1. 项目概述从习题解答到建模思维的跃迁拿到《Python数学建模算法与应用》这本书翻到第二章看到后面那一串习题你是不是也和我当初一样有点发怵书上的理论讲得头头是道一到自己动手就感觉知识点像一盘散沙不知道从哪里开始搭建。这份“第二章习题解答”的初衷绝不是为了给你一个可以“抄”的答案。恰恰相反它的核心价值在于通过拆解每一道习题还原一个完整的数学建模思维链路——从问题抽象、模型选择、算法实现到结果分析。很多初学者卡在第一步不知道如何将一个文字描述的实际问题转化为数学公式和可计算的代码。这份解答就是要充当那个“脚手架”帮你理解“为什么这道题用这个模型”以及“这个算法是怎么一步步跑起来的”。无论你是正在备战数模竞赛的学生还是希望用Python解决实际问题的工程师通过啃下这些习题并理解其背后的逻辑你获得的将不仅仅是几行代码而是一套可迁移的问题解决框架。2. 核心习题精讲与建模思维拆解第二章的习题覆盖面很广从最基础的线性规划到图论基本涵盖了初等建模的核心工具。我们不能停留在“给出代码”的层面必须深入每道题的内核讲清楚建模的决策过程。2.1 线性规划问题资源最优分配的“建模第一课”线性规划通常是数学建模的入门题型它的建模思想非常经典在一组线性约束条件下寻找一个线性目标函数的最大值或最小值。习题中常出现的“生产计划”、“资源分配”等问题都属于这一类。2.1.1 问题抽象与模型构建例如一道典型习题“某工厂生产A、B两种产品分别需要消耗原料甲、乙已知每件产品的利润、原料消耗及库存求最大利润的生产计划。” 建模第一步是定义决策变量。设生产A产品x1件B产品x2件。这一步至关重要它把模糊的“生产计划”转化为数学上可操作的对象。 第二步是构建目标函数。总利润Z p1x1 p2x2我们的目标是最大化Z。 第三步是列出约束条件。原料甲的消耗a11x1 a12x2 ≤ b1原料乙的消耗a21x1 a22x2 ≤ b2。同时产量非负x1 ≥ 0, x2 ≥ 0。 至此一个完整的线性规划模型就建立起来了Max Z p1*x1 p2*x2, s.t. (约束条件)。2.1.2 Python求解与scipy.optimize.linprog详解在Python中我们使用scipy.optimize.linprog。这里最大的坑在于这个函数默认是求最小值并且约束条件形式是A_ub * x b_ub。如果你的问题是求最大值或者约束形式是大于等于就需要转换。from scipy.optimize import linprog # 假设利润向量 c [p1, p2]但linprog求最小所以求最大利润时c取负-c c [-5, -4] # 产品A利润5B利润4求最大即求最小化 -5x1 -4x2 # 约束条件系数矩阵 A_ub * x b_ub # 假设甲原料约束2*x1 3*x2 24 乙原料约束4*x1 2*x2 32 A_ub [[2, 3], [4, 2]] b_ub [24, 32] # 变量边界 (x1 0, x2 0 是默认值可以不写。如果有上限可以设置bounds) bounds [(0, None), (0, None)] # 求解 res linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) print(f最优生产计划A生产{res.x[0]:.2f}件 B生产{res.x[1]:.2f}件) print(f最大利润为{-res.fun:.2f}) # 注意目标函数值要取反注意methodhighs是较新版本SciPy推荐的求解器比旧的simplex或interior-point更稳定高效。务必检查你的SciPy版本。2.1.3 结果分析与影子价格求解完成后不要只盯着最优解和最优值。res对象还包含slack松弛变量表示资源剩余和dual对偶变量即影子价格。slack如果某个约束的松弛变量为0说明该资源已被完全利用是紧约束大于0则表示有剩余。dual影子价格它告诉你该约束对应的资源如原料甲每增加一个单位目标函数总利润能增加多少。这是管理层进行决策如是否购买额外原料的关键经济指标。print(f原料甲剩余{res.slack[0]:.2f}) print(f原料乙剩余{res.slack[1]:.2f}) print(f原料甲的影子价格{res.dual[0]:.2f}) print(f原料乙的影子价格{res.dual[1]:.2f})2.2 整数规划与0-1规划当决策变得“离散”线性规划的变量是连续的可以生产3.5件产品。但现实中很多决策是离散的比如是否投资某个项目0或1需要多少台设备整数。这就是整数规划特别是0-1规划的应用场景。2.2.1 模型特点与求解复杂性整数规划模型的数学形式和线性规划类似只是增加了决策变量必须为整数或0-1的约束。正是这个看似微小的约束使得求解难度指数级上升。线性规划有高效的单形法而整数规划通常需要分支定界、割平面等更复杂的算法。2.2.2 使用pulp库进行建模与求解对于整数规划scipy的linprog功能有限。这里强烈推荐使用专门用于线性/整数规划建模的pulp库。它的优势在于建模过程直观像拼乐高一样定义问题。import pulp # 创建一个最大化问题 prob pulp.LpProblem(Project_Selection, pulp.LpMaximize) # 定义0-1决策变量是否投资项目1,2,3 x1 pulp.LpVariable(x1, catBinary) x2 pulp.LpVariable(x2, catBinary) x3 pulp.LpVariable(x3, catBinary) # 目标函数总收益最大化 prob 10*x1 8*x2 6*x3 # 约束条件预算约束总投资不超过15和逻辑约束项目1和2不能同时选 prob 5*x1 4*x2 3*x3 15 prob x1 x2 1 # 求解 prob.solve(pulp.PULP_CBC_CMD(msgFalse)) # 使用CBC求解器关闭求解信息 # 输出结果 print(f求解状态{pulp.LpStatus[prob.status]}) for var in prob.variables(): print(f{var.name} {var.varValue}) print(f最大总收益 {pulp.value(prob.objective)})2.2.3 固定成本问题建模技巧这是一类经典题型生产某种产品会产生一个固定的启动成本如设备租赁费之后才有可变成本。这需要用0-1变量和一个很大的数M来建模。 设y为是否生产的0-1变量x为产量。约束可以写为x ≤ M * y。其中M是一个足够大的数如上界。当y0时x必须为0当y1时x可以在一个合理范围内取值。目标函数中则需要加上固定成本项f * y。这是将逻辑关系“如果生产则必须支付固定成本”转化为数学约束的核心技巧。2.3 非线性规划与图论问题第二章也会涉及一些非线性优化和图论的基本问题它们代表了更广泛的建模场景。2.3.1 简单的非线性优化对于无约束或约束简单的非线性问题scipy.optimize.minimize是瑞士军刀。例如求解一个二次函数的最小值。from scipy.optimize import minimize def objective(x): return x[0]**2 x[1]**2 x[0]*x[1] - 6*x[0] - 8*x[1] # 初始猜测 x0 [0, 0] # 求解使用默认的BFGS或Nelder-Mead方法 res minimize(objective, x0, methodBFGS) print(f最优解{res.x}) print(f最优值{res.fun})实操心得非线性求解结果强烈依赖于初始值x0。如果结果不理想或报错尝试换几个不同的初始点。对于有约束的问题可以使用methodSLSQP。2.3.2 最短路问题networkx的应用图论是建模复杂关系的利器最短路是基础。Python的networkx库让图论计算变得异常简单。import networkx as nx # 创建一个有向图 G nx.DiGraph() # 添加带权重的边 (起点 终点 权重) edges [(A, B, 4), (A, C, 2), (B, C, 1), (B, D, 5), (C, D, 8), (C, E, 10), (D, E, 2), (D, F, 6), (E, F, 2)] G.add_weighted_edges_from(edges) # 计算从A到F的最短路径长度和路径 path_length, path nx.single_source_dijkstra(G, sourceA, targetF) print(f最短路径长度{path_length}) print(f最短路径{path})2.3.3 最小生成树问题另一类经典图论问题是连接所有节点的最小成本网络即最小生成树使用Kruskal或Prim算法。networkx同样一键解决。# 假设G是一个无向图 G_undirected G.to_undirected() # 计算最小生成树 mst nx.minimum_spanning_tree(G_undirected, algorithmkruskal) print(最小生成树的边, list(mst.edges(dataTrue)))3. 习题实战完整建模流程再现我们挑选一道综合性较强的习题从头到尾演示一遍建模与求解的完整流程这是将前面零散知识串联起来的关键。3.1 问题描述与理解假设习题为“某公司有3个仓库A1、A2、A34个销售点B1、B2、B3、B4。各仓库库存、各销售点需求、以及从仓库到销售点的单位运输成本已知。求总运输成本最小的调运方案。” 这是一个经典的运输问题是线性规划的一个特例。3.2 建立数学模型决策变量设从仓库i到销售点j的运量为 ( x_{ij} ) (i1,2,3; j1,2,3,4)。共12个变量。目标函数最小化总成本 ( Min Z \sum_{i1}^{3}\sum_{j1}^{4} c_{ij} * x_{ij} )其中 ( c_{ij} ) 是单位运价。约束条件供应约束从每个仓库运出的总量不超过其库存( \sum_{j1}^{4} x_{ij} \leq supply_i ) 共3个约束。需求约束运到每个销售点的总量等于其需求( \sum_{i1}^{3} x_{ij} demand_j ) 共4个约束。非负约束( x_{ij} \geq 0 )。3.3 Python代码实现运输问题有专门的表上作业法但用通用线性规划求解器更直观。注意这里有“等于”约束在linprog中要用A_eq和b_eq参数。import numpy as np from scipy.optimize import linprog # 假设数据 cost_matrix np.array([[2, 9, 3, 4], [8, 3, 5, 7], [6, 2, 10, 5]]) # 3x4 运价矩阵 supply [30, 25, 20] # 仓库供应量 demand [15, 20, 30, 10] # 销售点需求量 # 1. 将决策变量拉直成一维向量 x [x11, x12, ..., x14, x21, ..., x34] # 2. 构建目标函数系数向量 c c cost_matrix.flatten() # 3. 构建不等式约束矩阵 (供应约束 ) A_ub np.zeros((3, 12)) # 3个供应约束12个变量 for i in range(3): A_ub[i, i*4:(i1)*4] 1 # 每个仓库对应的4个变量系数为1 b_ub supply # 4. 构建等式约束矩阵 (需求约束 ) A_eq np.zeros((4, 12)) # 4个需求约束12个变量 for j in range(4): A_eq[j, j::4] 1 # 每个销售点对应的3个变量系数为1 (第j, j4, j8列) b_eq demand # 5. 变量边界 bounds [(0, None)] * 12 # 6. 求解 res linprog(c, A_ubA_ub, b_ubb_ub, A_eqA_eq, b_eqb_eq, boundsbounds, methodhighs) # 7. 结果处理与展示 if res.success: solution res.x.reshape((3, 4)) # 将解向量重塑为3x4矩阵 print(最优调运方案矩阵行仓库 列销售点) print(solution) print(f\n最小总运输成本{res.fun:.2f}) # 验证约束 print(f\n实际运出量应供应: {solution.sum(axis1)}) print(f供应量: {supply}) print(f\n实际运入量应需求: {solution.sum(axis0)}) print(f需求量: {demand}) else: print(求解失败, res.message)3.4 结果分析与业务解读运行代码后我们不仅得到了一个数字矩阵更要会解读它。比如输出矩阵中某个元素是0意味着该条运输路线未被使用可能是因为成本太高。我们可以计算每个仓库的运力利用率运出量/库存为仓库管理提供参考。还可以进行灵敏度分析如果某个销售点的需求增加1单位总成本会增加多少这对应于该需求约束的对偶变量即影子价格。4. 常见错误排查与建模心得在实际动手和辅导他人的过程中我积累了一些最容易出错的地方和心得体会这可能是比标准答案更宝贵的东西。4.1 模型构建阶段的典型错误决策变量定义不清这是所有错误的根源。务必用最简洁的变量清晰地表示你要做的决策。例如在指派问题中用x_ij0或1表示“是否将任务i分配给人员j”比用其他方式更直接。约束条件遗漏或错误特别是那些隐含的、常识性的约束比如“产量非负”、“资源消耗不能超过拥有量”。逻辑约束更容易出错例如“如果选择项目A则必须同时选择项目B”需要转化为x_A - x_B 0这样的数学形式。目标函数方向搞反linprog默认求最小求最大时忘记给目标函数系数取负号。4.2 代码实现与求解阶段的坑系数矩阵形状错误A_ub或A_eq的行数等于约束个数列数等于变量个数。经常有人把行列搞反或者flatten顺序与变量定义顺序不匹配。我的建议是先在小规模数据上验证比如用2个仓库2个销售点手算一下矩阵再和代码生成的对比。求解器选择与问题规模对于大型整数规划问题默认求解器可能很慢甚至无法求解。在pulp中可以尝试换用更强大的商业求解器如GUROBI或CPLEX如果有许可证或者调整求解器参数如时间限制、容忍误差。无可行解或无界解status: 2(无可行解)说明约束条件互相矛盾模型本身有问题。回去检查约束特别是等式约束是否太“紧”。status: 3(无界解)通常是在最大化问题中忘记加资源约束或者约束方向写反了导致目标函数可以无限增大。4.3 我的建模心得与技巧从简单开始逐步复杂化不要试图一步建立完美模型。先忽略一些次要条件建立一个最简单的、能运行的模型。然后逐步添加约束每加一步都验证结果是否合理。这就像调试程序一样。可视化中间结果对于运输、指派问题将结果矩阵用matplotlib画成热力图或网络流图能非常直观地发现方案是否合理比如是否存在舍近求远的运输。理解解的“边缘”最优解往往出现在约束边界的交点。看看哪些约束是“紧”的松弛变量为0这些就是当前方案的瓶颈。管理层最关心的就是如何放松这些瓶颈来提升效益。模型与数据的分离像上面的运输问题代码将数据cost_matrix,supply,demand和模型逻辑完全分开。这样当问题数据变化时你只需要修改数据部分模型部分无需改动。这是编写可复用建模代码的好习惯。最后我想说数学建模的魅力不在于套用公式而在于这种“翻译”和“创造”的过程。把一团乱麻的现实问题梳理成一个干净漂亮的数学模型然后用计算的力量去求解它、分析它。这份习题解答希望能成为你迈过最初那道门槛的垫脚石。当你再遇到一个新问题时能下意识地去想“决策变量是什么目标是什么限制条件有哪些”——那么你的建模思维就已经真正入门了。剩下的就是在更多、更复杂的问题中去锤炼和丰富这个思维框架了。 Python数学建模习题精解：从线性规划到图论，掌握建模思维与算法实现
1. 项目概述从习题解答到建模思维的跃迁拿到《Python数学建模算法与应用》这本书翻到第二章看到后面那一串习题你是不是也和我当初一样有点发怵书上的理论讲得头头是道一到自己动手就感觉知识点像一盘散沙不知道从哪里开始搭建。这份“第二章习题解答”的初衷绝不是为了给你一个可以“抄”的答案。恰恰相反它的核心价值在于通过拆解每一道习题还原一个完整的数学建模思维链路——从问题抽象、模型选择、算法实现到结果分析。很多初学者卡在第一步不知道如何将一个文字描述的实际问题转化为数学公式和可计算的代码。这份解答就是要充当那个“脚手架”帮你理解“为什么这道题用这个模型”以及“这个算法是怎么一步步跑起来的”。无论你是正在备战数模竞赛的学生还是希望用Python解决实际问题的工程师通过啃下这些习题并理解其背后的逻辑你获得的将不仅仅是几行代码而是一套可迁移的问题解决框架。2. 核心习题精讲与建模思维拆解第二章的习题覆盖面很广从最基础的线性规划到图论基本涵盖了初等建模的核心工具。我们不能停留在“给出代码”的层面必须深入每道题的内核讲清楚建模的决策过程。2.1 线性规划问题资源最优分配的“建模第一课”线性规划通常是数学建模的入门题型它的建模思想非常经典在一组线性约束条件下寻找一个线性目标函数的最大值或最小值。习题中常出现的“生产计划”、“资源分配”等问题都属于这一类。2.1.1 问题抽象与模型构建例如一道典型习题“某工厂生产A、B两种产品分别需要消耗原料甲、乙已知每件产品的利润、原料消耗及库存求最大利润的生产计划。” 建模第一步是定义决策变量。设生产A产品x1件B产品x2件。这一步至关重要它把模糊的“生产计划”转化为数学上可操作的对象。 第二步是构建目标函数。总利润Z p1x1 p2x2我们的目标是最大化Z。 第三步是列出约束条件。原料甲的消耗a11x1 a12x2 ≤ b1原料乙的消耗a21x1 a22x2 ≤ b2。同时产量非负x1 ≥ 0, x2 ≥ 0。 至此一个完整的线性规划模型就建立起来了Max Z p1*x1 p2*x2, s.t. (约束条件)。2.1.2 Python求解与scipy.optimize.linprog详解在Python中我们使用scipy.optimize.linprog。这里最大的坑在于这个函数默认是求最小值并且约束条件形式是A_ub * x b_ub。如果你的问题是求最大值或者约束形式是大于等于就需要转换。from scipy.optimize import linprog # 假设利润向量 c [p1, p2]但linprog求最小所以求最大利润时c取负-c c [-5, -4] # 产品A利润5B利润4求最大即求最小化 -5x1 -4x2 # 约束条件系数矩阵 A_ub * x b_ub # 假设甲原料约束2*x1 3*x2 24 乙原料约束4*x1 2*x2 32 A_ub [[2, 3], [4, 2]] b_ub [24, 32] # 变量边界 (x1 0, x2 0 是默认值可以不写。如果有上限可以设置bounds) bounds [(0, None), (0, None)] # 求解 res linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) print(f最优生产计划A生产{res.x[0]:.2f}件 B生产{res.x[1]:.2f}件) print(f最大利润为{-res.fun:.2f}) # 注意目标函数值要取反注意methodhighs是较新版本SciPy推荐的求解器比旧的simplex或interior-point更稳定高效。务必检查你的SciPy版本。2.1.3 结果分析与影子价格求解完成后不要只盯着最优解和最优值。res对象还包含slack松弛变量表示资源剩余和dual对偶变量即影子价格。slack如果某个约束的松弛变量为0说明该资源已被完全利用是紧约束大于0则表示有剩余。dual影子价格它告诉你该约束对应的资源如原料甲每增加一个单位目标函数总利润能增加多少。这是管理层进行决策如是否购买额外原料的关键经济指标。print(f原料甲剩余{res.slack[0]:.2f}) print(f原料乙剩余{res.slack[1]:.2f}) print(f原料甲的影子价格{res.dual[0]:.2f}) print(f原料乙的影子价格{res.dual[1]:.2f})2.2 整数规划与0-1规划当决策变得“离散”线性规划的变量是连续的可以生产3.5件产品。但现实中很多决策是离散的比如是否投资某个项目0或1需要多少台设备整数。这就是整数规划特别是0-1规划的应用场景。2.2.1 模型特点与求解复杂性整数规划模型的数学形式和线性规划类似只是增加了决策变量必须为整数或0-1的约束。正是这个看似微小的约束使得求解难度指数级上升。线性规划有高效的单形法而整数规划通常需要分支定界、割平面等更复杂的算法。2.2.2 使用pulp库进行建模与求解对于整数规划scipy的linprog功能有限。这里强烈推荐使用专门用于线性/整数规划建模的pulp库。它的优势在于建模过程直观像拼乐高一样定义问题。import pulp # 创建一个最大化问题 prob pulp.LpProblem(Project_Selection, pulp.LpMaximize) # 定义0-1决策变量是否投资项目1,2,3 x1 pulp.LpVariable(x1, catBinary) x2 pulp.LpVariable(x2, catBinary) x3 pulp.LpVariable(x3, catBinary) # 目标函数总收益最大化 prob 10*x1 8*x2 6*x3 # 约束条件预算约束总投资不超过15和逻辑约束项目1和2不能同时选 prob 5*x1 4*x2 3*x3 15 prob x1 x2 1 # 求解 prob.solve(pulp.PULP_CBC_CMD(msgFalse)) # 使用CBC求解器关闭求解信息 # 输出结果 print(f求解状态{pulp.LpStatus[prob.status]}) for var in prob.variables(): print(f{var.name} {var.varValue}) print(f最大总收益 {pulp.value(prob.objective)})2.2.3 固定成本问题建模技巧这是一类经典题型生产某种产品会产生一个固定的启动成本如设备租赁费之后才有可变成本。这需要用0-1变量和一个很大的数M来建模。 设y为是否生产的0-1变量x为产量。约束可以写为x ≤ M * y。其中M是一个足够大的数如上界。当y0时x必须为0当y1时x可以在一个合理范围内取值。目标函数中则需要加上固定成本项f * y。这是将逻辑关系“如果生产则必须支付固定成本”转化为数学约束的核心技巧。2.3 非线性规划与图论问题第二章也会涉及一些非线性优化和图论的基本问题它们代表了更广泛的建模场景。2.3.1 简单的非线性优化对于无约束或约束简单的非线性问题scipy.optimize.minimize是瑞士军刀。例如求解一个二次函数的最小值。from scipy.optimize import minimize def objective(x): return x[0]**2 x[1]**2 x[0]*x[1] - 6*x[0] - 8*x[1] # 初始猜测 x0 [0, 0] # 求解使用默认的BFGS或Nelder-Mead方法 res minimize(objective, x0, methodBFGS) print(f最优解{res.x}) print(f最优值{res.fun})实操心得非线性求解结果强烈依赖于初始值x0。如果结果不理想或报错尝试换几个不同的初始点。对于有约束的问题可以使用methodSLSQP。2.3.2 最短路问题networkx的应用图论是建模复杂关系的利器最短路是基础。Python的networkx库让图论计算变得异常简单。import networkx as nx # 创建一个有向图 G nx.DiGraph() # 添加带权重的边 (起点 终点 权重) edges [(A, B, 4), (A, C, 2), (B, C, 1), (B, D, 5), (C, D, 8), (C, E, 10), (D, E, 2), (D, F, 6), (E, F, 2)] G.add_weighted_edges_from(edges) # 计算从A到F的最短路径长度和路径 path_length, path nx.single_source_dijkstra(G, sourceA, targetF) print(f最短路径长度{path_length}) print(f最短路径{path})2.3.3 最小生成树问题另一类经典图论问题是连接所有节点的最小成本网络即最小生成树使用Kruskal或Prim算法。networkx同样一键解决。# 假设G是一个无向图 G_undirected G.to_undirected() # 计算最小生成树 mst nx.minimum_spanning_tree(G_undirected, algorithmkruskal) print(最小生成树的边, list(mst.edges(dataTrue)))3. 习题实战完整建模流程再现我们挑选一道综合性较强的习题从头到尾演示一遍建模与求解的完整流程这是将前面零散知识串联起来的关键。3.1 问题描述与理解假设习题为“某公司有3个仓库A1、A2、A34个销售点B1、B2、B3、B4。各仓库库存、各销售点需求、以及从仓库到销售点的单位运输成本已知。求总运输成本最小的调运方案。” 这是一个经典的运输问题是线性规划的一个特例。3.2 建立数学模型决策变量设从仓库i到销售点j的运量为 ( x_{ij} ) (i1,2,3; j1,2,3,4)。共12个变量。目标函数最小化总成本 ( Min Z \sum_{i1}^{3}\sum_{j1}^{4} c_{ij} * x_{ij} )其中 ( c_{ij} ) 是单位运价。约束条件供应约束从每个仓库运出的总量不超过其库存( \sum_{j1}^{4} x_{ij} \leq supply_i ) 共3个约束。需求约束运到每个销售点的总量等于其需求( \sum_{i1}^{3} x_{ij} demand_j ) 共4个约束。非负约束( x_{ij} \geq 0 )。3.3 Python代码实现运输问题有专门的表上作业法但用通用线性规划求解器更直观。注意这里有“等于”约束在linprog中要用A_eq和b_eq参数。import numpy as np from scipy.optimize import linprog # 假设数据 cost_matrix np.array([[2, 9, 3, 4], [8, 3, 5, 7], [6, 2, 10, 5]]) # 3x4 运价矩阵 supply [30, 25, 20] # 仓库供应量 demand [15, 20, 30, 10] # 销售点需求量 # 1. 将决策变量拉直成一维向量 x [x11, x12, ..., x14, x21, ..., x34] # 2. 构建目标函数系数向量 c c cost_matrix.flatten() # 3. 构建不等式约束矩阵 (供应约束 ) A_ub np.zeros((3, 12)) # 3个供应约束12个变量 for i in range(3): A_ub[i, i*4:(i1)*4] 1 # 每个仓库对应的4个变量系数为1 b_ub supply # 4. 构建等式约束矩阵 (需求约束 ) A_eq np.zeros((4, 12)) # 4个需求约束12个变量 for j in range(4): A_eq[j, j::4] 1 # 每个销售点对应的3个变量系数为1 (第j, j4, j8列) b_eq demand # 5. 变量边界 bounds [(0, None)] * 12 # 6. 求解 res linprog(c, A_ubA_ub, b_ubb_ub, A_eqA_eq, b_eqb_eq, boundsbounds, methodhighs) # 7. 结果处理与展示 if res.success: solution res.x.reshape((3, 4)) # 将解向量重塑为3x4矩阵 print(最优调运方案矩阵行仓库 列销售点) print(solution) print(f\n最小总运输成本{res.fun:.2f}) # 验证约束 print(f\n实际运出量应供应: {solution.sum(axis1)}) print(f供应量: {supply}) print(f\n实际运入量应需求: {solution.sum(axis0)}) print(f需求量: {demand}) else: print(求解失败, res.message)3.4 结果分析与业务解读运行代码后我们不仅得到了一个数字矩阵更要会解读它。比如输出矩阵中某个元素是0意味着该条运输路线未被使用可能是因为成本太高。我们可以计算每个仓库的运力利用率运出量/库存为仓库管理提供参考。还可以进行灵敏度分析如果某个销售点的需求增加1单位总成本会增加多少这对应于该需求约束的对偶变量即影子价格。4. 常见错误排查与建模心得在实际动手和辅导他人的过程中我积累了一些最容易出错的地方和心得体会这可能是比标准答案更宝贵的东西。4.1 模型构建阶段的典型错误决策变量定义不清这是所有错误的根源。务必用最简洁的变量清晰地表示你要做的决策。例如在指派问题中用x_ij0或1表示“是否将任务i分配给人员j”比用其他方式更直接。约束条件遗漏或错误特别是那些隐含的、常识性的约束比如“产量非负”、“资源消耗不能超过拥有量”。逻辑约束更容易出错例如“如果选择项目A则必须同时选择项目B”需要转化为x_A - x_B 0这样的数学形式。目标函数方向搞反linprog默认求最小求最大时忘记给目标函数系数取负号。4.2 代码实现与求解阶段的坑系数矩阵形状错误A_ub或A_eq的行数等于约束个数列数等于变量个数。经常有人把行列搞反或者flatten顺序与变量定义顺序不匹配。我的建议是先在小规模数据上验证比如用2个仓库2个销售点手算一下矩阵再和代码生成的对比。求解器选择与问题规模对于大型整数规划问题默认求解器可能很慢甚至无法求解。在pulp中可以尝试换用更强大的商业求解器如GUROBI或CPLEX如果有许可证或者调整求解器参数如时间限制、容忍误差。无可行解或无界解status: 2(无可行解)说明约束条件互相矛盾模型本身有问题。回去检查约束特别是等式约束是否太“紧”。status: 3(无界解)通常是在最大化问题中忘记加资源约束或者约束方向写反了导致目标函数可以无限增大。4.3 我的建模心得与技巧从简单开始逐步复杂化不要试图一步建立完美模型。先忽略一些次要条件建立一个最简单的、能运行的模型。然后逐步添加约束每加一步都验证结果是否合理。这就像调试程序一样。可视化中间结果对于运输、指派问题将结果矩阵用matplotlib画成热力图或网络流图能非常直观地发现方案是否合理比如是否存在舍近求远的运输。理解解的“边缘”最优解往往出现在约束边界的交点。看看哪些约束是“紧”的松弛变量为0这些就是当前方案的瓶颈。管理层最关心的就是如何放松这些瓶颈来提升效益。模型与数据的分离像上面的运输问题代码将数据cost_matrix,supply,demand和模型逻辑完全分开。这样当问题数据变化时你只需要修改数据部分模型部分无需改动。这是编写可复用建模代码的好习惯。最后我想说数学建模的魅力不在于套用公式而在于这种“翻译”和“创造”的过程。把一团乱麻的现实问题梳理成一个干净漂亮的数学模型然后用计算的力量去求解它、分析它。这份习题解答希望能成为你迈过最初那道门槛的垫脚石。当你再遇到一个新问题时能下意识地去想“决策变量是什么目标是什么限制条件有哪些”——那么你的建模思维就已经真正入门了。剩下的就是在更多、更复杂的问题中去锤炼和丰富这个思维框架了。