1. 从“七鳃鳗”到“性别比例”一次审题的深度复盘每年美赛开题的那个凌晨对于所有参赛者来说都是一场信息与意志的较量。2024年MCM的A题当“七鳃鳗”这个略显生僻的生物名词出现在屏幕上时我相信很多队伍的第一反应和我当时一样有点懵然后是快速检索。但题目真正的核心从来不是那个具体的物种而是它背后所承载的抽象问题模型。A题的核心是资源可用性与性别比例的动态关系。这听起来像是一个生态学或人口学的课题但美赛的魅力就在于它要求你用数学的、建模的、计算的语言去重新诠释它并给出具有预测性和指导性的结论。我参与过多次美赛也带过不少队伍深知审题与选题这第一步往往决定了后续四天是行云流水还是举步维艰。A题看似给出了一个具体的生物案例七鳃鳗但其本质是一个资源约束下的种群动力学与性别决策模型问题。你需要关注的不是七鳃鳗的生理细节虽然了解一些背景有帮助而是题目中给出的几个关键假设环境资源如何影响生长率、死亡率以及最核心的——性别比例如何根据资源状况动态变化。这直接指向了建模中两个最经典的领域微分方程描述种群动态和优化理论在资源约束下寻求最优性别分配策略。如果你被“七鳃鳗”这个名词吓到或者花大量时间去研究它的生活史而忽略了题目抽象出的数学框架那可能就走偏了。所以这篇复盘的第一部分我想彻底抛开赛后那些“标准答案”的干扰回到我们拿到赛题那一刻的真实心路历程。我们会一起拆解题目每一个段落背后的数学信号分析“资源可用性”这个变量可以如何被量化与建模并探讨“性别比例”作为一个决策变量或状态变量在模型中可能扮演的角色。更重要的是我会分享我们团队当时在几个潜在建模路径之间的权衡与最终选择的原因这些思考过程远比一个最终的模型公式更有价值。2. 题目精读隐藏在生物学术语下的数学骨架美赛的题目描述通常精炼而信息密集A题也不例外。我们不要被开头的生物学背景带跑而是要用建模者的眼光像解构一台机器一样把题目的零件一个个拆出来。原题大致可以分解为以下几个核心模块我用自己的理解重新组织一下2.1 核心实体与变量首先识别出模型中的“演员”。最显然的是种群数量通常需要按性别区分即雌性数量(F)和雄性数量(M)。总种群数 N F M。性别比例可以表示为雌性占比 φ F / N或者直接用比值 F:M。其次是核心驱动变量资源可用性。题目中用的词是“resource availability”。这是一个非常关键且需要你自行定义的量。它可以是食物丰度、栖息地面积、水质指标如溶解氧等在模型中我们通常将它抽象为一个标量 R(t)表示在时间 t 时刻的资源水平。资源不是无限的它可能有一个自然承载容量 K。2.2 动态过程与机制这是建模的精华部分题目用文字描述了需要你用数学方程刻画的机制种群增长个体的出生、成长、死亡。这通常涉及出生率、死亡率。关键点在于这些率很可能与资源 R 相关。例如资源充足时出生率提高死亡率降低资源匮乏时则相反。这提示我们需要建立R - 出生率/死亡率的函数关系比如使用某种饱和函数如逻辑斯蒂增长中的项。性别决定机制这是A题区别于一般种群模型的核心。题目暗示性别比例不是固定的也不是简单的1:1遗传而是受到资源状况影响的。这是一个“性别可塑性”或“环境性别决定”的假设。例如当资源丰富时种群可能倾向于产生更多雌性以最大化繁殖潜力当资源紧张时可能产生更多雄性或反之取决于物种策略。这需要你建立一个决策函数给定当前或预测未来的资源状态 R种群或母体应“决定”新生后代的性别比例 φ_new。这个函数可以是经验公式也可以是某种优化策略的结果。2.3 问题与任务题目最终会要求你探究不同资源场景下种群的变化并给出管理建议。例如预测在资源稳定、资源周期性波动、资源突然下降等不同情景下种群数量和性别比例的长期动态。探讨是否存在一个“最优”的性别比例响应策略使得种群在某种意义下如长期存活概率最大、总后代数最多最稳健。基于模型对资源管理如保护措施、环境干预提出建议。读题时务必用笔划出这些关键词并尝试将它们转化为数学符号和初步的方程关系。这个过程就是搭建模型骨架的过程。3. 建模路径的十字路口微分方程、代理模型与优化审题之后紧接着就是选择建模的“武器”。对于A题当时我们团队内部主要争论集中在三条路径上每一条都有其鲜明的优缺点和所需的技能树。3.1 路径一经典的常微分方程ODE框架这是最直接、最经典的方法。我们可以建立一组耦合的常微分方程来描述系统。 例如dF/dt (出生项与R、F、M有关) - (死亡项与R、F有关)dM/dt (出生项与R、F、M有关) - (死亡项与R、M有关)dR/dt 资源自身的动态如自然再生 - 种群的资源消耗与F、M有关其中出生项中的性别分配就由那个关键的“性别决定函数” φ g(R, ...) 来控制。比如新生个体总数是 B(R, F, M)那么新生的雌性数量就是 φ * B雄性数量是 (1-φ) * B。优点结构清晰数学上成熟稳定性分析、平衡点计算、数值模拟用MATLAB、Python的odeint等都非常方便。结果容易解释能直观展示种群和资源的时序演化。缺点与挑战如何具体定义函数 g(R)是简单的分段线性还是复杂的S型曲线参数如何设定这需要合理的假设或从文献中寻找灵感。此外模型可能因为非线性而变得复杂难以求得解析解严重依赖数值模拟。3.2 路径二基于个体的模型IBM或代理模型Agent-Based Model如果说ODE是从宏观统计视角看种群那么IBM就是从微观个体视角看群体。我们可以在计算机中模拟每一个“七鳃鳗”个体每个个体有属性性别、年龄、健康状况有行为觅食、繁殖、死亡。资源在空间上可以网格化分布。性别决定可以设定为个体出生时的一个随机事件但其概率受当时局部或全局资源水平影响。优点非常灵活能刻画个体差异、空间异质性、随机性等复杂因素。可以涌现出丰富的宏观现象适合研究机制而非单纯拟合曲线。可视化效果好容易讲述一个“故事”。缺点与挑战计算成本高尤其是种群规模大时。结果具有随机性需要多次运行取统计值。模型包含大量细节参数移动速度、感知范围、繁殖阈值等这些参数若设置不当会导致结果失真。编程实现通常用NetLogo, Repast, 或Python的Mesa库比解ODE更复杂。3.3 路径三嵌入优化理论的动态模型这是将问题层次提升的一种思路。我们不仅描述系统“是”什么样还探究系统“应该是”什么样以达到最优。我们可以建立一个动态优化问题假设种群有一个“目标”如最大化长期基因传递、或在资源波动下最小灭绝风险那么性别比例 φ(t) 就应该作为一个控制变量而资源R和种群数量是状态变量。问题转化为寻找最优的控制策略 φ*(t)使得某个目标函数积分形式在系统动力学约束下达到最优。这可以用到最优控制理论如庞特里亚金最大值原理或动态规划。优点思想深刻直接回应“最优策略”类的问题。能给出一个理论上的最优性别响应曲线与管理建议紧密结合。缺点与挑战数学难度极大对大多数本科参赛队而言门槛过高。求解过程复杂通常需要很强的数学功底和专门的求解器。容易陷入理论推导而忽略了模型的现实性和结果的直观展示。我们团队的讨论非常激烈。路径三虽然高大上但风险极高容易做不完。路径二灵活但参数太多结果不易把控论文写作时难以提炼出简洁的数学核心。最终我们选择了以路径一ODE框架为主干吸收路径二IBM的思想进行模型细化与验证的策略。具体来说我们用ODE构建核心模型进行主要的分析和模拟。但同时我们设计了一个简化的、小规模的IBM用于验证ODE模型中关于个体行为的一些关键假设比如性别决定对资源的响应是否合理并作为灵敏度分析的一部分展示个体随机性可能带来的影响。这样既保证了模型的数学严谨性和可分析性又增加了模型的层次感和说服力。4. 核心模型构建从文字假设到数学方程选定主干框架后就到了最关键的环节把文字变成公式。这里我分享我们当时构建的一个简化版核心模型思路它包含了A题最精髓的部分。4.1 资源动态模型我们假设资源 R(t) 有一个固有的承载容量 K并且能自我再生如植物的生长。同时种群会消耗资源。采用经典的逻辑斯蒂增长框架与线性消耗假设dR/dt r * R * (1 - R/K) - c * (F M)其中r 是资源内在增长率c 是每个个体的平均资源消耗率。这是一个非常合理的起点它将资源与种群耦合在了一起。4.2 种群动态与性别决定这是模型的核心。我们定义总种群数量 N F M。 首先定义总出生率 B。我们假设出生率与资源正相关且与繁殖个体数量这里简化假设所有成年个体均可繁殖有关采用一个饱和形式B(R, F, M) β * (R / (H R)) * (F * M) / (F M θ)β是最大出生率常数。R/(HR)是米氏方程Michaelis-Menten形式表示资源对繁殖的促进效应H是半饱和常数。当R远大于H时此项接近1当R很小时此项接近0。(F*M)/(FMθ)这一项模拟了“相遇概率”对繁殖的限制。它近似于交配对数量θ是一个小常数防止除零。当两性数量严重失衡时此项会急剧减小这体现了寻找配偶的难度是一个重要的密度依赖和性别比例依赖的反馈机制。其次定义性别决定函数。我们假设新生个体的性别比例 φ 雌性比例是当前资源水平 R 的函数。经过讨论我们采用了一个S型的逻辑函数φ(R) φ_min (φ_max - φ_min) / (1 exp(-s * (R - R0)))φ_min和φ_max是雌性比例的理论下限和上限例如0.2和0.8。R0是拐点资源水平即性别比例变化最敏感的资源点。s是曲线的陡峭程度表示种群对资源变化调整性别比例的灵敏度。 这个函数的意义是当资源极其匮乏R远小于R0时新生后代以接近 φ_min 的比例为雌性当资源极其丰富R远大于R0时以接近 φ_max 的比例为雌性。这模拟了一种“在好年头多投资于繁殖潜力雌性在坏年头采取保守策略”的生物学假设。于是性别分化的出生项可以写出 新生雌性B_f φ(R) * B(R, F, M)新生雄性B_m (1 - φ(R)) * B(R, F, M)最后定义死亡率。假设死亡率与资源负相关且可能包含一个与种群密度相关的项拥挤效应d_F d_m α / (R ε) γ * N雌性死亡率d_M形式类似参数可以相同或不同。 其中d_m是基础死亡率α/(Rε)表示资源匮乏增加的死亡风险γ*N表示密度制约的死亡。4.3 完整的ODE系统将以上组合起来我们得到一个四维的ODE系统dF/dt φ(R) * B(R, F, M) - d_F * FdM/dt (1 - φ(R)) * B(R, F, M) - d_M * MdR/dt r * R * (1 - R/K) - c * (F M)这个模型虽然仍有不少参数但每个参数都有相对清晰的生物学解释并且抓住了题目要求的核心资源 R 通过影响出生率 B 和性别比例 φ进而影响雌雄种群 F, M 的动态而 F, M 又通过消耗反过来影响 R。这是一个完整的反馈回路。5. 参数赋值、稳定性分析与数值模拟实战模型建立后一堆抽象的符号和方程摆在那里下一步就是让它“活”起来。这部分是连接数学理论与现实洞察的桥梁也是论文中“结果”部分的核心。5.1 参数赋值合理性比精确性更重要美赛不要求也不可能获得七鳃鳗的真实精确参数。评委看重的是你参数赋值的合理性和逻辑。我们的策略是量纲归一化为了减少参数数量和方便分析我们对部分变量进行了无量纲化处理。例如将资源 R 除以承载容量 K令 r’ R/K ∈ [0,1]。将种群数量 F, M 也相对于某个参考值进行缩放。这样许多参数就变成了0到1之间的无量纲数其大小更容易理解和设定。参考生物学常识例如对于逻辑斯蒂增长中的内在增长率 r我们知道对于大多数生物资源如植物年增长率可能在0.1到2之间。我们取 r0.5 /年在无量纲时间下可能需要调整。死亡率 d_m 通常较小比如0.1 /年。保证模型行为合理这是最关键的一步。我们先设定一组“基准参数”然后运行模拟观察模型是否会产生荒谬的结果比如种群指数爆炸到天文数字或瞬间灭绝。通过反复调整确保在基准参数下系统能维持在一个非零的平衡态附近波动这模拟了一个健康的、可持续的种群-资源系统。定义“高资源”和“低资源”我们根据拐点 R0 来定义。例如设定 R0 0.5K。那么 R 0.7K 可视为高资源R 0.3K 可视为低资源。相应地根据我们的 φ(R) 函数高资源下 φ 接近0.7低资源下 φ 接近0.3。5.2 平衡点与稳定性分析对于ODE模型寻找平衡点即令所有导数 dF/dt, dM/dt, dR/dt 0 的点是理解系统长期行为的关键。我们通过符号计算利用MATLAB的solve函数或数值方法寻找平衡点 (F*, M*, R*)。 找到平衡点后进行线性稳定性分析计算系统在平衡点处的雅可比矩阵然后求其特征值。如果所有特征值的实部都为负则该平衡点是局部渐近稳定的如果有正实部则不稳定。 我们当时计算发现了两种有趣的平衡点灭绝平衡点(0, 0, 0) 或 (0, 0, K)。这个点总是存在的但通常不稳定除非资源再生率极低或消耗率极高。共存平衡点非零的 F*, M*, R*。这个点的存在性和稳定性强烈依赖于参数特别是性别决定函数的参数φ_min, φ_max, R0, s和资源再生率 r。 通过分析我们发现当性别比例对资源的响应足够灵敏s较大且资源再生能力较强时系统更容易稳定在一个健康的共存平衡点。这给出了一个初步的管理启示维持种群稳定不仅需要足够的资源基础K和r也需要种群具备灵活调整性别比例以适应环境变化的能力。5.3 数值模拟讲述不同的故事稳定性分析是理论上的数值模拟则是将理论可视化并探索非平衡动态。我们使用MATLAB的ode45求解器进行了多种情景的模拟情景一稳态环境。从不同的初始值出发系统最终都收敛到同一个稳定的共存平衡点。我们绘制了 F(t), M(t), R(t) 以及 φ(t) 随时间变化的曲线展示了系统的自我调节能力。情景二资源周期性波动。模拟季节性变化令承载容量 K 随时间正弦波动K(t) K0 * (1 a * sin(ωt))。我们发现种群数量和性别比例也会出现周期性波动但存在相位差。雌性比例 φ 的波动会略微领先于资源波动这体现了“预测性”的性别调整策略的优势。情景三资源突然下降模拟环境灾难。在系统处于稳定平衡时突然将资源 R 砍半。我们观察到了种群的剧烈震荡首先由于资源骤减死亡率上升总数下降。同时性别比例迅速向雄性倾斜根据我们的φ(R)函数。这导致短期内繁殖率依赖于F*M进一步下降。系统需要很长时间才能恢复甚至可能滑向灭绝平衡点取决于灾难的严重程度和种群的恢复力。情景四对比不同性别策略。我们修改了性别决定函数。例如设定一个“固定比例”策略φ恒定如0.5与我们的“灵活比例”策略进行对比。模拟结果显示在资源波动的环境中灵活策略的种群长期平均规模更大灭绝风险更低。这有力地支持了“环境性别决定”的进化优势假说。每一个情景的模拟我们都精心设计图表包括时间序列图、相位图如F vs M、以及资源-性别比例关系图。在论文中这些图配合清晰的说明构成了结果部分的主体。6. 灵敏度分析与模型检验让结论更可信一个模型如果只给出一种参数下的漂亮结果是缺乏说服力的。美赛特别看重模型的稳健性分析。我们主要做了两方面工作6.1 局部灵敏度分析针对关键参数如资源增长率 r、性别响应灵敏度 s、拐点资源 R0我们在基准值附近进行小范围扰动例如 ±10%观察关键输出变量如平衡点种群数量、振荡周期、恢复时间的变化率。我们计算了灵敏度系数 S (Δ输出/输出基准) / (Δ参数/参数基准)。 例如我们发现平衡种群总数对资源增长率 r 的灵敏度最高S≈1.2而对性别响应曲线陡度 s 的灵敏度较低S≈0.3。这意味着改善环境资源的再生能力比期望种群进化出更灵敏的性别调整机制对种群规模的提升效果更显著。这是一个非常实际的管理启示。6.2 基于简化IBM的模型检验如前所述我们构建了一个简化的代理模型作为“检验平台”。在这个IBM中几百个代理在二维网格上移动、消耗资源、繁殖、死亡。性别决定规则被设定为每个新生儿以概率 φ(R_local) 成为雌性其中 R_local 是其出生地的局部资源水平。 我们运行这个IBM并计算宏观统计量平均种群数、平均性别比例等将其与ODE模型在相似平均参数下的预测结果进行对比。我们发现在排除大的随机波动后两者的宏观趋势基本一致。这从另一个角度支持了我们ODE模型核心假设的合理性。 更重要的是IBM揭示了一些ODE模型无法捕捉的细节例如空间聚集效应个体在资源斑块周围聚集导致局部性别比例可能与全局平均值有差异。随机性导致的灭绝风险在小种群情况下IBM中由于随机事件一连串死亡都是同一性别导致有效繁殖个体数为零从而灭绝的概率是存在的而确定性ODE模型则可能预测一个稳定的低水平平衡。 我们将这些对比和讨论写入了论文的“模型检验与扩展”部分极大地丰富了文章的内容层次展示了我们对问题多角度的思考。7. 论文写作与可视化如何将四天的思考凝练成20页美赛最终提交的是一篇论文模型再精彩也需要通过写作和可视化清晰地传达给评委。这部分是临门一脚至关重要。7.1 故事线的组织我们论文的结构大致如下摘要用一段话精炼概括问题、方法、核心模型、主要模拟情景和最关键的管理建议。这是评委最先看也是看得最仔细的部分。我们花了整整半天时间反复打磨摘要确保它信息完整、逻辑自洽、亮点突出。引言重述问题阐述其生态学和管理学意义简要综述相关研究即使很简略最后明确列出本文的工作“本文首先…然后…接着…最后…”。假设与符号说明清晰列出所有主要假设并用表格列出所有主要变量和参数及其含义、单位或无量纲说明。模型建立这是核心。我们分小节介绍了资源子模型、种群动态子模型、性别决定机制然后给出了完整的ODE系统。对每一个方程都配以文字解释其生物学意义。模型分析先进行平衡点与稳定性分析展示推导过程和雅可比矩阵然后进行参数赋值说明。接着用多个小节分别展示不同情景下的数值模拟结果每个小节配以1-2个核心图表和文字分析。灵敏度分析与模型检验展示灵敏度分析结果用柱状图或蜘蛛图并介绍简化IBM及其与ODE模型的对比发现。结论与建议总结主要发现并基于模型提出具体、可操作的管理建议。例如“建议保护区管理应优先关注维持和提升水体基础生产力提高r和K这比关注种群性别结构本身更有效。在资源监测中当发现资源水平持续低于阈值R0时应预警种群性别比例可能发生不利偏移进而影响种群恢复力。”优缺点与展望客观评价模型的优点抓住了核心反馈机制、灵活性等和缺点忽略了个体差异、空间结构简化等并提出未来可以改进的方向如加入年龄结构、考虑更复杂的资源竞争等。7.2 图表可视化心得一图胜千言关键的结果必须用图表展示。时间序列图最好将 F, M, R 画在同一个坐标系下用不同颜色和线型并共用时间横轴方便对比。双Y轴慎用虽然有时需要比如同时画数量和比例但要确保清晰并明确标注。相位图展示稳定性在F-M平面或F-R平面上绘制从不同初始点出发的轨迹最终汇聚到平衡点能非常直观地展示系统的稳定性。热图展示参数空间例如以资源增长率r和性别响应灵敏度s为两个轴用颜色表示平衡种群数量或灭绝风险可以一目了然地展示参数的影响。所有图表必须有编号、标题以及在正文中必须有引用和解读**。标题应描述图表“显示了什么”而不是简单地“Figure 1”。保持风格统一所有图表使用一致的配色方案、字体大小和线宽。我们使用了MATLAB的默认颜色顺序并导出为高分辨率的PDF或PNG格式嵌入论文。回顾整个A题的解题过程从最初面对“七鳃鳗”的茫然到最终构建出一个能自圆其说、并给出见解的模型最大的收获不是那个奖项而是这套完整的、从问题抽象到数学表达再到分析求解和结果阐释的建模思维训练。它教会我们面对一个复杂现实问题如何抓住其主要矛盾用合理的数学工具将其简化、量化并通过计算实验来探索其内在规律。这其中的审题、选题、权衡、迭代的过程其价值远超题目本身。