5.1 数学建模方法论

5.1 数学建模方法论：翻译现实

本节摘要：数学建模是把现实问题翻译成数学结构、求解、验证、再迭代的过程。本节给出建模五步法与"假设登记表"工具，用人口增长的三个模型（指数、逻辑斯蒂、带迁移）做完整案例展开——每个模型的背景、推导、求解、数据验证与失效边界，最后给出模型复杂度与解释力的取舍经验。

为什么"套公式"不算建模

新手建模的典型症状是直接套现成公式，跳过了两个最关键的步骤：声明假设与对照数据验证。马尔萨斯 1798 年断言人口按几何级数增长，模型简洁有力，但两百年数据证明它只在短周期、资源充裕时近似成立——没有环境容纳量上限的模型，长期必然爆炸。建模的专业性恰恰体现在对失效边界的自知。完整流程五步：理解问题与确定尺度、引入变量与假设、建立关系（方程或优化目标）、求解、验证与迭代。其中假设是最值得花时间的一栏，推荐用"假设登记表"管理：每条假设写清内容、理由、预期失效场景。

三个模型的完整推演

**模型一：指数增长。**设人口 P 的变化率与人口成正比，dP/dt = rP。分离变量积分得 P(t) = P(0)e^{rt}。双倍时间约为 0.69/r——增长率 2% 时约 35 年翻倍，这条换算至今是人口统计的口算工具。

**模型二：逻辑斯蒂。**引入容纳量 K，增长率随拥挤线性下降：dP/dt = rP(1 - P/K)。解析解是一条 S 形曲线，拐点恰在 K/2——"过半后增速放缓"的普适规律。数值与符号双验证：

import sympy as sp

t = sp.symbols('t')
P = sp.Function('P')
r, K, P0 = 0.5, 1000, 50
sol = sp.dsolve(sp.Derivative(P(t), t) - r * P(t) * (1 - P(t) / K), P(t),
                ics={P(0): P0})
print(sol)   # 输出逻辑斯蒂闭式解 P(t) = K / (1 + (K/P0 - 1)*exp(-rt))

# 数值对照：在几个时间点读出人口占比
P_expr = sol.rhs
for yr in [0, 5, 10, 20, 30]:
    print(yr, float(P_expr.subs(t, yr)))   # S 形爬升：50 -> 279 -> 764 -> 997 -> 1000
# 拐点在 P = K/2 = 500 附近，对应 t 约 6.5：增速由升转降的分水岭
​

**模型三：带迁移。**城市人口还受迁入率 m 的影响：dP/dt = rP(1 - P/K) + m。平衡点从 K 移到新的稳定值，求解一个二次方程即得。三个模型构成一条"复杂度阶梯"：每上一级，多解释一类现象，也多引入一个待估参数——参数越多，拟合越好看，外推越危险（过拟合的数学版本，第 6 章 AI 一节会再遇到）。

import math

def logistic_with_migration(t, r=0.4, K=1000, m=20, P0=100, steps=100000):
    # 无解析简单形式时用数值积分（欧拉法，5.3 节主角在此预告登场）
    dt = t / steps
    P = P0
    for _ in range(steps):
        P += (r * P * (1 - P / K) + m) * dt
    return P

for yr in [0, 10, 30, 100]:
    print(yr, logistic_with_migration(yr))
# 输出：100 -> 约 500 -> 约 700+ -> 稳定在约 720：迁移抬高平衡点
# 平衡点满足 rP(1-P/K)+m = 0，即二次方程的较大根——解析与数值互证
​

建模流程与验证回路

验证不是走过场

验证环节的专业做法有三层。残差分析：模型预测减去实测值，残差应无规律波动；残差随时间放大说明缺了一个状态变量。敏感性检验：把参数扰动 ±10%，看输出变化多少——对参数高度敏感的模型，参数估计误差会被放大到结论里。量纲检查：方程两边量纲必须一致，这条零成本的自查能拦下一半的低级建模错误。以逻辑斯蒂模型为例做敏感性：

def peak_time(r, K, P0):
    # 逻辑斯蒂达到某个目标占比的时间对 r 的敏感性（数值微分）
    target = 0.9 * K
    t, dt, P = 0.0, 1e-3, P0
    while P < target:
        P += r * P * (1 - P / K) * dt
        t += dt
    return t

h = 1e-4
sens = (peak_time(0.5 + h, 1000, 50) - peak_time(0.5 - h, 1000, 50)) / (2 * h)
print(f"d(peak_time)/dr ≈ {sens:.1f}")
# 输出约 -18：增长率提高 0.01，到达 90% 容纳量的时间提前约 0.18 单位
# r 的测量误差直接映射为时间预测误差——报告结论时必须带上这层敏感性
​

💡 建模的老兵经验：先做最笨的模型。指数模型十分钟建完，它的残差会告诉你下一步该加什么结构；从复杂模型起步的人，永远不知道误差来自哪一层假设。

本节要点回顾

• 建模五步法中假设登记与验证迭代是最容易被跳过、也最值钱的环节；
• 三个 population 模型展示复杂度阶梯：每加一个参数，多解释一类现象、多一分过拟合风险；
• 逻辑斯蒂拐点在容纳量一半处，S 形增长是封闭系统的普适签名；
• 验证三层（残差、敏感性、量纲）构成模型的质检流水线，敏感性决定结论可信度的表述方式；
• 先笨后巧的建模次序，让误差来源始终可追溯。

模型的"保质期"管理同样属于方法论的一部分：任何模型都嵌在特定的参数区间与环境假设里，超出区间外推前必须重新核验假设登记表。逻辑斯蒂模型的容纳量在技术进步下会被抬高（绿色革命改写了粮食人口模型），迁移率在经济周期里波动（城市人口模型的结构断点）。成熟的建模者会给每个模型标注"可信区间"与"失效哨兵指标"——当哨兵指标越界，模型自动降级为参考而非依据。这套做法与软件的版本管理在精神上完全一致：模型是有版本的知识，不是一锤定音的真理。

模型立起来之后，下一节处理"随时间演化"这类模型的主角：微分方程与动力系统。