【B题解题思路】2025数维杯数学建模B题解题思路+可运行代码参考（无偿分享）

睿森竞赛

已于 2025-05-09 10:19:40 修改

阅读量848

点赞数 5

分类专栏：数维杯文章标签：数学建模数维杯

于 2025-05-09 10:18:23 首次发布

本文链接：https://blog.csdn.net/RS_handy/article/details/147813599

版权

数维杯专栏收录该内容

5 篇文章

订阅专栏

注：该内容由“数模加油站”原创，无偿分享，可以领取参考但不要利用该内容倒卖，谢谢！

问题1 请选择合适的数据集，综合考虑气象适宜性、城市承载能力、人口规 模及报名热度（主要由历史报名人数及其增长率体现）等核心要素， 进而科学筛选中国主要城市的马拉松赛事窗口期、合理确定比赛时间、 赛事规模与频次。

问题 1 分析

题目要求“筛选中国主要城市的马拉松赛事窗口期，并合理确定比赛时间、规模与频次”，其实质是一个在多因子综合得分下的约束优化调度问题。

具体而言，我们面临的问题是：

对每个城市 $C_i$ （共n个）和每个月份 $M_j$ （共12个月），是否安排比赛？

如果安排，该城市该月应办几次（频次）？

总体目标是在限制资源下最大化全国马拉松赛事整体效益得分。

这个问题具有以下典型特征：

决策变量是离散的0/1或整数选择；

有组合爆炸性（全国若干城市×12个月）；

同时存在多个实际业务约束；

涉及多城市多时间窗口的离散组合优化问题，具有高维决策空间与复杂的逻辑约束，使其难以用传统解析方法或线性规划精确求解。

因此，本题非常适合遗传算法建模

解题思路：

1.染色体设计：将“城市-月份-频次”决策结构编码为优化基因

在第一问中，我们面对的核心决策问题是：在哪些城市的哪些月份安排马拉松赛事？每月举办多少次？

这类组合调度问题具有天然的“时空交叉”结构——横向为12个月份，纵向为若干城市。为了让智能优化算法能够有效处理，我们需要将这种二维结构转化为适用于算法操作的一维“染色体”形式。

问题结合：

每一个染色体个体代表一整年的全国马拉松赛事安排计划，类似于制定一个年度“马拉松日历”。染色体中的每一个“基因”元素代表“某城市某月份的赛事频次”，取值范围为0（不举办）至3（最多举办三次）。

结构设计：

假设共有 N 个城市（可根据数据筛选得出如50个），则染色体长度为 $12 \times N$ ；

每个位置存储整数 $x_{ij} \in {0, 1, 2, 3}$ ，即第 i 城市在第 j 月的办赛频次；

编码为一维向量，便于遗传算法交叉与变异操作。

这种结构设计确保了：模型具有可解释性、灵活性强、易于扩展到新城市或变动月份范围，非常适合数据驱动与策略制定场景。

2.适应度函数：以综合赛事价值为优化目标的构造逻辑

适应度函数是遗传算法评价“方案好坏”的标准。在本题中，一个优秀的赛事安排方案应当同时满足：

举办时间与气候适宜；
城市具备承载与服务能力；
有足够的群众基础与参赛热情；
比赛频次适度，不资源过载。

问题结合：

题干中明确提到“高温会降低参赛体验”“交通承载力影响赛事安全”“人口与报名数据反映热度”——这些都可以被量化为一个“综合赛事得分” $S_{ij}$ ，作为评价城市 $C_i$ 在月份 $M_j$ 举办赛事的价值函数。

适应度函数即为：全国所有比赛安排所带来的总收益：

$\operatorname{Fitness}(X)=\sum\limits_{i=1}^{N}{\sum\limits_{j=1}^{12}{{{x}_{ij}}}}\cdot {{f}_{ij}}\cdot {{S}_{ij}}$

这里每一项代表城市 i 在月 j 举办 $f_{ij}$ 次比赛带来的“城市-月份”收益。此设计充分尊重题目提出的“窗口期+赛事价值最大化”的指导思想，确保优化方向贴合题意。

3. 约束机制设计：将实际限制转换为数学规则嵌入模型

本题中的安排问题不是“越多越好”，而是要在多个约束下取得最优方案。

问题结合：

题目中提到“2024年长沙马拉松吸引15万人报名”，但“城市承载能力有限”；这就说明单一城市赛事安排频次必须控制；

同时，“11月举办114场赛事”，但“拥堵”风险暗示单月过度集中安排不可取；

因此，必须将这些真实运行规律转化为模型约束。

约束转化：

单城频次约束：

每个城市全年办赛不超过6次，避免资源过度集中。

单月规模限制：

每月全国赛事城市不超过10个，控制全国交通与转播资源调度压力。

数据可兼容性约束（编码限制）：

保证频次值为0–3之间的整数，防止非法染色体。

通过构造惩罚函数：

$P(X)={{\lambda }_{1}}\cdot \sum\limits_{i}{\max }\left( 0,\sum\limits_{j}{{{x}_{ij}}}{{f}_{ij}}-6 \right)+{{\lambda }_{2}}\cdot \sum\limits_{j}{\max }\left( 0,\sum\limits_{i}{\mathbb{I}}\left( {{x}_{ij}}>0 \right)-10 \right)$

4. 遗传操作机制：策略生成与进化过程的细节定制

问题结合：

初始种群生成代表“多个初步方案备选”；

交叉操作相当于从不同城市的安排经验中“择优借鉴”；

变异操作模拟“政策微调与试验机制”；

精英保留策略体现“经验沉淀与政策延续性”。

操作细节优化：

选择机制（轮盘赌/锦标赛）：优先保留总得分高的赛程规划；

城市片段交叉法：将城市为单位进行赛程模板组合，保留整体逻辑；

可行性修复机制：交叉或变异后自动检查约束，若违反则纠偏或放弃。

Python代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import random
from typing import Tuple

# ========== 参数设置 ==========
N = 10  # 城市数量（可替换为真实城市列表长度）
M = 12  # 月份数量
POP_SIZE = 50
MAX_GEN = 100
MUTATE_PROB = 0.1
CROSSOVER_PROB = 0.8
MAX_CITY_EVENTS = 6
MAX_MONTH_EVENTS = 10

# ========== 构造评分矩阵S_ij（模拟气候、热度、承载） ==========
np.random.seed(42)
S_matrix = np.random.rand(N, M)  # 若有真实数据，请在此处替换为实际评分矩阵

# ========== 个体生成 ==========
def generate_individual() -> np.ndarray:
    individual = np.zeros((N, M), dtype=int)
    for i in range(N):
        total = 0
        for j in range(M):
            if total >= MAX_CITY_EVENTS:
                break
            if random.random() < 0.3:
                f = random.randint(1, 3)
                if total + f <= MAX_CITY_EVENTS:
                    individual[i, j] = f
                    total += f
    return individual

# ========== 适应度函数 ==========
def fitness(individual: np.ndarray) -> float:
    base_score = np.sum(individual * S_matrix)

    # 城市约束惩罚
    city_penalty = 0
    for i in range(N):
        total_events = np.sum(individual[i, :])
        if total_events > MAX_CITY_EVENTS:
            city_penalty += (total_events - MAX_CITY_EVENTS)

    # 月度约束惩罚
    month_penalty = 0
    for j in range(M):
        cities = np.sum(individual[:, j] > 0)
        if cities > MAX_MONTH_EVENTS:
            month_penalty += (cities - MAX_MONTH_EVENTS)

    penalty = 10 * (city_penalty + month_penalty)
    return base_score - penalty

# ========== 遗传操作 ==========
def crossover(parent1: np.ndarray, parent2: np.ndarray) -> Tuple[np.ndarray, np.ndarray]:
    point = random.randint(1, N - 1)
    child1 = np.vstack((parent1[:point], parent2[point:]))
    child2 = np.vstack((parent2[:point], parent1[point:]))
    return child1, child2

def mutate(individual: np.ndarray) -> np.ndarray:
    i = random.randint(0, N - 1)
    j = random.randint(0, M - 1)
    individual[i, j] = random.randint(0, 3)
    return individual

# ========== 初始化种群 ==========
population = [generate_individual() for _ in range(POP_SIZE)]
best_fitness_list = []

# ========== 主进化过程 ==========
for gen in range(MAX_GEN):
    population.sort(key=fitness, reverse=True)
    next_gen = population[:2]  # 精英保留

    while len(next_gen) < POP_SIZE:
        p1, p2 = random.sample(population[:20], 2)
        if random.random() < CROSSOVER_PROB:
            c1, c2 = crossover(p1, p2)
        else:
            c1, c2 = p1.copy(), p2.copy()
        if random.random() < MUTATE_PROB:
            c1 = mutate(c1)
        if random.random() < MUTATE_PROB:
            c2 = mutate(c2)
        next_gen.extend([c1, c2])
    population = next_gen[:POP_SIZE]
    best_fitness = fitness(population[0])
    best_fitness_list.append(best_fitness)

# ========== 最优方案展示 ==========
best_individual = population[0]
df_result = pd.DataFrame(best_individual, columns=[f"Month {m+1}" for m in range(M)])
df_result["City"] = [f"City {i+1}" for i in range(N)]
df_result.set_index("City", inplace=True)

# 打印排布方案
print("最优城市-月份赛事安排频次：")
print(df_result)

# ========== 适应度变化图 ==========
plt.figure(figsize=(10, 5))
plt.plot(best_fitness_list, label="Best Fitness")
plt.xlabel("Generation")
plt.ylabel("Fitness Score")
plt.title("GA Optimization Progress for Marathon Scheduling")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

后续都在“数模加油站”......