CICC科普栏目｜机器学习在数学建模中的应用

如果你参加过数学建模国赛，一定经历过这样的"灵魂拷问"：
题目给了 5000 行数据，让我预测下个月的销量，可我翻完教材只看到一堆偏微分方程……
这时候，机器学习就是你的"外挂"。

这篇文章不打算罗列十几个模型名词让你头大，而是用一条主线把"机器学习在数学建模里到底怎么用"讲透：

• 它和传统数学建模的本质区别在哪？
• 三个核心公式（损失函数 / 梯度下降 / 神经网络前向传播）到底长什么样？
• 用一段 ~60 行纯 Python 代码 真实训练，对比三种模型的效果；
• 2026 年国赛 B 题（无线电干扰源）、C 题预测类题目里，机器学习具体怎么切入？

先用一个生活类比，让你 30 秒内抓住机器学习的"魂"。

类比 ｜ 老中医把脉 vs 现代仪器体检
传统数学建模像老中医：通过物理定律、化学方程，把"病人"拆解成"阴阳虚实"——一旦机理清楚，预测极准。
机器学习像现代仪器体检：不问机理，直接给一台心电图机 + 一堆历史病例，让它自己"看"出心律不齐的规律。
所以当你的题目机理太复杂、变量太多、又恰好有数据时——机器学习就是顺手的工具。

一、机器学习的"三件套"：数据、模型、损失

无论多复杂的机器学习模型，本质都只做一件事：在数据里找一个函数，把输入映射到输出。

把它拆成三件套：

• 数据 (x, y)
   ——历史观测值，比如"过去 60 个月每月用电量"；
• 模型 ŷ = f(x; w)
   ——带参数 w 的函数，比如最简单的线性回归 ŷ = wx + b；
• 损失 L(w)
   ——模型的预测值 ŷ 和真实值 y 之间的差距，用来衡量"模型猜得准不准"。

最常用的损失函数是均方误差 (MSE)：

MSE  =  L(w)  =  ¹⁄_n  ·  Σ_i=1ⁿ  (y_i − ŷ_i)²

它的几何含义是：把所有数据点上的"预测误差的平方"取平均。
L 越小，模型越准；我们要做的事情只有一件——找到让 L 最小的 w。

图 1 ｜ 机器学习建模的标准五步流程，国赛论文的"模型建立"一节通常按这个顺序写

注意，这五步不是机器学习独有——传统数学建模也走这个流程。区别在第③步：传统建模是"人脑推导公式"，机器学习是"算法自动搜索参数"。

二、梯度下降：机器学习是怎么"找到最优解"的

有了损失函数 L(w)，剩下的问题就是：怎么把 w 调到让 L 最小？
答案是梯度下降——一个 19 世纪就存在的朴素想法。

类比 ｜ 蒙眼下山
想象你被蒙上眼睛站在一座山上，你只想走到山谷最低点。
你唯一能做的就是：感受脚下的坡度，朝最陡的下坡方向迈一步；再感受，再迈一步……
每一步的"步长"叫学习率 η：太小下山太慢，太大会跨过谷底直接飞出去。

翻译成数学：

梯度下降    w_k+1  =  w_k − η · ∂L ⁄ ∂w

其中 ∂L/∂w 是损失函数对参数的偏导数（梯度），告诉我们"山坡的陡度和方向"；η 是学习率，决定每一步迈多大。
重复这个公式几百到几千次，w 就会收敛到谷底——也就是机器学习里说的"训练完成"。

图 2 ｜ 红色箭头是梯度下降在 2D 损失曲面上的路径，从随机起点一路走到谷底

这里有一个反直觉但重要的细节：机器学习找到的"最优 w"是数值最优，不一定是物理最优。
所以国赛论文里，如果只用机器学习，评委会觉得"机理不清"。通常的做法是：先用物理/统计给出公式形式，再用机器学习去拟合参数——两者结合最稳。

三、三大经典模型：分别长什么样

这一节我们快速过三个在国赛里出场率最高的模型，看它们的"函数形式"和适用场景。

3.1 线性回归 ——"称体重"的最朴素工具

它假设 y 和 x 是直线关系：

ŷ  =  w₁x + w₀

两个参数 w₁（斜率）和 w₀（截距），可以用闭式解一步到位：

w₁  =  Σ (x_i − x̄)(y_i − ȳ) ⁄ Σ (x_i − x̄)²,     w₀  =  ȳ − w₁x̄

优点：可解释性极强（w₁ 就是"x 每增加 1，y 增加多少"）；训练快到毫秒级。
缺点：只能拟合直线，遇到曲线就拉胯。
适用：自变量只有 1～2 个、近似线性的场景（比如"广告费 vs 销量"）。

3.2 决策树 ——"查户口"式层层筛选

决策树不做"加权打分"，而是用 if-else 把空间切碎：

如果 x₂ > 6.4 则 类 B；否则若 x₁ > 3.2 则 类 A；否则 类 B …

它把特征空间切成长方形，每块贴一个标签。下图是 2 个特征的二维切分示例：

图 3 ｜ 决策树把平面切成一块块矩形，再贴上类别标签

优点：完全不用归一化、可解释性极强（决策路径就是规则）、天然处理类别特征。
缺点：单棵树容易过拟合，深度太深就背答案。
国赛常见用法：随机森林（RF）/ XGBoost —— 把几百棵决策树打包，投票表决，既稳又准。

3.3 神经网络 ——"万能拟合器"

如果说线性回归是"用一根直线穿过云"，神经网络就是"用一根橡皮筋穿过云"。
它由若干层"神经元"组成，每根连线都是一个可学习的权重 wᵢ：

图 4 ｜ 一个最简单的 MLP：3 输入 → 5 隐藏 → 1 输出，每条连线上都有一个权重 wᵢ

前向传播公式（一层）：

h_j  =  tanh(Σ_iw_ijx_i + b_j),     ŷ  =  Σ_jv_jh_j + c

tanh 是"激活函数"，让网络能拟合非线性关系（如果不加激活函数，再多层的神经网络也只是个线性回归）。
权重 wᵢ 通过反向传播 + 梯度下降不断更新——公式还是上一节的 w := w - η · ∂L/∂w，只是 ∂L/∂w 要用链式法则一层层算回去。

优点：理论上可以逼近任意连续函数（"万能近似定理"），处理图像、文本、时序都好用。
缺点：黑盒、训练慢、需要数据量、调参玄学。
国赛常见用法：MLP / CNN（图像）/ LSTM & Transformer（时序）。

四、实战对比：60 行纯 Python 真实训练

光看公式不够直观。我用一段真实可跑的代码（无需 numpy、sklearn），对比上面三个模型在同一份数据上的拟合效果。

任务设定：预测一个时间序列，数据生成规则是

y(t)  =  0.4 t  +  0.3 sin(4.4πt)  +  ε,     ε ∼ N(0, 0.06²)

也就是"线性趋势 + 季节波动 + 高斯噪声"——这正是国赛里销量、用电量、客流量类预测题的典型形态。
注意下面这张图， 真实规律是带正弦起伏的曲线，并不是直线：

图 5 ｜ 60 个带噪声的观测点，肉眼能看出"上升 + 起伏"两种趋势

接下来分别用三种模型去拟合：

• 线性回归
   —— 只拟合一条直线，必然错过"起伏"；
• MLP (1-8-1)
   —— 一个 8 个隐藏神经元的两层网络，能拟合非线性；
• KNN (k=5)
   —— 用最近 5 个点的平均值做预测，平滑但延迟。

图 6 ｜ 三种模型在同一份数据上的拟合结果对比

从图上能直接看到三个现象：

1. 线性回归（橙线）
   ：只看到"上升趋势"，把起伏全抹平了——MSE 最大；
2. MLP（绿线）
   ：弯弯绕绕地跟着数据起伏走，拟合得最贴合；
3. KNN（紫线）
   ：呈阶梯状，比 MLP 滞后，但比线性回归更接近真规律。

具体的 MSE 数值对比：

图 7 ｜ 三种模型在训练集上的 MSE 对比（噪声 σ=0.06，理论 MSE 下界 ≈ 0.0036）

• 线性回归 MSE = 0.04279
• MLP MSE = 0.00616（接近噪声下界，说明几乎把规律学到家了）
• KNN MSE = 0.00287

这是国赛里一个非常经典的教训：用错模型 = 把分数拱手让人。当数据有非线性结构时，硬上线性回归就是送命。

顺便看一下 MLP 训练时的损失下降曲线——梯度下降到底有没有在工作：

图 8 ｜ MLP 训练 2000 轮的 MSE 损失下降曲线，前 200 轮陡降，后面慢慢收敛

这条曲线是机器学习调参时最重要的"体检报告"：
如果它陡降后趋平——恭喜，训练成功；
如果纹丝不动——学习率太小或代码有 bug；
如果震荡上飞——学习率太大，模型"飞过谷底"。

五、国赛真题里，机器学习怎么用？

最后落到实操，结合 2026 年国赛常见方向，说说机器学习的具体打法。

5.1 B 题类（机理复杂 + 有数据）——机器学习做"辅助定位"

以经典的"无线电干扰源定位"题为例：题目给了若干监测站接收到的信号强度 RSSI，要你反推干扰源位置。

传统建模路线：用对数距离路径损耗模型
    RSSI = A − 10n·log₁₀(d) + 噪声，列非线性方程组求解。
机器学习加成：把 (x, y) 网格化，在每个格点上让模型预测 RSSI，和实测值匹配最好的格点就是干扰源。
常见做法：先用 KNN 做粗定位，再用 XGBoost 精修，最后代入物理公式验证——机理 + 数据双保险。

5.2 C 题类（预测 / 优化）——机器学习挑大梁

C 题常是"给历史数据，预测未来 + 给出策略"。这一类几乎可以完全交给机器学习：

• 时间序列预测
  ：用 LSTM / Prophet / XGBoost 直接预测；
• 聚类分析
  ：K-means 把样本分成若干"画像"（比如把外贸上市公司按财务特征分成 3 类）；
• 因子分析
  ：先用因子分析降维、剔除共线性，再用机器学习做预测——这是我硕士论文里的标准操作。

具体到我自己的研究：23 家 A 股外贸上市公司、9 个财务指标，
第一步：因子分析把 9 个指标压缩成 3 个公因子（盈利能力 / 偿债能力 / 营运能力）；
第二步：用 K-means 把 23 家公司聚成 3 类（稳健型 / 成长型 / 风险型）；
第三步：对每类分别用 ARIMA / LSTM 预测下一年走势。
这一套"因子分析 + 聚类 + 时序预测"几乎可以平移到任何 C 题。

5.3 避坑清单

国赛里用机器学习，最容易翻车的 5 个点：

1. 不做数据归一化
    → MLP 训练不动；
2. 不划分训练 / 验证 / 测试集
    → 评委一问"过拟合了吗"就答不上；
3. 只报训练集精度
    → 必须报测试集（泛化）精度才有说服力；
4. 机理解释完全缺失
    → 机器学习当辅助，物理 / 统计当主角；
5. 把网格搜索 (Grid Search) 当调参的唯一手段
    → 调参记录表要展示过程，不是结果。

六、公式总结表（建议收藏）

最后把这篇文章出现过的所有核心公式汇总，方便复习和复制到国赛论文里。

写在最后

机器学习不是数学建模的"银弹"，但它是一把非常顺手的瑞士军刀。
下次再遇到"机理不清、数据很多、要预测未来"的题目，记得拿出来用。

记住一句话：机理是骨，数据是肉，机器学习是把它们缝在一起的针线。
国赛拿奖的论文，三者缺一不可。

下一篇会写《LSTM 时间序列预测：从直觉到代码》，把上面那个 sin 数据集再用 LSTM 跑一遍，看更深的网络是不是真的能学到更长的记忆。敬请期待

本文来源：数学中国

 关注公众号了解更多

会员申请 请在公众号内回复“个人会员”或“单位会员

 欢迎关注中国指挥与控制学会媒体矩阵

指挥与控制学报

CICC官方抖音

CICC头条号

CICC微博号

CICC官方网站

CICC官方微信公众号

《指挥与控制学报》官网

国际无人系统大会官网

中国指挥控制大会官网

全国兵棋推演大赛

全国空中智能博弈大赛

搜狐号              

一点号