1. 从赛题本质出发问题一的核心是什么大家好我是老张一个在数学建模圈子里摸爬滚打了十来年的“老电工”。每年“电工杯”数学建模竞赛的B题都是大家关注的焦点尤其是问题一它往往是整个赛题的基石和风向标。2025年的B题虽然具体的题目细节尚未公布但根据历年赛题规律和“电工杯”一贯的命题风格我们可以提前进行深度剖析和准备。问题一通常不会是一个孤立的计算它要么是后续问题的基础数据来源要么是整个模型逻辑的起点。因此吃透问题一就等于掌握了打开整道赛题的钥匙。今天我们不谈空泛的理论直接切入实战。我将基于对“电工杯”B题通常涉及能源、电力、经济、优化等交叉领域的长期观察为大家拆解问题一可能出现的四种典型算法思路。这四种思路并非凭空想象而是对应了四类最常见的赛题需求数据拟合与预测、综合评价与排序、路径规划与优化、以及机理建模与仿真。掌握这四把“钥匙”你就能在面对绝大多数B题问题一时快速找到破题方向构建起坚实的第一问模型。注意本文所有分析均基于公开的竞赛规律和通用建模知识不涉及任何未公开的赛题信息。真正的赛题发布后你需要做的第一件事就是精准定位你的问题属于以下哪一类然后套用对应的“武器库”。2. 思路一基于数据驱动的拟合与预测算法当问题一给出的是一系列随时间、空间或其他变量变化的观测数据并要求你进行趋势分析、缺失值补全或未来点预测时数据驱动型的拟合与预测算法就是你的首选。这类问题的核心是“从历史看未来”关键在于抓住数据的内在规律。2.1 算法选型逻辑从简单到复杂从通用到专用面对一堆数据新手最容易犯的错误就是直接上最复杂的模型比如上来就搞深度学习。这往往是舍本逐末。正确的思路是建立一套筛选逻辑数据可视化与定性分析首先一定要画图画出散点图、折线图观察数据整体趋势线性增长、指数增长、周期性波动、饱和型增长、是否存在明显的季节性周期和噪声水平。这一步能帮你排除大量不合适的模型。模型复杂度与数据量的匹配记住一个原则模型参数的数量不应超过数据样本量的1/10甚至1/20。如果你只有20个数据点却想用一个有15个参数的复杂非线性模型去拟合结果必然是严重的过拟合——模型在训练数据上表现完美但毫无预测能力。业务背景的考量“电工杯”的题目通常有明确的物理或经济背景。例如如果是电力负荷预测它通常具有日内周期性和日间周期性如果是设备退化数据可能符合威布尔分布。将业务常识融入模型选择能极大提高模型的合理性和说服力。2.2 核心算法详解与实战要点这里我重点讲三种在数学建模中经久不衰且非常实用的预测算法。2.2.1 时间序列分析ARIMA/Prophet适用场景数据具有明显的时间顺序且当前值与其过去值滞后值有强相关关系。典型如电力负荷序列、风速序列、市场价格序列。ARIMA模型核心思想ARIMA(p,d,q)模型是三个部分的组合。p是自回归阶数表示当前值与前p个历史值的关系d是差分阶数用于将非平稳序列转化为平稳序列这是建模的前提q是移动平均阶数表示当前误差与过去q个误差的关系。建模的关键步骤是平稳性检验使用ADF检验。如果序列不平稳则需要差分d0。定阶观察差分后序列的自相关图ACF和偏自相关图PACF的截尾和拖尾特征初步确定p和q。模型拟合与检验用AIC/BIC准则辅助选择最优p, d, q组合。拟合后必须检验残差是否为白噪声Ljung-Box检验如果不是说明模型还有信息没提取完需要调整。实战心得ARIMA对线性关系假设较强。对于存在复杂季节性如同时存在日周期和周周期的数据可以使用季节性ARIMASARIMA。但SARIMA参数更多对数据量要求更大。另一个强大的工具是Facebook开源的Prophet它特别擅长处理有多个季节性、节假日效应以及存在缺失值和异常点的时间序列几乎全自动化在竞赛时间紧张时是利器。2.2.2 回归分析线性/非线性适用场景问题一明确给出了一个或多个自变量影响因素和一个因变量预测目标且你认为它们之间存在某种函数关系。核心思想找到一组参数使得预测值与真实值之间的误差通常用均方误差MSE最小。关键要点多重共线性诊断如果自变量之间相关性太高如用电量和GDP会导致模型系数估计不稳定。使用方差膨胀因子VIF来诊断通常VIF10认为存在严重共线性。解决方法包括剔除变量、主成分回归PCR或岭回归Ridge Regression。非线性回归当散点图明显不是直线时考虑非线性。例如人口增长可能用Logistic模型设备失效可能用指数或幂律模型。此时需要根据散点图形状猜测函数形式或者使用更通用的方法如多项式回归、样条回归Spline或局部加权回归LOESS。踩坑记录我曾见过一个队用线性回归拟合明显呈指数增长的数据结果为了通过检验强行对因变量取对数但却没有对预测结果进行指数反变换导致最终预测值数量级完全错误。记住任何变换在得到预测值后如果需要必须进行逆变换2.2.3 灰色预测模型GM(1,1)适用场景这是“电工杯”等国内竞赛的“特色菜”和“速效药”。适用于数据量少通常仅需4个以上数据、信息不完全、趋势单调增长或衰减的预测。比如给你某地区过去5年的年最大用电负荷预测未来2年的值。核心思想灰色预测不是直接处理原始数据而是先对原始数据做一次累加生成1-AGO得到的新序列更具指数规律然后用微分方程去拟合这个新序列最后再累减还原得到预测值。优点与致命缺点优点所需数据量极少原理简单计算快捷在短期预测中有时有奇效。致命缺点仅适用于具有较强指数趋势的序列。对于波动性大、有周期性的数据灰色预测效果极差甚至会得到荒谬的结果。此外它本质是一个指数模型长期预测会趋向无穷大或零不具备物理意义。使用建议仅在数据量极少10且趋势明确单调时作为备选方案。绝对不要把它用于任何带有波动或周期的数据如月度用电量。在论文中如果使用了灰色预测一定要说明你检查了原始数据的单调性并指出该模型适用于短期预测的局限性。3. 思路二基于指标体系的综合评价与排序算法如果问题一要求你对多个对象如多个省份的电网韧性、多类发电技术的优劣、多个投资方案的效益进行评价、打分或排序那么这就是一个典型的综合评价问题。其核心是“多指标决策”难点在于如何将不同量纲、不同方向的指标综合成一个可比较的分数。3.1 评价流程的标准化构建一个稳健的综合评价模型必须遵循以下流程缺一不可构建评价指标体系这是模型的“骨架”。指标需要具有代表性、独立性、可操作性。通常可以从“经济-技术-环境-社会”等多个维度即一级指标去思考每个维度下再细分具体指标二级指标。例如评价一个能源项目经济维度可能有“投资成本”、“度电成本”技术维度有“效率”、“可靠性”环境维度有“碳排放”、“污染物排放”。数据标准化归一化指标通常量纲不同有的是百分比有的是千瓦时有的是元。必须消除量纲影响。常用方法有极差标准化(x - min) / (max - min)。将数据映射到[0,1]区间适用于分布均匀的数据。Z-score标准化(x - mean) / std。将数据转换为均值为0标准差为1的分布适用于数据分布近似正态的情况。注意指标方向效益型指标越大越好和成本型指标越小越好的处理方式不同。对于成本型指标通常先取倒数或使用(max - x) / (max - min)进行正向化。确定指标权重这是评价的“灵魂”也是评委重点审视的部分。权重分配方法主要分两类主观赋权法如层次分析法AHP、专家打分法。依赖决策者经验适用于指标重要性差异明显且难以用数据衡量的情况。客观赋权法如熵权法、CRITIC法、主成分分析法PCA。完全基于数据本身的离散度和冲突性来计算权重避免了主观偏见。选择合成模型将标准化后的数据与权重结合计算综合得分。最简单的是线性加权求和WA。也有非线性方法如TOPSIS逼近理想解排序法。3.2 核心算法对比AHP、熵权法与TOPSIS3.2.1 层次分析法AHP——主观赋权的典范干什么用当指标间的重要性比较可以凭经验或常识判断时用AHP来科学地确定权重。关键步骤建立层次结构目标层、准则层、方案层。构造判断矩阵针对同一层的指标两两比较其对于上一层目标的重要性使用1-9标度法1表示同样重要9表示极端重要。计算权重向量通常用特征根法求判断矩阵的最大特征值对应的特征向量并归一化得到权重。一致性检验必须做计算一致性比率CR。如果CR0.1则认为判断矩阵的一致性可以接受否则需要调整判断矩阵。很多队伍忘了这一步导致整个权重结果不可信。实操技巧AHP的判断矩阵容易因为主观性太强而通不过一致性检验。一个实用的技巧是先让每个队员独立打分然后计算几何平均或算术平均用平均后的值构造矩阵这样通常能提高一致性。3.2.2 熵权法——客观赋权的利器干什么用当你有各个对象在不同指标下的具体数值且不想加入任何主观判断时用熵权法。它认为指标数据离散程度越大即提供的信息量越大该指标权重就应该越大。计算过程数据标准化通常用比重法p_ij x_ij / sum(x_ij)。计算第j项指标的熵值e_j -k * sum(p_ij * ln(p_ij))其中k为常数。计算差异系数g_j 1 - e_j。归一化得到权重w_j g_j / sum(g_j)。注意事项熵权法极度依赖数据本身。如果某个指标下所有对象的数据都差不多离散度小那么该指标的权重会非常小甚至接近于0。这有时不符合常识比如“安全性”指标大家得分都高不代表它不重要。因此熵权法最好与一种主观赋权法如AHP结合使用得到主客观综合权重这样模型的说服力更强。3.2.3 TOPSIS法——排序的直观方法干什么用在得到权重和标准化数据后TOPSIS用于最终排序。它的思想非常直观找出所有方案中的“正理想解”各指标都最优和“负理想解”各指标都最劣然后计算每个方案与这两个解的距离。离正理想解越近、离负理想解越远的方案排名越靠前。优点原理简单计算方便结果易于理解。它不直接加权求和而是通过距离来体现综合优劣能避免因个别指标极端值导致的“一票否决”或“一俊遮百丑”问题。与加权求和的区别WA直接算出一个总分来排名。TOPSIS算的是一个相对贴近度C值。在大多数情况下两者排名结果一致。但当指标间存在较强冲突时TOPSIS能更好地体现方案的折中性。4. 思路三基于运筹优化的路径规划与资源分配算法如果问题一的描述中出现了“最小化成本”、“最大化效率”、“最优路径”、“最佳调度”、“合理分配”等词汇那么它大概率是一个优化问题。这类问题的核心是“在约束条件下寻找最优解”。4.1 问题识别与模型抽象首先你需要把文字描述翻译成数学语言决策变量你要决定的是什么是二进制变量是否选择某条线路是整数变量分配多少台设备还是连续变量发电功率是多少目标函数你要最大化或最小化什么总成本最低总收益最大总时间最短总排放最小有时可能是多目标。约束条件有哪些限制资源总量约束总预算、总电量、能力约束设备最大出力、逻辑约束如果A则B、平衡约束供需平衡等。4.2 经典算法场景与求解器选择根据决策变量和目标函数的性质优化问题可以分为线性规划、整数规划、非线性规划等。对于数学建模竞赛我们通常不自己写算法而是利用现成的求解器Solver来求解。4.2.1 线性/整数规划LP/IP——最规整的优化适用场景目标函数和所有约束条件都是决策变量的线性表达式。如果决策变量要求是整数如设备台数就是整数规划如果还有变量是0或1是否投资就是0-1规划。典型问题运输问题最小化运费、指派问题最小化总时间、资源分配问题、背包问题投资组合。求解工具MATLAB的linprog、intlinprog函数Python的PuLP、ortools库Lingo软件。这些工具背后的算法是成熟的单纯形法、分支定界法等你只需要会建模和调用。建模细节线性规划对模型形式要求严格。例如“固定成本”问题是一个经典难点如果生产就要付出一个固定开办费。这需要引入一个0-1变量y和一个很大的数M构造约束x M*y其中x是产量y1表示生产。当y0时x被迫为0当y1时x可以取到上界M。这样就把非线性关系固定成本可变成本转化成了线性模型。4.2.2 动态规划DP——多阶段决策的智慧适用场景问题可以分解为若干个相互联系的阶段每个阶段都需要做出决策并且一个阶段的决策会影响下一阶段的状态。目标是得到整个过程的全局最优策略。典型问题最短路径问题阶段是路径节点、生产库存问题阶段是时间周期、资源分配问题阶段是分配顺序。核心思想贝尔曼最优性原理。从最后一个阶段倒推回来记录每个状态下的最优决策和最优值。它的优势是能保证找到全局最优解但缺点是“维数灾难”——当状态变量太多时计算量会爆炸式增长。竞赛应用在“电工杯”规模的题目中DP通常用于阶段数不多如10-20个阶段、状态变量较少1-2个的问题。例如一个简单的多阶段电网投资决策问题状态可以是当前累计投资额和已建设容量。4.2.3 启发式算法遗传算法、模拟退火——应对复杂非线性适用场景当目标函数或约束条件为非线性、非凸或者问题规模很大、属于NP-hard问题如旅行商问题TSP、复杂的调度问题时精确算法可能在有限时间内无法求解。此时需要启发式算法来寻找一个“足够好”的近似最优解。遗传算法GA模拟生物进化将解编码成“染色体”通过选择、交叉、变异等操作迭代进化。你需要设计合适的编码方式、适应度函数、遗传算子。模拟退火SA模拟金属退火以一定概率接受比当前解差的“新解”从而有机会跳出局部最优奔向全局最优。你需要设置初始温度、降温速率等参数。重要提醒在论文中使用启发式算法必须进行多次独立运行报告最优解、最差解、平均解和标准差以证明算法的稳定性和可靠性。同时最好能与一个简单算法如贪婪算法的结果做对比体现你算法的优越性。不要只跑一次就给出结果。5. 思路四基于物理/经济机理的仿真建模算法当问题一涉及一个动态过程且其内部机理相对清晰时如电路暂态过程、电力市场出清过程、污染物扩散过程机理建模与仿真就是最有力的工具。这类方法不依赖大量历史数据而是基于第一性原理物理定律、经济规律建立方程通过模拟来分析和预测。5.1 机理模型的构建步骤确定系统边界与核心变量明确你要研究的是哪个系统系统的输入、输出、状态变量是什么。例如研究一个微电网输入可能是光照、风速状态变量是电池荷电状态SOC输出是供电可靠性。建立数学关系微分方程/代数方程根据物理定律如基尔霍夫定律、能量守恒、质量守恒或经济原理如供需平衡、成本最小化建立变量间的数学关系。这通常是一组微分方程描述动态和代数方程描述静态关系或约束。参数辨识与校准模型中的参数如电阻值、效率系数、弹性系数可能需要通过少量实验数据或文献资料来确定。如果数据充足可以用最小二乘法等进行参数辨识。模型求解与仿真使用数值方法如欧拉法、龙格-库塔法求解微分方程得到系统状态随时间的变化情况。工具可以是MATLAB/Simulink、PythonSciPy、或专门的仿真软件。5.2 典型应用系统动力学与Agent-Based建模5.2.1 系统动力学SD——处理复杂反馈系统适用场景系统内部存在复杂的因果反馈回路尤其是延迟反馈且关注宏观趋势而非个体细节。典型问题如能源政策长期影响评估、电动汽车普及对电网负荷的长期影响、碳交易市场的动态演化。核心元件存量积累量如电网中的总储能容量、市场中的累计碳排放额。流量改变存量的速率如储能容量的年投资增速、碳排放的年增长率。辅助变量与常量影响流量的因素。因果回路图用“”和“-”表示变量间的正负反馈关系是梳理系统逻辑的利器。优势擅长处理非线性、时滞性和长期性问题能直观展示“政策如何通过一系列反馈环最终影响结果”。在论文中画出清晰的因果回路图和存量流量图能极大提升模型的可读性和理论深度。5.2.2 基于智能体的建模ABM——模拟微观个体互动适用场景系统由大量自主的、异质的个体智能体组成个体之间以及个体与环境之间存在交互系统的宏观现象涌现自这些微观互动。典型问题如电力市场中的发电商竞价行为模拟、分布式光伏用户的自发自用/余电上网决策模拟、电动汽车充电行为的时空分布模拟。建模思路定义智能体类型如居民用户、电动汽车、发电商。定义智能体的属性如用户的电价敏感度、电动汽车的电池容量和行程。定义智能体的行为规则如如果实时电价高于心理阈值则减少用电如果电池SOC低于20%则寻找充电桩。定义智能体间的交互环境如统一的电力市场、共享的充电网络。让所有智能体按照规则并行运行观察宏观结果的涌现。工具与心得NetLogo是入门ABM的最佳工具图形化界面友好。Python的Mesa库则更灵活强大。ABM的难点和魅力在于规则的设计规则需要基于合理的假设如经济学中的效用最大化原理。仿真的结果通常需要做大量的敏感性分析来检验不同规则参数下宏观结果的稳健性。这四种思路就像工具箱里的四把扳手各有各的用途。面对2025年“电工杯”B题的问题一你的首要任务就是精准判断题目属于哪一类问题然后果断地拿起最合适的那把“扳手”。在真正的竞赛中往往需要组合使用多种方法。例如你可能先用机理模型思路四模拟出一些数据再用这些数据去训练一个预测模型思路一或者先利用优化模型思路三得到几个帕累托最优方案再用评价模型思路二从中选出一个最佳方案。预祝大家在2025年的“电工杯”中都能精准破题构建出漂亮的第一问模型为后续的深入分析打下坚实的基础。记住清晰的思路和合理的算法选择永远比复杂的代码堆砌更重要。如果在具体实现中遇到任何问题欢迎随时交流。