数学建模第五课：从矩形面积最大问题学会建立优化模型 - majorArcs

先聊点题外话。我当年第一次接触数学建模的时候，看到“优化模型”这四个字，第一反应是“这不就是求个最大值最小值吗，高中就学过了”。后来真做了几个题才发现，建模比赛里百分之七八十的题目，本质上都在跟你绕优化这个圈子——不管是物理题里的能量最小，经济题里的利润最大，还是调度题里的成本最低，脱了马甲全是优化。所以这节课的内容，说它是数学建模的基石一点都不夸张。

咱们从一个特别朴素的问题入手：给你一根长度为 L 的导线，围成一个矩形，问你长和宽各取多少，面积最大？

这个问题看起来人畜无害，但它背后藏着的建模思路，跟你在国赛题里遇到的那些复杂模型是一模一样的。咱们今天就把它掰开揉碎了讲清楚。

优化问题的通用格式

先看一个所有优化模型都长这样的骨架：

max 或 min    目标函数
s.t.          约束条件

就这么简单。max 或者 min 是你要干的事，目标函数是你关心的那个指标，s.t. 是 subject to 的缩写，后面跟的是现实条件给你上的枷锁。

但光知道这个格式没用，你得知道怎么把一个实际问题塞进这个框子里。这就涉及到建模的第一步——也是最容易翻车的一步：搞清楚三要素。

第一步：三要素，一个都不能少

• 优化目标：你到底想让什么最大或最小？利润？面积？时间？能耗？
• 决策变量：你能拍板决定什么？价格定多少？长取多少？走哪条路线？
• 约束条件：有什么限制？资源有限？预算有限？物理规律不允许？

拿导线围矩形来说：

• 优化目标：面积最大
• 决策变量：长 w，宽 h
• 约束条件：周长固定（2(w+h)=L），且长宽不能是负数

把这三要素用数学语言写出来，模型就立住了。

第二步：建立数学模型

符号定义这块儿，写清楚是给阅卷老师看的，也是给自己看的。建模最忌讳的就是符号混乱，写到后面自己都忘了哪个字母是啥意思。

设：

• L：导线总长（已知常数）
• w：矩形的长（决策变量）
• h：矩形的宽（决策变量）
• S：矩形面积，S = wh

约束条件拆开看：

1. 周长约束：2(w+h) = L，也就是 w+h = L/2
2. 非负约束：w ≥ 0, h ≥ 0（虽然实际物理上 w、h 应该大于 0，但数学上取等号边角情况也得考虑进去）

所以完整的模型就是：

max    S = wh
s.t.   w + h = L/2
       w ≥ 0, h ≥ 0

这里有个细节值得注意：我们用的是等式约束，不是不等式约束。为什么？因为导线总长 L 是固定的，你不可能用不完，也不可能不够用，必须全部用完，所以是严格的等式。

第三步：求解模型——解析法

这道题结构太简单了，不需要上什么高端算法，直接解析法暴力破解。

由约束条件 w+h=L/2，把 h 用 w 表示：h = L/2 - w。代入目标函数：

S(w) = w(L/2 - w) = (L/2)w - w²

这是一个开口向下的二次函数，最大值在顶点处。求导：

S'(w) = L/2 - 2w = 0
解得：w = L/4

代回去：h = L/4

最大面积：S_max = (L/4) × (L/4) = L²/16

另解——均值不等式：

wh ≤ ((w+h)/2)² = (L/4)² = L²/16

当且仅当 w=h 时取等号。这个方法更优雅，但不如求导法有普适性。建议两个都掌握，比赛时哪个顺手用哪个。

第四步：结果分析

算出了答案不等于完事儿了，你得验证这个答案是不是靠谱。

可行性验证：w+h = L/4 + L/4 = L/2，满足约束。且 w,h ≥ 0。可行解，没问题。

最优性验证：S''(w) = -2 < 0，说明这是极大值点。而且这个二次函数只有一个驻点，所以这个极大值就是全局最大值。

所以结论是：当矩形为正方形时，面积最大。

这个结论本身不意外，小学奥数就学过。但咱们要的不是这个结论，而是得到这个结论的完整流程——这个流程，才是建模比赛里真正值钱的东西。

敏感性分析：参数变了会怎样？

建模比赛里，题目给的参数往往不是精确值，而是带有误差或者不确定性的。这时候你就得问自己：如果 L 不是精确的那个数，而是稍微偏了一点，我的最优解会怎么变？

这就是敏感性分析（也叫灵敏度分析）。

数学定义：

设有含参优化模型：

min  f(x, p)
s.t. g(x, p) ≤ 0

其中 p 是不确定参数向量。最优目标值 f*(p) 对参数 p_i 的敏感度定义为：

S_i = ∂f*/∂p_i

这是绝对变化率。如果想看相对变化，用弹性形式：

S(x_i*, p_i) = (Δx_i*/x_i*) / (Δp_i/p_i) ≈ (∂x_i*/∂p_i) × (p_i/x_i*)

这个式子表达的意思是：参数 p_i 每变化 1%，最优解 x_i* 大约变化 S 个百分点。

回到矩形问题：

本例中唯一的参数就是 L。最优解：

w* = h* = L/4，S_max = L²/16

对 L 求导：

∂w*/∂L = ∂h*/∂L = 1/4
∂S_max/∂L = L/8

也就是说：导线长度每增加 1 个单位，最优长和宽各增加 1/4 个单位，最大面积增加约 L/8 个单位。

再算弹性：

s(w, L) = (∂w*/∂L) × (L/w*) = (1/4) × (L/(L/4)) = 1
s(h, L) = 同理 = 1

弹性为 1 说明什么？说明 L 每变化 1%，最优长和宽也各变化 1%。最优解随 L 等比例变化，这是一个非常干净漂亮的性质。

注意，这个例子参数单一，敏感度可以解析求出。真实比赛里的模型参数动辄十几个，这时候就只能靠计算机做数值模拟了——比如给每个参数加个小扰动，看输出怎么变，然后画个 tornado chart 那种东西。

稳健性分析：决策变量偏了会怎样？

敏感性分析扰动的是输入参数，稳健性分析则是直接扰动决策变量——假设我没法精确取到最优解，稍微偏了一点，目标函数会恶化多少？

数学定义：

设最优解为 w* = L/4，h* = L/4。让 w 偏离一个小量 δ，即：

w = L/4 + δ

由约束得：h = L/4 - δ

此时面积：

S = (L/4 + δ)(L/4 - δ) = L²/16 - δ²

面积损失：

ΔS = δ²

关键观察：面积损失是 δ 的二阶小量。

这意味着什么？意味着即使你长宽各偏了 0.1 个单位，面积损失也只有 0.01 个平方单位。最优解附近非常平缓，容错性很强——你不需要精确定位到那个最优点，只要在它附近，结果都不会太差。

这在工程上是个极其重要的性质。因为现实中你不可能把尺寸控制到绝对精确，总会有加工误差、装配误差。如果一个模型的最优解是“针尖上的最大值”，稍微偏一点性能就急剧下降，那这个最优解在工程上毫无意义。而矩形这个例子恰恰相反，它的稳健性非常好。

注意区分：敏感性和稳健性不是一回事

这两个概念太容易混淆了，我当年就栽过跟头。一句话总结：

• 敏感性分析：扰动输入参数（比如 L），观察最优解和最优值的变化
• 稳健性分析：扰动决策变量（比如 w），观察目标函数本身的变化

一个是看“参数不准”的影响，一个是看“执行不到位”的影响。别搞混了。

优化模型的五层分类体系

最后聊聊优化模型的分类。为什么要分类？因为不存在一个万能算法能解所有优化问题。你面对一个实际问题，第一步得搞清楚它属于哪一类，才能对症下药选对求解工具。

分类体系从上到下分五层：

第一层：原始问题
就是现实中的实际问题，还没经过数学抽象的那个东西。这是分类的起点。

第二层：按目标函数数量划分

• 单目标优化：只有一个目标函数，最常见
• 多目标优化：两个及以上可能相互冲突的目标。注意，多目标优化一般没有唯一最优解，而是得到一组帕累托最优解集——你在这个目标上好了，那个目标上就差了，得权衡

第三层：按约束条件划分

• 无约束优化：决策变量自由取值，理论分析简单，是有约束问题的基础
• 有约束优化：决策变量要满足等式或不等式约束。绝大多数工程、经济问题都是这类

第四层：按决策变量类型划分

• 连续变量优化：变量可在区间内取任意实数，比如连续生产计划
• 整数/离散变量优化：变量只能取整数或有限离散值，比如背包问题、选址问题
• 混合变量优化：同时含连续和整数变量，即混合整数规划，工业调度里很常见

第五层：按函数数学性质划分

• 线性 / 非线性：目标与约束全是线性函数就是线性优化，有任何一个非线性就是非线性优化
• 凸 / 非凸：凸优化要求目标函数凸、可行域为凸集，一个巨大的好处是局部最优即全局最优；非凸优化有多个局部最优解，求解难度指数级上升
• 可微 / 不可微：可微函数可以用梯度类算法；不可微函数求不了梯度，得用次梯度或者启发式智能算法

层级之间自由组合：上层任意一个类别可以跟下层任意一个类别搭配。比如“单目标-有约束-连续-凸非线性优化”、“多目标-无约束-离散-非凸优化”，等等。这个五层框架基本能覆盖运筹优化领域绝大部分数学模型。

写在最后

回头看这个矩形面积问题，它简单到甚至算不上一个真正的“建模题”——但它把优化建模的完整流程跑通了一遍：三要素分析 → 建立模型 → 求解 → 结果分析（可行性 + 敏感性 + 稳健性）。

这一套流程，跟你在国赛题里面对一个复杂的生产调度问题时用的方法论，是完全一样的。区别只在于：那道题的目标函数可能是个几千维的非线性不可微函数，约束条件可能是一堆乱七八糟的不等式，求解得靠启发式算法跑上几个小时。

但核心思路不变：先想清楚目标、决策与约束，再选择合适的数学工具与求解算法，最后对结果进行验证与评估。

把这个流程刻在脑子里，比记住任何具体的算法都重要。