1. 课程导入与全流程概览

数学建模不是“把数字代进公式”，而是把现实世界中的问题，经过抽象、假设与简化，转化为一个可以用数学语言描述、求解并检验的结构。它的价值在于：当现实对象过于复杂、实验成本过高或变量关系难以直接观察时，我们能够借助模型进行推演、预测与决策。本课程的第一节，先建立对“建模是什么、流程怎么走、每一步在做什么”的整体认识，为后续各章的具体方法打下框架。

一、数学建模的定义与核心特征

数学建模可以理解为：针对一个现实问题，明确目标与边界，作出合理假设，用数学符号、方程、不等式、图结构或统计关系刻画对象，再通过求解与验证得到对现实有解释力的结论。它有三个关键特征。第一是目的性：模型服务于具体问题，预测未来销量与优化配送路线所需的模型结构完全不同。第二是简化性：模型必然舍弃次要因素，例如研究城市交通流时可能忽略个体驾驶习惯，只保留车流密度与速度的关系。第三是可检验性：模型结论要能与数据、实验或实际观测对照，否则只是数学游戏。

需要特别区分“数学模型”与“数学题”。数学题的条件是给定的、封闭的；建模问题的条件往往不完整、含噪声，甚至需要建模者自己判断哪些变量该纳入。因此，建模的第一步常常不是计算，而是界定问题。

二、基本流程：六个环节及其真实含义

课程采用“问题分析—假设—建模—求解—验证—解释”的六环节流程。它不是一条只能单向走完的流水线，而是一个允许回退的循环：验证不通过时，可能要回到假设甚至问题分析阶段。

问题分析要回答：研究对象是谁、目标量是什么、已知哪些数据、决策者关心什么精度。例如要估计某小区快递柜的需求量，目标量是“高峰时段每小时使用次数”，已知量可能包括住户数、网购频率、柜格数量与取件时间分布。这里必须明确时间粒度与空间边界，否则后续建模无从下手。

假设是把模糊现实转成可计算条件的关键。假设要写清楚、可辩护，并说明其影响。例如“假设住户取件时间相互独立”“假设工作日与周末需求差异用系数修正”。好的假设不是越少越好，而是与目标精度匹配。

建模是选择数学结构：优化问题用目标函数与约束，动态过程用差分或微分方程，分类问题用统计模型或判别规则，关系网络用图结构。结构选择应服务于问题，而不是追求复杂。

求解包括解析推导与数值计算。实际建模中大量问题需要数值方法，此时要关注算法收敛性、初值敏感性与计算规模。

验证不是“跑出结果就算完成”，而是检查模型是否可信：与历史数据对比、做残差分析、改变参数看结论是否稳定、用留出数据做预测检验。验证不通过，应定位是假设不合理、结构缺失还是数据质量问题。

解释是把数学结论翻译回现实语言，说明结论的适用范围、不确定性与可执行建议。一个模型即使数值漂亮，如果解释不了“为什么”，对决策者的价值也有限。

三、一个贯穿式小例子：快递柜高峰需求

为了让流程可感，设一个简化示例（以下数据为教学假设，非实测）。某小区 600 户，假设平均每户每天取件 0.8 次，其中 70% 集中在 18:00—21:00，则该时段总取件次数约为 600×0.8×0.7=336 次，平均每小时 112 次。若每次取件平均占用柜门 2 分钟，按排队论粗略估计，同时段需要的柜门服务能力约为 112×2/60≈3.7 个“柜门·小时”的持续占用。这个计算非常粗糙，但它已经体现了建模的骨架：目标量是高峰小时需求，假设是取件独立且时间集中，模型是“需求=户数×频率×集中系数”，求解是乘法与单位换算，验证可以用实际取件记录对比，解释则是判断现有柜格是否够用、是否需要错峰激励。

这个例子也说明：建模不等于复杂公式。能把问题说清楚、假设写明白、结果能对照现实，就是合格的建模起点。

四、课程目标与学习路径

本课程的目标不是让学习者背公式，而是形成三种能力：抽象能力——从现实叙述中提炼变量、目标与约束；实现能力——把模型转化为可计算、可验证的过程；判断能力——知道模型何时可信、何时需要修正。围绕这三点，课程后续将依次展开问题抽象与变量选择、假设的写法与敏感性、常见模型结构（优化、微分方程、统计与图模型）、求解工具与数值方法、验证与误差分析、结果解释与报告表达，并通过案例把流程串起来。