1. 项目概述从赛题到解题框架的构建每年美赛MCM/ICM的D题往往都是最具挑战性、最考验综合建模能力的题目。2023年的D题聚焦于联合国可持续发展目标SDGs要求参赛者为这些相互关联的复杂目标确定优先级。这听起来像是一个政策制定问题但内核却是一个典型的复杂系统分析与决策优化问题。很多队伍拿到题目后容易陷入两个极端要么过度纠结于政策文本分析写出一篇偏社科的文章要么试图构建一个极其复杂的数学模型最后因无法求解或解释不清而失败。我在实际指导和解这道题时核心思路是将其工程化和结构化。SDGs的17个目标不是孤立的它们之间存在着促进、抑制等多种相互作用形成一个动态网络。我们的任务就是量化这个网络的拓扑结构评估每个节点目标的影响力并在此基础上结合资源约束等现实条件给出一个科学、可解释的优先级排序。这本质上是一个网络科学多准则决策的问题。整个解题流程可以清晰地分为几个阶段数据准备与关系量化、网络构建与中心性分析、多维度评估与排序、以及最终的稳健性检验与可视化。本文将围绕这个核心框架拆解每一步的具体思路、用到的MATLAB工具函数以及那些在官方指导手册里不会写的“踩坑”经验与代码调试技巧。2. 核心思路拆解为什么是网络分析与多准则决策2.1 理解SDGs系统的复杂性联合国17个可持续发展目标涵盖了消除贫困、优质教育、清洁能源、气候行动等广泛领域。题目要求确定优先级其隐含前提是资源时间、资金、政策注意力是有限的无法同时平均发力于所有目标。因此优先级意味着在特定视角或标准下的相对重要性排序。为什么网络分析是合适的工具因为SDGs之间存在强烈的相互作用。例如实现“目标4优质教育”SDG4会显著促进“目标8体面工作和经济增长”SDG8而过度追求“目标9产业、创新和基础设施”SDG9可能在不加约束的情况下对“目标13气候行动”SDG13产生压力。这些关系不是单向或对称的。我们需要一个能够刻画这种复杂相互依赖性的模型。将每个SDG视为网络中的一个“节点”将目标间的相互影响视为连接节点的“有向边”及其“权重”我们就得到了一个加权有向网络。在这个网络中一个目标的重要性不仅取决于它自身更取决于它在整个网络中所处的位置——它影响了多少其他目标又被多少目标所影响这是网络中心性指标要回答的问题。2.2 从网络到优先级的决策路径构建出SDG影响网络只是第一步。网络中心性如特征向量中心性、PageRank可以给出一个基于拓扑结构的“影响力”排名。但这可能不是决策者想要的唯一排名。他们可能还关心目标的“基础性”如消除贫困、实现的“紧迫性”、或干预的“成本效益”。因此一个更健壮的方案是多准则决策。我们的思路是将网络中心性排名作为核心准则之一再引入其他合理准则通过一个决策框架如AHP层次分析法、TOPSIS优劣解距离法进行综合集成。例如我们可以设立三个准则网络影响力准则C1 由特征向量中心性得分量化。基础性/紧迫性准则C2 通过文献调研或专家打分赋予某些目标如SDG1无贫困、SDG2零饥饿更高的基础权重。实施可行性准则C3 考虑不同目标在国家当前发展阶段下的实施难度或成本进行相对评分。这样我们就从一个单一的网络排序问题转变为一个更贴近现实决策的多属性决策问题。最终的输出不是一个简单的列表而是一套在不同决策偏好即给准则赋予不同权重下可能产生的优先级方案并对其敏感性进行分析。3. 数据基石SDG关系矩阵的构建与量化3.1 关系数据的来源与处理这是整个项目最基础也最易出错的一环。题目没有提供现成的数据我们需要自己构建一个17x17的矩阵称为“影响矩阵”或“邻接矩阵”A其中元素A(i,j)表示目标i对目标j的影响程度。数据来源主要有两个学术与官方报告 联合国可持续发展解决方案网络SDSN等机构发布过关于SDG相互作用的研究报告其中可能包含定性促进/抑制或半定量3 2 1 0 -1的评估。我们需要搜集并归一化这些数据。专家调查与结构化判断 如果时间允许可以设计一个简单的调查让团队成员或假设的“专家”根据理解对每对目标的关系进行打分例如-3到3的尺度。实操步骤与MATLAB处理假设我们通过文献整理得到了一个用Excel存储的矩阵其中包含了整数评分。% 假设我们从‘SDG_Interactions.xlsx’文件中读取数据该文件有一个名为‘Interactions’的工作表 % 数据范围是B2:R18对应17x17矩阵空白或非数字处可能为0 raw_data xlsread(SDG_Interactions.xlsx, Interactions, B2:R18); % 检查数据维度 [rows, cols] size(raw_data); if rows ~ 17 || cols ~ 17 error(导入的数据不是17x17矩阵请检查数据源。); end % 将数据中的NaN空单元格替换为0表示无直接影响 A_raw raw_data; A_raw(isnan(A_raw)) 0; % 此时 A_raw 可能包含正负值代表促进和抑制 disp(原始影响矩阵部分:); disp(A_raw(1:5, 1:5));3.2 影响矩阵的标准化与处理技巧原始打分尺度可能不统一我们需要将其标准化到一个合理的范围比如[0,1]或[-1,1]以便于后续的网络指标计算。这里有一个关键决策如何处理负向影响抑制关系方案一忽略方向只考虑影响强度。将绝对值作为边的权重。这适用于只关心“关联强度”而不区分促进还是抑制的分析。% 取绝对值将所有关系视为无向的强度 A_undirected abs(A_raw); % 标准化到[0,1] A_undirected_normalized A_undirected / max(A_undirected(:));方案二区分正负构建有向Signed Network。这更符合实际情况但后续的中心性算法需要能处理负权重。许多经典中心性算法如特征向量中心性默认假设非负矩阵。一个常见的处理方法是使用分离法创建两个矩阵一个用于正向影响一个用于负向影响的绝对值。% 创建正向影响矩阵 A_positive A_raw; A_positive(A_positive 0) 0; % 创建负向影响矩阵强度 A_negative abs(A_raw); A_negative(A_raw 0) 0; A_negative -A_negative; % 此时矩阵元素为0或负数 % 分别对正向矩阵进行标准化 A_pos_norm A_positive / max(A_positive(:)); % 对于负向矩阵我们可能先取其绝对值标准化在分析时单独考虑 A_neg_strength abs(A_negative) / max(abs(A_negative(:)));注意在美赛有限的时间内方案一无向加权网络更易于实施和解释也更容易与后续的决策步骤结合。我们可以将标准化后的A_undirected_normalized矩阵作为主要分析对象记为A。一个重要的预处理步骤去除自循环。目标对自身的影响通常不在分析范围内应将矩阵对角线置零。A A_undirected_normalized; % 使用标准化后的无向强度矩阵 n size(A, 1); A A - diag(diag(A)); % 将对角线元素置零4. 网络构建与中心性分析寻找核心SDG4.1 构建网络对象与可视化MATLAB的graph和digraph函数是处理网络的利器。对于无向加权网络我们使用graph。% 创建无向加权图对象 G graph(A, upper, OmitSelfLoops); % ‘upper’避免重复边因为我们矩阵是对称的无向 % 设置节点名称可选便于识别 SDG_Names {No Poverty, Zero Hunger, Good Health, Quality Education, ... Gender Equality, Clean Water, Affordable Energy, ... Decent Work, Industry Innovation, Reduced Inequalities, ... Sustainable Cities, Responsible Consumption, Climate Action, ... Life Below Water, Life on Land, Peace Justice, Partnerships}; G.Nodes.Name SDG_Names; % 基础可视化快速查看网络结构 figure; p plot(G, Layout, force, EdgeLabel, G.Edges.Weight, NodeLabel, G.Nodes.Name); p.MarkerSize 7; p.NodeColor r; p.EdgeColor [0.5 0.5 0.5]; title(SDG 相互作用网络加权无向);‘force’布局算法可以让节点根据连接关系自动排布能直观看出哪些节点处于中心。但要注意对于小网络17个节点布局可能不稳定多运行几次或尝试‘circle’、‘subspace’布局以获得更好视图。4.2 计算关键网络中心性指标中心性指标是量化节点影响力的核心。我们将计算几种常见的指标并对比其结果。1. 度中心性最直观一个目标连接的目标越多、连接权重越大它越重要。degree_centrality centrality(G, degree, Importance, G.Edges.Weight); % ‘Importance’参数使用边的权重计算加权度2. 特征向量中心性不仅考虑邻居数量还考虑邻居的重要性。一个目标如果连接到很多重要的目标那么它自己也更重要。这非常适合SDG这种“影响力传递”的场景。eigenvector_centrality centrality(G, eigenvector, Importance, G.Edges.Weight);3. 介数中心性衡量一个目标作为“桥梁”的程度。在所有目标对的最短路径中有多少条经过该目标。这有助于发现那些连接不同子群体的关键目标。betweenness_centrality centrality(G, betweenness, Cost, 1./G.Edges.Weight); % 注意‘Cost’是边的成本权重越大成本应越低所以常用权重的倒数。 % 但我们的权重是影响强度强度越大通过它的“成本”越低所以用1/Weight是合理的。4. PageRank算法源自网页排名其思想类似于特征向量中心性但增加了随机跳转的阻尼因子对网络结构更稳定。pagerank_centrality centrality(G, pagerank, Importance, G.Edges.Weight, FollowProbability, 0.85); % ‘FollowProbability’即阻尼因子d通常设为0.85。结果整合与对比将计算结果放入表格便于比较。% 创建结果表 T table(); T.SDG SDG_Names; T.Degree degree_centrality; T.Eigenvector eigenvector_centrality; T.Betweenness betweenness_centrality; T.Pagerank pagerank_centrality; % 对每种中心性进行排名 [~, T.Rank_Degree] sort(T.Degree, descend); [~, T.Rank_Eigenvector] sort(T.Eigenvector, descend); [~, T.Rank_Betweenness] sort(T.Betweenness, descend); [~, T.Rank_Pagerank] sort(T.Pagerank, descend); disp(网络中心性指标及排名:); disp(T);4.3 中心性结果分析与解读计算完指标后关键是如何解读。通常特征向量中心性和PageRank的结果会比较相似且更能反映“影响力”的本质。度中心性过于局部介数中心性可能突出一些连接子群的特殊节点。实操心得不要只依赖一个指标。对比不同指标的排名找出稳定排名靠前的SDG例如在多个指标中都排前5这些是网络中的“核心枢纽”应给予高优先级。关注排名差异大的节点。如果一个目标度中心性高但介数中心性低说明它连接广泛但可能不是关键桥梁。反之则可能是连接不同领域的关键。可视化辅助用节点大小和颜色映射中心性值。figure; p plot(G, Layout, force, NodeCData, eigenvector_centrality, MarkerSize, 715*eigenvector_centrality); colormap(jet); colorbar; title(节点大小与颜色表示特征向量中心性);5. 多准则决策综合排序从网络到决策5.1 构建决策矩阵与标准化假设我们采用三个准则网络影响力C1用特征向量中心性、基础紧迫性C2、实施可行性C3。后两个准则需要主观赋值或通过其他数据源获得。这里为演示我们随机生成模拟数据。% 准则1: 网络影响力 (已有) C1 T.Eigenvector; % 使用特征向量中心性 % 准则2: 基础紧迫性 (模拟数据假设SDG1,2,3,6,13更紧迫) % 我们可以用1-5的尺度打分分数越高越紧迫 urgency_scores [5,5,4,3,3,4,3,3,2,3,3,2,5,4,4,3,2]; % 对应17个目标 C2 urgency_scores; % 准则3: 实施可行性 (模拟数据分数越高表示越容易实施成本越低) feasibility_scores [2,3,4,4,3,3,3,4,3,2,2,2,1,2,2,3,4]; % 注意SDG13气候行动可能最难 C3 feasibility_scores; % 构建决策矩阵 X每一行是一个目标(SDG)每一列是一个准则 X [C1, C2, C3]; % 决策矩阵标准化 % 由于C1,C2,C3量纲和方向可能不同需要标准化。 % C1和C2是效益型准则越大越好C3在本例中也是效益型越容易实施越好。 % 使用向量归一化方法常用于TOPSIS [n_alt, n_crit] size(X); X_normalized zeros(n_alt, n_crit); for j 1:n_crit X_normalized(:, j) X(:, j) / norm(X(:, j)); end disp(标准化后的决策矩阵部分:); disp(X_normalized(1:5, :));5.2 应用TOPSIS法进行排序TOPSIS优劣解距离法原理直观易于在MATLAB中实现。其核心思想是找到理想最优解和最劣解然后计算每个方案与这两个解的距离以相对接近度作为评价依据。% 步骤1: 确定权重。这里假设决策者认为三个准则同等重要。 w [1/3, 1/3, 1/3]; % 权重向量和为1 % 步骤2: 构造加权标准化决策矩阵 V X_normalized .* w; % 利用广播机制 % 步骤3: 确定理想解A和负理想解A- % 对于效益型准则理想解取各列最大值负理想解取各列最小值。 A_plus max(V); % 理想最优解 A_minus min(V); % 理想最劣解 % 步骤4: 计算各方案到理想解和负理想解的距离 D_plus zeros(n_alt, 1); % 到A的距离 D_minus zeros(n_alt, 1); % 到A-的距离 for i 1:n_alt D_plus(i) sqrt(sum((V(i, :) - A_plus).^2)); D_minus(i) sqrt(sum((V(i, :) - A_minus).^2)); end % 步骤5: 计算各方案的相对贴近度 C D_minus ./ (D_plus D_minus); % 步骤6: 根据贴近度C排序C越大越优 [~, rank_TOPSIS] sort(C, descend); % 整合结果 results table(); results.SDG SDG_Names; results.TOPSIS_Score C; results.TOPSIS_Rank rank_TOPSIS; results sortrows(results, TOPSIS_Rank); disp(基于TOPSIS的综合排序结果:); disp(results);5.3 敏感性分析与准则权重探讨权重w的设定是主观的也是决策的关键。在论文中必须进行敏感性分析即改变权重观察排名是否稳定。% 示例测试三种不同的权重方案 % 方案1: 侧重网络影响力 w1 [0.6, 0.2, 0.2]; % 方案2: 侧重基础紧迫性 w2 [0.2, 0.6, 0.2]; % 方案3: 侧重实施可行性 w3 [0.2, 0.2, 0.6]; weight_sets {w1, w2, w3}; rankings zeros(n_alt, length(weight_sets)); for idx 1:length(weight_sets) w_current weight_sets{idx}; V_current X_normalized .* w_current; A_plus_c max(V_current); A_minus_c min(V_current); D_plus_c sqrt(sum((V_current - A_plus_c).^2, 2)); D_minus_c sqrt(sum((V_current - A_minus_c).^2, 2)); C_current D_minus_c ./ (D_plus_c D_minus_c); [~, rank_current] sort(C_current, descend); rankings(:, idx) rank_current; end % 比较排名变化 rank_comparison table(); rank_comparison.SDG SDG_Names; rank_comparison.Rank_Scenario1 rankings(:,1); rank_comparison.Rank_Scenario2 rankings(:,2); rank_comparison.Rank_Scenario3 rankings(:,3); disp(不同权重方案下的排名对比:); disp(rank_comparison); % 计算排名稳定性例如看每个SDG在三种方案中的排名标准差 rank_std std(rankings, 0, 2); rank_comparison.Std_of_Ranks rank_std; disp(排名标准差越小越稳定:); disp(sortrows(rank_comparison, Std_of_Ranks));通过敏感性分析我们可以指出哪些SDG的排名对权重变化不敏感稳定高优先级或低优先级哪些SDG的排名波动大需要决策者根据实际情况谨慎权衡。6. 模型检验、可视化与论文呈现要点6.1 模型稳健性检验除了敏感性分析还可以进行以下检验网络鲁棒性分析模拟移除排名靠前的节点SDG观察网络整体连通性或平均最短路径的变化。这能验证核心节点的重要性。% 计算当前图的全局效率衡量网络信息传递效率 current_efficiency efficiency_wei(A); % 需要Brain Connectivity Toolbox或自定义函数 % 模拟移除top3节点 top3_idx results.TOPSIS_Rank(1:3); % 假设results是最终排序结果 A_removed A; A_removed(top3_idx, :) 0; A_removed(:, top3_idx) 0; G_removed graph(A_removed, upper, OmitSelfLoops); % 重新计算效率或平均路径长度...数据不确定性分析如果关系矩阵A是基于专家打分可以引入随机扰动例如在原始值上加减一个小的随机数多次运行模型观察排名分布计算每个SDG排名的置信区间。6.2 高级可视化技巧好的图表能让论文增色不少。热力图展示影响矩阵直观展示目标间相互作用的强弱模式。figure; imagesc(A); colormap(parula); % 或 hot, jet colorbar; xticks(1:17); yticks(1:17); xticklabels(SDG_Abbr); yticklabels(SDG_Abbr); % 使用缩写 xtickangle(45); title(SDG 相互影响强度热力图);雷达图/平行坐标图对比多准则得分展示少数几个关键SDG在各个准则上的表现。% 选择综合排名前5的SDG top5_idx results.TOPSIS_Rank(1:5); criteria_labels {Network Influence, Urgency, Feasibility}; data_to_plot X_normalized(top5_idx, :); % 使用标准化后的数据 % 使用平行坐标图 figure; parallelcoords(data_to_plot, Labels, criteria_labels, Group, SDG_Names(top5_idx)); title(Top 5 SDGs 在各准则上的表现平行坐标图);最终优先级排序条形图清晰展示最终TOPSIS得分或排名。figure; barh(results.TOPSIS_Score(end:-1:1)); % 从低到高显示看起来更直观 set(gca, YTickLabel, results.SDG(end:-1:1)); xlabel(综合贴近度 (C)); title(SDGs 最终优先级排序 (TOPSIS)); grid on;6.3 论文写作与代码整合要点思路清晰在论文中明确阐述“数据量化 - 网络构建 - 中心性分析 - 多准则决策 - 敏感性分析”的逻辑链条。解释假设明确说明关系矩阵的构建方法、准则的选择与赋值依据、权重的设定理由这些都是模型的关键假设。展示中间结果给出影响矩阵热力图、网络图、中心性指标表让评审看到你的工作过程。讨论局限性诚实地指出模型的不足如关系数据的主观性、未考虑动态变化、权重设定的主观性等并提出可能的改进方向。代码附录将核心、简洁、可读性高的MATLAB代码作为附录。避免粘贴全部代码只放关键部分的脚本如矩阵构建、中心性计算、TOPSIS实现。确保代码有必要的注释。最后一点个人体会美赛D题的成功不在于构建一个无人能懂的复杂模型而在于将一个复杂问题合理简化、条理清晰地建模并用扎实的分析和直观的可视化来支撑你的结论。MATLAB在这个过程中的价值不仅在于其强大的计算和绘图功能更在于它能够帮助你快速实现想法、验证思路并将中间结果清晰地呈现出来。记住模型是为解决问题服务的清晰和说服力永远比复杂性更重要。 
长河君 · 2026/8/27 3:51:01 · 阅读 1.2k MATLAB网络分析与多准则决策在复杂系统建模中的应用
1. 项目概述从赛题到解题框架的构建每年美赛MCM/ICM的D题往往都是最具挑战性、最考验综合建模能力的题目。2023年的D题聚焦于联合国可持续发展目标SDGs要求参赛者为这些相互关联的复杂目标确定优先级。这听起来像是一个政策制定问题但内核却是一个典型的复杂系统分析与决策优化问题。很多队伍拿到题目后容易陷入两个极端要么过度纠结于政策文本分析写出一篇偏社科的文章要么试图构建一个极其复杂的数学模型最后因无法求解或解释不清而失败。我在实际指导和解这道题时核心思路是将其工程化和结构化。SDGs的17个目标不是孤立的它们之间存在着促进、抑制等多种相互作用形成一个动态网络。我们的任务就是量化这个网络的拓扑结构评估每个节点目标的影响力并在此基础上结合资源约束等现实条件给出一个科学、可解释的优先级排序。这本质上是一个网络科学多准则决策的问题。整个解题流程可以清晰地分为几个阶段数据准备与关系量化、网络构建与中心性分析、多维度评估与排序、以及最终的稳健性检验与可视化。本文将围绕这个核心框架拆解每一步的具体思路、用到的MATLAB工具函数以及那些在官方指导手册里不会写的“踩坑”经验与代码调试技巧。2. 核心思路拆解为什么是网络分析与多准则决策2.1 理解SDGs系统的复杂性联合国17个可持续发展目标涵盖了消除贫困、优质教育、清洁能源、气候行动等广泛领域。题目要求确定优先级其隐含前提是资源时间、资金、政策注意力是有限的无法同时平均发力于所有目标。因此优先级意味着在特定视角或标准下的相对重要性排序。为什么网络分析是合适的工具因为SDGs之间存在强烈的相互作用。例如实现“目标4优质教育”SDG4会显著促进“目标8体面工作和经济增长”SDG8而过度追求“目标9产业、创新和基础设施”SDG9可能在不加约束的情况下对“目标13气候行动”SDG13产生压力。这些关系不是单向或对称的。我们需要一个能够刻画这种复杂相互依赖性的模型。将每个SDG视为网络中的一个“节点”将目标间的相互影响视为连接节点的“有向边”及其“权重”我们就得到了一个加权有向网络。在这个网络中一个目标的重要性不仅取决于它自身更取决于它在整个网络中所处的位置——它影响了多少其他目标又被多少目标所影响这是网络中心性指标要回答的问题。2.2 从网络到优先级的决策路径构建出SDG影响网络只是第一步。网络中心性如特征向量中心性、PageRank可以给出一个基于拓扑结构的“影响力”排名。但这可能不是决策者想要的唯一排名。他们可能还关心目标的“基础性”如消除贫困、实现的“紧迫性”、或干预的“成本效益”。因此一个更健壮的方案是多准则决策。我们的思路是将网络中心性排名作为核心准则之一再引入其他合理准则通过一个决策框架如AHP层次分析法、TOPSIS优劣解距离法进行综合集成。例如我们可以设立三个准则网络影响力准则C1 由特征向量中心性得分量化。基础性/紧迫性准则C2 通过文献调研或专家打分赋予某些目标如SDG1无贫困、SDG2零饥饿更高的基础权重。实施可行性准则C3 考虑不同目标在国家当前发展阶段下的实施难度或成本进行相对评分。这样我们就从一个单一的网络排序问题转变为一个更贴近现实决策的多属性决策问题。最终的输出不是一个简单的列表而是一套在不同决策偏好即给准则赋予不同权重下可能产生的优先级方案并对其敏感性进行分析。3. 数据基石SDG关系矩阵的构建与量化3.1 关系数据的来源与处理这是整个项目最基础也最易出错的一环。题目没有提供现成的数据我们需要自己构建一个17x17的矩阵称为“影响矩阵”或“邻接矩阵”A其中元素A(i,j)表示目标i对目标j的影响程度。数据来源主要有两个学术与官方报告 联合国可持续发展解决方案网络SDSN等机构发布过关于SDG相互作用的研究报告其中可能包含定性促进/抑制或半定量3 2 1 0 -1的评估。我们需要搜集并归一化这些数据。专家调查与结构化判断 如果时间允许可以设计一个简单的调查让团队成员或假设的“专家”根据理解对每对目标的关系进行打分例如-3到3的尺度。实操步骤与MATLAB处理假设我们通过文献整理得到了一个用Excel存储的矩阵其中包含了整数评分。% 假设我们从‘SDG_Interactions.xlsx’文件中读取数据该文件有一个名为‘Interactions’的工作表 % 数据范围是B2:R18对应17x17矩阵空白或非数字处可能为0 raw_data xlsread(SDG_Interactions.xlsx, Interactions, B2:R18); % 检查数据维度 [rows, cols] size(raw_data); if rows ~ 17 || cols ~ 17 error(导入的数据不是17x17矩阵请检查数据源。); end % 将数据中的NaN空单元格替换为0表示无直接影响 A_raw raw_data; A_raw(isnan(A_raw)) 0; % 此时 A_raw 可能包含正负值代表促进和抑制 disp(原始影响矩阵部分:); disp(A_raw(1:5, 1:5));3.2 影响矩阵的标准化与处理技巧原始打分尺度可能不统一我们需要将其标准化到一个合理的范围比如[0,1]或[-1,1]以便于后续的网络指标计算。这里有一个关键决策如何处理负向影响抑制关系方案一忽略方向只考虑影响强度。将绝对值作为边的权重。这适用于只关心“关联强度”而不区分促进还是抑制的分析。% 取绝对值将所有关系视为无向的强度 A_undirected abs(A_raw); % 标准化到[0,1] A_undirected_normalized A_undirected / max(A_undirected(:));方案二区分正负构建有向Signed Network。这更符合实际情况但后续的中心性算法需要能处理负权重。许多经典中心性算法如特征向量中心性默认假设非负矩阵。一个常见的处理方法是使用分离法创建两个矩阵一个用于正向影响一个用于负向影响的绝对值。% 创建正向影响矩阵 A_positive A_raw; A_positive(A_positive 0) 0; % 创建负向影响矩阵强度 A_negative abs(A_raw); A_negative(A_raw 0) 0; A_negative -A_negative; % 此时矩阵元素为0或负数 % 分别对正向矩阵进行标准化 A_pos_norm A_positive / max(A_positive(:)); % 对于负向矩阵我们可能先取其绝对值标准化在分析时单独考虑 A_neg_strength abs(A_negative) / max(abs(A_negative(:)));注意在美赛有限的时间内方案一无向加权网络更易于实施和解释也更容易与后续的决策步骤结合。我们可以将标准化后的A_undirected_normalized矩阵作为主要分析对象记为A。一个重要的预处理步骤去除自循环。目标对自身的影响通常不在分析范围内应将矩阵对角线置零。A A_undirected_normalized; % 使用标准化后的无向强度矩阵 n size(A, 1); A A - diag(diag(A)); % 将对角线元素置零4. 网络构建与中心性分析寻找核心SDG4.1 构建网络对象与可视化MATLAB的graph和digraph函数是处理网络的利器。对于无向加权网络我们使用graph。% 创建无向加权图对象 G graph(A, upper, OmitSelfLoops); % ‘upper’避免重复边因为我们矩阵是对称的无向 % 设置节点名称可选便于识别 SDG_Names {No Poverty, Zero Hunger, Good Health, Quality Education, ... Gender Equality, Clean Water, Affordable Energy, ... Decent Work, Industry Innovation, Reduced Inequalities, ... Sustainable Cities, Responsible Consumption, Climate Action, ... Life Below Water, Life on Land, Peace Justice, Partnerships}; G.Nodes.Name SDG_Names; % 基础可视化快速查看网络结构 figure; p plot(G, Layout, force, EdgeLabel, G.Edges.Weight, NodeLabel, G.Nodes.Name); p.MarkerSize 7; p.NodeColor r; p.EdgeColor [0.5 0.5 0.5]; title(SDG 相互作用网络加权无向);‘force’布局算法可以让节点根据连接关系自动排布能直观看出哪些节点处于中心。但要注意对于小网络17个节点布局可能不稳定多运行几次或尝试‘circle’、‘subspace’布局以获得更好视图。4.2 计算关键网络中心性指标中心性指标是量化节点影响力的核心。我们将计算几种常见的指标并对比其结果。1. 度中心性最直观一个目标连接的目标越多、连接权重越大它越重要。degree_centrality centrality(G, degree, Importance, G.Edges.Weight); % ‘Importance’参数使用边的权重计算加权度2. 特征向量中心性不仅考虑邻居数量还考虑邻居的重要性。一个目标如果连接到很多重要的目标那么它自己也更重要。这非常适合SDG这种“影响力传递”的场景。eigenvector_centrality centrality(G, eigenvector, Importance, G.Edges.Weight);3. 介数中心性衡量一个目标作为“桥梁”的程度。在所有目标对的最短路径中有多少条经过该目标。这有助于发现那些连接不同子群体的关键目标。betweenness_centrality centrality(G, betweenness, Cost, 1./G.Edges.Weight); % 注意‘Cost’是边的成本权重越大成本应越低所以常用权重的倒数。 % 但我们的权重是影响强度强度越大通过它的“成本”越低所以用1/Weight是合理的。4. PageRank算法源自网页排名其思想类似于特征向量中心性但增加了随机跳转的阻尼因子对网络结构更稳定。pagerank_centrality centrality(G, pagerank, Importance, G.Edges.Weight, FollowProbability, 0.85); % ‘FollowProbability’即阻尼因子d通常设为0.85。结果整合与对比将计算结果放入表格便于比较。% 创建结果表 T table(); T.SDG SDG_Names; T.Degree degree_centrality; T.Eigenvector eigenvector_centrality; T.Betweenness betweenness_centrality; T.Pagerank pagerank_centrality; % 对每种中心性进行排名 [~, T.Rank_Degree] sort(T.Degree, descend); [~, T.Rank_Eigenvector] sort(T.Eigenvector, descend); [~, T.Rank_Betweenness] sort(T.Betweenness, descend); [~, T.Rank_Pagerank] sort(T.Pagerank, descend); disp(网络中心性指标及排名:); disp(T);4.3 中心性结果分析与解读计算完指标后关键是如何解读。通常特征向量中心性和PageRank的结果会比较相似且更能反映“影响力”的本质。度中心性过于局部介数中心性可能突出一些连接子群的特殊节点。实操心得不要只依赖一个指标。对比不同指标的排名找出稳定排名靠前的SDG例如在多个指标中都排前5这些是网络中的“核心枢纽”应给予高优先级。关注排名差异大的节点。如果一个目标度中心性高但介数中心性低说明它连接广泛但可能不是关键桥梁。反之则可能是连接不同领域的关键。可视化辅助用节点大小和颜色映射中心性值。figure; p plot(G, Layout, force, NodeCData, eigenvector_centrality, MarkerSize, 715*eigenvector_centrality); colormap(jet); colorbar; title(节点大小与颜色表示特征向量中心性);5. 多准则决策综合排序从网络到决策5.1 构建决策矩阵与标准化假设我们采用三个准则网络影响力C1用特征向量中心性、基础紧迫性C2、实施可行性C3。后两个准则需要主观赋值或通过其他数据源获得。这里为演示我们随机生成模拟数据。% 准则1: 网络影响力 (已有) C1 T.Eigenvector; % 使用特征向量中心性 % 准则2: 基础紧迫性 (模拟数据假设SDG1,2,3,6,13更紧迫) % 我们可以用1-5的尺度打分分数越高越紧迫 urgency_scores [5,5,4,3,3,4,3,3,2,3,3,2,5,4,4,3,2]; % 对应17个目标 C2 urgency_scores; % 准则3: 实施可行性 (模拟数据分数越高表示越容易实施成本越低) feasibility_scores [2,3,4,4,3,3,3,4,3,2,2,2,1,2,2,3,4]; % 注意SDG13气候行动可能最难 C3 feasibility_scores; % 构建决策矩阵 X每一行是一个目标(SDG)每一列是一个准则 X [C1, C2, C3]; % 决策矩阵标准化 % 由于C1,C2,C3量纲和方向可能不同需要标准化。 % C1和C2是效益型准则越大越好C3在本例中也是效益型越容易实施越好。 % 使用向量归一化方法常用于TOPSIS [n_alt, n_crit] size(X); X_normalized zeros(n_alt, n_crit); for j 1:n_crit X_normalized(:, j) X(:, j) / norm(X(:, j)); end disp(标准化后的决策矩阵部分:); disp(X_normalized(1:5, :));5.2 应用TOPSIS法进行排序TOPSIS优劣解距离法原理直观易于在MATLAB中实现。其核心思想是找到理想最优解和最劣解然后计算每个方案与这两个解的距离以相对接近度作为评价依据。% 步骤1: 确定权重。这里假设决策者认为三个准则同等重要。 w [1/3, 1/3, 1/3]; % 权重向量和为1 % 步骤2: 构造加权标准化决策矩阵 V X_normalized .* w; % 利用广播机制 % 步骤3: 确定理想解A和负理想解A- % 对于效益型准则理想解取各列最大值负理想解取各列最小值。 A_plus max(V); % 理想最优解 A_minus min(V); % 理想最劣解 % 步骤4: 计算各方案到理想解和负理想解的距离 D_plus zeros(n_alt, 1); % 到A的距离 D_minus zeros(n_alt, 1); % 到A-的距离 for i 1:n_alt D_plus(i) sqrt(sum((V(i, :) - A_plus).^2)); D_minus(i) sqrt(sum((V(i, :) - A_minus).^2)); end % 步骤5: 计算各方案的相对贴近度 C D_minus ./ (D_plus D_minus); % 步骤6: 根据贴近度C排序C越大越优 [~, rank_TOPSIS] sort(C, descend); % 整合结果 results table(); results.SDG SDG_Names; results.TOPSIS_Score C; results.TOPSIS_Rank rank_TOPSIS; results sortrows(results, TOPSIS_Rank); disp(基于TOPSIS的综合排序结果:); disp(results);5.3 敏感性分析与准则权重探讨权重w的设定是主观的也是决策的关键。在论文中必须进行敏感性分析即改变权重观察排名是否稳定。% 示例测试三种不同的权重方案 % 方案1: 侧重网络影响力 w1 [0.6, 0.2, 0.2]; % 方案2: 侧重基础紧迫性 w2 [0.2, 0.6, 0.2]; % 方案3: 侧重实施可行性 w3 [0.2, 0.2, 0.6]; weight_sets {w1, w2, w3}; rankings zeros(n_alt, length(weight_sets)); for idx 1:length(weight_sets) w_current weight_sets{idx}; V_current X_normalized .* w_current; A_plus_c max(V_current); A_minus_c min(V_current); D_plus_c sqrt(sum((V_current - A_plus_c).^2, 2)); D_minus_c sqrt(sum((V_current - A_minus_c).^2, 2)); C_current D_minus_c ./ (D_plus_c D_minus_c); [~, rank_current] sort(C_current, descend); rankings(:, idx) rank_current; end % 比较排名变化 rank_comparison table(); rank_comparison.SDG SDG_Names; rank_comparison.Rank_Scenario1 rankings(:,1); rank_comparison.Rank_Scenario2 rankings(:,2); rank_comparison.Rank_Scenario3 rankings(:,3); disp(不同权重方案下的排名对比:); disp(rank_comparison); % 计算排名稳定性例如看每个SDG在三种方案中的排名标准差 rank_std std(rankings, 0, 2); rank_comparison.Std_of_Ranks rank_std; disp(排名标准差越小越稳定:); disp(sortrows(rank_comparison, Std_of_Ranks));通过敏感性分析我们可以指出哪些SDG的排名对权重变化不敏感稳定高优先级或低优先级哪些SDG的排名波动大需要决策者根据实际情况谨慎权衡。6. 模型检验、可视化与论文呈现要点6.1 模型稳健性检验除了敏感性分析还可以进行以下检验网络鲁棒性分析模拟移除排名靠前的节点SDG观察网络整体连通性或平均最短路径的变化。这能验证核心节点的重要性。% 计算当前图的全局效率衡量网络信息传递效率 current_efficiency efficiency_wei(A); % 需要Brain Connectivity Toolbox或自定义函数 % 模拟移除top3节点 top3_idx results.TOPSIS_Rank(1:3); % 假设results是最终排序结果 A_removed A; A_removed(top3_idx, :) 0; A_removed(:, top3_idx) 0; G_removed graph(A_removed, upper, OmitSelfLoops); % 重新计算效率或平均路径长度...数据不确定性分析如果关系矩阵A是基于专家打分可以引入随机扰动例如在原始值上加减一个小的随机数多次运行模型观察排名分布计算每个SDG排名的置信区间。6.2 高级可视化技巧好的图表能让论文增色不少。热力图展示影响矩阵直观展示目标间相互作用的强弱模式。figure; imagesc(A); colormap(parula); % 或 hot, jet colorbar; xticks(1:17); yticks(1:17); xticklabels(SDG_Abbr); yticklabels(SDG_Abbr); % 使用缩写 xtickangle(45); title(SDG 相互影响强度热力图);雷达图/平行坐标图对比多准则得分展示少数几个关键SDG在各个准则上的表现。% 选择综合排名前5的SDG top5_idx results.TOPSIS_Rank(1:5); criteria_labels {Network Influence, Urgency, Feasibility}; data_to_plot X_normalized(top5_idx, :); % 使用标准化后的数据 % 使用平行坐标图 figure; parallelcoords(data_to_plot, Labels, criteria_labels, Group, SDG_Names(top5_idx)); title(Top 5 SDGs 在各准则上的表现平行坐标图);最终优先级排序条形图清晰展示最终TOPSIS得分或排名。figure; barh(results.TOPSIS_Score(end:-1:1)); % 从低到高显示看起来更直观 set(gca, YTickLabel, results.SDG(end:-1:1)); xlabel(综合贴近度 (C)); title(SDGs 最终优先级排序 (TOPSIS)); grid on;6.3 论文写作与代码整合要点思路清晰在论文中明确阐述“数据量化 - 网络构建 - 中心性分析 - 多准则决策 - 敏感性分析”的逻辑链条。解释假设明确说明关系矩阵的构建方法、准则的选择与赋值依据、权重的设定理由这些都是模型的关键假设。展示中间结果给出影响矩阵热力图、网络图、中心性指标表让评审看到你的工作过程。讨论局限性诚实地指出模型的不足如关系数据的主观性、未考虑动态变化、权重设定的主观性等并提出可能的改进方向。代码附录将核心、简洁、可读性高的MATLAB代码作为附录。避免粘贴全部代码只放关键部分的脚本如矩阵构建、中心性计算、TOPSIS实现。确保代码有必要的注释。最后一点个人体会美赛D题的成功不在于构建一个无人能懂的复杂模型而在于将一个复杂问题合理简化、条理清晰地建模并用扎实的分析和直观的可视化来支撑你的结论。MATLAB在这个过程中的价值不仅在于其强大的计算和绘图功能更在于它能够帮助你快速实现想法、验证思路并将中间结果清晰地呈现出来。记住模型是为解决问题服务的清晰和说服力永远比复杂性更重要。