数学建模竞赛优化模型全解析：从线性规划到启发式算法实战指南

要说数学建模竞赛里出场率最高的模型类别，优化类模型称第二，没人敢称第一。国赛、美赛、研赛，几乎每年都会有一道甚至两三道题能落到优化头上，要么是生产排产，要么是路径规划，要么是资源分配，换个马甲而已。这篇综述就是给还没完全建立框架的同学画一张地图，帮你在拿到题目时能快速判断“这题该用哪类优化模型”，同时把从建模到求解再到论文写作的完整链路捋一遍。文中会涉及线性规划、整数规划、动态规划、图论优化和启发式算法，配有可直接复用的代码片段和几道典型真题的建模思路复盘，不管是刚入门还是正在备赛，这篇都值得你花二十分钟读完，然后存到收藏夹里当工具页用。

优化模型的核心思想，本质上就是我们生活中天天在做的事：在有限资源下，找到最好的方案。只不过竞赛把这件事用数学语言严格化了，要求你回答三个问题——决策变量是什么、目标函数怎么定、约束条件有哪些。这三个问题一旦想清楚，模型就立住了一半；剩下的一半，是选择合适的算法把它解出来，再用图表把结果讲明白。

1. 为什么优化模型在竞赛里“无处不在”：先从题型识别说起

1.1 竞赛中最常见的三类优化考法

我翻了近十年的国赛和美赛题目，发现优化类考题基本跳出这三个套路。

第一类是资源分配。给你一堆有限资源（原材料、资金、设备、人力），要你决定怎么分配才能使收益最大或成本最小。比如国赛里经常出现的生产计划问题，几种产品抢同一条生产线，每种产品耗时耗料不同、利润也不同，问你排产方案。这类题目的核心是“把有限的资源切成几块，每块拿去换不同的回报”。

第二类是路径规划。在一个网络里走，从起点到终点，或者从一个仓库出发把所有需求点都跑一遍，问你走哪条路最省。快递配送、巡检路线、无人机巡航，都是这种考法。它的数学抽象通常是图论模型，但决策变量的设计方式很灵活，难度跨度也大，从简单的最短路到复杂的带时间窗车辆路径问题都有可能出现。

第三类是调度与排程。几个任务、几台机器、几班工人，任务有先后顺序和工期要求，问你怎么安排能准时完工又最省成本。这类题在美赛里出现频率很高，因为背景好编，随便安一个“机场调度”“手术室排期”“工厂流水线”的外壳就能出一道题。

这三类并不是互斥的，很多题是组合拳：比如先做资源分配，再做路径规划，最后还要考虑时间窗约束。但不管怎么组合，识别出“这是优化问题”是第一关。

1.2 只用一句话判断题目是不是优化题

拿到题目后，先别急着读数据，扫一眼题目里有没有这些词：“最小”“最大”“最优”“最短”“最省”“不超过”“至少”“在……条件下”。只要出现了两个以上，基本就是优化题。

再往下判断一层：这道题有没有需要你拍板的决策？比如“生产多少件产品”“选哪条路线”“给哪个客户先送货”“仓库建在哪个位置”——如果有，说明存在决策变量。同时，决策受不受限制？原材料够不够、时间够不够、容量够不够——如果有限制，说明存在约束条件。

决策变量、目标函数、约束条件三样都齐了，这就是一道标准的优化题。哪怕它披着“数据分析”的外衣，本质还是优化。

有一种迷惑性比较强的情况：题目先让你预测某个量，再基于预测结果做决策。比如“预测未来一周各区域的需求量，再制定配送计划”。这时预测是前置任务，优化是主任务。很多队伍把重心全放在预测上，用了一堆花哨的时间序列模型，结果配送计划的模型建得很敷衍，反而丢了大头分数。

1.3 一个容易被忽略的判断：问题规模有多大

识别出是优化题之后，下一步是快速估计规模。决策变量是几十个、几千个还是上万个？这个直接决定你后面选什么算法。

变量在几十个以内、约束几十条，那用精确算法（单纯形法、分支定界）毫无压力。变量上千、约束复杂，比如几百个点的配送问题，精确算法算到天荒地老也出不来，这时候就得考虑启发式算法。国赛里经常出现“先建立精确模型证明你很懂，再用启发式算法求解实际规模”的写法，这个套路很吃香，后面章节我会具体讲。

提示：判断问题规模时，不要只数题目里的“N”，要数决策变量展开后的实际数量。比如“有N个客户点要配送”，0-1变量是N×N个（任意两点间是否走），不是N个。这个差别很多新手会算错。

2. 优化模型的骨架：决策变量、目标函数与约束条件的博弈

2.1 决策变量定不好，后面全白干

建模的第一步是定义决策变量，这也是新手最容易翻车的一步。定义决策变量时，你必须想清楚它是在“决定什么”，以及它的取值范围怎么设定。

举个例子。一个最简单的生产问题：工厂生产A、B两种产品，各需要消耗原料1和原料2，利润不同，问生产多少利润最大。这时决策变量就是A和B的产量，设为x₁、x₂，非负整数。但如果你遇到的是“是否在某地建仓库”这种问题，决策变量就是0-1变量：建=1，不建=0。

还有一个容易踩坑的地方：同一个问题，决策变量的定义方式不止一种，选错了会让模型复杂好几倍。比如配送问题，你可以定义“车辆k是否走弧(i,j)”（三维0-1变量），也可以定义“客户i是否由车辆k服务”（二维0-1变量），前者天然能写出路径约束，后者写容量约束更方便。建模之前先想想要写哪些约束，反推一下决策变量怎么定义最顺，能省很多事。

决策变量还有一种常见分类：连续变量、整数变量、0-1变量、混合变量。连续变量意味着可以取任意实数，比如“水量”“金额”；整数变量比如“产品件数”“工人数量”；0-1变量表示取或不取、是否选择。很多问题天然是混合的，比如既有“投入多少资金