数学建模竞赛实战：从自由泳策略优化看模型构建与求解-开发者社区

1. 项目概述：一次完整的数学建模竞赛实战复盘

最近整理硬盘，翻到了2020年参加第九届数学建模国际赛（也就是大家常说的“小美赛”）时的全套文档和程序。看到“A题：自由泳”这个标题，当时和队友们一起熬夜推导、编程、争论的场景又历历在目。数学建模比赛，尤其是像小美赛这种全英文的国际赛，对很多同学来说既是挑战也是绝佳的锻炼机会。它不像纯理论考试，更像一个微缩的科研项目，从读懂晦涩的题目背景，到建立合理的数学模型，再到编程求解和撰写一篇逻辑清晰的英文论文，每一步都考验着综合能力。

今天，我就以这道“自由泳”赛题为例，抛开那些冠冕堂皇的获奖心得，从一个亲历者的角度，完整复盘我们当时的解题全过程。我会详细拆解我们是如何理解题目、构建模型、设计算法，并最终形成解决方案的。更重要的是，我会分享很多在官方优秀论文里看不到的“踩坑”经历和临场决策技巧，比如面对模糊的题目描述如何做出合理假设，在模型复杂度和求解可行性之间如何权衡，以及如何用有限的编程技能实现看起来复杂的算法。无论你是正在备战数模竞赛的新手，还是对“数学建模”如何解决实际问题感到好奇的朋友，相信这篇来自一线的实战记录，都能给你带来一些实实在在的启发和可操作的思路。

2. 赛题核心需求与背景解析

2.1 题目回顾与问题本质提炼

2020年小美赛A题“Freestyle Swimming”（自由泳）的题目描述，大致是关于研究自由泳运动员在比赛中的策略优化问题。题目通常会提供一些背景，比如自由泳比赛的成绩取决于运动员的划水频率、划水效果、转身技术以及体力分配等因素。问题可能要求参赛者建立一个数学模型，来分析这些因素如何影响最终成绩，并据此为运动员提供最优的比赛策略，例如在50米、100米、200米等不同赛程中，如何分配体力（是前程冲刺还是匀速前进？），如何选择划频，以及在转身阶段应采取什么技术动作来最小化总时间。

这听起来像是一个典型的优化问题，但其核心难点在于如何将抽象的“策略”和“体力”转化为数学模型中可以量化的参数。题目不会给你现成的公式，它只会描述现象。我们的首要任务就是进行“问题翻译”。例如，“体力分配”不是一个感觉，它必须被定义，比如用“运动员输出功率随时间的变化函数P(t)”来表示，而功率与游泳速度v(t)之间需要通过流体阻力等物理定律建立联系。“划水效果”可能被建模为每次划水提供的推进力与能量消耗之比。因此，解题的第一步不是急于列方程，而是深度解读题目每一个词背后的物理意义和数学可能性，将模糊的自然语言转化为精确的数学语言定义。

2.2 核心矛盾与解题突破口识别

在明确了问题本质后，我们需要识别题目中的核心矛盾，这往往是建模的突破口。对于自由泳策略问题，至少存在以下几个关键矛盾点：

速度与能耗的矛盾：游得越快，单位时间消耗的能量（功率）越大，但可以缩短比赛时间。然而，人的体力（总能量）是有限的。这是一个典型的在总能量约束下，最小化总时间的优化问题，类似于经典的“最速降线”问题，但约束条件更复杂。
匀速与变速的策略矛盾：是全程保持一个速度（匀速策略）更优，还是先快后慢或先慢后快（变速策略）更优？匀速策略控制简单，但可能不是能量利用效率最高的。变速策略需要考虑加速度带来的额外能量消耗（克服惯性），以及体力衰减的非线性特性。
划频与划幅的矛盾：在游泳中，速度 = 划频 × 划幅。高划频可能导致动作变形、划幅减小，且更易疲劳；追求大划幅则可能降低频率。两者如何搭配才能实现给定速度下的能耗最小？这需要建立一个关于划频、划幅与推进效率、代谢成本之间关系的子模型。
转身环节的损失与收益：转身会损失时间（减速、触壁、蹬壁），但优秀的转身技术可以利用蹬壁获得一个初始高速阶段。如何量化转身的时间损失和蹬壁获得的收益，并将其整合到全程模型中，是区别于陆地赛跑模型的关键。

我们的突破口选择了矛盾1和2作为主模型框架，即建立“能量约束下的时间最小化”变分问题。将矛盾3（划频划幅优化）作为模型中的一个效率系数来处理，而矛盾4（转身）作为分段函数的一个特殊边界条件。这样做的考量是：主模型框架经典、牢固，易于构建和解释；将细节参数化可以避免模型过于复杂而无法求解。在数模竞赛中，一个能够求解的近似模型，远胜于一个完美但无法处理的复杂模型。

3. 数学模型构建与关键假设

3.1 模型总体框架设计

我们决定采用基于能量动力学的分段优化模型。将泳池长度L（例如50米）的比赛划分为若干个阶段：出发阶段、多个划水周期阶段、转身阶段、最后冲刺阶段。但为了简化，我们最终采用了连续模型，将转身视为一个瞬时事件，该事件前后速度发生跃变，并消耗固定能量。

模型的核心是两个微分方程：

运动方程：m * dv/dt = F_propulsion(v, f, A) - F_drag(v)。其中m是运动员质量，v是速度，F_propulsion是推进力，它是速度v、划频f和划幅A的函数；F_drag是水阻力，通常与v的平方成正比（F_drag = 1/2 * ρ * Cd * S * v^2）。
能量消耗方程：dE/dt = -P(v, f, A)。总能量E随时间减少，减少的速率即代谢功率P，它也是v, f, A的复杂函数，通常随输出功率增加而超线性增加。

我们的优化目标是：在总能量E_total的约束下（∫ P dt ≤ E_total），以及初始和终端位置约束下（∫ v dt = L），寻找最优的速度曲线v*(t)、划频曲线f*(t)和划幅曲线A*(t)，使得总时间T最小。这是一个带有状态约束的最优控制问题。

3.2 关键假设的设立与理由

面对一个开放性问题，合理的假设是模型的基石。以下是我们做出的一些关键假设及其理由：

假设1：水阻力系数为常数。实际上，Cd（阻力系数）可能随姿势（流线型程度）和速度略有变化。但考虑到主要影响因素是速度的平方项，且变化范围不大，假设为常数是合理的简化，能极大降低模型复杂度。
假设2：推进力与划频、划幅的关系为线性简化。我们假设F_propulsion = k * f * A，其中k是比例系数，代表技术效率。这是一个很强的简化。实际上，推进力与f和A的关系可能是非线性的，例如存在一个最优划频。我们采用线性模型是基于以下考虑：在比赛策略层面，我们更关心宏观的体力分配；且我们可以通过后续的数值实验，让k成为一个与速度相关的“等效效率系数”，来隐含地反映非线性。
假设3：代谢功率P与机械输出功率P_mech的关系为二次函数：P = α * P_mech + β * (P_mech)^2。其中P_mech = F_propulsion * v。这是基于生理学的研究：肌肉的输出效率随负荷增加而下降，能量消耗呈超线性增长。α和β是需要根据文献或数据标定的参数。这个假设比简单的线性关系更符合实际，又比复杂的生理模型更易于处理。
假设4：转身建模为瞬时过程。假设转身时速度从v-瞬间降为0，然后通过蹬壁获得一个初始速度v+，同时消耗固定能量E_turn。v+与蹬壁力量有关，E_turn包含了减速、转身动作和蹬壁的能量成本。这个假设忽略了转身的具体时间细节，但抓住了其对能量和速度状态的关键影响。
假设5：运动员质量、最大功率等生理参数为常数。忽略比赛中由于脱水导致的微小质量变化，以及心理因素对最大输出功率的瞬时影响。

注意：在论文中，必须清晰、单独地列出所有主要假设，并简要说明其合理性和对模型可能产生的影响（简化了计算，但可能忽略了XXX细节）。这是评委评估你模型洞察力和严谨性的重要部分。

4. 模型求解与算法实现细节

4.1 从连续模型到离散优化

上述最优控制问题解析求解非常困难（涉及变分法或庞特里亚金极大值原理）。我们果断选择了数值离散化+优化算法的路径。这是竞赛中非常实用的策略。

我们将总时间T离散为N个等间隔的时间步长∆t（∆t = T/N）。这样，连续的速度曲线v(t)就变成了一个N维向量V = [v1, v2, ..., vN]。同理，划频f和划幅A也离散为向量F和A。优化变量从函数变成了有限维向量，问题转化为一个非线性规划问题。

目标函数：总时间T（实际上，T也是变量，但我们可以固定N，则T = N * ∆t，优化V、F、A来满足距离约束）。约束条件：

距离约束：∑ (vi * ∆t) = L。
能量约束：∑ P(vi, fi, Ai) * ∆t ≤ E_total。
动力学约束（离散化后的运动方程）：(vi+1 - vi) / ∆t = [F_propulsion(vi, fi, Ai) - F_drag(vi)] / m。这个约束实际上定义了vi, fi, Ai之间的关系，我们可以选择将其作为等式约束，或者更简单地，将其融入目标函数——通过调整F和A来产生满足该关系的v。我们采用了后者，即将运动方程视为由决策变量F和A确定v的模拟过程。
变量的上下界约束：速度v有最小值（不能为负）和最大值（生理极限），划频和划幅也有合理范围。

4.2 编程实现与算法选择

我们使用MATLAB作为主要工具，因其强大的数值计算和优化工具箱。

算法核心流程如下：

参数初始化：设定运动员质量m、阻力系数Cd、泳池长度L、总能量E_total、时间步数N、划频划幅范围等所有物理和生理参数。这些参数值需要从文献或合理估计中获取，我们在论文中专门用了一小节进行参数估计和敏感性分析。
模拟函数构建：编写一个函数[T, E_used, V] = simulate(F, A, params)。该函数根据输入的划频向量F和划幅向量A，利用离散化的运动方程，从前到后递推计算出每一个时间步的速度vi，进而计算出总时间T和总能耗E_used。这个函数是连接优化算法和物理模型的桥梁。
优化问题定义：优化变量是F和A（合并为一个2N维的向量X）。目标函数是simulate函数返回的T。约束条件包括：E_used ≤ E_total，以及X本身的上下界约束。
优化求解器调用：我们使用了MATLAB的fmincon函数（求解有约束非线性优化问题）。由于变量维度较高（2N可能达到几百），且问题非凸，直接求解容易陷入局部最优。我们采取了以下策略：
- 多初始点：随机生成多组不同的初始划频划幅策略（如匀速策略、先快后慢策略等），分别用fmincon求解，最后取结果最好的一个。
- 序列优化：先优化一个较粗糙的离散化（N较小），得到粗略的最优策略，然后以此作为初始点，细化时间步长（增大N）再次优化。
- 全局搜索辅助：在时间允许的情况下，尝试结合GlobalSearch或MultiStart算法，增加找到全局最优解的概率。

转身的处理：在simulate函数中，当累计游进距离达到泳池长度（如50米）的整数倍时，我们手动重置速度：v(i+1) = v_kick（蹬壁后速度），并在累计能耗中加上E_turn。这相当于在模拟过程中插入了一个“事件”。

4.3 关键代码片段与注释

这里分享几个核心的代码思路（非完整代码）：

% 1. 模拟函数的核心递推部分 function [total_time, total_energy, velocity_profile] = simulate_swimming(stroke_rate, stroke_length, params) % params 结构体包含所有常数：m, Cd, rho, S, alpha, beta, E_total, L, v_kick, E_turn, dt N = length(stroke_rate); v = zeros(N+1, 1); % 速度 v(1) = params.v_start; % 出发速度 x = 0; % 累计距离 E_used = 0; lap_count = 0; for i = 1:N % 计算当前推进力和阻力 F_prop = params.k * stroke_rate(i) * stroke_length(i); F_drag = 0.5 * params.rho * params.Cd * params.S * v(i)^2; % 计算加速度和下一时刻速度 (欧拉法) a = (F_prop - F_drag) / params.m; v(i+1) = v(i) + a * params.dt; % 计算机械功率和代谢功率 P_mech = F_prop * v(i); P_meta = params.alpha * P_mech + params.beta * P_mech^2; E_used = E_used + P_meta * params.dt; % 更新距离 x = x + v(i) * params.dt; % 检查是否到达池端（考虑转身） if x >= (lap_count + 1) * params.L_pool % 简单处理：速度重置为蹬壁速度，增加转身能耗 v(i+1) = params.v_kick; E_used = E_used + params.E_turn; lap_count = lap_count + 1; % 注意：这里对距离x的处理需要仔细，通常设置为刚好到达池端 x = lap_count * params.L_pool; end end % 计算总时间（可能略超过，需要根据最后位置插值） total_time = N * params.dt; % 简单估计，更精确需处理 total_energy = E_used; velocity_profile = v; end % 2. 使用fmincon进行优化的主要设置 X0 = [ones(N,1)*f_avg; ones(N,1)*A_avg]; % 初始猜测：匀速策略 lb = [f_min * ones(N,1); A_min * ones(N,1)]; % 下界 ub = [f_max * ones(N,1); A_max * ones(N,1)]; % 上界 % 定义非线性约束函数（能量约束） function [c, ceq] = energy_constraint(X) stroke_rate = X(1:N); stroke_length = X(N+1:end); [~, E_used, ~] = simulate_swimming(stroke_rate, stroke_length, params); c = E_used - params.E_total; % 非线性不等式约束：E_used <= E_total ceq = []; % 无非线性等式约束 end options = optimoptions('fmincon', 'Display', 'iter', 'Algorithm', 'sqp', 'MaxFunctionEvaluations', 1e5); [X_opt, fval] = fmincon(@(X) objective_func(X, params), X0, [], [], [], [], lb, ub, @energy_constraint, options);

5. 结果分析与策略解读

5.1 数值结果与可视化

经过优化求解，我们得到了不同赛程（50米、100米、200米）下的最优速度曲线v*(t)、划频曲线f*(t)和划幅曲线A*(t)。我们将结果进行了可视化：

速度-时间曲线：这是最直观的策略体现。我们发现：
- 50米：最优策略接近全力冲刺，速度曲线在高位略有波动，但基本保持高位。因为距离短，能量约束不起主导作用，最大化平均速度是关键。
- 100米：曲线呈现出“快速启动-中段略微调整-末端冲刺”的特征。启动阶段速度迅速提升至接近最高，中段因体力消耗速度有轻微下降，最后15-20米依靠剩余体力进行冲刺，速度有小幅回升。
- 200米：策略差异明显。最优策略是“相对平稳的抛物线型”。启动后速度升至一个低于最高速的“巡航速度”，并保持相当长一段时间，在最后50米才开始明显加速冲刺。这符合能量约束下“保存体力，后程发力”的直观认知。
划频与划幅曲线：有趣的是，最优解中的划频和划幅并不是恒定的。在启动和冲刺阶段，倾向于稍高的划频配合稳定的划幅，以快速产生加速度。在途中游阶段，划频略有下降，但划幅有所增加或保持，这可能是为了维持推进效率，降低因高频率带来的额外代谢成本。这为“技术节奏”提供了量化参考。
能量消耗速率图：我们绘制了代谢功率P(t)的曲线。它清晰地显示在启动和冲刺阶段出现峰值，而在途中游阶段维持在一个相对高效平稳的水平。总能耗E_used非常接近但不超过我们设定的E_total，这说明优化算法有效地利用了所有可用能量。

5.2 模型验证与敏感性分析

一个模型如果无法验证，就是空中楼阁。我们做了以下几件事：

与常识和定性数据对比：我们将得到的最优速度曲线与公开的顶级运动员比赛分段数据（如果能找到）进行定性对比。例如，我们模型预测的200米自由泳速度曲线形态，与菲尔普斯等名将比赛中“前150米稳，最后50米冲”的观察是吻合的。这增加了模型的可信度。
敏感性分析：这是论文的加分项。我们系统性地改变了关键参数（如总能量E_total、阻力系数Cd、转身能耗E_turn等），观察最优策略和总时间的变化。
- 结果发现，总时间T对总能量E_total最敏感，呈负相关且边际效益递减（能量越多，成绩提升越困难）。
- 对阻力系数Cd也非常敏感，减小Cd（改善流线型）能显著提升成绩，这印证了技术训练的重要性。
- 对转身能耗E_turn的敏感性中等，但对于50米短池（多次转身），其影响权重会增大。
- 这些分析不仅验证了模型的合理性，还能衍生出对训练的建议：例如，在体能训练（提升E_total）和技术改进（降低Cd、E_turn）之间，后者可能在某些阶段收益更高。

6. 参赛全过程的经验、教训与实用技巧

6.1 团队分工与时间管理实战

我们队采用经典的三角色分工：建模手（我）、编程手、写作手。但实战下来，有几点深刻体会：

切忌流水线作业：建模的不懂编程实现难度，编程的不理解模型细节，写作的最后只能拼凑。我们第二天就陷入了这种僵局。解决方案：每天至少三次短会（早、中、晚）。建模手在提出模型框架后，必须立即与编程手沟通可行性，估算编程和计算时间。写作手从第一天就开始搭建论文框架，并撰写背景、问题重述等部分，同时理解模型核心思想。
“最小可行模型”先行：不要一开始就追求完美的大而全模型。我们花了第一天下午构建了一个复杂的“六阶段模型”，结果编程手根本无法在短时间内实现。血的教训：在第一天结束前，必须建立一个最简单的、能跑通的模型原型（比如忽略转身，假设匀速）。这能快速验证数据流、优化算法是否有效，给团队带来信心，也为后续迭代打下基础。
写作与建模编程同步：写作手不是最后两天的“打字员”。他/她需要实时记录建模的假设、决策过程、遇到的困难和解决方案。这些内容是论文“模型建立”部分最鲜活、最有说服力的材料。我们让写作手使用共享文档，建模和编程的关键节点、公式、代码截图都随时粘贴进去。

6.2 文献检索与参数估计技巧

数学建模比赛中的参数不能乱设。我们的经验是：

优先找综述文献和体育科学教材：在知网、Web of Science、Google Scholar上搜索“freestyle swimming energetics”、“drag coefficient swimmer”、“metabolic cost swimming”等关键词。优先选择近十年的综述文章，里面常有总结好的参数范围。
利用单位与量纲进行合理推测：如果实在找不到某个具体参数（如运动员的等效横截面积S），可以根据公式和已知参数反推。例如，已知阻力公式F_drag = 1/2 * ρ * Cd * S * v^2，可以查找优秀运动员在特定速度下的拖曳力测试数据，结合水的密度ρ和估算的Cd，反算出S的大致范围。
参数设定要有依据，并在论文中注明来源：例如，“运动员质量m取70kg，参考成年男性运动员平均体重（来源：某文献）”。“阻力系数Cd取0.6，处于业余选手与精英选手之间（来源：某流体力学研究）”。即使有些参数是假设的，也要说明其合理性，例如“假设转身固定能耗E_turn为全程总能量的5%，基于对比赛视频中转身时间占比的估算”。

6.3 论文写作与图表呈现心法

论文是唯一的输出，再好的模型也需要精彩的表达。

摘要就是微型论文：采用“问题-方法-结果-结论”的结构。第一句点题，接着用两三句话概括你们的模型思路（创新点），然后列出最重要的几个结果（用数字！例如：“模型表明，对于200米自由泳，采用抛物线型速度策略可比匀速策略节省约0.8秒”），最后一句总结模型价值。
模型部分要讲“故事”：不要直接堆砌公式。按照“总体框架 -> 子模块1（动力学）-> 子模块2（能量消耗）-> 子模块3（转身处理）-> 整合与优化问题表述”的逻辑来写。每个公式下面用一两句话解释其物理意义和为什么这样假设。
图表务必精美且自明：
- 速度曲线图：横轴时间/距离，纵轴速度。不同赛程的曲线用不同颜色和线型，放在同一图中对比。标注出转身点。
- 敏感性分析图：可以用雷达图或柱状图展示总时间对不同参数的敏感度。
- 所有图表必须有编号、标题，并且标题要体现图表结论，如“图3：200米自由泳最优速度策略呈现明显的巡航与冲刺两阶段特征”。
- 坐标轴标签、单位、图例必须清晰。
优缺点与推广部分要真诚：不要只写“模型优点很多，缺点很少”。优点具体写1-2个最核心的（如：将体力分配、技术动作与流体动力学结合）。缺点要诚恳地写1-2个关键的（如：假设代谢功率为二次函数可能过于简化，未考虑心理因素和战术干扰），并可以简要提出改进方向。推广部分可以延伸到其他周期性耐力运动（如自行车、赛跑）。

6.4 常见“坑点”与应急方案

坑点一：算法不收敛或结果离谱。
- 可能原因：初始值太差；约束条件矛盾或太紧；离散化步长∆t太大导致数值不稳定；目标函数或约束函数有bug（除零、NaN）。
- 应急方案：1) 简化模型，先去掉复杂约束（如转身），验证核心优化是否工作。2) 绘制目标函数随迭代次数的变化图，看是否在下降。3) 检查simulate函数的输出，手动输入几组简单的F和A，看计算出的速度、能量是否在物理常识范围内。4) 尝试不同的优化算法（如fmincon内部的interior-point,sqp等）。
坑点二：计算时间过长。
- 可能原因：离散化维度N太大；目标函数/约束函数计算复杂；优化算法设置不当。
- 应急方案：1) 降低N，先用粗糙网格得到大致策略。2) 对代码进行性能分析（MATLAB的Profiler），优化循环，向量化计算。3) 提供更好的初始值（如匀速策略），减少迭代步数。
坑点三：论文来不及写。
- 应急方案：提前准备好论文模板（LaTeX或Word），包括所有预设的章节标题、图表模板、参考文献格式。写作手随时填充内容。最后留出至少6小时进行全文统稿、检查公式编号、图表引用、语法和拼写。摘要和结论一定要留到最后写，因为它们需要概括全文。

那次小美赛我们最终拿到了不错的奖项，但比奖项更珍贵的是这套从混沌问题到清晰解决方案的完整历练。回头看，这道“自由泳”题目的价值不在于它模拟得有多精确，而在于它逼着我们走完了一个完整的应用数学流程：从现实世界抽象出关键矛盾，用数学语言进行描述和简化，通过计算工具寻找量化解，最后再将结果翻译回现实世界的建议。这个过程里，技术细节固然重要，但团队如何高效协作、如何在压力下做出关键决策、如何清晰地表达复杂思想，这些“软技能”往往决定了最终成果的上限。如果你也在准备数模比赛，我的建议是，找一道往年的赛题，不计时间地彻底做一遍，把每一步的思考和挣扎都记录下来，这比看十篇优秀论文都有用。