MATLAB数模竞赛实战：从赛题分析到预测与优化代码实现

简介：中国大学生数学建模竞赛多个经典赛题的MATLAB实现，面向备赛学生与建模爱好者，涵盖捕鱼策略、节水洗衣机、零件参数设计、截断切割、风险投资模型、灾情巡视路线及自动化车床模型等十余个赛题程序。压缩包共21个文件，以19个.m源码文件为主，另含1个.c程序与1个txt说明，整体大小仅20KB，代码可直接编译运行。资源不仅包含每个赛题的主程序，还单独整理出节水洗衣机优化函数、零件参数设计优化函数、收益与风险非线性模型优化函数等关键子模块，覆盖优化建模、枚举搜索、随机模拟等多种算法思路，灾情巡视路线部分还提供了C语言版本。这些代码既能作为比赛现场的现成工具，也可用于学习数模题解的建模过程与MATLAB实现技巧。已有709人学习该资源，适合备战全国大学生数学建模竞赛及希望在算法实现上快速上手的中高级读者。

1. 从赛题到可复现结果——MATLAB为什么是数模赛场的主力工具

三天三夜、一队三人、从几道赛题里选一道，这是中国大学生数学建模竞赛赛场上的标准节奏。题目无论落在“数据预测”“资源调度”还是“综合决策”，最终都要把一套思路变成可运行、可验证、可复现的结果写进论文。MATLAB在这种场景下的优势几乎是为竞赛量身定的：读取Excel、清洗数据、搭模型、调参数、出图，全部在同一个环境里完成，不需要在Python和可视化库之间来回切换。对5年经验以上的工程师来说，老练的判断在于：用MATLAB不是因为它“简单”，而是因为它的矩阵化语法能最大限度压缩“想法到验证”的周期。这篇内容不准备讲“怎么报名”或“赛题解析技巧”，而是把一条从题目理解到MATLAB代码落地的完整路径拆开，让你拿到任何一道赛题，都知道第一行代码该写什么、参数怎么设、哪些坑可以提前绕开。

2. 数模题解的技术拆解与MATLAB工程选型

2.1 竞赛题型的分类与算法的对应关系

历年赛题虽然年年翻新，但按数据形态和建模目标大致可以分成四类：机理驱动、预测驱动、优化驱动、评价驱动。拿到题后第一个动作不是写代码，而是判断它的数学结构属于哪种类型，这直接决定后续用哪个工具箱。最稳的判别方式是问自己三句话：输入是表格数据还是物理方程；输出是一个数值、一套方案还是一个排名；题目里有没有明确的约束条件。

这里不讨论用Simulink做复杂物理系统仿真的情况，那是偏机理赛题的另外一条线，通常出现在理工科背景的C题中。对绝大多数数模题，上表前两行覆盖了三分之二的命题区间，因此第3章和第4章会把预测类和优化类分别展开成可运行的MATLAB代码。

2.2 MATLAB环境准备与工具箱选择

比赛前一周就应该把环境固定下来，不要在赛场上处理工具箱缺失的问题。常见做法是安装MATLAB时把Optimization Toolbox、Global Optimization Toolbox、Statistics and Machine Learning Toolbox、Deep Learning Toolbox一并勾上。院校提供的正版授权里某些工具箱需要单独申请，赛前务必确认。

在MATLAB里可以快速验证工具箱是否真正可用，避免写代码时才发现linprog是Undefined function。

% 查看当前会话加载了哪些工具箱 ver % 测试优化工具箱是否可用 if license('test', 'Optimization_Toolbox') && exist('linprog', 'file') == 2 disp('优化工具箱可用'); else disp('缺少优化工具箱，先安装或激活'); end

这段代码的逻辑是先用license检查授权许可，再用exist检查核心函数的文件路径，两者都通过才算真正可用。exist('linprog','file')返回2表示找到了可执行的MEX或M文件，返回0则说明函数不在MATLAB搜索路径中。要注意工具箱名称在不同版本里显示不完全一样，比如深度学习工具箱的license名称通常写作'Neural_Network_Toolbox'，以ver输出的实际授权名为准。

2.3 MATLAB代码结构：从伪代码到脚本/函数

竞赛中时间压力大，代码组织方式直接决定改参数时是否痛苦。推荐的结构不是一堆脚本顺序执行，而是“主脚本做编排、函数做模型、结构体传参数”。

%% 主脚本 main.m 的头部配置 params.alpha = 0.15; % GM(1,1)相对误差警戒值，超过则换模型 params.horizon = 5; % 预测步数 params.normalizer = 'zscore'; % 归一化方式 params.model = 'gm11'; % 模型选择 %% 调用模型函数 [y_pred, metrics] = run_model(X, y, params);

对应的函数文件：

function [y_pred, metrics] = run_model(X, y, params) % X: n x p 特征矩阵 % y: n x 1 目标列向量 % params: 结构体，包含模型超参数 % 返回值 y_pred 是预测结果，metrics 是误差指标结构体 end

这样组织的好处是，答辩现场需要改预测步数或换算法时，只需要改主脚本里的params，模型文件完全不动，减少引入新bug的概率。论文附录写“main.m见附件”时，阅卷老师看到的结构也一目了然。

3. 预测类赛题的最小可运行实现——以GM(1,1)与回归对比为例

3.1 灰色预测GM(1,1)在MATLAB里的书写与检验

灰色预测是数模赛场的高频方法，适合数据量小、样本个数在10个以内且趋势呈指数增长的序列。它不需要大量历史数据，这一点在赛题数据只有几年月度数值时特别有优势。GM(1,1)的核心思想是对原始序列做累加生成，让波动序列变成近似指数增长的序列，再对生成序列拟合一阶线性微分方程。

function [pred, a, b, rel_err] = gm11(y, n) % GM(1,1)灰色预测 % 输入: % y - 原始观测序列，列向量 % n - 预测步数 % 输出: % pred - 未来n步预测值 % a, b - 模型参数: dx/dt + a*x = b % rel_err - 拟合段相对误差 y0 = y(:); m = length(y0); % 1 累加生成序列 y1 = cumsum(y0); % 2 紧邻均值序列，作为背景值 z = (y1(1:m-1) + y1(2:m)) / 2; % 3 最小二乘估计参数 B = [-z, ones(m-1, 1)]; Y = y0(2:m); u = B \ Y; % 左除比显式求逆数值稳定 a = u(1); b = u(2); % 4 时间响应式 t = 0:m+n-1; y1_hat = (y0(1) - b/a) * exp(-a*t) + b/a; y_hat = [y0(1); diff(y1_hat)]; % 5 拟合段相对误差 rel_err = abs((y0 - y_hat(1:m)) ./ y0); % 6 预测段 pred = y_hat(m+1:end); end

调用前必须先做级比检验，这步漏掉是整个灰色预测失败的最常见原因。

y = [2.67, 3.13, 3.25, 3.25, 3.25, 3.36, 3.87, 4.12]'; lambda = y(1:end-1) ./ y(2:end); m = length(y); lb = exp(-2/(m+1)); ub = exp(2/(m+1)); if any(lambda < lb | lambda > ub) warndlg('级比检验不通过，建议先做对数变换'); end [pred, a, b, rel] = gm11(y, 3); fprintf('平均相对误差: %.4f\n', mean(rel));

级比检验的原理是要求原始序列的相邻比值落在模型可行的指数区间内，这个区间随样本量m变化。lambda向量逐个和边界比较，只要有一个越界就报警。对数变换是把指数趋势拉直的常规补救手段，但完成变换后记得预测结果要指数还原。

模型精度可以通过平均相对误差分级评估，通用的标准如下表：

3.2 多元线性回归与数据预处理

灰色预测在数据量过小时好用，一旦赛题给出几十上百行历史数据，线性回归就成了更合理的选择。MATLAB里处理表格型赛题数据的标准流程是readtable读入、rmmissing清洗、normalize归一化、fitlm建模。

% 读取Excel中名为data的工作表 T = readtable('train.xlsx', 'Sheet', 'data', 'VariableNamingRule', 'preserve'); % 删除带缺失值的行；若缺失比例超过20%，考虑先插值再建模 T = rmmissing(T); % 特征和目标分离，列名建议用英文字段，避免编码问题 X = T{:, {'x1', 'x2', 'x3'}}; y = T{:, 'y'}; % 按列zscore归一化 X = normalize(X, 'zscore'); % 拟合含截距项的线性回归 mdl = fitlm(X, y); % 输出系数、p值和R方 disp(mdl.Coefficients) disp(mdl.Rsquared.Ordinary)

fitlm默认使用普通最小二乘估计，返回的Coefficients表里每一行的p值对应特征显著性检验。出现NaN的p值时，第一嫌疑是特征之间存在完全共线性，此时先查看相关性矩阵，去掉冗余列。normalize的'zscore'参数表示按列减去均值再除以标准差，这个变换要在划分训练集和测试集之前完成，整个数据集统一归一化在赛题场景里可接受，但论文中要写明这一步。

如果数据量超过几万行，fitlm计算会明显变慢，这时改用fitrlinear并打开正则化是更实际的做法，它针对大规模数据做了数值优化。

3.3 拟合效果评估与画图

模型不能只看R平方，要同时算RMSE并画出对比曲线。这两件事在MATLAB里可以连成一段脚本，后续改数据重跑一次就有新的图和指标。

% 计算R^2与RMSE y_hat = predict(mdl, X); ss_res = sum((y - y_hat).^2); ss_tot = sum((y - mean(y)).^2); R2 = 1 - ss_res / ss_tot; RMSE = sqrt(mean((y - y_hat).^2)); % 画实际值与预测值对比图 figure; plot(y, 'o-', 'LineWidth', 1.2); hold on; plot(y_hat, 'x--', 'LineWidth', 1.0); xlabel('样本序号'); ylabel('数值'); legend({'实际值', '预测值'}, 'Location', 'best'); grid on; % 导出高分辨率图片用于论文 exportgraphics(gcf, 'fit_compare.png', 'Resolution', 300);

这里把指标计算和画图放在一起是有意的：竞赛中经常出现改了数据源后忘记更新论文图表的情况，一次性输出能减少这种疏漏。exportgraphics是R2023b之后推荐替代print的导出方式，Resolution设为300适用于打印和PDF排版。

4. 优化类赛题与评价类赛题的MATLAB落地

4.1 linprog与intlinprog的矩阵化建模

优化类题目是CUMCM的中流砥柱，核心是把文字约束翻译成矩阵形式。MATLAB优化工具箱里的linprog解决线性规划，标准形式是minf'*x，约束为A*x <= b、Aeq*x = beq、lb <= x <= ub。最大化的目标要转成最小化，这是新手最常踩的坑。

% 例: 生产计划，目标为最大化 5*x1 + 3*x2 + 4*x3 f = [-5; -3; -4]; % 最大化转最小化，所以取负 % 约束: 2*x1 + x2 + x3 <= 12 % x1 + 3*x2 + 2*x3 <= 15 A = [2, 1, 1; 1, 3, 2]; b = [12; 15]; lb = zeros(3, 1); % 决策变量非负 % Aeq和beq没有，用[]占位 [x_opt, fval, exitflag] = linprog(f, A, b, [], [], lb, []); fprintf('最优解: x1=%.2f, x2=%.2f, x3=%.2f\n', x_opt); fprintf('最大收益: %.2f\n', -fval);

参数说明：linprog的第三个到第七个参数依次是A,b,Aeq,beq,lb,ub，没有的项必须用[]占位，不能直接省略导致参数错位。fval返回的是最小化后的目标值，实际最大收益要在前面加负号还原。如果只需要其中部分变量取整数，用intlinprog，并把整数变量的索引作为第二个参数传入。

exitflag的返回值对排错很有用，常见的几个值如下表：

4.2 fmincon与非线性规划的参数设置

如果目标函数或约束条件里有非线性项，linprog就失效了，需要改用fmincon。它在求解时对初值的敏感度比较高，竞赛中通常要做多起点尝试，不能只跑一次就写结论。

function J = myCost(x) % 非线性目标函数 J = x(1)^2 + 0.5*x(2)^2 + x(1)*x(2) - 3*x(1) - 2*x(2); end function [c, ceq] = myCon(x) % 非线性不等式约束要求 c <= 0 c = x(1)^2 + x(2)^2 - 8; % 非线性等式约束要求 ceq == 0 ceq = []; end

主脚本里用optimoptions控制求解细节：

options = optimoptions('fmincon', ... 'Algorithm', 'sqp', ... 'Display', 'iter', ... 'MaxIterations', 1000, ... 'ConstraintTolerance', 1e-6); x0 = [1; 1]; [x_opt, J_opt, exitflag] = fmincon(@myCost, x0, [], [], [], [], ... [0; 0], [], @myCon, options);

参数说明：Algorithm选'sqp'在收敛速度和初值容忍度之间比较平衡，比默认的interior-point在边界附近表现更稳定。ConstraintTolerance设到1e-6在赛题尺度下够用，设太小会明显拖慢迭代。初值x0的选择是最大变量，常见做法是写个循环用几组不同的x0跑，记录每次的J_opt取最小值。如果有Global Optimization Toolbox，直接套MultiStart或GlobalSearch更省事，但手动多初值扫描在没有工具箱的情况也完全可用。

4.3 熵权法+TOPSIS的评价题MATLAB实现

评价类题目的输出是排序结果，熵权法根据数据本身的离散程度确定指标权重，TOPSIS再按各方案与理想解的贴近度排序。这套算法用纯MATLAB函数就能实现，不需要额外工具箱，适合作为参赛团队的保底方法。

function [rank, score, w] = entropy_topsis(R, dirs) % R: m x n 原始数据，m个被评价对象，n个指标 % dirs: 行向量，1表示效益型指标，0表示成本型指标 % 输出: rank 排名(从优到劣), score 综合得分, w 熵权权重 [m, n] = size(R); Rp = zeros(m, n); % 极差归一化，区分效益型和成本型 for j = 1:n if dirs(j) == 1 Rp(:, j) = (R(:, j) - min(R(:, j))) / ... (max(R(:, j)) - min(R(:, j))); else Rp(:, j) = (max(R(:, j)) - R(:, j)) / ... (max(R(:, j)) - min(R(:, j))); end end % 计算比重矩阵 S = Rp ./ sum(Rp, 1); % 信息熵，处理0元素: 定义0*log(0)=0 logS = log(S); logS(S == 0) = 0; e = -sum(S .* logS, 1) / log(m); % 熵权权重 w = (1 - e) ./ sum(1 - e); % TOPSIS计算贴近度 ideal_best = max(Rp, [], 1); ideal_worst = min(Rp, [], 1); d_best = sqrt(sum((Rp - ideal_best).^2 .* w, 2)); d_worst = sqrt(sum((Rp - ideal_worst).^2 .* w, 2)); score = d_worst ./ (d_best + d_worst); [~, rank] = sort(score, 'descend'); end

这段代码里最容易出问题的有两处。第一是归一化时for循环要严格按dirs的方向处理，方向写反会导致指标含义颠倒，整个排序失效；第二是logS(S == 0) = 0这一步，少了它会得到NaN，熵和权重全变废。权重计算完成后，最好同时输出w供论文讨论，评委经常追问权重是否合理，备一个主客观组合权重的对比分析会更有说服力。

5. 提速与排错：正式提交前的三个关键检查

5.1 用profiler锁定瓶颈并做向量化

运行profile on再跑主脚本，然后用profile viewer查看耗时分布，最耗时的函数通常集中在循环或大规模矩阵运算上。能用矩阵运算表达的逻辑尽量不要写for循环，比如累加生成序列用cumsum而非逐项相加。数据量大且循环体彼此独立时，Parallel Computing Toolbox的parfor可以秒级提升效率。

parpool(2); % 根据机器逻辑核心数调整worker数 parfor i = 1:1000 % 每次迭代之间必须无数据依赖 result(i) = expensiveFun(i); end delete(gcp('nocreate'));

parfor的使用边界很明确：循环体内不能引用前一次迭代产生的变量，不能修改循环外部的共享数组。任何用global声明的变量都不要进入parfor，它会被同步机制拖慢甚至报错。

5.2 用dbstop if error和try-catch定位崩溃点

赛场上时间紧张，报错后最快的定位方式不是逐行读代码，而是让MATLAB停在出错的那一行。

dbstop if error % 然后运行主脚本 main

进入调试模式后，命令行提示符变成K>>，此时用dbup和dbdown在工作区之间切换，检查变量尺寸和数值。出现矩阵维度不一致时优先看两点：readtable读入后是否因为列名重复多出了一列；normalize是否把特征和目标列放在了一起处理。等待定位完成后执行dbcont继续，全部结束记得dbclear all防止遗留断点。

5.3 用exportgraphics输出符合论文要求的图

论文排版阶段最耗时间的往往是图片处理。R2023b之后统一用exportgraphics替代print，一次调用可以导出PNG、PDF和EPS，矢量图不被压缩变形。

figure('Position', [100 100 600 400]); plot(X, y, 'b-', 'LineWidth', 1.5); xlabel('Time'); ylabel('Value'); grid on; exportgraphics(gcf, 'result.pdf', 'ContentType', 'vector');

导出时注意ContentType设为'vector'可以保证矢量格式输出，缩小放大都不会糊；位图输出则建议Resolution不低于300。检查生成的图片尺寸，论文里单幅图建议不超过10cm高，字号不小于7pt，保证双栏排版下仍清晰可读。

本文还有配套的精品资源，点击获取