初等模型练习题

1.1 牙膏包装

题目来源:《数学模型》（第五版）–姜启源、谢金星、叶俊

1.1.1题目描述

在超市购物时你注意到大包装商品比小包装商品便宜这种现象了吗？比如佳洁士牙膏120g装的每支10.80元，200g装的每支15.80元，二者单位质量的价格比是1.14:1。使用比例方法构造模型解释这个现象。
（1）分析商品价格$C$与商品质量$w$的关系。价格由生产成本、包装成本和其他成本等决定，这些成本中有的与质量$w$成正比，有的与表面积成正比，还有与$w$无关的因素。
（2）给出单位质量价格$c$与$w$的关系，画出它的简图，说明$w$越大$c$越小，但随着$w$的增加$c$减小的程度变小，解释其实际意义。

1.1.2 问题分析

（1）价格由生产成本、包装成本和其他成本等决定。一般情况下生产成本与商品质量$w$成正比；商品质量$w$与包装容积$v$成正比；包装成本与包装表面积$s$成正比，其他与$w$无关的成本我们假设其为常数。

1.1.3 问题建设

1. 与$w$无关的成本我们假设其为常数，且大包装小包装的其他成本相同。
2. 存在一个特征尺寸$r$满足$r^2\propto s$则有$r^3\propto v$。
3. 商品价格与商品成本成正比。

1.1.4 模型

我们已知商品质量$w$与包装容积$v$成正比。由假设2我们可推出$$s\propto v^{\frac{2}{3}}$$那么则有$$s\propto w^{\frac{2}{3}}$$我们即可写出$s$与$w$的关系式$s=k_1\ast w^{\frac{2}{3}}$,我们假设单位质量成本为$cos{t}_1$;单位包装成本为$cos{t}_2$;其余成本$cos{t}_3$为恒定的常数。那么由假设3我们可有以下式子$$C\propto (cos{t}_1\ast w+cos{t}_2\ast s+cos{t}_3)且s=k_1\ast w^{\frac{2}{3}}$$$$C=K\ast (cos{t}_1\ast w+cos{t}_2\ast k_1\ast w^{\frac{2}{3}}+cos{t}_3)$$对上式进行简化（$K=1,cos{t}_2\ast k_1取为cos{t}_2$）则上式变为$$C=cos{t}_1\ast w+cos{t}_2\ast w^{\frac{2}{3}}+cos{t}_3$$那么则有单位质量的售价$$c=\frac{C}{w}=cos{t}_1+cos{t}_2\ast w^{-\frac{1}{3}}+cos{t}_3\ast w^{-1}$$我们对其可视化如下图:

import numpy as np
import matplotlib.pylab as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）
plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）

w = np.array([i for i in range(100,2500)])
cost_1 = 10
cost_2 = 1
cost_3 = 3
C = cost_1+cost_2*(w**(-1/3))+cost_3*(w**(-1.0))
plt.figure(figsize=(10,5));
plt.title("单位质量的售价随质量的变化")
plt.xlabel("$w$")
plt.ylabel("$c$")
plt.plot(w,C,'-',label="$cost_1 = 5,cost_2 = 0,cost_3 = 1$")
plt.legend()
plt.show()

我们从图中可以看出，单位质量的售价会随着质量的增加而变少。但是单位售价的减少值也会随着质量的增加而变少（曲线逐渐趋于平缓）因此不要过于贪图大包装的商品。

1.2 鲈鱼质量

1.2.1 题目描述

一垂钓俱乐部鼓励垂钓者将钓上的鱼放生，打算按照放生的鱼的质量给予奖励，俱乐部只准备了一把软尺进行测量，请你设计按照测量长度估计鱼的质量的方法。假定鱼池中只有一种鲈鱼，并且得到8条鱼的如下数据（胸围指鱼身的最大周长）

1.2.2 问题分析

由于都是鲈鱼，我们可以假设其平均密度都是一样的，那么鱼的质量与其体积成正比。根据所给出身长与胸围建立模型求得鱼的体积即可。

1.2.3 问题假设

1. 各条鲈鱼的平均密度都一样
2. 各条鲈鱼的基本形状无过大差别

1.2.4 模型

我们假设鲈鱼存在一个特征半径$r$满足鲈鱼的胸围$l=2\pi r$那么则有鲈鱼特征截面积$s=\pi r^2$即可推导出鲈鱼的体积$v=s\ast h=\pi r^2\ast h$,$h$为鲈鱼的身长。而鱼的体重$m=\rho v$我们即可假定一个参数$k_1=\rho \pi$满足$m=k_1{r}^{2}h$.
我们也可以假设鱼的体积$v\propto h^3$得到$m=k_2{h}^3$根据已给数据最小二乘拟合得到$k_1=0.03224772,k_2=0.01459115$

import numpy as np
import matplotlib.pylab as plt

h = np.array([36.8,31.8,43.8,36.8,32.1,45.1,35.9,32.1])
l = np.array([24.8,21.3,27.9,24.8,21.6,31.8,22.9,21.6])
m = np.array([765,482,1162,737,482,1389,652,454])
def Pfun1(t,k1):#第一个函数的拟合
    return k1*(t[0]**2)*t[1]

def Pfun2(t,k2):#第二个函数的拟合
    return k2*(t[1]**3)
lh = np.vstack((l, h))
popt1, pcov1=curve_fit(Pfun1, lh, m)
popt2, pcov2=curve_fit(Pfun2, lh, m)
print("k1的拟合值为：", popt1)
print("k2的拟合值为：", popt2)
'''
	输出结果:
	k1的拟合值为： [0.03224772]
	k2的拟合值为： [0.01459115]
'''

1.3 圆盘加工

1.3.1 问题描述

用已知尺寸的矩形板材加工半径一定的圆盘，给出几种简便、有效的排列方法，使加工出尽可能多的圆盘

1.3.2 思路

用正方形、六边形代替圆盘

1.4 动物尺寸

动物园里的成年热血动物靠饲养的食物维持体温基本不变，在一些合理、简化的假设下建立动物的饲养量与动物的某个尺寸的关系。

假设动物的特征尺寸为$l$满足表面积$S\propto l^2$。由于体温基本不变，且动物体内的热量主要由表面散失。所以可以有进食量$w\propto S\propto l^2$

1.5 体重&心率

1.5.1 问题描述

生物学家认为，对于休息状态的热血动物，消耗的能量主要用于维持体温，能量与从心脏到全身的血流量成正比，而体温主要通过身体表面散失，建立一个动物体重（单位：g）与心率（单位：次/min）之间关系的模型，并用下面的数据加以检验。

1.5.2 符号说明

符号	意义
$Q$	热量
$q$	每次泵出的血流量
$v$	心率
$S$	动物表面积
$m$	动物质量
$l$	动物特征尺寸
$V$	动物体积

1.5.3 模型

热量$Q$与动物表面积$S$成正比，我们可以知道$l^2\propto S,l^3\propto V$因此有$S\propto V^{\frac{2}{3}}$而$V$与动物质量$m$成正比。通过常识我们可以知道$q\propto m$而$Q=qv$
由上述描述我们可以建立式子
$$Q=k_1{m}^{\frac{2}{3}}=k_{2}mv$$$k_1,k_2$均为常数。化简我们可以得到$$v=k{m}^{-\frac{1}{3}}$$利用最小二乘拟合得到$k=2089.73532836$

import numpy as np
import matplotlib.pylab as plt
from scipy.optimize import curve_fit
plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）
plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）

m = np.array([25,200,2000,5000,30000,50000,70000,450000])
v = np.array([670,420,205,120,85,70,72,38])
def Pfun1(t,k):#第一个函数的拟合
    return k*(t**(-1/3))
popt1, pcov1=curve_fit(Pfun1, m,v)
print("k的拟合值为：", popt1)

def P(m):
    return 2089.73532836*(m**(-1/3))
x = np.array([i for i in range(500000)])
y = P(x)
plt.figure(figsize=(10,5));
plt.title("m随v的变化")
plt.xlabel("$m$")
plt.ylabel("$v$")
plt.scatter(v,m,label="$v$")
plt.plot(y,x,'r',label = "拟合结果")
plt.legend()
plt.show()
'''
	k的拟合值为： [2089.73532836]
'''

可以看出，拟合效果较好。