简介面向数学类及相关专业学生的《数学建模与数学实验》课程资料包紧扣数学软件与实验课程“理论深化实践应用”的目标帮助学习者掌握用MATLAB等工具求解科学与工程问题的基本技能也适合备考复习与自学入门。压缩包共115个文件、约58.9MB涵盖32个PPT课件、22个MATLAB程序、22个zip辅助材料、17个doc试题文档及9个xls数据表等PPT方便跟课m程序可直接运行练习试题附有答案xls用于实验数据整理avi动画可辅助理解曲线生成过程。已有1699人学习下载。除课件外资料还包含课程分析、完整试卷与答案以及心脏线、星形线、阿基米德螺线等演示视频和长江水污染检测数据案例便于对照理论观察数值实验细节覆盖教学、练习与考核各环节是一份可长期使用的数学实验学习包。1. 拿到“数学建模与数学实验.rar”之后你首先要知道它是什么很多人在比赛前一周或期末前一个月会从某学长、某网盘分享链接或课程群里拿到一个名为“数学建模与数学实验.rar”的压缩包。它通常不是一份“教程 PDF”而是一整套混杂着讲义、实验代码、数据文件和往年论文的资源集合。打开之后你会发现里面有.m的 MATLAB 脚本、.py的 Python 文件、.xlsx的原始数据、.docx的实验报告模板以及若干命名随意的文件夹。这套东西的价值不在于“看完能懂数学建模”而在于它给了你一组“别人跑通过的实验路线”你缺的是把这些路线在自己机器上复现出来的方法和避坑经验。这篇文章就围绕这个压缩包来写先讲怎么拆解和组织这套资料再讲怎么把里面最典型的数学建模实验跑通然后集中写那些让人反复翻车的坑最后给你一个能反复使用的实验模板思路。内容面向两类人刚接触数学建模、想快速把课内实验跑出结果的新手以及有一定基础、但每次都要花一晚上修路径和调环境的熟手。你会发现真正耗费时间的往往不是模型本身而是数据路径、版本差异、编码问题和环境配置。2. 拆包与建档先花 20 分钟把压缩包变成能用的实验工作区这一步的目标很明确把.rar里的所有文件解压、去重、分类、建索引让后续每一次“跑通实验”都有明确入口和可复现的路径。很多人的第一个坑就是解压完直接双击.m文件结果 MATLAB 报错找不到数据因为工作目录不在数据文件所在文件夹。2.1 用 Python 批量解压并自动识别文件类型Windows 下右键解压当然可以但如果压缩包里有二级压缩包、隐藏目录或者文件名带空格和中文手动处理很容易漏。我一般会写一个小脚本一次性完成解压、目录创建、按扩展名归档三件事。import os import zipfile import rarfile import shutil from pathlib import Path # 需要先 pip install rarfile 和安装 unrar 工具 # 如果是 .rar 文件rarfile 依赖系统 unrar.zip 则直接用 zipfile archive_path Path(数学建模与数学实验.rar) extract_root Path(./math_model_workspace) extract_root.mkdir(exist_okTrue) # 统一解压入口 if archive_path.suffix .zip: with zipfile.ZipFile(archive_path, r) as zf: zf.extractall(extract_root) elif archive_path.suffix .rar: with rarfile.RarFile(archive_path) as rf: rf.extractall(extract_root) # 按扩展名归档到不同子目录 ext_map { .m: matlab_scripts, .py: python_scripts, .xlsx: data, .csv: data, .docx: docs, .pdf: docs, } for file_path in extract_root.rglob(*): if file_path.is_file(): target_dir extract_root / ext_map.get(file_path.suffix.lower(), others) target_dir.mkdir(exist_okTrue) try: shutil.move(str(file_path), str(target_dir / file_path.name)) except shutil.Error: print(f文件已存在或移动失败: {file_path})这段代码解决两个问题一是把散落在各个目录的.m和.py集中起来二是避免移动时因重名导致中断遇到重名文件先打印出来人工处理。参数上要注意rarfile库只是一个包装系统里没有 unrar 可执行文件时它会直接报RarCannotExec错误所以如果你主要用 Windows更省事的方案是安装 360 压缩或 Bandizip 的 unrar 组件然后把unrar.exe所在目录加入环境变量。2.2 识别“实验主线”哪些文件才是核心解压归档后你会面对一堆文件但并不是每个都需要跑通。通常一份“数学建模与数学实验”压缩包里真正核心的是三类东西一类是实验指导文档一般是.docx或.pdf描述实验目标、步骤和要求另一类是主脚本.m或.py文件里带有 main 或 test 字样还有一类是数据文件.xlsx或.csv是模型的输入。判断主脚本的办法是看文件大小和文档里的引用关系指导文档中对应步骤最多的那个脚本就是主线脚本。辅助文件如plot_map.m、utils.py这类是被主脚本调用的模块。我习惯在归档之后单独建一个README.md记录每个主脚本对应的实验名称和依赖数据文件名。这不是形式主义而是因为很多压缩包里的文件名是乱码比如1111_final_v2_reallyfinal.m这种不建立索引的话过一个星期你自己都想不起来它是干什么的。写完索引后检查一遍所有.m文件里是否有load(xxx.mat)这类语句把对应的.mat或.xlsx文件是否存在于data目录确认清楚这一步能提前暴露八成路径问题。2.3 固定工作目录结构让不同实验互不干扰很多实验代码里写的是相对路径或绝对路径比如data pd.read_excel(rD:\建模\data\01.xlsx)换台机器必然翻车。我推荐的目录组织方式是每个实验单独一个子目录每个子目录里有自己的data、code、output三个子目录入口脚本和数据都放在对应位置。math_model_workspace/ ├── README.md ├── experiment1_curve_fitting/ │ ├── code/ │ │ ├── main.py │ │ └── utils.py │ ├── data/ │ │ └── data1.xlsx │ └── output/ ├── experiment2_linear_programming/ │ ├── code/ │ │ └── lp_model.py │ ├── data/ │ └── output/ └── docs/ ├── 实验指导.docx └── 数学模型讲义.pdf这样组织的另一个好处是当某个实验跑出来的图片和结果多的时候不会因为大家共用根目录而互相覆盖。你只要保证每个实验主脚本都用相对路径../data/xx.xlsx去读数据输出写到../output/这个工作区就能整体拷贝到任何机器上。3. 跑通第一个典型实验曲线拟合——从实验文档到数值结果数学建模实验里曲线拟合几乎是最常见的起点因为它涉及的原理直观、代码量小、结果容易检查。这里用一个最小例子说明如何把压缩包里的一份实验文档变成你机器上的实际输出。3.1 先读实验文档的目标与要求再动手写代码曲线拟合实验的常规要求是给出一组实验数据点要求选择一个函数形式通过最小二乘法或优化算法求解参数使得拟合曲线与数据点之间的误差最小。实验指导中通常还会要求你画出原始数据散点图和拟合曲线并计算均方根误差 RMSE。先看数据如果数据是.xlsx格式用 Python 读取非常简单import pandas as pd import numpy as np from scipy.optimize import curve_fit import matplotlib.pyplot as plt # 读取数据 df pd.read_excel(../data/experiment1_data.xlsx, sheet_namedata1) x_data df[x].values y_data df[y].values # 定义拟合函数形式y a * exp(b * x) c def model_func(x, a, b, c): return a * np.exp(b * x) c # 初始参数猜测 p0 [1.0, 0.1, 0.5] # 执行拟合maxfev 控制最大函数调用次数 popt, pcov curve_fit(model_func, x_data, y_data, p0p0, maxfev20000) print(拟合参数:, popt) # 计算拟合值和 RMSE y_fit model_func(x_data, *popt) rmse np.sqrt(np.mean((y_data - y_fit) ** 2)) print(fRMSE {rmse:.6f})这段代码的核心在curve_fit它默认使用莱文伯格-马夸特算法对非线性模型比较稳定。参数p0是迭代初值初值离真实解太远时拟合会陷入局部最优甚至直接报错所以当你发现拟合结果明显不合理时优先检查p0而不是改算法。maxfev这个参数也值得说一下默认值是800 * (N 1)N 是自变量数。如果数据噪声大、函数形式复杂可能迭代次数不够拟合曲线会是平的这时候把maxfev调到 20000 是常见操作。还有pcov返回的是协方差矩阵对角线开方是参数的标准差如果你发现某个参数的标准差比参数本身还大说明这个函数形式对数据来说过参数化了需要简化模型。3.2 用 matplotlib 把拟合结果画出来别只盯终端输出数值打印只能告诉你“拟合完成”不能告诉你“拟合得怎么样”。所以曲线拟合实验里画图不是可选项而是必选项# 生成均匀的预测点用于绘制平滑曲线 x_smooth np.linspace(x_data.min(), x_data.max(), 200) y_smooth model_func(x_smooth, *popt) plt.figure(figsize(8, 5)) plt.scatter(x_data, y_data, label原始数据, colorblack, s20) plt.plot(x_smooth, y_smooth, label拟合曲线, colorred, linewidth2) plt.xlabel(x) plt.ylabel(y) plt.title(曲线拟合结果) plt.legend() plt.grid(True, linestyle--, alpha0.6) plt.savefig(../output/fit_result.png, dpi150, bbox_inchestight) plt.show()使用np.linspace生成平滑点很重要如果你直接拿原始x_data去画拟合曲线曲线会因数据点分布不均匀而出现折线感。savefig的参数dpi150保证输出图放大不模糊bbox_inchestight裁掉多余空白。图形输出后把散点与曲线的偏离情况、残差分布是否随机这两点记录下来写进实验报告的解释部分这是比“我拟合出了参数”更有说服力的产出。3.3 三种拟合检验方式参数表与选型对照跑通一次拟合容易但判断结果是否可用需要检验。常见做法是下面三种检验方式使用场景通过标准RMSE 绝对大小数据量级已知且稳定小于数据范围的 5%R² 决定系数线性或可线性化的模型大于 0.9残差图是否随机分布任何回归拟合无明显趋势无喇叭状发散这三种方式在压缩包的实验文档里通常会混着用。我的习惯是先看残差图残差如果随 x 增大呈现明显喇叭状说明模型没有考虑异方差如果残差呈现周期性说明函数形式缺了一项三角函数或周期项。这些判断不需要多高深的统计知识但能直接指出拟合失败的方向。4. 数学建模实验的必调参数以规划模型与灵敏度分析为例曲线拟合之外数学建模实验里另一个高频类型是规划模型也就是线性规划、整数规划和目标规划。压缩包里这一类实验的典型做法是用 MATLAB 的linprog或者 Python 的pulp/scipy.optimize.linprog求最优解然后在报告里做灵敏度分析。4.1 用 scipy.optimize.linprog 求解的生产计划问题规划模型的标准形式是目标函数加约束条件。举一个典型例子某公司生产两种产品单位利润分别是 30 和 20 元生产约束来自设备工时和原材料库存。问最优产量各是多少。import numpy as np from scipy.optimize import linprog # 目标函数系数linprog 默认求最小值所以最大化目标要取负号 c [-30, -20] # 不等式约束 A_ub x b_ub A_ub np.array([ [2, 1], # 设备工时约束 [1, 1], # 原材料约束 [0, 1], # 产品2需求量上限 ]) b_ub np.array([120, 80, 50]) # 变量非负约束 bounds [(0, None), (0, None)] # 求解 result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) print(最优产量:, result.x) print(最大利润:, -result.fun) print(迭代成功:, result.success)这里最容易出错的地方是目标函数符号linprog只解决最小化问题所以最大化利润时要把c全部取负算出来的result.fun是负的最小目标值真正的最大利润是-result.fun。methodhighs是 SciPy 1.6 以上的推荐算法它比旧版本默认的单纯形法更稳定遇到数值规模大一些的问题也不容易报迭代超限。A_ub的行代表每个约束列对应变量。写约束矩阵时建议在代码里手写注释标明每一行的业务含义否则后期检查时很容易把[2, 1]这种行看晕。另一个常见问题是bounds写错如果产品 2 有需求量上限 50上限应该写在bounds的第二个元组里而不是加到b_ub中变成额外约束两种写法结果一样但bounds写法更直观、更容易对应到业务限制。4.2 灵敏度分析是实验报告里最容易被忽略的得分点压缩包里的实验文档往往只要求求出最优解但评阅标准里一般藏着“对关键参数做灵敏度分析”这行字。灵敏度分析的核心就一句话当某个约束的右端常数或目标函数系数在小范围内变化时最优解和最优值的变化幅度是多少。# 对设备工时约束做灵敏度分析从 100 到 140 每隔 5 变化一次 resource_range np.arange(100, 145, 5) optimal_profits [] for b0 in resource_range: b_ub_test np.array([b0, 80, 50]) result_tmp linprog(c, A_ubA_ub, b_ubb_ub_test, boundsbounds, methodhighs) if result_tmp.success: optimal_profits.append(-result_tmp.fun) else: optimal_profits.append(np.nan) for res_val, profit_val in zip(resource_range, optimal_profits): print(f工时上限 {res_val}: 最大利润 {profit_val:.2f})这一段跑完后你会得到一张“工时每增加 5 小时利润增加多少”的关系表。把这个关系画成折线图放进实验报告比单纯的最终答案有说服力得多我实际批改过类似作业做了灵敏度分析的组通常能多拿到一档分数因为这说明他们把模型当作一个系统来考察而不是只求了一个数。注意这里每次测试都重新调用linprog较慢但清晰。真正在做大型模型时应该从result返回的slack和marginals属性里直接读取影子价格但作为课内实验循环求解的方式更直观、更不容易错。4.3 整数规划把产量约束改成整数时发生了什么如果题目增加一句“产量必须为整数”那就从线性规划变成了整数规划。SciPy 的linprog不直接支持整数变量但pulp库很容易做到import pulp # 创建问题 prob pulp.LpProblem(Production_Plan, pulp.LpMaximize) # 定义整数变量 x1 pulp.LpVariable(x1, lowBound0, catInteger) x2 pulp.LpVariable(x2, lowBound0, catInteger) # 目标函数 prob 30 * x1 20 * x2, Total_Profit # 约束条件 prob 2 * x1 x2 120, Machine_Hours prob x1 x2 80, Raw_Material prob x2 50, Product2_Upper_Limit # 求解 prob.solve() print(x1 , x1.value(), , x2 , x2.value()) print(最大利润 , pulp.value(prob.objective))pulp的LpVariable有一个cat参数Integer是整数变量Binary是 0/1 变量。规划实验里如果有“是否启用某条生产线”这类决策就需要二进制变量。这里必须强调一个常见误用整数规划的最优解不会比对应线性规划的最优解更好只可能一样或更差如果你的整数规划结果反超了线性规划说明约束条件写错了。5. 常见排障与避坑解压乱码、路径写死、MATLAB 与 Python 版本冲突这一章是我最想写的部分。数学建模实验本身不难难的是处理各种环境问题。以下五条踩坑记录每一条都在我帮人看代码或者自己跑实验时反复出现过。5.1 现象压缩包内文件名全部变成乱码这是.rar文件最常见的毛病因为压缩包可能是在 Windows 简体中文环境下用旧版 WinRAR 创建的编码可能是 GBK 或 GB18030解压到 macOS 或 Linux 上时系统默认 UTF-8 解码文件名就全部变成类似绠▼.m的乱码。原因解压工具没有正确识别原始编码。解决Windows 上用 Bandizip 解压它自动识别 GBK 和 UTF-8 的能力较好macOS 上可以先在命令行工具中用unar代替自带解压器。如果你已经解压乱了先用convmv或者 Python 脚本批量重命名。import os import chardet # 对文件名乱码的目录做编码修复 for name in os.listdir(./乱码目录): raw name.encode(latin1, errorsignore) # 尝试用 gb18030 解码 try: fixed raw.decode(gb18030) except UnicodeDecodeError: fixed name os.rename(os.path.join(./乱码目录, name), os.path.join(./乱码目录, fixed))5.2 现象MATLAB 脚本能打开但一运行就报“未定义函数或变量”原因脚本里调用的函数文件与主脚本不在同一个目录或者 MATLAB 当前工作目录不在项目根目录。这几乎是压缩包资源复用时的第一杀手。解决在脚本开头统一加一段自动切换工作目录的代码。% 自动切换到脚本所在目录 script_dir fileparts(mfilename(fullpath)); cd(script_dir); addpath(genpath(script_dir));这样即使你从任何其他目录执行MATLAB 都会先把当前目录切到脚本本身所在目录并把子目录全部加入搜索路径。genpath是递归添加路径注意如果目录里有隐藏文件夹genpath可能会把一堆不需要的目录也加进来但课内实验场景下问题不大。5.3 现象Python 引用了sklearn或statsmodels但你机器上没有压缩包里如果混有 Python 代码依赖往往是不齐全的常见的是缺pandas、matplotlib、scipy、openpyxl读取 xlsx 必需。解决先看文件头部有没有import语句然后一次性安装。pip install numpy pandas scipy matplotlib openpyxl rarfile如果遇到权限问题Linux/macOS 上可以加--userWindows 上建议直接用 Anaconda 的 base 环境省去很多困惑。版本冲突时不要盲目升级到最新版scipy1.x 系列内部 API 变化不大但有些老代码用的是scipy.optimize.fmin之类的旧接口这类接口在新版本里有的被移到scipy.optimize的兄弟模块中遇到这种问题直接替换成推荐接口即可。5.4 现象运行 Python 脚本时Console 输出有中文乱码Windows 终端默认编码 GBKprint输出 UTF-8 中文时会乱码或者反过来 Python 读 CSV 时因为编码不符直接报UnicodeDecodeError。解决读数据时明确指定编码输出时统一设置环境变量。# 读取 CSV 时指定编码 df pd.read_csv(../data/数据.csv, encodinggbk, enginepython) # 如果数据是 UTF-8改成 encodingutf-8 即可还有一种情况是文件根本没有编码统一比如 Excel 里某列混入换行符读取时报ParserError。解决办法是用pd.ExcelFile先打开检查所有 sheet 名称再逐个读取而不是直接甩一个read_excel。5.5 现象换了台电脑代码里的绝对路径全部失效这是最没有技术含量但最浪费时间的坑。压缩包里的代码如果是在某个同学的笔记本上写的大概率里面有D:\建模\data.csv或者/Users/xxx/Downloads/xxxx.csv这样的绝对路径。解决把代码里所有读文件、写文件的地方改成相对路径并确保工作目录固定在项目根目录。from pathlib import Path # 用 Path(__file__).resolve().parent 定位代码所在目录 BASE_DIR Path(__file__).resolve().parent.parent DATA_DIR BASE_DIR / data OUTPUT_DIR BASE_DIR / output print(f数据目录: {DATA_DIR})这个写法比os.getcwd()可靠得多因为os.getcwd()返回的是你启动 Python 时的目录而__file__永远是脚本自身的位置。你可能觉得这只是一个形式上的小改动但它能直接消灭“换机器后所有实验都需要重新改路径”的连锁反应。5.6 现象拟合结果每次运行都不一样初值问题。curve_fit是迭代算法初值跑得远收敛结果可能不同。另一个可能原因是源代码中用了随机数生成初始种群比如遗传算法类的自定义拟合函数。解决固定p0并设置随机种子。import numpy as np np.random.seed(42) # 固定随机种子确保结果可复现并且把初值写进实验报告这对别人复现你的结果毫无用处但对你自己下次调试很有价值——你会发现很多“这次跑出来更好”的假象不过是初值发生了变化。6. 进阶用法把压缩包里的材料整理成自己的“建模实验模板库”当你把数学建模与数学实验.rar里的这批实验跑过一遍之后就要进入真正产生长期价值的阶段把实验代码、数据和文档整理成一套属于自己的模板。这个模板不是课程作业而是你参加数学建模竞赛或做课程设计时的起手式。我最推荐建立的是三个固定模板数据读取与路径管理模板、标准拟合与绘图模板、规划模型求解与灵敏度分析模板。这三个模板分别对应你未来 80% 以上实验或比赛题目的基础操作。数据读取模板解决“不管数据在哪个文件夹都能读进来”的问题拟合模板解决“从散点图到拟合曲线再到 RMSE 输出的最短路径”问题规划模板解决“用pulp或linprog从建模到灵敏度分析”的问题。我把它们做成.py文件放在一个名为templates的目录里。每次拿到新题目复制一份改数据路径和模型函数半小时内就能看到初步结果。这个习惯的养成比多读十篇论文都有用。另外给模板加一个统一参数配置区把字体大小、图片尺寸、是否显示图表、保存路径这些选项全部集中到文件头部几个变量里改起来非常快。最后说一条我自己的教训不要迷信“跑通即理解”。跑通一个实验只是第一步真正的检验方法是你把代码里的数据换成一份同结构的新数据看能不能照样输出合理结果。我当年把拟合实验跑通后以为已经掌握了结果到了比赛看到一组带噪声且非指数形式的数据直接卡了三个小时原因就是我只会调参数不会判断模型是否适用。从那以后每次实验跑通我都会额外做一次“换数据压力测试”。这个方法分享给你希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/16 21:13:00 · 阅读 1.2k 数学建模与数学实验资源包实战：从解压到跑通实验全攻略
简介面向数学类及相关专业学生的《数学建模与数学实验》课程资料包紧扣数学软件与实验课程“理论深化实践应用”的目标帮助学习者掌握用MATLAB等工具求解科学与工程问题的基本技能也适合备考复习与自学入门。压缩包共115个文件、约58.9MB涵盖32个PPT课件、22个MATLAB程序、22个zip辅助材料、17个doc试题文档及9个xls数据表等PPT方便跟课m程序可直接运行练习试题附有答案xls用于实验数据整理avi动画可辅助理解曲线生成过程。已有1699人学习下载。除课件外资料还包含课程分析、完整试卷与答案以及心脏线、星形线、阿基米德螺线等演示视频和长江水污染检测数据案例便于对照理论观察数值实验细节覆盖教学、练习与考核各环节是一份可长期使用的数学实验学习包。1. 拿到“数学建模与数学实验.rar”之后你首先要知道它是什么很多人在比赛前一周或期末前一个月会从某学长、某网盘分享链接或课程群里拿到一个名为“数学建模与数学实验.rar”的压缩包。它通常不是一份“教程 PDF”而是一整套混杂着讲义、实验代码、数据文件和往年论文的资源集合。打开之后你会发现里面有.m的 MATLAB 脚本、.py的 Python 文件、.xlsx的原始数据、.docx的实验报告模板以及若干命名随意的文件夹。这套东西的价值不在于“看完能懂数学建模”而在于它给了你一组“别人跑通过的实验路线”你缺的是把这些路线在自己机器上复现出来的方法和避坑经验。这篇文章就围绕这个压缩包来写先讲怎么拆解和组织这套资料再讲怎么把里面最典型的数学建模实验跑通然后集中写那些让人反复翻车的坑最后给你一个能反复使用的实验模板思路。内容面向两类人刚接触数学建模、想快速把课内实验跑出结果的新手以及有一定基础、但每次都要花一晚上修路径和调环境的熟手。你会发现真正耗费时间的往往不是模型本身而是数据路径、版本差异、编码问题和环境配置。2. 拆包与建档先花 20 分钟把压缩包变成能用的实验工作区这一步的目标很明确把.rar里的所有文件解压、去重、分类、建索引让后续每一次“跑通实验”都有明确入口和可复现的路径。很多人的第一个坑就是解压完直接双击.m文件结果 MATLAB 报错找不到数据因为工作目录不在数据文件所在文件夹。2.1 用 Python 批量解压并自动识别文件类型Windows 下右键解压当然可以但如果压缩包里有二级压缩包、隐藏目录或者文件名带空格和中文手动处理很容易漏。我一般会写一个小脚本一次性完成解压、目录创建、按扩展名归档三件事。import os import zipfile import rarfile import shutil from pathlib import Path # 需要先 pip install rarfile 和安装 unrar 工具 # 如果是 .rar 文件rarfile 依赖系统 unrar.zip 则直接用 zipfile archive_path Path(数学建模与数学实验.rar) extract_root Path(./math_model_workspace) extract_root.mkdir(exist_okTrue) # 统一解压入口 if archive_path.suffix .zip: with zipfile.ZipFile(archive_path, r) as zf: zf.extractall(extract_root) elif archive_path.suffix .rar: with rarfile.RarFile(archive_path) as rf: rf.extractall(extract_root) # 按扩展名归档到不同子目录 ext_map { .m: matlab_scripts, .py: python_scripts, .xlsx: data, .csv: data, .docx: docs, .pdf: docs, } for file_path in extract_root.rglob(*): if file_path.is_file(): target_dir extract_root / ext_map.get(file_path.suffix.lower(), others) target_dir.mkdir(exist_okTrue) try: shutil.move(str(file_path), str(target_dir / file_path.name)) except shutil.Error: print(f文件已存在或移动失败: {file_path})这段代码解决两个问题一是把散落在各个目录的.m和.py集中起来二是避免移动时因重名导致中断遇到重名文件先打印出来人工处理。参数上要注意rarfile库只是一个包装系统里没有 unrar 可执行文件时它会直接报RarCannotExec错误所以如果你主要用 Windows更省事的方案是安装 360 压缩或 Bandizip 的 unrar 组件然后把unrar.exe所在目录加入环境变量。2.2 识别“实验主线”哪些文件才是核心解压归档后你会面对一堆文件但并不是每个都需要跑通。通常一份“数学建模与数学实验”压缩包里真正核心的是三类东西一类是实验指导文档一般是.docx或.pdf描述实验目标、步骤和要求另一类是主脚本.m或.py文件里带有 main 或 test 字样还有一类是数据文件.xlsx或.csv是模型的输入。判断主脚本的办法是看文件大小和文档里的引用关系指导文档中对应步骤最多的那个脚本就是主线脚本。辅助文件如plot_map.m、utils.py这类是被主脚本调用的模块。我习惯在归档之后单独建一个README.md记录每个主脚本对应的实验名称和依赖数据文件名。这不是形式主义而是因为很多压缩包里的文件名是乱码比如1111_final_v2_reallyfinal.m这种不建立索引的话过一个星期你自己都想不起来它是干什么的。写完索引后检查一遍所有.m文件里是否有load(xxx.mat)这类语句把对应的.mat或.xlsx文件是否存在于data目录确认清楚这一步能提前暴露八成路径问题。2.3 固定工作目录结构让不同实验互不干扰很多实验代码里写的是相对路径或绝对路径比如data pd.read_excel(rD:\建模\data\01.xlsx)换台机器必然翻车。我推荐的目录组织方式是每个实验单独一个子目录每个子目录里有自己的data、code、output三个子目录入口脚本和数据都放在对应位置。math_model_workspace/ ├── README.md ├── experiment1_curve_fitting/ │ ├── code/ │ │ ├── main.py │ │ └── utils.py │ ├── data/ │ │ └── data1.xlsx │ └── output/ ├── experiment2_linear_programming/ │ ├── code/ │ │ └── lp_model.py │ ├── data/ │ └── output/ └── docs/ ├── 实验指导.docx └── 数学模型讲义.pdf这样组织的另一个好处是当某个实验跑出来的图片和结果多的时候不会因为大家共用根目录而互相覆盖。你只要保证每个实验主脚本都用相对路径../data/xx.xlsx去读数据输出写到../output/这个工作区就能整体拷贝到任何机器上。3. 跑通第一个典型实验曲线拟合——从实验文档到数值结果数学建模实验里曲线拟合几乎是最常见的起点因为它涉及的原理直观、代码量小、结果容易检查。这里用一个最小例子说明如何把压缩包里的一份实验文档变成你机器上的实际输出。3.1 先读实验文档的目标与要求再动手写代码曲线拟合实验的常规要求是给出一组实验数据点要求选择一个函数形式通过最小二乘法或优化算法求解参数使得拟合曲线与数据点之间的误差最小。实验指导中通常还会要求你画出原始数据散点图和拟合曲线并计算均方根误差 RMSE。先看数据如果数据是.xlsx格式用 Python 读取非常简单import pandas as pd import numpy as np from scipy.optimize import curve_fit import matplotlib.pyplot as plt # 读取数据 df pd.read_excel(../data/experiment1_data.xlsx, sheet_namedata1) x_data df[x].values y_data df[y].values # 定义拟合函数形式y a * exp(b * x) c def model_func(x, a, b, c): return a * np.exp(b * x) c # 初始参数猜测 p0 [1.0, 0.1, 0.5] # 执行拟合maxfev 控制最大函数调用次数 popt, pcov curve_fit(model_func, x_data, y_data, p0p0, maxfev20000) print(拟合参数:, popt) # 计算拟合值和 RMSE y_fit model_func(x_data, *popt) rmse np.sqrt(np.mean((y_data - y_fit) ** 2)) print(fRMSE {rmse:.6f})这段代码的核心在curve_fit它默认使用莱文伯格-马夸特算法对非线性模型比较稳定。参数p0是迭代初值初值离真实解太远时拟合会陷入局部最优甚至直接报错所以当你发现拟合结果明显不合理时优先检查p0而不是改算法。maxfev这个参数也值得说一下默认值是800 * (N 1)N 是自变量数。如果数据噪声大、函数形式复杂可能迭代次数不够拟合曲线会是平的这时候把maxfev调到 20000 是常见操作。还有pcov返回的是协方差矩阵对角线开方是参数的标准差如果你发现某个参数的标准差比参数本身还大说明这个函数形式对数据来说过参数化了需要简化模型。3.2 用 matplotlib 把拟合结果画出来别只盯终端输出数值打印只能告诉你“拟合完成”不能告诉你“拟合得怎么样”。所以曲线拟合实验里画图不是可选项而是必选项# 生成均匀的预测点用于绘制平滑曲线 x_smooth np.linspace(x_data.min(), x_data.max(), 200) y_smooth model_func(x_smooth, *popt) plt.figure(figsize(8, 5)) plt.scatter(x_data, y_data, label原始数据, colorblack, s20) plt.plot(x_smooth, y_smooth, label拟合曲线, colorred, linewidth2) plt.xlabel(x) plt.ylabel(y) plt.title(曲线拟合结果) plt.legend() plt.grid(True, linestyle--, alpha0.6) plt.savefig(../output/fit_result.png, dpi150, bbox_inchestight) plt.show()使用np.linspace生成平滑点很重要如果你直接拿原始x_data去画拟合曲线曲线会因数据点分布不均匀而出现折线感。savefig的参数dpi150保证输出图放大不模糊bbox_inchestight裁掉多余空白。图形输出后把散点与曲线的偏离情况、残差分布是否随机这两点记录下来写进实验报告的解释部分这是比“我拟合出了参数”更有说服力的产出。3.3 三种拟合检验方式参数表与选型对照跑通一次拟合容易但判断结果是否可用需要检验。常见做法是下面三种检验方式使用场景通过标准RMSE 绝对大小数据量级已知且稳定小于数据范围的 5%R² 决定系数线性或可线性化的模型大于 0.9残差图是否随机分布任何回归拟合无明显趋势无喇叭状发散这三种方式在压缩包的实验文档里通常会混着用。我的习惯是先看残差图残差如果随 x 增大呈现明显喇叭状说明模型没有考虑异方差如果残差呈现周期性说明函数形式缺了一项三角函数或周期项。这些判断不需要多高深的统计知识但能直接指出拟合失败的方向。4. 数学建模实验的必调参数以规划模型与灵敏度分析为例曲线拟合之外数学建模实验里另一个高频类型是规划模型也就是线性规划、整数规划和目标规划。压缩包里这一类实验的典型做法是用 MATLAB 的linprog或者 Python 的pulp/scipy.optimize.linprog求最优解然后在报告里做灵敏度分析。4.1 用 scipy.optimize.linprog 求解的生产计划问题规划模型的标准形式是目标函数加约束条件。举一个典型例子某公司生产两种产品单位利润分别是 30 和 20 元生产约束来自设备工时和原材料库存。问最优产量各是多少。import numpy as np from scipy.optimize import linprog # 目标函数系数linprog 默认求最小值所以最大化目标要取负号 c [-30, -20] # 不等式约束 A_ub x b_ub A_ub np.array([ [2, 1], # 设备工时约束 [1, 1], # 原材料约束 [0, 1], # 产品2需求量上限 ]) b_ub np.array([120, 80, 50]) # 变量非负约束 bounds [(0, None), (0, None)] # 求解 result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) print(最优产量:, result.x) print(最大利润:, -result.fun) print(迭代成功:, result.success)这里最容易出错的地方是目标函数符号linprog只解决最小化问题所以最大化利润时要把c全部取负算出来的result.fun是负的最小目标值真正的最大利润是-result.fun。methodhighs是 SciPy 1.6 以上的推荐算法它比旧版本默认的单纯形法更稳定遇到数值规模大一些的问题也不容易报迭代超限。A_ub的行代表每个约束列对应变量。写约束矩阵时建议在代码里手写注释标明每一行的业务含义否则后期检查时很容易把[2, 1]这种行看晕。另一个常见问题是bounds写错如果产品 2 有需求量上限 50上限应该写在bounds的第二个元组里而不是加到b_ub中变成额外约束两种写法结果一样但bounds写法更直观、更容易对应到业务限制。4.2 灵敏度分析是实验报告里最容易被忽略的得分点压缩包里的实验文档往往只要求求出最优解但评阅标准里一般藏着“对关键参数做灵敏度分析”这行字。灵敏度分析的核心就一句话当某个约束的右端常数或目标函数系数在小范围内变化时最优解和最优值的变化幅度是多少。# 对设备工时约束做灵敏度分析从 100 到 140 每隔 5 变化一次 resource_range np.arange(100, 145, 5) optimal_profits [] for b0 in resource_range: b_ub_test np.array([b0, 80, 50]) result_tmp linprog(c, A_ubA_ub, b_ubb_ub_test, boundsbounds, methodhighs) if result_tmp.success: optimal_profits.append(-result_tmp.fun) else: optimal_profits.append(np.nan) for res_val, profit_val in zip(resource_range, optimal_profits): print(f工时上限 {res_val}: 最大利润 {profit_val:.2f})这一段跑完后你会得到一张“工时每增加 5 小时利润增加多少”的关系表。把这个关系画成折线图放进实验报告比单纯的最终答案有说服力得多我实际批改过类似作业做了灵敏度分析的组通常能多拿到一档分数因为这说明他们把模型当作一个系统来考察而不是只求了一个数。注意这里每次测试都重新调用linprog较慢但清晰。真正在做大型模型时应该从result返回的slack和marginals属性里直接读取影子价格但作为课内实验循环求解的方式更直观、更不容易错。4.3 整数规划把产量约束改成整数时发生了什么如果题目增加一句“产量必须为整数”那就从线性规划变成了整数规划。SciPy 的linprog不直接支持整数变量但pulp库很容易做到import pulp # 创建问题 prob pulp.LpProblem(Production_Plan, pulp.LpMaximize) # 定义整数变量 x1 pulp.LpVariable(x1, lowBound0, catInteger) x2 pulp.LpVariable(x2, lowBound0, catInteger) # 目标函数 prob 30 * x1 20 * x2, Total_Profit # 约束条件 prob 2 * x1 x2 120, Machine_Hours prob x1 x2 80, Raw_Material prob x2 50, Product2_Upper_Limit # 求解 prob.solve() print(x1 , x1.value(), , x2 , x2.value()) print(最大利润 , pulp.value(prob.objective))pulp的LpVariable有一个cat参数Integer是整数变量Binary是 0/1 变量。规划实验里如果有“是否启用某条生产线”这类决策就需要二进制变量。这里必须强调一个常见误用整数规划的最优解不会比对应线性规划的最优解更好只可能一样或更差如果你的整数规划结果反超了线性规划说明约束条件写错了。5. 常见排障与避坑解压乱码、路径写死、MATLAB 与 Python 版本冲突这一章是我最想写的部分。数学建模实验本身不难难的是处理各种环境问题。以下五条踩坑记录每一条都在我帮人看代码或者自己跑实验时反复出现过。5.1 现象压缩包内文件名全部变成乱码这是.rar文件最常见的毛病因为压缩包可能是在 Windows 简体中文环境下用旧版 WinRAR 创建的编码可能是 GBK 或 GB18030解压到 macOS 或 Linux 上时系统默认 UTF-8 解码文件名就全部变成类似绠▼.m的乱码。原因解压工具没有正确识别原始编码。解决Windows 上用 Bandizip 解压它自动识别 GBK 和 UTF-8 的能力较好macOS 上可以先在命令行工具中用unar代替自带解压器。如果你已经解压乱了先用convmv或者 Python 脚本批量重命名。import os import chardet # 对文件名乱码的目录做编码修复 for name in os.listdir(./乱码目录): raw name.encode(latin1, errorsignore) # 尝试用 gb18030 解码 try: fixed raw.decode(gb18030) except UnicodeDecodeError: fixed name os.rename(os.path.join(./乱码目录, name), os.path.join(./乱码目录, fixed))5.2 现象MATLAB 脚本能打开但一运行就报“未定义函数或变量”原因脚本里调用的函数文件与主脚本不在同一个目录或者 MATLAB 当前工作目录不在项目根目录。这几乎是压缩包资源复用时的第一杀手。解决在脚本开头统一加一段自动切换工作目录的代码。% 自动切换到脚本所在目录 script_dir fileparts(mfilename(fullpath)); cd(script_dir); addpath(genpath(script_dir));这样即使你从任何其他目录执行MATLAB 都会先把当前目录切到脚本本身所在目录并把子目录全部加入搜索路径。genpath是递归添加路径注意如果目录里有隐藏文件夹genpath可能会把一堆不需要的目录也加进来但课内实验场景下问题不大。5.3 现象Python 引用了sklearn或statsmodels但你机器上没有压缩包里如果混有 Python 代码依赖往往是不齐全的常见的是缺pandas、matplotlib、scipy、openpyxl读取 xlsx 必需。解决先看文件头部有没有import语句然后一次性安装。pip install numpy pandas scipy matplotlib openpyxl rarfile如果遇到权限问题Linux/macOS 上可以加--userWindows 上建议直接用 Anaconda 的 base 环境省去很多困惑。版本冲突时不要盲目升级到最新版scipy1.x 系列内部 API 变化不大但有些老代码用的是scipy.optimize.fmin之类的旧接口这类接口在新版本里有的被移到scipy.optimize的兄弟模块中遇到这种问题直接替换成推荐接口即可。5.4 现象运行 Python 脚本时Console 输出有中文乱码Windows 终端默认编码 GBKprint输出 UTF-8 中文时会乱码或者反过来 Python 读 CSV 时因为编码不符直接报UnicodeDecodeError。解决读数据时明确指定编码输出时统一设置环境变量。# 读取 CSV 时指定编码 df pd.read_csv(../data/数据.csv, encodinggbk, enginepython) # 如果数据是 UTF-8改成 encodingutf-8 即可还有一种情况是文件根本没有编码统一比如 Excel 里某列混入换行符读取时报ParserError。解决办法是用pd.ExcelFile先打开检查所有 sheet 名称再逐个读取而不是直接甩一个read_excel。5.5 现象换了台电脑代码里的绝对路径全部失效这是最没有技术含量但最浪费时间的坑。压缩包里的代码如果是在某个同学的笔记本上写的大概率里面有D:\建模\data.csv或者/Users/xxx/Downloads/xxxx.csv这样的绝对路径。解决把代码里所有读文件、写文件的地方改成相对路径并确保工作目录固定在项目根目录。from pathlib import Path # 用 Path(__file__).resolve().parent 定位代码所在目录 BASE_DIR Path(__file__).resolve().parent.parent DATA_DIR BASE_DIR / data OUTPUT_DIR BASE_DIR / output print(f数据目录: {DATA_DIR})这个写法比os.getcwd()可靠得多因为os.getcwd()返回的是你启动 Python 时的目录而__file__永远是脚本自身的位置。你可能觉得这只是一个形式上的小改动但它能直接消灭“换机器后所有实验都需要重新改路径”的连锁反应。5.6 现象拟合结果每次运行都不一样初值问题。curve_fit是迭代算法初值跑得远收敛结果可能不同。另一个可能原因是源代码中用了随机数生成初始种群比如遗传算法类的自定义拟合函数。解决固定p0并设置随机种子。import numpy as np np.random.seed(42) # 固定随机种子确保结果可复现并且把初值写进实验报告这对别人复现你的结果毫无用处但对你自己下次调试很有价值——你会发现很多“这次跑出来更好”的假象不过是初值发生了变化。6. 进阶用法把压缩包里的材料整理成自己的“建模实验模板库”当你把数学建模与数学实验.rar里的这批实验跑过一遍之后就要进入真正产生长期价值的阶段把实验代码、数据和文档整理成一套属于自己的模板。这个模板不是课程作业而是你参加数学建模竞赛或做课程设计时的起手式。我最推荐建立的是三个固定模板数据读取与路径管理模板、标准拟合与绘图模板、规划模型求解与灵敏度分析模板。这三个模板分别对应你未来 80% 以上实验或比赛题目的基础操作。数据读取模板解决“不管数据在哪个文件夹都能读进来”的问题拟合模板解决“从散点图到拟合曲线再到 RMSE 输出的最短路径”问题规划模板解决“用pulp或linprog从建模到灵敏度分析”的问题。我把它们做成.py文件放在一个名为templates的目录里。每次拿到新题目复制一份改数据路径和模型函数半小时内就能看到初步结果。这个习惯的养成比多读十篇论文都有用。另外给模板加一个统一参数配置区把字体大小、图片尺寸、是否显示图表、保存路径这些选项全部集中到文件头部几个变量里改起来非常快。最后说一条我自己的教训不要迷信“跑通即理解”。跑通一个实验只是第一步真正的检验方法是你把代码里的数据换成一份同结构的新数据看能不能照样输出合理结果。我当年把拟合实验跑通后以为已经掌握了结果到了比赛看到一组带噪声且非指数形式的数据直接卡了三个小时原因就是我只会调参数不会判断模型是否适用。从那以后每次实验跑通我都会额外做一次“换数据压力测试”。这个方法分享给你希望帮到你。本文还有配套的精品资源点击获取