中之重用一段話精煉地概括針對(duì)什么問題建立了什么模型馬爾可夫鏈采用了什么方法穩(wěn)態(tài)分析、蒙特卡洛驗(yàn)證、敏感度分析、優(yōu)化模型得到了什么關(guān)鍵結(jié)論參數(shù)敏感度排序、最優(yōu)參數(shù)建議。避免細(xì)節(jié)突出邏輯鏈條和最終結(jié)論。問題重述與分析用自己的話梳理流程明確指出問題的核心是“帶有隨機(jī)反饋的流程系統(tǒng)”并點(diǎn)明建模方向狀態(tài)轉(zhuǎn)移、穩(wěn)態(tài)分析。這部分展示你對(duì)問題的理解深度。模型假設(shè)清晰合理的假設(shè)是模型的起點(diǎn)。例如“假設(shè)同一狀態(tài)礦石的破碎和篩分概率特性相同”、“忽略設(shè)備故障和維修時(shí)間”、“系統(tǒng)運(yùn)行時(shí)間足夠長(zhǎng)以達(dá)到穩(wěn)態(tài)”等。假設(shè)要服務(wù)于簡(jiǎn)化模型同時(shí)不能偏離實(shí)際太遠(yuǎn)。符號(hào)說明將α, β, γ, δ, η1, η2, π1, π2, π3等所有符號(hào)用表格列出確保全文統(tǒng)一。模型的建立與求解這是核心章節(jié)。建議分小節(jié)6.1 狀態(tài)轉(zhuǎn)移圖的繪制與說明6.2 轉(zhuǎn)移概率矩陣的建立6.3 馬爾可夫鏈穩(wěn)態(tài)方程的推導(dǎo)與解析解或求解過程6.4 蒙特卡洛模擬驗(yàn)證對(duì)比圖表模型的分析與應(yīng)用7.1 參數(shù)敏感度分析圖表、排序表7.2 優(yōu)化模型的建立與求解給出最優(yōu)解7.3 結(jié)果分析與管理建議結(jié)合敏感度和優(yōu)化結(jié)果提出具體、分優(yōu)先級(jí)的建議模型的評(píng)價(jià)與推廣客觀評(píng)價(jià)模型的優(yōu)點(diǎn)如抓住了隨機(jī)反饋本質(zhì)、解析解清晰和缺點(diǎn)如假設(shè)狀態(tài)離散化、忽略連續(xù)粒度分布。討論模型可以推廣到其他類似流程如化工生產(chǎn)、糧食加工。參考文獻(xiàn)與附錄附錄里可以放核心的模擬代碼或復(fù)雜的計(jì)算過程。6.2 實(shí)戰(zhàn)避坑指南結(jié)合當(dāng)年評(píng)審和指導(dǎo)經(jīng)驗(yàn)分享幾個(gè)容易失分和值得加分的點(diǎn)坑1數(shù)據(jù)缺失就慌了神。本題沒有數(shù)據(jù)恰恰是考察建模能力。不要花大量時(shí)間去“編造”真實(shí)數(shù)據(jù)而是用字母參數(shù)α, β, γ, δ, η1, η2進(jìn)行推導(dǎo)。在數(shù)值分析時(shí)可以合理假設(shè)一組基準(zhǔn)參數(shù)值如α0.8, η10.85并說明“為說明問題假設(shè)參數(shù)取如下典型值”。這是完全合理且專業(yè)的做法?？?模型與求解方法單一。如果全文只有蒙特卡洛模擬缺乏理論深度如果只有解析公式缺乏驗(yàn)證和生動(dòng)展示?！袄碚摻馕鰯?shù)值驗(yàn)證優(yōu)化拓展”的三段式結(jié)構(gòu)是穩(wěn)妥且出彩的選擇。坑3敏感度分析流于表面。一定要有定量的比較偏導(dǎo)數(shù)值或變化幅度并給出基于此的、有邏輯的優(yōu)先級(jí)建議。只說“提高篩分效率很重要”是遠(yuǎn)遠(yuǎn)不夠的?？?論文像實(shí)驗(yàn)報(bào)告。避免大段堆砌代碼和計(jì)算結(jié)果。多用圖表說話狀態(tài)轉(zhuǎn)移圖、穩(wěn)態(tài)比例對(duì)比圖、參數(shù)敏感度曲線圖、優(yōu)化過程收斂圖。圖表要清晰有編號(hào)和標(biāo)題并在正文中引用說明。加分項(xiàng)1考慮更多現(xiàn)實(shí)因素。在模型拓展部分可以討論如果各級(jí)破碎/篩分效率不是常數(shù)而是與當(dāng)前物料粒度分布相關(guān)即參數(shù)動(dòng)態(tài)變化模型該如何改進(jìn)這體現(xiàn)了思維的深度。加分項(xiàng)2清晰的代碼與可復(fù)現(xiàn)性。在附錄提供簡(jiǎn)潔、注釋良好的核心代碼如蒙特卡洛模擬、優(yōu)化算法。評(píng)委可能會(huì)看這代表了嚴(yán)謹(jǐn)?shù)膽B(tài)度。加分項(xiàng)3摘要寫得像“故事梗概”。用連貫的語(yǔ)言把整個(gè)工作串起來讓評(píng)委在最短時(shí)間內(nèi)看到你的完整思路和亮點(diǎn)?；仡?022年C題它成功地區(qū)分了不同層次的參賽者?；A(chǔ)隊(duì)伍可能只做了模擬中等隊(duì)伍建立了馬爾可夫鏈模型而優(yōu)秀的隊(duì)伍則在此基礎(chǔ)上完成了深入的敏感度分析和有說服力的優(yōu)化建模。這道題啟示我們面對(duì)一個(gè)沒有現(xiàn)成數(shù)據(jù)的“裸題”關(guān)鍵在于抽象與轉(zhuǎn)化——將具體的工業(yè)流程轉(zhuǎn)化為一個(gè)具有普遍意義的數(shù)學(xué)問題隨機(jī)過程與系統(tǒng)優(yōu)化然后運(yùn)用堅(jiān)實(shí)的數(shù)學(xué)工具去解決它。這個(gè)過程正是數(shù)學(xué)建模的核心魅力所在。