数学建模中的线性与非线性规划：从原理到竞赛实战应用

1. 从“规划”说起：数学建模中的决策艺术

如果你参加过数学建模比赛，或者正准备参加，那么“规划”这个词对你来说一定不陌生。它听起来有点抽象，像是管理学的术语，但在数学建模的语境里，它指的是一套非常具体、强大的数学工具，用来解决“在有限资源下，如何做出最优决策”的问题。想象一下，你要为一个工厂制定生产计划，原材料有限，机器工时有限，但市场需求旺盛，你该如何分配资源，才能让利润最大化？或者，你要为一个物流中心选址，既要靠近供应商，又要方便配送客户，还要控制成本，这个“最佳位置”在哪里？这些问题，本质上都是“规划”问题。

在数学建模比赛中，规划类问题出现的频率极高，从国赛、美赛到各类校赛、地区赛，几乎是无处不在。很多新手队伍一看到题目里出现“最大”、“最小”、“最优”、“分配”、“调度”这些字眼，再一看数据量不小，第一反应可能就是上机器学习、深度学习。但往往绕了一大圈，模型复杂，结果还不尽如人意。其实，很多情况下，一个扎实的线性规划或非线性规划模型，配合合适的求解器，就能干净利落地解决问题，而且模型清晰，结果可解释性强，非常受评委青睐。

线性规划和非线性规划，是规划论中最基础、最核心的两大分支。简单来说，它们的区别在于目标函数和约束条件是否全是线性的。线性规划就像用直尺在平面上画出一个多边形区域（可行域），然后沿着一个固定的方向平移一条直线，去找触碰到的最后一个顶点（最优解）。整个过程规整、可预测。而非线性规划，则像是在起伏的山丘中寻找最高点或最低点，地形复杂，路径曲折，可能需要更精巧的攀登策略。

掌握这两者，不仅仅是学会几个算法或软件操作，更是建立起一种“优化思维”。这种思维能帮你快速识别问题本质，选择最合适的建模路径，避免在错误的方向上浪费宝贵的比赛时间。接下来，我们就深入拆解这两把利器，看看它们到底怎么用，以及在比赛中如何避开那些常见的“坑”。

2. 线性规划：清晰边界下的最优解

线性规划是所有优化模型的入门基石，也是数学建模中最常用、最实用的工具之一。它的魅力在于其简洁性和强大的求解能力。一个标准的线性规划模型包含三个部分：决策变量、目标函数和约束条件，并且这三者都必须是线性的。

2.1 核心三要素与标准形式

决策变量：这是你希望求解的未知数。比如，生产计划中每种产品的产量x1, x2, ..., xn；投资组合中分配到每个资产上的资金比例；运输问题中从仓库i运到市场j的货物量x_ij。

目标函数：这是你希望最大化或最小化的线性表达式。通常是利润最大化、成本最小化、距离最短化等。例如，Maximize Z = 5*x1 + 3*x2表示总利润Z由产品1和产品2的利润贡献组成。

约束条件：这是对决策变量的限制，也必须用线性等式或不等式表示。它代表了资源的有限性、需求的满足、物理规律等。例如，原材料约束2*x1 + 4*x2 <= 100，表示生产所需原材料总量不能超过100单位；非负约束x1, x2 >= 0，表示产量不能为负。

将上述组合起来，就得到了线性规划的标准形式：

Maximize (or Minimize) c1*x1 + c2*x2 + ... + cn*xn Subject to: a11*x1 + a12*x2 + ... + a1n*xn <= b1 a21*x1 + a22*x2 + ... + a2n*xn <= b2 ... am1*x1 + am2*x2 + ... + amn*xn <= bm x1, x2, ..., xn >= 0

其中，c是目标函数系数，A（a_ij）是约束系数矩阵，b是资源限制向量。

为什么强调“标准形式”？因为绝大多数求解算法（如著名的单纯形法）和软件（如MATLAB的linprog，Python的scipy.optimize.linprog）都默认处理这种形式。如果你的模型不是标准形式，比如目标是求最小却写成了最大，约束是“>=”而不是“<=”，或者变量没有非负限制，那么在输入求解器前，必须进行等价转化。这是实操中的第一个关键点。

2.2 单纯形法：理解其思想比记忆表格更重要

很多教材会花大量篇幅讲解单纯形法的表格运算。但在数学建模比赛中，你几乎不需要手算单纯形法。更重要的是理解其几何和代数思想，这能帮助你判断解的情况，并解释结果。

单纯形法的核心思想是“顶点枚举”。线性规划的可行域是一个凸多面体（在多维空间中的多边形），最优解如果存在且有限，必然出现在这个多面体的某个顶点上。单纯形法从一个顶点出发，沿着多面体的边，迭代地移动到相邻的、能使目标函数值更优的顶点，直到找不到更优的相邻顶点为止，当前顶点就是最优解。

这个过程好比在一个多面体建筑里寻找最高点。你从一楼大厅（一个初始顶点）开始，查看每条通往相邻房间（相邻顶点）的走廊，如果某条走廊是向上的，你就走上去。重复这个过程，直到你所在的房间，所有出去的走廊都是向下的，那么你就站在了最高点。

理解这个思想，你就能明白：

1. 唯一最优解：通常就是你找到的那个“最高点”。
2. 无穷多最优解：当目标函数直线与可行域的一条边（或面）平行时，这条边（或面）上的所有点都是最优解。在单纯形法迭代中，你可能会发现某个非基变量的检验数为0，这意味着即使让它进基，目标函数值也不会改变。
3. 无界解：如果你的“建筑”在某些方向是敞开的，并且目标函数沿着那个方向可以无限优化（比如求最大时，有方向可以无限上升），那么问题就是无界的。这通常意味着模型漏掉了关键的约束条件。
4. 无可行解：约束条件互相矛盾，导致没有任何点能满足所有条件，“建筑”根本不存在。

在比赛中，如果求解器报错或返回异常状态，你能快速根据这些概念去检查模型，而不是对着错误代码发呆。

2.3 建模实战：以运输问题为例

让我们用一个经典的“运输问题”来串联整个线性规划建模过程。问题描述：有m个工厂（供应地），每个工厂的产能为a_i；有n个市场（需求地），每个市场的需求为b_j；从工厂i运一单位货物到市场j的成本是c_ij。问：如何安排运输计划，在满足供需平衡的前提下，使总运输成本最低？

第一步：定义决策变量这是建模中最关键的一步，变量定义得好，后续的约束和目标函数会非常自然。这里很直观：设x_ij为从工厂i运往市场j的货物量，其中i = 1,...,m,j = 1,...,n。所有x_ij >= 0。

第二步：写出目标函数总成本是每条运输路线成本与运量的乘积之和。因此，目标是最小化总成本：Minimize Z = Σ_i Σ_j c_ij * x_ij（对所有的i, j求和）

第三步：列出约束条件

1. 供应约束：每个工厂运出的总量不能超过其产能。Σ_j x_ij <= a_i， 对每个工厂i成立。
2. 需求约束：每个市场运入的总量必须满足其需求。Σ_i x_ij >= b_j， 对每个市场j成立。注意：这里是“>=”，因为允许运过量（虽然最优时通常不会），但更常见的平衡模型要求严格等于。如果总产能等于总需求，则可以用等号。
3. 非负约束：x_ij >= 0。

第四步：转化为求解器输入以Python的SciPy库为例，我们需要将模型转化为linprog函数要求的格式：min c^T * x, s.t. A_ub * x <= b_ub, A_eq * x = b_eq, bounds。

• 决策变量x：需要将所有x_ij拉直成一个一维向量。例如，按行主序排列：[x_11, x_12, ..., x_1n, x_21, ..., x_mn]。
• 目标系数c：对应地，将c_ij拉直成同维度的向量。
• 约束矩阵A：这是最需要技巧的地方。供应约束Σ_j x_ij <= a_i有m个，需求约束Σ_i x_ij >= b_j有n个。我们需要将“>=”约束两边乘以-1，转化为“<=”形式：-Σ_i x_ij <= -b_j。然后，将所有这些约束的系数，按照决策变量x的排列顺序，组合成一个大矩阵A_ub。
• 边界bounds：设置每个变量的下界为0，上界为None（无穷大）。

这个过程看似繁琐，但通过编写一个小的函数或利用循环来自动生成A_ub矩阵，是建模编程的基本功。在比赛中，熟练地完成这个转化，能为你节省大量时间。

第五步：结果分析与解释求解器会返回最优解向量x、最优目标函数值Z，以及求解状态。你需要将解向量x重新还原成m x n的运输方案表。更重要的是分析“影子价格”或“对偶变量”。对于供应约束，其对偶变量代表了该工厂产能增加一单位所能带来的最大成本节约；对于需求约束，其对偶变量代表了该市场需求增加一单位所导致的最小成本增加。这个经济解释能为你的论文增色不少，显示出你对模型有更深层次的理解。

注意：运输问题有更特殊的结构，因此存在更高效的专门算法（如表上作业法）。但在数学建模中，直接用通用线性规划求解器解决中小规模问题是完全可行且省事的。关键在于清晰地建立模型。

3. 非线性规划：当世界不是平的

线性规划描绘了一个“平坦”的世界，关系都是成比例的。但现实世界往往更复杂。比如，生产成本可能会随着产量增加而出现规模效应（非线性变化）；投资回报率与风险之间往往不是简单的线性关系；物理学中的许多定律（如万有引力、弹性形变）本身就是非线性的。这时，就需要非线性规划登场。

非线性规划的通用形式为：

Minimize f(x) Subject to: g_i(x) <= 0, i = 1, ..., m h_j(x) = 0, j = 1, ..., p

其中，f(x),g_i(x),h_j(x)中至少有一个是非线性函数。

3.1 凸性：区分“困难”与“相对容易”的关键

非线性规划问题的难度天差地别，其分水岭就在于“凸性”。

• 凸规划：如果目标函数f(x)是凸函数，不等式约束g_i(x)是凸函数，等式约束h_j(x)是线性函数，那么这个问题就是一个凸规划。凸规划的任何局部最优解就是全局最优解。这是一个极其美好的性质，意味着你可以像在线性规划中一样，放心地寻找局部最优，找到的就是最好的。许多工程优化问题可以通过变形转化为凸规划。
• 非凸规划：不具备上述凸性质的问题。其可行域可能像瑞士奶酪一样充满孔洞，目标函数可能像群山一样有多个山峰和山谷。这时，算法可能陷入一个局部最优解（某个山头的顶峰），而错过了全局最优解（最高的那座山）。求解非凸规划是优化领域的核心挑战。

在数学建模比赛中，如果问题明显是非凸的（例如，目标函数是正弦波、有多个极值点），你在论文中必须明确指出这一点，并说明你所采用的算法可能只能找到局部最优解。这是一种严谨的体现。你可以尝试多种初始点来寻找更好的解，或者讨论使用全局优化算法（如模拟退火、遗传算法）的可能性，尽管后者在理论上也不能保证找到全局最优。

3.2 常用求解思路与算法选择

面对一个非线性规划问题，通常的求解思路是将其“线性化”或“序列近似”，或者直接使用迭代搜索算法。

1. 线性化与序列线性规划对于某些非线性程度不高的问题，可以在当前解点附近对非线性函数进行一阶泰勒展开，用线性函数来近似。这样，原问题在每个迭代步就变成了一个线性规划问题。求解这个线性规划，得到搜索方向，再沿该方向移动一定步长，更新当前点，重新线性化，如此反复。这种方法直观，但收敛速度可能较慢，且对初始点敏感。

2. 基于梯度的经典算法对于无约束或仅有边界约束的非线性规划，有一系列成熟的算法：

• 梯度下降法：沿着目标函数负梯度方向（最陡下降方向）搜索。简单，但收敛慢，特别是在“山谷”地形中会 zig-zag 前进。
• 牛顿法：利用目标函数的二阶导数（Hessian矩阵）信息，能更快地收敛到局部最优。但它需要计算 Hessian 矩阵及其逆，计算量大，且可能收敛到鞍点。
• 拟牛顿法（如BFGS， L-BFGS）：牛顿法的改进版。它通过迭代来近似 Hessian 矩阵，避免了直接计算，是实践中非常受欢迎的一类算法，在scipy.optimize.minimize中默认的BFGS和L-BFGS-B就属于此类。

3. 处理约束：拉格朗日乘子法与KKT条件对于带约束的非线性规划，理论基石是KKT条件。它是拉格朗日乘子法在不等式约束下的推广。一个局部最优解必须满足KKT条件（在一定的约束规格下）。KKT条件将原问题转化为一组方程和不等式系统。很多数值算法（如序列二次规划SQP）的核心思想就是逐步逼近满足KKT条件的点。

在比赛中，你不需要手动推导KKT条件，但需要理解其意义：在最优解处，目标函数的梯度可以表示为各约束函数梯度的线性组合。这背后的经济学解释是：资源（约束）的“边际价格”（拉格朗日乘子）衡量了该资源放松一单位对目标的边际贡献。

3.3 建模实战：曲线拟合与参数估计

非线性规划在数学建模中的一个典型应用是曲线拟合，特别是非线性最小二乘问题。假设你有一组实验数据(t_i, y_i)，你根据物理背景或散点图趋势，认为它们符合模型y = f(t, θ)，其中θ是待估计的参数向量（例如f(t, θ) = θ1 * exp(-θ2 * t)）。你的目标是找到参数θ，使得模型预测值与实际观测值的误差平方和最小：Minimize S(θ) = Σ_i [y_i - f(t_i, θ)]^2

这就是一个无约束非线性规划问题，目标函数S(θ)关于参数θ通常是非线性的。

使用工具求解：以Python为例，scipy.optimize.curve_fit函数就是专门为此设计的。但了解其底层原理很重要，它内部通常调用的是least_squares或minimize函数。

关键步骤与注意事项：

1. 初始值猜测：非线性优化算法大多需要提供一个初始参数猜测θ0。这个初始值至关重要！一个差的初始值可能导致算法收敛到错误的局部最优，甚至不收敛。你应该基于对问题的理解来给定。例如，对于指数衰减模型θ1 * exp(-θ2 * t)，θ1可以初始化为y的最大值，θ2可以初始化为一个正的小数（如0.1）。在论文中，必须报告你使用的初始值，并说明理由。
2. 算法选择：curve_fit默认使用Levenberg-Marquardt算法，它是处理最小二乘问题的利器。你也可以手动调用minimize(method=‘L-BFGS-B’)等。对于有参数范围约束的问题（如物理参数必须为正），L-BFGS-B或trust-constr方法可以方便地设置边界。
3. 结果验证：得到最优参数θ*后，一定要做两件事：
   • 可视化：将拟合曲线f(t, θ*)与原始数据点画在同一张图上，直观检查拟合效果。
   • 残差分析：计算残差r_i = y_i - f(t_i, θ*)，绘制残差图（残差 vs.t_i或 vs. 预测值）。一个好的拟合，残差应该随机分布在0附近，没有明显的趋势或模式。如果残差图呈现漏斗形、弧形等，说明模型形式可能不对，或者存在异方差等问题。

实操心得：我曾在一个关于化学反应动力学的题目中，需要拟合一个包含三个指数项的和的复杂模型。直接使用默认初始值(1,1,1,1,1,1)，算法完全无法收敛。后来，我通过分析数据，将衰减快的项对应的参数初始值设大，衰减慢的设小，并参考了类似文献中的参数数量级，才成功拟合。这让我深刻体会到，对于非线性问题，初始值不是随便填的，它承载了你对问题的先验理解。

4. 软件工具链：从建模到求解的实战选择

在数学建模比赛中，理论模型建立后，快速、准确地求解是获胜的关键。选择合适的软件工具，能让你事半功倍。

4.1 通用编程语言：Python vs. MATLAB

Python + SciPy/NumPy/Pandas

• 优势：开源免费，生态庞大。scipy.optimize模块提供了linprog（线性规划）、minimize（非线性规划，支持多种算法）、curve_fit（非线性最小二乘）等强大函数。结合NumPy处理矩阵，Pandas处理数据，Matplotlib绘图，形成完整的数据科学生态链。代码灵活，易于实现复杂逻辑和自动化。
• 劣势：对于超大规模线性规划问题，scipy.optimize.linprog的性能可能不如专业商业求解器。但针对比赛规模，完全足够。
• 典型代码片段（线性规划）：

from scipy.optimize import linprog c = [-5, -3] # 目标函数系数，求最大需取负 A = [[2, 4], [1, 1]] # 不等式约束系数矩阵 b = [100, 40] # 不等式约束右端项 x0_bounds = (0, None) # x1范围 x1_bounds = (0, None) # x2范围 res = linprog(c, A_ub=A, b_ub=b, bounds=[x0_bounds, x1_bounds], method='highs') print('最优值：', -res.fun) # 记得取负转回最大值 print('最优解：', res.x)

MATLAB Optimization Toolbox

• 优势：在工程和学术界历史悠久，文档齐全，函数接口统一。linprog（线性规划）、fmincon（约束非线性规划）、lsqcurvefit（非线性最小二乘）等函数非常稳定可靠。对于矩阵运算和算法原型验证极其方便。
• 劣势：商业软件，需要授权。在算法灵活性上略逊于Python生态。
• 选择建议：如果你的队伍对MATLAB更熟悉，或者问题涉及大量矩阵运算和控制系统仿真（MATLAB的强项），那么MATLAB是很好的选择。否则，Python的通用性和免费特性使其成为更多队伍的首选。

4.2 专业建模语言与求解器：Lingo/AMPL/Gurobi

对于复杂的、大规模的规划问题，或者需要追求极高求解效率时，可以考虑专业工具。

• Lingo：直译式建模语言。最大特点是语法非常贴近数学描述，模型可读性极强。你几乎可以把数学模型直接“翻译”成Lingo代码。它内置了强大的全局和非线性求解器。在比赛中，对于中小型非线性规划，Lingo往往能快速给出优质解。缺点是语言相对封闭，数据处理和前后处理不如Python/MATLAB方便。

model: sets: factory/1..2/: capacity; market/1..3/: demand; links(factory, market): cost, x; endsets data: capacity = 30 25; demand = 15 20 20; cost = 2 3 1 4 1 2; enddata min = @sum(links(i,j): cost(i,j)*x(i,j)); @for(factory(i): @sum(market(j): x(i,j)) <= capacity(i)); @for(market(j): @sum(factory(i): x(i,j)) >= demand(j)); end

• AMPL+Gurobi/CPLEX：这是工业界和顶级学术研究的标配。AMPL是一种强大的代数建模语言，负责描述模型。Gurobi或CPLEX是顶尖的商业数学规划求解器（学生可申请免费学术许可），尤其在线性规划、混合整数规划、二次规划上性能世界领先。如果你的问题规模很大，或者是指定要用到这些求解器的比赛，这套组合是终极武器。但学习曲线较陡。

工具选型建议： 对于绝大多数数学建模比赛，Python (SciPy)或MATLAB足以应对90%以上的规划问题。它们平衡了建模灵活性、求解能力和学习成本。我个人的习惯是：快速原型和数据分析用Python，如果遇到特别棘手的非线性优化，会同时用MATLAB的fmincon和 Python的minimize交叉验证结果。Lingo适合对建模语言简洁性有要求的场景。只有在问题规模极大或明确要求时，才考虑AMPL+Gurobi组合。

4.3 求解失败怎么办？调试与诊断指南

在比赛中，最令人沮丧的莫过于代码跑不出结果，或者结果明显不合理。以下是一些排查思路：

1. 检查模型可行性：首先确认你的约束条件是否自相矛盾。一个简单的办法是，暂时注释掉目标函数，只求解一个可行解（例如，用线性规划求一个满足所有约束的点）。如果连可行解都找不到，那肯定是约束有问题。
2. 检查变量边界：是否所有变量都有合理的上下界？特别是非线性规划，无界变量可能导致算法发散。给变量设置一个物理上合理的宽泛边界（如0 <= x <= 1e6）往往是好习惯。
3. 缩放问题：这是新手最容易忽略的“坑”。如果你的决策变量数量级相差巨大（例如，x1约等于1e-6，x2约等于1e6），或者约束系数矩阵的元素量级差异很大，会导致求解器数值计算困难，出现收敛失败或精度问题。解决方案是进行变量缩放，让所有变量和约束系数都落在[0.1, 10]或[1, 1000]这样的相近量级内。
4. 初始点敏感：非线性规划对初始点敏感。如果求解失败，尝试更换几组不同的初始点。初始点可以随机生成，也可以根据问题背景猜测一个“合理”的值。
5. 解读求解器输出：不要只看结果，一定要看求解器返回的“状态信息”。scipy.optimize.linprog的status为 0 表示成功，message会给出详细信息。minimize的success属性为True才表示成功。如果失败，message会提示原因，如“迭代次数超限”、“未找到可行解”、“目标函数或梯度返回了NaN”等。根据提示针对性调整。
6. 简化问题：如果原问题太复杂，可以先求解一个简化版。例如，固定一部分变量，减少变量维度；或者先忽略非线性约束，求解一个线性松弛问题，用其解作为原问题的初始点。

5. 竞赛应用策略：如何让规划模型为论文加分

在数学建模比赛中，建立一个正确的模型只是第一步。如何将它清晰地呈现出来，并挖掘其深度，才是拉开差距的关键。

5.1 模型建立与描述的规范性

在论文的模型建立部分，对于规划模型，必须做到以下几点：

1. 符号说明表：用一个清晰的表格，列出所有决策变量、参数、集合（下标）的含义和单位。这是评委快速理解你模型的基础。
2. 模型公式：使用规范的数学公式列出目标函数和所有约束条件。建议对每个约束条件进行编号，并在下文解释其物理或经济意义。例如，“式(1)为产能约束，表示...；式(2)为需求约束，表示...”。
3. 模型假设：明确列出你的模型基于哪些假设。例如，“假设运输成本与运量成正比”、“假设市场需求是确定性的”、“忽略设备的启动成本”等。合理的假设是模型简化所必需的，也能体现你的思考。

5.2 灵敏度分析与经济解释：体现深度

这是将你的论文从“合格”提升到“优秀”的核心环节。不要仅仅满足于给出一个最优解和最优值。

• 对于线性规划：一定要做灵敏度分析。大多数求解器（包括scipy.optimize.linprog）在求解后会提供影子价格（对偶变量）和变量目标系数、约束右端项的允许变化范围。

  • 影子价格分析：在结果部分，用一段话解释关键约束的影子价格。例如，“根据求解结果，工厂A的产能约束影子价格为5，这意味着如果工厂A的产能增加1吨，总成本最多可降低5万元。相比之下，工厂B的影子价格为0，说明其产能尚未充分利用，增加产能对降低成本无直接贡献。” 这样的分析让模型结果“活”了起来。
  • 参数变化范围：汇报关键参数（如产品单价、资源限量）在多大范围内变化时，当前的最优基（即哪些变量在基中）保持不变。这说明了模型的稳健性。

• 对于非线性规划：可以进行参数敏感性分析。有意识地改变模型中的某个关键参数（例如，需求预测值、成本系数），重新求解，观察最优解和最优值的变化趋势。用图表展示这种关系，并给出业务上的见解。例如，“随着单位运输成本的上涨，总成本近似线性增加，但最优运输路径发生了结构性改变，从主要依赖公路转向了水陆联运。”

5.3 模型检验与稳健性讨论

评委喜欢看到你对模型局限性的认识以及改进思路。

1. 模型检验：用一组已知答案的简单数据或特例来测试你的模型和程序是否正确。例如，在运输问题中，如果所有成本相等，最优解应该是平均分配；如果某个市场需求为0，则运往该市场的量也应为0。
2. 稳健性/鲁棒性分析：讨论当模型假设不严格成立时，结果会怎样。例如，你的模型假设需求是确定的，但实际需求可能有波动。你可以进行情景分析：在需求增加10%或减少10%的情况下，重新求解，观察方案的变化和成本的增加。这显示了你的模型在不确定环境下的适用性。
3. 模型对比与拓展：如果时间允许，可以尝试建立不同复杂度的模型进行对比。例如，先建立一个简单的线性成本模型，再建立一个考虑折扣的非线性成本模型，比较两者的结果差异，并讨论在什么情况下简单模型就足够，什么情况下需要复杂模型。也可以在文末简要讨论模型的可能拓展方向，如引入随机性（随机规划）、考虑多阶段决策（动态规划）等，这展示了你的视野。

5.4 一个完整的竞赛流程示例

假设赛题是“校园外卖配送点的选址与配送路径优化”。

1. 问题分析：识别出两个子问题：一是配送点选址（0-1整数规划），二是给定配送点后的路径优化（车辆路径问题，VRP，通常用启发式算法）。这里我们聚焦于第一个子问题，可以简化为一个带固定成本的设施选址问题。
2. 模型建立：
   • 决策变量：x_j = 1表示在候选点j设配送点，否则为0；y_ij表示区域i的需求由配送点j满足的比例。
   • 目标函数：最小化总成本 = 固定建设成本之和 + 运输成本之和。运输成本 = 需求量 * 距离 * 单价，这里距离和需求量的乘积可能导致目标函数非线性（如果距离是直线距离，则是非线性；如果简化为曼哈顿距离或网格距离，则可线性化）。
   • 约束：每个区域的需求必须被完全满足；区域只能由已设立的配送点服务；配送点有容量限制等。
3. 求解：根据模型复杂度选择工具。如果是线性模型，用linprog（需要处理0-1变量，需用整数规划，scipy不支持，可用pulp或ortools库）。如果是非线性模型，用minimize。
4. 结果分析：
   • 给出最优选址方案地图。
   • 分析影子价格：哪个区域的配送成本对总成本影响最大？哪个配送点容量的边际价值最高？
   • 敏感性分析：改变单位运输成本，观察选址方案是否稳定。改变某个区域的需求量，观察配送路径如何调整。
   • 模型检验：如果只允许建一个配送点，模型是否会自动选在需求的地理中心？
5. 论文撰写：将上述过程清晰、逻辑地写入论文。在模型部分规范表述，在结果部分用图表展示，在分析部分深入挖掘灵敏度，在讨论部分指出模型忽略了交通拥堵、时间窗等现实因素，并可作为未来改进方向。

记住，在数学建模比赛中，线性规划和非线性规划不仅是求解工具，更是你构建严谨、可解释模型的语言。掌握它们，意味着你掌握了将纷繁复杂的现实问题，转化为清晰数学逻辑的能力。这份能力，会让你在比赛中更加从容，也让你的解决方案更具说服力。