1. 从“拍脑袋”到“算数据”为什么蔬菜定价补货需要数学建模如果你在超市、生鲜电商或者农贸市场工作过或者哪怕只是经常买菜你大概都见过这样的场景早上还堆成小山的绿叶菜到了傍晚可能就蔫了吧唧地打折处理而昨天还卖得不错的土豆今天却因为进货太多堆在角落里无人问津。另一边顾客可能抱怨“这菜价一天一个样”或者想买的菜总是缺货。这背后其实就是零售业尤其是生鲜领域最经典、也最头疼的问题定价与补货。对于蔬菜这类商品其特殊性让这个问题变得尤为复杂。首先极度易腐。叶菜类的生命周期可能只有1-2天这意味着今天的库存如果没卖完明天就可能变成损耗直接侵蚀利润。其次需求波动大。天气变化、节假日、甚至一个突然的社交媒体热点比如“某某蔬菜能防癌”都可能让需求量剧烈起伏。再者价格弹性敏感。顾客对蔬菜价格非常敏感定价高一点可能就没人买定价低一点又可能瞬间被抢光还赚不到钱。最后供应链链条长且不确定。从产地到货架受天气、运输、市场批发价等多重因素影响成本和供给都不稳定。传统的解决方法很大程度上依赖于采购或店长的“经验”。凭感觉判断明天卖多少、进多少货再根据成本和竞争对手大概定个价。这种方法在小规模或稳定环境下或许可行但在追求精细化运营和利润最大化的今天尤其是在全国大学生数学建模竞赛国赛这种需要量化分析和科学决策的舞台上就显得过于粗放且缺乏说服力了。于是数学建模登场了。它本质上是一套“翻译”工具把我们现实中这个混乱、复杂的问题翻译成数学的语言——变量、方程、目标函数和约束条件。通过建立模型我们可以系统地考虑成本、库存、需求预测、价格影响、保质期等诸多因素并寻找那个能让总利润最高、或损耗最低、或顾客满意度最好的定价与补货策略组合。国赛C题选择“蔬菜类商品的自动定价与补货决策”作为赛题正是因为它完美地融合了现实商业价值与数学建模的多元技术。它要求参赛者不仅要有扎实的数学功底如优化理论、统计分析、机器学习还要有将实际问题抽象化的能力更考验对商业逻辑的理解。接下来我将以一个“虚拟参赛者”兼“行业观察者”的双重身份带你深入拆解这道题的解题脉络、核心模型构建的思考过程以及那些在论文中可能不会写但实际建模中至关重要的“踩坑”经验。2. 解题第一步像经营一家超市一样拆解问题拿到赛题切忌一头扎进公式和代码里。第一步也是最重要的一步是彻底理解业务场景并定义清楚我们要解决的到底是什么问题。我们假设自己是一家生鲜超市的运营负责人接到了“优化蔬菜品类利润”的任务。2.1 核心决策变量是什么我们的目标是为每一种蔬菜或每一类蔬菜做出决策。决策主要围绕两个核心变量补货量Q每天或每个补货周期应该订购多少数量的某种蔬菜。销售价格P该种蔬菜当天或该周期内的零售定价。这两个决策不是独立的而是强耦合的。价格会影响销量销量决定了库存消耗和潜在的损耗进而影响下一次的补货决策。这是一个典型的动态决策问题。2.2 我们需要哪些数据问题分析的关键模型不是空中楼阁它需要数据来驱动和验证。在国赛题目中通常会提供一部分数据如历史销量、成本、损耗记录但更重要的是我们要明确还需要哪些“隐形”的数据或假设这体现了对问题的理解深度。成本数据采购成本C_p从供应商处进货的单价。它可能是固定的也可能随采购量、季节变化。持有成本C_h蔬菜在仓库或货架上存储产生的成本包括冷藏电费、仓储空间占用、管理人力等。对于生鲜这部分成本相对较低但需要考虑。缺货成本C_s当顾客想买而没货时不仅损失了本次销售利润还可能损害顾客忠诚度。这是一个难以量化但非常重要的“软成本”。损耗/报废成本C_w蔬菜过期未售出需要丢弃处理产生的损失。通常等于采购成本因为无法回收任何价值有时还需加上处理费用。这是蔬菜品类最大的成本项之一是模型需要重点规避的。需求数据与预测历史销量这是最直接的数据。但要注意历史销量不等于历史需求因为当缺货时需求是被低估的。需求函数 D(P, X)这是模型的核心。它描述了在价格P下以及在其他因素X影响下顾客的需求量是多少。X可以包括时间因素星期几、是否节假日、季节。天气因素温度、降水量。促销因素是否有捆绑销售、店内陈列位置。替代/互补品价格其他相关蔬菜的价格。需求函数的形式通常是未知的需要我们从历史数据中通过统计或机器学习方法如线性回归、决策树、神经网络去拟合。一个常见的简化形式是线性需求函数D(P) a - b*Pa, b为参数表示价格越高需求越低。商品特性数据保质期L从收货到品质不可接受的天数。叶菜L1根茎类L7等等。这是约束条件的关键。初始库存I_0每天决策开始时货架上和仓库里还剩多少这种菜。2.3 我们的目标是什么建立目标函数作为超市运营者我们最终追求的是商业利益。最直接的目标是最大化总利润或者最大化总收益亦或是最小化总成本尤其是损耗成本。在国赛中通常采用最大化周期内如一周的总利润。单日单品的利润公式可以初步抽象为Profit P * Min(实际销量, 可用库存) - C_p * Q - C_w * 损耗量其中实际销量 Min(需求D(P), 可用库存)。这里就出现了库存和需求的交互。注意这个公式是一个高度简化的版本。实际建模中你需要考虑多周期今天卖不完的可以明天卖但品质下降或过期、需求的不确定性随机性以及更复杂的成本结构。但它是我们思考的起点。3. 模型工具箱哪些数学方法可以派上用场明确了问题和数据接下来就是选择建模的“武器”。蔬菜定价补货问题是一个典型的库存管理与动态定价联合优化问题。根据题目对不确定性的强调程度可以选择不同复杂度的模型。3.1 基础模型报童模型及其扩展这是处理易腐品单周期库存问题的基石模型。它回答一个核心问题面对一个不确定的需求已知概率分布为了最大化期望利润我应该准备多少库存或订购多少经典报童模型场景商品生命周期仅一天如日报、鲜花当天未售出则完全报废。决策订购量 Q。已知单位采购成本 c单位售价 p单位残值 ss c通常蔬菜s0需求D的概率分布。最优解找到一个临界分位数Critical Fractile使得P(需求 ≤ Q*) (p-c)/(p-s)。这个公式告诉我们最优库存水平取决于“边际利润”与“边际损失”的权衡。对于我们的C题需要将报童模型进行关键扩展引入定价决策需求不再是外生随机变量而是价格P的函数 D(P, ε)其中ε是随机扰动。问题变为同时优化 (P, Q)。多周期考虑蔬菜可能有多天保质期。今天的库存没卖完可以加入明天的可用库存。这就变成了一个多周期动态规划问题状态变量是库存水平决策变量是每期的价格和补货量。需求函数拟合需要利用历史数据估计出需求函数的具体形式如D(P) a - b*P ε及其随机项ε的分布。实操心得在国赛论文中直接使用经典报童公式可能显得过于简单。但你可以从它出发详细论述你如何将其扩展以适应多周期、可定价的场景并推导出最优条件如一阶条件FOC这能很好地展示你的建模功底。3.2 进阶模型动态规划与随机优化当考虑多周期如一周的每天和需求不确定性时动态规划DP是一个强有力的框架。状态State通常包括当前库存水平 I_t以及可能影响需求的“信息状态”如星期几、天气预测。动作Action在状态s_t下你需要做出的决策即定价P_t和补货量Q_t。状态转移描述在做出决策后状态如何变化。例如I_{t1} max(I_t Q_t - D(P_t, ε_t), 0)并考虑保质期衰减可能需要引入“库龄”作为状态。回报Reward每期的利润R_t P_t * min(D(P_t, ε_t), I_tQ_t) - C_p*Q_t - C_w*损耗。目标找到一组策略从每个状态到动作的映射最大化总期望利润E[∑ R_t]。难点与简化维数灾难状态和动作空间如果太精细如库存精确到克价格精确到分DP的计算量会爆炸。常用简化方法离散化将库存和价格离散成几个水平如库存低、中、高价格高、中、低。近似动态规划ADP用函数如线性函数、神经网络来近似价值函数避免枚举所有状态。模型预测控制MPC在每个决策点只优化未来有限周期如未来3天的决策并只执行第一天的决策第二天根据新状态重新优化。这在实践中非常流行。踩坑记录在有限时间的国赛中试图构建并求解一个完美的多周期随机动态规划模型几乎是不可能的。更务实的策略是采用MPC框架。假设我们每天凌晨做决策我们利用最新的需求和库存数据对未来N天N小于等于商品保质期的需求进行预测然后构建一个确定性的多周期优化模型假设未来需求等于预测值求解出未来N天的计划P和Q但只实施第一天的决策。第二天重复这个过程。这样既考虑了未来影响又保证了模型的可解性。在论文中这被称为“滚动时域优化”或“反馈控制策略”是一个既高级又实用的亮点。3.3 数据驱动的需求预测模型无论采用哪种优化框架一个准确的D(P, X)需求函数都是成功的基石。这里就需要用到机器学习和统计方法。特征工程这是提升预测精度的关键。除了价格P你需要从题目数据或常识中挖掘特征X。时间特征星期几的哑变量、是否节假日的标志、月份、季节。滞后特征前几天的销量自相关性、前几天的价格。交叉特征价格与星期几的交互项可能周末价格弹性更低。外部特征如果题目提供比如天气数据温度、降雨、促销活动信息。模型选择线性回归带正则化可解释性强能直接得到需求价格弹性系数即b值。使用Lasso回归还可以进行特征选择。决策树/随机森林/XGBoost对非线性关系捕捉能力强能自动处理特征交互通常预测精度更高。但可解释性稍弱且得到的不是显式的D(P)函数需要额外处理比如在其他特征固定的情况下模拟价格变化对预测销量的影响。神经网络对于非常复杂的关系表现好但在数据量有限、赛题时间紧的情况下可能不是首选且存在过拟合风险。实操步骤示例以Python为例import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # 假设df是包含历史数据的数据框列包括date, price, sales, weekday, is_holiday, temperature... # 创建特征和标签 df[weekday] df[date].dt.weekday df[is_weekend] df[weekday].isin([5,6]).astype(int) # ... 其他特征工程 features [price, weekday, is_holiday, temperature, lag_sales_1, lag_sales_7] target sales X df[features] y df[target] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) model RandomForestRegressor(n_estimators100, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) print(fRMSE on test set: {mean_squared_error(y_test, y_pred, squaredFalse):.2f}) # 分析价格影响固定其他特征改变价格观察预测销量变化 sample_X X_test.iloc[0:1].copy() price_range np.linspace(sample_X[price].min(), sample_X[price].max(), 50) predicted_sales [] for p in price_range: sample_X[price] p predicted_sales.append(model.predict(sample_X)[0]) # 画出价格-预测销量曲线即可近似得到需求函数4. 模型求解与策略输出从数学公式到可执行的方案构建了模型下一步就是求解并将解翻译成业务人员能懂的策略。4.1 将问题形式化为优化问题以MPC框架下的确定性多周期模型为例我们可以建立如下优化模型决策变量未来N天t1,...,N每天的价格P_t和补货量Q_t。状态变量每天的库存水平I_t需要考虑不同库龄的库存为简化这里用总库存。目标函数最大化未来N天的总利润。约束条件库存平衡约束I_{t1} I_t Q_t - min(D(P_t, X_t), I_t Q_t)。这里D(P_t, X_t)是使用预测模型得到的“预测需求”。保质期约束I_t必须小于等于未来几天预测需求的总和一个简化处理或者更精细地引入库龄变量确保旧库存先被消耗。能力约束Q_t Q_max最大采购能力I_t I_max最大仓储能力。价格约束P_min P_t P_max价格浮动范围。非负约束P_t, Q_t, I_t 0。4.2 求解算法选择如果模型是线性的/二次的对于线性需求函数和线性成本目标函数可能是二次的利润价格*销量销量是价格的线性函数约束是线性的。这可以形成一个**二次规划QP**问题可以使用成熟的求解器如CVXOPT, Gurobi, CPLEX高效求解。这是最理想的情况。如果模型是非线性的当需求函数是复杂的非线性函数如来自随机森林的预测时问题就变成了非线性规划NLP。可以使用梯度下降、序列二次规划SQP或启发式算法。启发式/元启发式算法当问题规模大、非线性程度高时遗传算法GA、模拟退火SA、粒子群优化PSO等是不错的选择。它们不保证找到全局最优解但能在合理时间内找到高质量的解。在国赛中这常常是展示算法应用能力的亮点。示例使用遗传算法框架编码将一个解未来N天的P和Q序列编码成一条染色体。例如[P1, Q1, P2, Q2, ..., Pn, Qn]。适应度函数就是我们的目标函数——总利润。计算时需要根据决策变量序列模拟未来N天的库存变化和销售情况计算出总利润。遗传操作选择、交叉、变异不断迭代进化种群。解码将最优染色体解码回价格和补货量序列。重要提示在论文中你需要详细描述你的求解过程。如果用了现成的求解器说明名称和关键参数设置。如果自己实现了算法如GA需要给出伪代码、参数设置种群大小、迭代次数、交叉变异概率等以及收敛性分析如画出适应度随迭代次数的变化曲线。4.3 输出策略与敏感性分析求解模型后我们得到了一组最优的(P_t*, Q_t*)。但这还不是终点。策略解读你需要分析输出策略的合理性。例如是否在保质期短的商品上采取了更激进的价格策略临近保质期大幅降价是否在预测需求高的日子如周末提前增加了补货量将策略与业务直觉对照能增强模型的说服力。敏感性分析这是体现模型稳健性和你思考深度的关键部分。你需要测试当关键参数或假设发生变化时策略和利润如何变化。需求预测误差假设你的需求预测有±10%的偏差重新运行模型观察利润下降了多少策略有多大变化成本波动采购成本上涨10%最优价格和补货量如何调整参数敏感性改变库存持有成本或缺货成本看最优解是否稳定。通过敏感性分析你可以给出管理建议例如“本模型对需求预测精度较为敏感建议贵超市投资于更精准的需求预测系统”或者“采购成本是影响利润的最关键因素应加强与供应商的谈判”。5. 论文之外的实战心得那些容易忽略的“魔鬼细节”参加过数学建模竞赛的人都知道把模型跑通和把论文写好中间隔着一道鸿沟。而对于C题这种贴近实际的问题还有一些细节处理得好能极大提升论文的层次。5.1 数据预处理干净的数据是成功的一半题目给的数据往往“很脏”。异常值处理某天因为系统错误记录了一个天文数字的销量或者因为盘点导致库存为负。需要用统计方法如3σ原则或业务规则识别并处理这些异常点否则会严重扭曲需求预测模型。缺失值处理某些天的天气数据缺失。是删除该条记录还是用前后天的均值、插值法填补需要说明理由。数据标准化/归一化特别是当你使用基于距离的模型如KNN或神经网络时必须将特征缩放到同一尺度。5.2 “新鲜度”与库存建模蔬菜不是罐头这是蔬菜区别于一般商品的核心。你不能只用一个总库存变量I_t。多代库存Age-Dependent Inventory更精细的模型会区分不同批次库龄的库存。假设保质期为2天那么第t天的可用库存就包括今天新到的Q_t新鲜度100%和昨天剩余未售出的I_{t-1}^{old}新鲜度可能下降需求或价格受影响。新鲜度衰减函数可以定义一个新鲜度因子f(age)比如f(1)1.0当天f(2)0.7隔夜f(3)0过期。那么隔夜菜的“有效供给”或“可吸引的需求”就变成了f(2) * I_{t-1}^{old}。你甚至可以为不同新鲜度的商品设定不同的价格就像超市傍晚打折处理隔夜菜一样。清货策略在模型中显式地加入一条规则优先销售旧库存。这可以通过在目标函数中为销售旧库存给予“虚拟奖励”或者约束旧库存必须先于新库存被消耗来实现。5.3 竞争对手与市场均衡你不是一个人在定价在现实中你的定价会受竞争对手影响反之亦然。这是一个博弈论问题。在国赛中如果题目没有明确给出竞争对手数据通常可以忽略或者做简化假设如假设竞争对手价格是外生变量作为你需求函数的一个特征。但如果题目涉及多个销售点或提到了市场竞争你就需要考虑更复杂的模型如纳什均衡。每个销售点玩家在制定自己价格时都会考虑其他销售点的价格策略。求解这样的均衡通常更具挑战性但一旦成功将是论文的绝对亮点。5.4 模型检验与回测用历史数据“模拟经营”不要只给出未来几天的策略就结束了。一个令人信服的证明是利用历史数据进行回测。选取一段历史时期如过去两个月。假设你从该时期的第1天开始运行你的模型每天根据截至当天的历史数据预测未来做出决策。将模型决策下的“模拟销量”、“模拟库存”、“模拟利润”与实际情况进行对比。计算关键指标提升总利润提升了多少损耗率降低了多少缺货率降低了多少通过回测你可以直观地展示模型的价值。在论文中用对比图表如并排的利润曲线图、库存水平图来呈现效果会非常好。6. 从解题到论文如何构建一份有竞争力的国赛答卷最后我们来谈谈如何将以上所有思考整合成一份逻辑清晰、内容充实的数学建模论文。摘要这是论文的“脸面”。用精炼的语言在有限字数内说明针对什么问题、建立了什么模型核心方法、采用了什么算法求解、得到了什么结果用定量数据说话如“使得周均利润提升15%损耗降低20%”、有何特色与创新。避免空洞的形容词多用数据和结论。问题重述与分析不要照抄题目。用自己的话梳理问题的背景、目标和难点。画出逻辑框图来展示你的解题思路让评委一眼看清你的建模脉络。模型假设这是模型的基石。列出清晰、合理、必要的假设。例如“假设单一蔬菜品类的需求独立于其他品类”、“假设短期内采购成本固定”、“假设需求预测误差服从正态分布”。好的假设既能简化问题又不会脱离实际太远。符号说明用三线表列出所有模型中用到的主要变量符号及其含义显得专业且便于阅读。模型建立与求解这是论文的核心。按照“总-分”结构。先给出模型的整体框架如MPC框架图。然后分小节详细介绍各个子模块需求预测模型、库存状态转移模型、目标函数与约束、求解算法。对关键公式进行推导和解释。给出算法流程图或伪代码。模型检验与结果分析需求预测模型评估展示你的预测模型在测试集上的表现RMSE, MAE, R²等指标。优化结果展示给出针对示例商品如菠菜、土豆的未来一周推荐定价与补货计划表。敏感性分析用图表展示关键参数变动对结果的影响。回测分析展示历史模拟对比图并计算关键绩效指标KPI的提升百分比。模型评价与推广优点客观评价自己模型的亮点如考虑了多周期、新鲜度采用了滚动优化结合了机器学习预测等。缺点诚恳地指出模型的局限性例如未考虑竞争对手的激烈反应、假设需求函数形式固定等。指出缺点不是扣分项而是思考全面的体现。推广说明模型稍作修改后可以应用于其他易腐品如水果、鲜花、烘焙食品或零售行业更广泛的库存定价问题。参考文献与附录规范引用参考文献。将冗长的代码、大量的中间结果数据放在附录中。我个人在多次指导和参赛中的体会是国赛获奖论文尤其是高等级奖项的论文往往胜在“系统性”和“深度”。它不要求你使用多么高深莫测的算法但要求你对问题的理解是透彻的建模逻辑是自洽的求解过程是清晰的结果分析是扎实的。从“蔬菜定价补货”这个具体问题出发构建一个环环相扣、有数据、有算法、有分析、有检验的完整解决方案并能用专业的论文语言和图表呈现出来这本身就是一次完美的数学建模实践。记住你的模型可能永远无法完全复制现实世界的复杂性但一个严谨、创新且可解释的模型足以为你赢得评委的青睐。 数学建模在生鲜零售定价与补货决策中的应用与实战解析
1. 从“拍脑袋”到“算数据”为什么蔬菜定价补货需要数学建模如果你在超市、生鲜电商或者农贸市场工作过或者哪怕只是经常买菜你大概都见过这样的场景早上还堆成小山的绿叶菜到了傍晚可能就蔫了吧唧地打折处理而昨天还卖得不错的土豆今天却因为进货太多堆在角落里无人问津。另一边顾客可能抱怨“这菜价一天一个样”或者想买的菜总是缺货。这背后其实就是零售业尤其是生鲜领域最经典、也最头疼的问题定价与补货。对于蔬菜这类商品其特殊性让这个问题变得尤为复杂。首先极度易腐。叶菜类的生命周期可能只有1-2天这意味着今天的库存如果没卖完明天就可能变成损耗直接侵蚀利润。其次需求波动大。天气变化、节假日、甚至一个突然的社交媒体热点比如“某某蔬菜能防癌”都可能让需求量剧烈起伏。再者价格弹性敏感。顾客对蔬菜价格非常敏感定价高一点可能就没人买定价低一点又可能瞬间被抢光还赚不到钱。最后供应链链条长且不确定。从产地到货架受天气、运输、市场批发价等多重因素影响成本和供给都不稳定。传统的解决方法很大程度上依赖于采购或店长的“经验”。凭感觉判断明天卖多少、进多少货再根据成本和竞争对手大概定个价。这种方法在小规模或稳定环境下或许可行但在追求精细化运营和利润最大化的今天尤其是在全国大学生数学建模竞赛国赛这种需要量化分析和科学决策的舞台上就显得过于粗放且缺乏说服力了。于是数学建模登场了。它本质上是一套“翻译”工具把我们现实中这个混乱、复杂的问题翻译成数学的语言——变量、方程、目标函数和约束条件。通过建立模型我们可以系统地考虑成本、库存、需求预测、价格影响、保质期等诸多因素并寻找那个能让总利润最高、或损耗最低、或顾客满意度最好的定价与补货策略组合。国赛C题选择“蔬菜类商品的自动定价与补货决策”作为赛题正是因为它完美地融合了现实商业价值与数学建模的多元技术。它要求参赛者不仅要有扎实的数学功底如优化理论、统计分析、机器学习还要有将实际问题抽象化的能力更考验对商业逻辑的理解。接下来我将以一个“虚拟参赛者”兼“行业观察者”的双重身份带你深入拆解这道题的解题脉络、核心模型构建的思考过程以及那些在论文中可能不会写但实际建模中至关重要的“踩坑”经验。2. 解题第一步像经营一家超市一样拆解问题拿到赛题切忌一头扎进公式和代码里。第一步也是最重要的一步是彻底理解业务场景并定义清楚我们要解决的到底是什么问题。我们假设自己是一家生鲜超市的运营负责人接到了“优化蔬菜品类利润”的任务。2.1 核心决策变量是什么我们的目标是为每一种蔬菜或每一类蔬菜做出决策。决策主要围绕两个核心变量补货量Q每天或每个补货周期应该订购多少数量的某种蔬菜。销售价格P该种蔬菜当天或该周期内的零售定价。这两个决策不是独立的而是强耦合的。价格会影响销量销量决定了库存消耗和潜在的损耗进而影响下一次的补货决策。这是一个典型的动态决策问题。2.2 我们需要哪些数据问题分析的关键模型不是空中楼阁它需要数据来驱动和验证。在国赛题目中通常会提供一部分数据如历史销量、成本、损耗记录但更重要的是我们要明确还需要哪些“隐形”的数据或假设这体现了对问题的理解深度。成本数据采购成本C_p从供应商处进货的单价。它可能是固定的也可能随采购量、季节变化。持有成本C_h蔬菜在仓库或货架上存储产生的成本包括冷藏电费、仓储空间占用、管理人力等。对于生鲜这部分成本相对较低但需要考虑。缺货成本C_s当顾客想买而没货时不仅损失了本次销售利润还可能损害顾客忠诚度。这是一个难以量化但非常重要的“软成本”。损耗/报废成本C_w蔬菜过期未售出需要丢弃处理产生的损失。通常等于采购成本因为无法回收任何价值有时还需加上处理费用。这是蔬菜品类最大的成本项之一是模型需要重点规避的。需求数据与预测历史销量这是最直接的数据。但要注意历史销量不等于历史需求因为当缺货时需求是被低估的。需求函数 D(P, X)这是模型的核心。它描述了在价格P下以及在其他因素X影响下顾客的需求量是多少。X可以包括时间因素星期几、是否节假日、季节。天气因素温度、降水量。促销因素是否有捆绑销售、店内陈列位置。替代/互补品价格其他相关蔬菜的价格。需求函数的形式通常是未知的需要我们从历史数据中通过统计或机器学习方法如线性回归、决策树、神经网络去拟合。一个常见的简化形式是线性需求函数D(P) a - b*Pa, b为参数表示价格越高需求越低。商品特性数据保质期L从收货到品质不可接受的天数。叶菜L1根茎类L7等等。这是约束条件的关键。初始库存I_0每天决策开始时货架上和仓库里还剩多少这种菜。2.3 我们的目标是什么建立目标函数作为超市运营者我们最终追求的是商业利益。最直接的目标是最大化总利润或者最大化总收益亦或是最小化总成本尤其是损耗成本。在国赛中通常采用最大化周期内如一周的总利润。单日单品的利润公式可以初步抽象为Profit P * Min(实际销量, 可用库存) - C_p * Q - C_w * 损耗量其中实际销量 Min(需求D(P), 可用库存)。这里就出现了库存和需求的交互。注意这个公式是一个高度简化的版本。实际建模中你需要考虑多周期今天卖不完的可以明天卖但品质下降或过期、需求的不确定性随机性以及更复杂的成本结构。但它是我们思考的起点。3. 模型工具箱哪些数学方法可以派上用场明确了问题和数据接下来就是选择建模的“武器”。蔬菜定价补货问题是一个典型的库存管理与动态定价联合优化问题。根据题目对不确定性的强调程度可以选择不同复杂度的模型。3.1 基础模型报童模型及其扩展这是处理易腐品单周期库存问题的基石模型。它回答一个核心问题面对一个不确定的需求已知概率分布为了最大化期望利润我应该准备多少库存或订购多少经典报童模型场景商品生命周期仅一天如日报、鲜花当天未售出则完全报废。决策订购量 Q。已知单位采购成本 c单位售价 p单位残值 ss c通常蔬菜s0需求D的概率分布。最优解找到一个临界分位数Critical Fractile使得P(需求 ≤ Q*) (p-c)/(p-s)。这个公式告诉我们最优库存水平取决于“边际利润”与“边际损失”的权衡。对于我们的C题需要将报童模型进行关键扩展引入定价决策需求不再是外生随机变量而是价格P的函数 D(P, ε)其中ε是随机扰动。问题变为同时优化 (P, Q)。多周期考虑蔬菜可能有多天保质期。今天的库存没卖完可以加入明天的可用库存。这就变成了一个多周期动态规划问题状态变量是库存水平决策变量是每期的价格和补货量。需求函数拟合需要利用历史数据估计出需求函数的具体形式如D(P) a - b*P ε及其随机项ε的分布。实操心得在国赛论文中直接使用经典报童公式可能显得过于简单。但你可以从它出发详细论述你如何将其扩展以适应多周期、可定价的场景并推导出最优条件如一阶条件FOC这能很好地展示你的建模功底。3.2 进阶模型动态规划与随机优化当考虑多周期如一周的每天和需求不确定性时动态规划DP是一个强有力的框架。状态State通常包括当前库存水平 I_t以及可能影响需求的“信息状态”如星期几、天气预测。动作Action在状态s_t下你需要做出的决策即定价P_t和补货量Q_t。状态转移描述在做出决策后状态如何变化。例如I_{t1} max(I_t Q_t - D(P_t, ε_t), 0)并考虑保质期衰减可能需要引入“库龄”作为状态。回报Reward每期的利润R_t P_t * min(D(P_t, ε_t), I_tQ_t) - C_p*Q_t - C_w*损耗。目标找到一组策略从每个状态到动作的映射最大化总期望利润E[∑ R_t]。难点与简化维数灾难状态和动作空间如果太精细如库存精确到克价格精确到分DP的计算量会爆炸。常用简化方法离散化将库存和价格离散成几个水平如库存低、中、高价格高、中、低。近似动态规划ADP用函数如线性函数、神经网络来近似价值函数避免枚举所有状态。模型预测控制MPC在每个决策点只优化未来有限周期如未来3天的决策并只执行第一天的决策第二天根据新状态重新优化。这在实践中非常流行。踩坑记录在有限时间的国赛中试图构建并求解一个完美的多周期随机动态规划模型几乎是不可能的。更务实的策略是采用MPC框架。假设我们每天凌晨做决策我们利用最新的需求和库存数据对未来N天N小于等于商品保质期的需求进行预测然后构建一个确定性的多周期优化模型假设未来需求等于预测值求解出未来N天的计划P和Q但只实施第一天的决策。第二天重复这个过程。这样既考虑了未来影响又保证了模型的可解性。在论文中这被称为“滚动时域优化”或“反馈控制策略”是一个既高级又实用的亮点。3.3 数据驱动的需求预测模型无论采用哪种优化框架一个准确的D(P, X)需求函数都是成功的基石。这里就需要用到机器学习和统计方法。特征工程这是提升预测精度的关键。除了价格P你需要从题目数据或常识中挖掘特征X。时间特征星期几的哑变量、是否节假日的标志、月份、季节。滞后特征前几天的销量自相关性、前几天的价格。交叉特征价格与星期几的交互项可能周末价格弹性更低。外部特征如果题目提供比如天气数据温度、降雨、促销活动信息。模型选择线性回归带正则化可解释性强能直接得到需求价格弹性系数即b值。使用Lasso回归还可以进行特征选择。决策树/随机森林/XGBoost对非线性关系捕捉能力强能自动处理特征交互通常预测精度更高。但可解释性稍弱且得到的不是显式的D(P)函数需要额外处理比如在其他特征固定的情况下模拟价格变化对预测销量的影响。神经网络对于非常复杂的关系表现好但在数据量有限、赛题时间紧的情况下可能不是首选且存在过拟合风险。实操步骤示例以Python为例import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # 假设df是包含历史数据的数据框列包括date, price, sales, weekday, is_holiday, temperature... # 创建特征和标签 df[weekday] df[date].dt.weekday df[is_weekend] df[weekday].isin([5,6]).astype(int) # ... 其他特征工程 features [price, weekday, is_holiday, temperature, lag_sales_1, lag_sales_7] target sales X df[features] y df[target] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) model RandomForestRegressor(n_estimators100, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) print(fRMSE on test set: {mean_squared_error(y_test, y_pred, squaredFalse):.2f}) # 分析价格影响固定其他特征改变价格观察预测销量变化 sample_X X_test.iloc[0:1].copy() price_range np.linspace(sample_X[price].min(), sample_X[price].max(), 50) predicted_sales [] for p in price_range: sample_X[price] p predicted_sales.append(model.predict(sample_X)[0]) # 画出价格-预测销量曲线即可近似得到需求函数4. 模型求解与策略输出从数学公式到可执行的方案构建了模型下一步就是求解并将解翻译成业务人员能懂的策略。4.1 将问题形式化为优化问题以MPC框架下的确定性多周期模型为例我们可以建立如下优化模型决策变量未来N天t1,...,N每天的价格P_t和补货量Q_t。状态变量每天的库存水平I_t需要考虑不同库龄的库存为简化这里用总库存。目标函数最大化未来N天的总利润。约束条件库存平衡约束I_{t1} I_t Q_t - min(D(P_t, X_t), I_t Q_t)。这里D(P_t, X_t)是使用预测模型得到的“预测需求”。保质期约束I_t必须小于等于未来几天预测需求的总和一个简化处理或者更精细地引入库龄变量确保旧库存先被消耗。能力约束Q_t Q_max最大采购能力I_t I_max最大仓储能力。价格约束P_min P_t P_max价格浮动范围。非负约束P_t, Q_t, I_t 0。4.2 求解算法选择如果模型是线性的/二次的对于线性需求函数和线性成本目标函数可能是二次的利润价格*销量销量是价格的线性函数约束是线性的。这可以形成一个**二次规划QP**问题可以使用成熟的求解器如CVXOPT, Gurobi, CPLEX高效求解。这是最理想的情况。如果模型是非线性的当需求函数是复杂的非线性函数如来自随机森林的预测时问题就变成了非线性规划NLP。可以使用梯度下降、序列二次规划SQP或启发式算法。启发式/元启发式算法当问题规模大、非线性程度高时遗传算法GA、模拟退火SA、粒子群优化PSO等是不错的选择。它们不保证找到全局最优解但能在合理时间内找到高质量的解。在国赛中这常常是展示算法应用能力的亮点。示例使用遗传算法框架编码将一个解未来N天的P和Q序列编码成一条染色体。例如[P1, Q1, P2, Q2, ..., Pn, Qn]。适应度函数就是我们的目标函数——总利润。计算时需要根据决策变量序列模拟未来N天的库存变化和销售情况计算出总利润。遗传操作选择、交叉、变异不断迭代进化种群。解码将最优染色体解码回价格和补货量序列。重要提示在论文中你需要详细描述你的求解过程。如果用了现成的求解器说明名称和关键参数设置。如果自己实现了算法如GA需要给出伪代码、参数设置种群大小、迭代次数、交叉变异概率等以及收敛性分析如画出适应度随迭代次数的变化曲线。4.3 输出策略与敏感性分析求解模型后我们得到了一组最优的(P_t*, Q_t*)。但这还不是终点。策略解读你需要分析输出策略的合理性。例如是否在保质期短的商品上采取了更激进的价格策略临近保质期大幅降价是否在预测需求高的日子如周末提前增加了补货量将策略与业务直觉对照能增强模型的说服力。敏感性分析这是体现模型稳健性和你思考深度的关键部分。你需要测试当关键参数或假设发生变化时策略和利润如何变化。需求预测误差假设你的需求预测有±10%的偏差重新运行模型观察利润下降了多少策略有多大变化成本波动采购成本上涨10%最优价格和补货量如何调整参数敏感性改变库存持有成本或缺货成本看最优解是否稳定。通过敏感性分析你可以给出管理建议例如“本模型对需求预测精度较为敏感建议贵超市投资于更精准的需求预测系统”或者“采购成本是影响利润的最关键因素应加强与供应商的谈判”。5. 论文之外的实战心得那些容易忽略的“魔鬼细节”参加过数学建模竞赛的人都知道把模型跑通和把论文写好中间隔着一道鸿沟。而对于C题这种贴近实际的问题还有一些细节处理得好能极大提升论文的层次。5.1 数据预处理干净的数据是成功的一半题目给的数据往往“很脏”。异常值处理某天因为系统错误记录了一个天文数字的销量或者因为盘点导致库存为负。需要用统计方法如3σ原则或业务规则识别并处理这些异常点否则会严重扭曲需求预测模型。缺失值处理某些天的天气数据缺失。是删除该条记录还是用前后天的均值、插值法填补需要说明理由。数据标准化/归一化特别是当你使用基于距离的模型如KNN或神经网络时必须将特征缩放到同一尺度。5.2 “新鲜度”与库存建模蔬菜不是罐头这是蔬菜区别于一般商品的核心。你不能只用一个总库存变量I_t。多代库存Age-Dependent Inventory更精细的模型会区分不同批次库龄的库存。假设保质期为2天那么第t天的可用库存就包括今天新到的Q_t新鲜度100%和昨天剩余未售出的I_{t-1}^{old}新鲜度可能下降需求或价格受影响。新鲜度衰减函数可以定义一个新鲜度因子f(age)比如f(1)1.0当天f(2)0.7隔夜f(3)0过期。那么隔夜菜的“有效供给”或“可吸引的需求”就变成了f(2) * I_{t-1}^{old}。你甚至可以为不同新鲜度的商品设定不同的价格就像超市傍晚打折处理隔夜菜一样。清货策略在模型中显式地加入一条规则优先销售旧库存。这可以通过在目标函数中为销售旧库存给予“虚拟奖励”或者约束旧库存必须先于新库存被消耗来实现。5.3 竞争对手与市场均衡你不是一个人在定价在现实中你的定价会受竞争对手影响反之亦然。这是一个博弈论问题。在国赛中如果题目没有明确给出竞争对手数据通常可以忽略或者做简化假设如假设竞争对手价格是外生变量作为你需求函数的一个特征。但如果题目涉及多个销售点或提到了市场竞争你就需要考虑更复杂的模型如纳什均衡。每个销售点玩家在制定自己价格时都会考虑其他销售点的价格策略。求解这样的均衡通常更具挑战性但一旦成功将是论文的绝对亮点。5.4 模型检验与回测用历史数据“模拟经营”不要只给出未来几天的策略就结束了。一个令人信服的证明是利用历史数据进行回测。选取一段历史时期如过去两个月。假设你从该时期的第1天开始运行你的模型每天根据截至当天的历史数据预测未来做出决策。将模型决策下的“模拟销量”、“模拟库存”、“模拟利润”与实际情况进行对比。计算关键指标提升总利润提升了多少损耗率降低了多少缺货率降低了多少通过回测你可以直观地展示模型的价值。在论文中用对比图表如并排的利润曲线图、库存水平图来呈现效果会非常好。6. 从解题到论文如何构建一份有竞争力的国赛答卷最后我们来谈谈如何将以上所有思考整合成一份逻辑清晰、内容充实的数学建模论文。摘要这是论文的“脸面”。用精炼的语言在有限字数内说明针对什么问题、建立了什么模型核心方法、采用了什么算法求解、得到了什么结果用定量数据说话如“使得周均利润提升15%损耗降低20%”、有何特色与创新。避免空洞的形容词多用数据和结论。问题重述与分析不要照抄题目。用自己的话梳理问题的背景、目标和难点。画出逻辑框图来展示你的解题思路让评委一眼看清你的建模脉络。模型假设这是模型的基石。列出清晰、合理、必要的假设。例如“假设单一蔬菜品类的需求独立于其他品类”、“假设短期内采购成本固定”、“假设需求预测误差服从正态分布”。好的假设既能简化问题又不会脱离实际太远。符号说明用三线表列出所有模型中用到的主要变量符号及其含义显得专业且便于阅读。模型建立与求解这是论文的核心。按照“总-分”结构。先给出模型的整体框架如MPC框架图。然后分小节详细介绍各个子模块需求预测模型、库存状态转移模型、目标函数与约束、求解算法。对关键公式进行推导和解释。给出算法流程图或伪代码。模型检验与结果分析需求预测模型评估展示你的预测模型在测试集上的表现RMSE, MAE, R²等指标。优化结果展示给出针对示例商品如菠菜、土豆的未来一周推荐定价与补货计划表。敏感性分析用图表展示关键参数变动对结果的影响。回测分析展示历史模拟对比图并计算关键绩效指标KPI的提升百分比。模型评价与推广优点客观评价自己模型的亮点如考虑了多周期、新鲜度采用了滚动优化结合了机器学习预测等。缺点诚恳地指出模型的局限性例如未考虑竞争对手的激烈反应、假设需求函数形式固定等。指出缺点不是扣分项而是思考全面的体现。推广说明模型稍作修改后可以应用于其他易腐品如水果、鲜花、烘焙食品或零售行业更广泛的库存定价问题。参考文献与附录规范引用参考文献。将冗长的代码、大量的中间结果数据放在附录中。我个人在多次指导和参赛中的体会是国赛获奖论文尤其是高等级奖项的论文往往胜在“系统性”和“深度”。它不要求你使用多么高深莫测的算法但要求你对问题的理解是透彻的建模逻辑是自洽的求解过程是清晰的结果分析是扎实的。从“蔬菜定价补货”这个具体问题出发构建一个环环相扣、有数据、有算法、有分析、有检验的完整解决方案并能用专业的论文语言和图表呈现出来这本身就是一次完美的数学建模实践。记住你的模型可能永远无法完全复制现实世界的复杂性但一个严谨、创新且可解释的模型足以为你赢得评委的青睐。