1. 从“羊圈”到“模型”一个数学建模问题的诞生去年国赛的D题“圈养湖羊的空间利用率”乍一看题目很多同学可能会有点懵。这不像传统的物理题或者经济预测题它把一个非常具体的、甚至有点“土”的农业生产问题摆在了我们面前。题目要求我们为湖羊设计一个合理的养殖棚并规划羊只的进出通道核心目标是在保证羊只健康生长和活动需求的前提下最大化棚舍的土地空间利用率。这本质上是一个带复杂约束的优化问题但它巧妙地将几何、运筹学、甚至一点点动物行为学的常识融合在了一起。为什么这道题值得拿出来专门讲因为它完美体现了数学建模竞赛的精髓用数学工具解决一个真实的、跨学科的工程或管理问题。你不需要是畜牧专家但你需要从题目描述中抽象出关键因素羊的活动半径、通道宽度、棚舍形状矩形、必须满足的每只羊的最小面积等等。然后你的任务就是建立一个数学模型来寻找那个“最优”的布局方案。这个“最优”可能是在固定面积下能养最多的羊也可能是在养固定数量羊时占地最少。对于参赛者尤其是第一次接触这类优化问题的同学最大的挑战往往不是MATLAB代码怎么写而是如何将一段文字描述转化为严谨的数学语言和可计算的模型。题目中“空间利用率”的定义、通道的布置方式、羊只活动区域的约束这些都需要你逐一拆解、定义变量、建立等式或不等式。获奖论文和代码的价值就在于它们展示了从“问题理解”到“模型构建”再到“算法实现”的完整闭环。接下来我们就沿着这个闭环深入拆解D题的解题核心。2. 核心约束与优化目标的数学化表述解题的第一步也是最重要的一步是把题目中“说人话”的要求翻译成“数学语言”。我们得先搞清楚在这个“羊圈优化”问题里什么是我们必须遵守的规矩约束以及我们要朝哪个方向努力目标。2.1 定义决策变量与基本参数任何优化模型都需要变量。对于D题最核心的决策变量通常包括养殖棚的尺寸假设为矩形设其长为L宽为W单位米。那么棚舍面积S_shed L * W。羊只数量设为N单位只。这是我们要优化的重要结果之一。通道的布局与宽度题目通常要求设置一条或多条通道方便饲养管理。设通道宽度为d单位米。通道的布置方式如居中一条纵向通道或横向多条通道会直接影响可用养殖区域的划分。除了变量还有题目给定的固定参数这些是我们的输入条件每只羊所需的最小活动面积设为A_min单位平方米/只。这是硬性约束保证羊的基本福利。羊的活动半径设为r单位米。这用于考虑羊只在圈内活动时需要的圆形空间或者用于计算通道宽度对羊只活动区域的“侵蚀”效应。可能的其他约束如棚舍长宽比的范围L/W ∈ [a, b]通道宽度最小值等。2.2 构建核心约束条件约束条件保证了方案的可行性。基于题目我们需要建立以下几个关键约束羊只面积约束这是最基本的生存空间要求。羊群总的可用养殖面积必须至少能容纳N只羊。可用养殖面积计算总棚舍面积减去通道占用的面积。例如若设计一条宽度为d、贯穿整个棚舍长度的纵向通道则通道面积为d * L。那么实际可用于养羊的净面积S_net L * W - d * L L * (W - d)。约束不等式S_net N * A_min。即L * (W - d) N * A_min。通道与活动半径约束通道的存在不能过度挤压羊的活动空间。一种常见的建模思路是通道边缘到羊群聚集区域的边界需要留出至少一个活动半径r的距离防止羊在通道边拥挤。这可能会在净面积内部进一步划出一个“有效活动区域”。例如假设通道在中间则将净区域分为左右两块。每块区域的宽度为(W - d) / 2。为了保证羊只在靠近通道边缘也能自由活动可能需要满足(W - d) / 2 r。或者更精细地将每只羊的活动范围建模为以某点为中心、半径为r的圆要求这些圆不相互重叠且不超出净区域边界。这会将问题引入更复杂的圆形填充Circle Packing或覆盖Covering问题。几何形状约束棚舍是矩形长宽需要是正数且可能满足一定的比例要求。L 0, W 0a L/W b如果题目有要求2.3 确立优化目标目标是“空间利用率”最高。但“利用率”需要精确定义。常见且合理的定义有两种定义一羊只数量最大化。在给定棚舍总面积S_total或给定L, W和通道设计下能养殖的最大羊只数量N_max。目标函数Maximize N此时S_shed L * W可能是固定的或者L, W, d是联同N一起优化的变量。我们需要在满足所有约束的前提下找到使N最大的解。定义二棚舍面积最小化。在需要养殖固定数量N_fixed只羊的前提下设计一个总面积最小的棚舍。目标函数Minimize S_shed L * W此时N是固定值N_fixed我们需要优化L, W, d来最小化总面积。两种定义的联系它们本质上是同一问题的对偶视角。在获奖论文中选择哪一种作为目标取决于题目问法的侧重点或者为了简化计算先固定一个再求另一个。更全面的做法是分析“利用率”η (N * A_min) / S_shed。在满足所有约束下最大化η等价于在固定S_shed下最大化N也等价于在固定N下最小化S_shed。注意这里有一个非常关键的建模细节也是优秀论文的区分点。A_min是每只羊的最低需求面积而(N * A_min) / S_shed这个利用率公式其理论最大值是1即面积刚好够用无任何浪费。但实际上由于通道、羊只活动半径、矩形区域无法被圆形完全填满如果采用圆形填充模型等因素利用率永远小于1。我们的优化就是让这个值尽可能接近1。3. 模型建立从简单到复杂的策略选择有了数学化的目标和约束接下来就是选择或建立合适的数学模型。针对D题模型的复杂度和精度可以分成几个层次参赛者需要根据自身能力与时间做出权衡。3.1 基础模型简化几何分析这是最直接、计算量最小的思路。完全忽略“活动半径”的圆形约束仅考虑矩形区域的面积分配。核心思想将棚舍视为一个大矩形通道视为从中挖掉的一个或多个小矩形。可用养殖面积就是大矩形面积减去所有通道面积。模型建立假设一条纵向通道宽为d则S_net L*(W-d)。约束L*(W-d) N * A_minW-d 0L, W, d 0。目标以最大化N为例Max N floor( L*(W-d) / A_min )。floor是向下取整因为羊的数量必须是整数。求解这几乎是一个解析问题。给定L, W最优的d应尽可能小但需大于最小宽度要求以使S_net最大。N的最大值可以直接计算出来。优缺点优点简单明了易于实现能快速得到一个基准解。缺点过于理想化。它假设羊可以像铺瓷砖一样紧密地填满整个矩形净区域完全忽略了羊是活动的、需要圆形空间的个体。这个模型得到的N是理论上的绝对上限在实际中无法达到。3.2 进阶模型引入圆形填充Circle Packing这是更贴近实际、也是本题核心难点的模型。我们承认每只羊需要一个半径为r的圆形活动空间并且这些圆形空间在净区域内不应重叠。核心思想在给定的矩形净区域S_net内尽可能多地放入半径为r的不重叠的圆。能放入的圆的数量就是最大养殖数量N。模型建立这变成了一个经典的圆形填充优化问题。设第i只羊的活动圆心坐标为(x_i, y_i)。不重叠约束对于任意两只不同的羊i和j其圆心距离应至少为2r。即sqrt((x_i - x_j)^2 (y_i - y_j)^2) 2r。边界约束每只羊的圆形区域必须完全位于净区域内部。如果净区域是矩形[0, L] x [d/2, W-d/2]假设通道在中间则需满足r x_i L - r且r d/2 y_i W - r - d/2。目标Maximize N同时找到所有(x_i, y_i)的坐标。求解挑战这是一个非线性、非凸的优化问题变量数随N增加而增加每个圆有2个坐标变量约束条件数量约为O(N^2)量级。直接求解非常困难。常用策略启发式算法采用模拟退火Simulated Annealing、遗传算法Genetic Algorithm等。这些算法从一个随机布局开始通过随机扰动、接受或拒绝较差的解模拟退火或通过选择、交叉、变异遗传算法来迭代搜索更优的布局。MATLAB的全局优化工具箱提供了这些算法的实现。规则排列近似采用规则的网格来排列圆如正方形网格或正三角形六边形网格。计算在给定矩形区域内按这种规则排列最多能放下多少个半径为r的圆。这种方法得到的是次优解但计算简单且对于大面积区域规则排列的密度很高六边形排列是最密堆积。3.3 综合模型耦合棚舍尺寸与通道优化最完整的模型是将棚舍尺寸(L, W)、通道宽度d和圆形填充问题联合优化。问题表述在满足L, W, d的几何约束和比例约束下在由(L, W, d)决定的净区域内求解圆形填充问题得到最大N。最终目标是优化(L, W, d)使得N最大或使得利用率η最高。求解方法这通常是一个两层优化问题。外层循环优化(L, W, d)。可以使用遍历搜索如果参数范围不大、fminconMATLAB的非线性规划求解器等。内层循环对于外层给定的一组(L, W, d)计算在当前净区域内能填充的最大圆数N。这需要调用前述的圆形填充算法如启发式算法。计算复杂度非常高。因为内层填充问题本身就很耗时外层还要多次调用它。在实际比赛中通常会进行大量简化例如固定L/W的比例或者先根据经验确定一个较优的d从而降低变量维度。4. MATLAB实现关键与获奖代码赏析理解了模型我们来看如何用MATLAB这把“瑞士军刀”来实现它。这里不会贴出完整的获奖代码那通常很长而是提炼其中关键的实现思路、函数和技巧。4.1 基础面积模型的快速实现对于基础模型MATLAB实现几乎就是一行公式计算。% 给定参数 L 50; % 棚舍长度 (m) W 30; % 棚舍宽度 (m) d_min 1.5; % 最小通道宽度 (m) A_min 4; % 每只羊最小面积 (m^2) % 优化通道宽度d在满足最小宽度的前提下d越小越好 d_opt d_min; % 计算净面积和最大羊只数 S_net L * (W - d_opt); N_max_floor floor(S_net / A_min); % 向下取整 fprintf(基础模型棚舍尺寸 %d x %d 通道宽 %.1f 理论最大养殖数量%d 只\n, L, W, d_opt, N_max_floor);这种计算主要用于快速验证和获取理论上限。4.2 圆形填充模型的启发式算法实现这是代码的核心部分。我们以模拟退火SA为例因为它概念相对直观MATLAB实现也方便。算法思路初始化在矩形区域内随机生成N个点作为圆心。这个N可以初始化为一个较大的估计值如用基础模型算出的N_max_floor。定义能量函数用于评价当前布局的好坏。一个常用的能量函数是“总重叠能量”。计算所有圆对之间的重叠深度求平方和。能量越低布局越好重叠越少。function E compute_energy(centers, r) % centers: Nx2矩阵每行是一个圆心坐标[x, y] % r: 半径 N size(centers, 1); E 0; for i 1:N-1 for j i1:N dist_ij norm(centers(i,:) - centers(j,:)); overlap 2*r - dist_ij; if overlap 0 E E overlap^2; % 惩罚重叠平方使惩罚更严厉 end end end end迭代过程扰动随机选择一只羊一个圆在其当前位置附近随机移动一个小距离。计算新能量移动后计算新的能量E_new。Metropolis准则如果E_new E_old总是接受移动。如果E_new E_old则以概率exp(-(E_new - E_old) / T)接受移动其中T是当前“温度”。降温随着迭代进行按照降温计划如T T0 * alpha^kalpha略小于1逐步降低温度T。温度高时算法容易跳出局部最优温度低时算法趋于稳定。终止当温度降至阈值以下或连续多次迭代能量不再下降时停止算法。最终得到一个重叠尽可能少的布局。在MATLAB中你可以自己实现上述循环也可以利用全局优化工具箱% 使用模拟退火 sa 工具 (需要Global Optimization Toolbox) % 定义目标函数我们的目标是最小化“能量”即重叠 fun (x) myEnergyFunction(x, r, L_net, W_net); % x是一个将所有圆心坐标平铺的向量 % 设置变量上下界 (确保圆心在矩形净区域内且离边界至少r) lb [r, r, r, r, ...]; % 每个坐标分量的下界 ub [L_net-r, W_net-r, L_net-r, W_net-r, ...]; % 上界 % 初始猜测 x0 ...; % 随机生成或按网格生成 % 调用模拟退火 options optimoptions(simulannealbnd, MaxIterations, 10000, ... PlotFcns, {saplotbestx, saplotbestf, saplotx, saplotf}); [x_opt, fval, exitflag] simulannealbnd(fun, x0, lb, ub, options);实操心得模拟退火的参数初始温度、降温速率、迭代次数对结果影响很大。需要多次尝试调整。此外能量函数的设计是艺术平方惩罚比线性惩罚更能迫使圆分开。4.3 规则排列法的实现与对比作为启发式算法的补充和验证实现规则排列非常有必要。正方形排列圆心构成正方形网格。相邻圆心的水平垂直距离均为2r。% 计算在区域 [0, L_net] x [0, W_net] 内能放多少圆 dx 2*r; dy 2*r; nx floor((L_net - 2*r) / dx) 1; % 每行个数 ny floor((W_net - 2*r) / dy) 1; % 每列个数 N_square nx * ny;正三角形六边形排列这是最密堆积方式密度约为π/(2√3) ≈ 0.9069。奇数行和偶数行的圆心错开半个间距。dx 2*r; dy sqrt(3)*r; % 行间距 nx floor((L_net - 2*r) / dx) 1; ny floor((W_net - 2*r) / dy) 1; N_hex 0; for row 1:ny if mod(row, 2) 1 % 奇数行 current_nx nx; else % 偶数行起始位置偏移 r if (L_net - 2*r) r % 确保有空间偏移 current_nx floor((L_net - 2*r - r) / dx) 1; else current_nx 0; end end N_hex N_hex current_nx; end对比意义规则排列法给出的N是一个可靠的下界至少能放这么多而启发式算法如SA则试图逼近上界。将两者结果对比可以评估启发式算法的优劣。如果SA的结果只比六边形排列多一两只说明可能已接近最优如果SA结果远小于六边形排列那SA可能陷入了很差的局部最优需要调整参数或更换算法。4.4 获奖论文代码中的“骚操作”分析优秀论文的附录代码常能看到一些提升效率和效果的技巧分阶段优化先使用规则排列如六边形产生一个较好的初始解再把这个解作为模拟退火或遗传算法的初始种群。这比完全随机初始化收敛快得多。自适应步长在模拟退火的“扰动”阶段步长不是固定的。初期温度高步长大便于全局探索后期温度低步长小便于局部精细调整。能量函数的改进除了圆与圆的重叠还将圆与矩形边界的重叠也纳入能量函数进行惩罚。这能更自然地处理边界约束避免圆心贴在边界上导致圆的一部分超出区域。可视化与调试在迭代过程中实时绘制圆的位置能直观看到算法是否在“努力工作”以及布局如何演变。MATLAB的plot和rectangle(‘Curvature’, [1,1])函数可以方便地画圆。% 绘制圆形布局 figure; axis equal; hold on; rectangle(Position, [0, 0, L_net, W_net]); % 画矩形边界 for i 1:N rectangle(Position, [centers(i,1)-r, centers(i,2)-r, 2*r, 2*r], ... Curvature, [1,1], EdgeColor, b); end hold off;并行计算尝试对于遗传算法评估种群中每个个体的适应度即计算其布局的能量是独立的可以用parfor循环进行并行计算以加速。但要注意数据同步和随机种子的管理。5. 从解题到论文如何构建有说服力的解决方案有了模型和代码最后一步是将你的工作组织成一篇逻辑严谨、内容完整的数学建模论文。D题的论文结构通常遵循“问题重述-模型假设-符号说明-模型建立与求解-结果分析-灵敏度检验-模型评价与推广”的经典流程。这里重点讲几个针对此题容易出彩也容易踩坑的环节。5.1 模型假设的艺术假设不能天马行空必须合理且服务于简化模型。对于D题关键的假设可能包括“将每只湖羊的活动空间简化为一个半径为r的圆形区域。”——这是核心简化必须明确。“通道为笔直的矩形区域且宽度均匀。”——简化了几何形状。“忽略羊只之间的社会行为差异认为所有羊所需空间相同。”——避免了更复杂的个体差异建模。“棚舍地面为水平且忽略立柱等内部结构的影响。”——简化了环境。“在计算最大数量时只考虑静态的空间占据不考虑动态的进出、饮水等行为造成的临时性拥挤。”——明确了模型的静态特性。要点每一条假设都要说明其合理性基于常识或题目暗示以及对模型的影响是简化了计算还是可能带来误差。5.2 结果展示与可视化一图胜千言。对于空间优化问题可视化结果至关重要。最终布局图必须有一张清晰的图展示优化后的棚舍轮廓、通道位置、以及所有羊只活动圆圈的排列。用不同颜色区分通道和养殖区。优化过程收敛图如果用了启发式算法绘制迭代次数与目标函数值能量或羊只数量的关系图证明算法是收敛的。对比分析图可以绘制不同棚舍长宽比(L/W)下最大养殖数量N的变化曲线。或者绘制通道宽度d与空间利用率η的关系曲线直观展示存在一个最优的通道宽度太窄影响通行太宽浪费面积。灵敏度分析图改变关键参数如活动半径r、最小面积A_min观察最大养殖数量N如何变化。通常用柱状图或折线图表示。这能说明你的模型对参数变化的稳健性。5.3 灵敏度分析与模型检验这是体现论文深度的重要部分。不能只说“我们得到了一个解”还要回答“这个解可靠吗”参数灵敏度如前所述分析r和A_min变化 ±10% 对结果N的影响。计算相对变化率。如果变化率很小说明模型稳健如果变化率大则需要指出该参数是关键因素在实际应用中需精确测定。模型对比检验将你的圆形填充模型进阶模型的结果与基础面积模型的结果进行对比。例如在相同棚舍尺寸下基础模型算出能养100只你的圆形填充模型算出能养85只。这个差距15%就是由于忽略了活动空间形状而造成的“理想化误差”。通过对比凸显了你模型的合理性和必要性。算法稳定性检验由于启发式算法带有随机性你需要运行程序多次比如20次记录每次得到的最大N和平均N并计算方差。如果方差很小说明算法稳定如果某次得到了明显更好的结果可以将其作为“最优解”报告但同时说明算法存在一定随机性。5.4 常见踩坑点与论文减分项根据往年经验一些容易失分的细节包括符号说明混乱论文中出现的每一个变量、符号都必须在“符号说明”部分清晰定义其含义和单位。避免前后符号不一致。模型描述与代码脱节论文中描述的算法步骤必须与附录代码的核心逻辑对应。评委可能会抽查代码。如果论文说用了“模拟退火”但代码里是简单的随机搜索这会成为硬伤。结果数据过于单一只给出一组参数下的一个最优解是不够的。必须展示不同情景下的结果并进行对比分析。例如固定总面积变化长宽比看N如何变化。忽略整数约束羊的数量N必须是整数。在模型建立和求解中必须体现这一点如使用floor或ceil函数或在优化模型中直接声明N为整数变量。很多同学在推导公式时忘了这一点导致结果出现小数只羊的笑话。可视化质量差图片分辨率低、线条模糊、标注不清、图例缺失。在MATLAB中使用exportgraphics(gcf, ‘figure.png’, ‘Resolution’, 300)可以导出高清图。确保坐标轴标签、标题齐全。摘要空洞摘要应浓缩全文精华包括用了什么方法、建立了什么模型、得到了什么关键结论例如最优棚舍尺寸为XXm×XXm通道宽Xm此时最多可养殖XX只羊空间利用率为XX%。避免在摘要中写背景介绍和琐碎细节。这道“圈养湖羊”的题目从一个具体的农业问题出发最终考察的是选手将实际问题抽象为数学优化模型并利用计算工具进行求解和验证的综合能力。它不要求你精通畜牧业但要求你具备扎实的数学建模基本功、清晰的逻辑思维和熟练的编程实现能力。通过拆解这道题希望你能掌握这类“带几何约束的优化问题”的一般解题框架从定义变量和约束入手逐步构建从简到繁的模型灵活运用启发式算法和规则近似法最后通过严谨的分析和生动的可视化来呈现你的解决方案。这个过程本身就是一次完整的科研训练。