🏆 本文已收录于专栏：《滚雪球学数学建模（含历年真题）》

本专栏面向数学建模竞赛学习者，系统覆盖真题解析、建模方法、算法实现、论文写作与 AI 辅助建模等核心环节。无论是建模新手，还是备战华为杯、高教社杯、华数杯、国赛、美赛 MCM/ICM 的参赛者，都能在这里找到清晰、完整、可复用的建模思路，持续更新，长期有效。

🎯 免责声明： 本文题目来源于互联网公开内容，仅供学习交流与建模方法研究，不构成竞赛指导。请遵守相关赛事规则，独立完成竞赛作品，使用本文内容所产生的后果由使用者自行承担。

🎉 专栏限时优惠中：一次订阅，永久解锁，后续内容持续更新。 欢迎点击了解 👉 查看专栏详情 👈

1996B题：节水洗衣机

真题展示

如下为原(真)题，展示如下：

在开始之前，我想先说几句真心话：这道1996年的老题，放在今天依然非常值得深入研究。 它看起来是一个优化问题，但背后藏着资源分配、效果评价、多目标权衡等多个建模层次。很多同学拿到这类题后第一反应是"哦，这就是个最优化，用线性规划就行"——这恰恰是最常见的建模误区。

让我们系统地把它拆开来看。

一、前言：为什么这道题值得分析?

1996年的这道节水洗衣机题，是国赛历史上少数几道"同时考察物理机理建模 + 工程优化 + 实际评价"的综合性题目之一。它的特别之处在于：

第一，它有明确的物理过程。 洗衣机的"加水—漂洗—脱水"过程是可以被数学化描述的，涉及洗涤剂浓度随轮次的变化规律。这要求建模者不能只凭"直觉"，而要真正理解洗涤物理机制。

第二，它有多个决策变量。 运行几轮？每轮加多少水？总用水量是约束还是目标？这些问题相互耦合，不能单独求解。

第三，它需要评价"洗涤效果"。 什么叫"满足一定洗涤效果"？这个"效果"如何量化？这是题目中最难、也最关键的一步——在没有明确定义的情况下，建模者需要自己构建合理的评价指标。

第四，它要求对比分析。 题目最后要求对照"目前常用洗衣机的运行情况"进行评价，这意味着你的模型不能闭门造车，需要有基准对比。

正因为如此，这道题是训练综合建模能力的绝佳素材。下面我们逐步展开。

二、题目背景与现实意义

2.1 现实背景

中国是一个淡水资源相对匮乏的国家，人均淡水占有量仅为世界平均水平的约四分之一。洗衣机在家庭日常用水中占据相当大的比例，传统全自动洗衣机每次洗衣用水量约为100至150升，而其中漂洗环节消耗的水量往往占总用水量的60%以上。

传统洗衣机的漂洗策略非常粗放：固定加满水、漂洗固定次数、每次完全排干。这种策略的最大问题在于：它没有根据洗涤剂残留浓度动态调整用水策略，导致大量的水被"低效使用"——前几次漂洗已经将大部分洗涤剂稀释，后几次漂洗几乎是在做无用功。

2.2 建模的现实意义

设计一个节水洗衣机控制程序，本质上是一个资源分配优化问题：在保证洗涤效果（洗涤剂残留浓度低于某阈值）的前提下，使总用水量最小化。

这道题的建模意义远不止于洗衣机本身：

• 它代表了一类"过程优化"问题的通用建模范式；
• 它涉及如何将工程约束转化为数学约束；
• 它考察如何在"效果"与"成本"之间寻找最优平衡；
• 它要求建模者既懂物理机制，又能写出可求解的数学模型。

三、题目重述

3.1 已知条件

根据题目图片，已知条件如下：

1. 洗衣机运行过程：放入衣物和洗涤剂后，洗衣机按以下固定流程运行：

   $$\text{加水}\to \text{漂洗}\to \text{脱水}\to \text{加水}\to \text{漂洗}\to \text{脱水}\to \cdots \to \text{加水}\to \text{漂洗}\to \text{脱水}$$

称一个"加水—漂洗—脱水"为运行一轮。

2. 目标：在满足一定洗涤效果的条件下，使总用水量最少。

3. 决策变量：运行多少轮（$n$），以及每轮加入多少水（$v_1,v_2,\dots ,v_n$）。

4. 约束：需满足一定的洗涤效果（洗涤剂残留量低于某标准）。

3.2 待解决问题

题目要求解决以下核心问题：

问题一： 建立洗涤剂残留浓度随漂洗轮次变化的数学模型，描述洗涤过程的物理机制。

问题二： 在给定总用水量的条件下，如何分配各轮用水量，使漂洗效果最好（即最终残留浓度最低）？

问题三： 在满足一定洗涤效果标准的前提下，如何确定最优轮次数和各轮用水量，使总用水量最少？并与目前常用洗衣机的运行情况进行对比评价。

3.3 附件数据说明

本题未提供附件数据，属于纯机理建模题型。

这意味着：

• 所有参数（如衣物吸水量、初始洗涤剂量等）需要建模者合理假设；
• 模型的物理机制需要从第一性原理出发推导；
• 结果需要在参数合理范围内进行讨论，而非依赖特定数值。

给初学者的提示： 没有数据不代表无从下手。恰恰相反，纯机理建模题更考验你对问题本质的理解。很多同学看到"没有数据"就慌了，其实这类题目的关键是把物理过程写清楚，再从中提炼数学结构。

四、问题分析

4.1 问题一分析：浓度递推模型

核心问题： 每轮漂洗后，衣物中残留的洗涤剂浓度如何变化？

这是一个典型的浓度稀释问题，可以用递推关系来描述。

关键物理过程：

• 漂洗前：衣物中含有一定量的洗涤剂（溶于衣物吸附的水中）；
• 加水：向洗衣桶中加入清水 $v_i$ 升；
• 漂洗：洗涤剂在桶内均匀混合（这是一个关键假设）；
• 脱水：甩干，衣物保留固定量的水（设为 $w$ 升），其余水全部排出。

这个过程的数学本质是：每轮漂洗都是一次稀释操作，洗涤剂总量在衣物吸附水中被稀释。

4.2 问题二分析：固定总水量下的最优分配

核心问题： 给定 $V_{total}$ 升水，分成 $n$ 轮，每轮用 $v_i$ 升，如何使最终残留浓度最低？

这是一个约束优化问题：

$$\underset{v_1,v_2,\dots ,v_n}{\min }{c}_n$$
$$\text{s.t.}\sum _{i=1}^n{v}_i=V_{total},v_i\ge 0$$

问题二有一个非常优美的数学结论：在总水量固定、轮数固定的条件下，每轮用水量相等时漂洗效果最优（均值不等式的直接应用）。

这个结论非常重要，它为工程实践提供了明确的指导建议。

4.3 问题三分析：最优轮次与用水量的联合优化

核心问题： 同时优化轮次 $n$ 和各轮用水量 $v_i$，使总水量最小，同时满足洗涤效果约束。

这是问题二的逆问题，也是整道题的核心。注意：

• $n$ 是整数变量（不能漂洗2.5轮）；
• 增加轮次会增加固定用水量（每轮加水至少需要覆盖桶底）；
• 每轮用水量有上下界约束（洗衣桶容量有限）。

4.4 各问题之间的逻辑关系

具体相关示意图绘制如下，仅供参考：

逻辑关系说明：

问题一是基础，它建立了整个模型的"核心方程"——浓度递推公式。没有这个公式，后面的优化无从谈起。问题二是在问题一的基础上求解一个有约束的最优化，并得出"等量分水"的结论。问题三将问题二的结论作为输入，进一步联合优化轮次变量。最后的对比分析则需要将模型结果与现实基准进行比较，体现建模的实用价值。

五、整体建模思路

5.1 建模路线

具体相关示意图绘制如下，仅供参考：

5.2 模型选择依据

模型	适用场景	本题理由
浓度递推模型（差分方程）	离散过程的状态演化	漂洗是离散的轮次过程，状态是洗涤剂浓度
约束最优化模型	资源分配问题	总水量有限，需要最优分配
整数规划	决策变量含整数	轮次 $n$ 必须是正整数
参数灵敏度分析	检验模型稳定性	参数（如吸水量 $w$）需要假设，需检验影响

5.3 算法实现思路

• 问题二：解析求解，利用均值不等式直接证明等量分水最优，无需数值计算。
• 问题三：数值枚举 + 解析计算。对每个轮次 $n$（从1到N_max），代入等量分水结论，计算满足约束所需的最小总水量，再取所有 $n$ 中最小总水量对应的方案。

5.4 结果验证方法

1. 物理合理性验证：浓度应单调递减，且趋近于零；
2. 极端情况验证：$n=1$ 时结果退化为简单稀释；
3. 对比验证：与传统固定策略（每轮满桶水，固定轮次）比较；
4. 参数灵敏度验证：改变 $w$、初始浓度等参数，观察结果变化幅度。

六、数据预处理

本题无附件数据，所有参数均来自合理假设。但我们仍需对参数进行整理和说明，这相当于"参数化预处理"。

6.1 参数合理性来源

参数	符号	假设值	依据
衣物漂洗后吸附水量	$w$	10 升	5kg衣物约吸附2L/kg
初始洗涤剂量	$m_0$	50 g	常规洗衣粉用量
初始洗涤剂浓度	$c_0$	$m_0/w$	由定义计算
洗涤效果标准（残留率）	$ϵ$	0.02（2%）	工程经验值
洗衣桶有效容量	$V_{max}$	40 升	家用洗衣机容量
每轮最少加水量	$v_{min}$	5 升	确保桶内水能流动

6.2 参数敏感性预判

在没有真实数据的情况下，应预先判断哪些参数对结果影响最大：

• $w$（吸水量） 是最关键参数。它决定了每轮漂洗的稀释倍数，对最终结果有决定性影响。
• $ϵ$（残留率阈值） 直接决定了需要多少轮漂洗。
• 初始洗涤剂量 $m_0$ 只影响绝对浓度，不影响最优分水策略（后面将看到这一点）。

6.3 MATLAB 参数初始化

%% data_preprocess.m
% 功能：初始化模型所需的所有物理参数
% 作者：建模示例代码
% 说明：本题无附件数据，所有参数为合理假设值

function params = data_preprocess()

    % ====== 物理参数 ======
    params.w       = 10;     % 衣物吸附水量（升），关键参数
    params.m0      = 50;     % 初始洗涤剂量（克）
    params.c0      = params.m0 / params.w;  % 初始浓度（克/升）
    
    % ====== 约束参数 ======
    params.epsilon  = 0.02;  % 允许的最大残留率（即最终残留量/初始量 <= epsilon）
    params.V_max    = 40;    % 洗衣桶最大容量（升）
    params.v_min    = 5;     % 每轮最少加水量（升）
    params.n_max    = 10;    % 最大考虑轮次数
    
    % ====== 传统洗衣机参数（用于对比）======
    params.v_traditional = 40;   % 传统洗衣机每轮加满水（升）
    params.n_traditional = 3;    % 传统洗衣机固定漂洗3轮
    
    % ====== 验证参数合理性 ======
    assert(params.w > 0, '吸水量必须为正数');
    assert(params.epsilon > 0 && params.epsilon < 1, '残留率必须在(0,1)之间');
    assert(params.V_max > params.v_min, '桶容量必须大于最小加水量');
    
    fprintf('参数初始化完成：\n');
    fprintf('  初始浓度 c0 = %.2f 克/升\n', params.c0);
    fprintf('  残留率阈值 epsilon = %.2f%%\n', params.epsilon * 100);
    fprintf('  吸水量 w = %.1f 升\n', params.w);
end

代码解析：

这段代码将所有参数集中在一个函数中管理，有以下几个设计考量：

1. 为什么要把参数单独写成函数？ 因为后面的灵敏度分析需要反复修改参数，集中管理避免在多个文件中查找和修改，大大减少出错概率。

2. 为什么用 params.w 而不是直接用全局变量？ 结构体传参比全局变量更安全，避免命名冲突，在大型项目中是标准做法。

3. assert 语句的作用是什么？ 在竞赛中，加入参数合理性检验可以帮助你在调试时快速定位问题，避免因为参数设置错误导致结果离谱而浪费时间。

4. 初学者注意： 不要把 $c_0$ 和 $m_0$ 混淆。$m_0$ 是洗涤剂的总量（克），$c_0$ 是浓度（克/升）。后面的递推方程用哪个要统一，不能混用。

七、模型假设

模型假设是数学建模论文中最容易写得"空洞"的部分。很多同学写"假设洗涤均匀进行"这样的废话，而没有说明为什么需要这个假设，以及违反这个假设会有什么影响。

下面是本题的完整假设列表，每条都附有说明：

假设1：漂洗过程中洗涤剂在桶内均匀混合。

数学含义： 每轮漂洗结束时，桶内溶液浓度处处相等。
为什么需要： 这是浓度递推公式成立的前提。如果不均匀，则脱水后衣物中残留的浓度就不等于桶内平均浓度，递推方程无法建立。
违反后果： 若实际混合不均匀，则模型会低估残留量。

假设2：每次脱水后，衣物中保留的水量恒为 $w$ 升（与加水量无关）。

数学含义： 脱水后衣物吸附水量是固定常数。
为什么需要： 实际中脱水效果与转速、时间有关，但为了建立可解析的递推方程，需要这个简化。
违反后果： 若 $w$ 随轮次变化，递推方程需修改为变系数形式。

假设3：每轮加入的水为清水（洗涤剂浓度为零）。

数学含义： 加水操作不引入新的洗涤剂。
为什么需要： 显然，漂洗阶段不应再加洗涤剂，这是物理常识的数学化。

假设4：衣物纤维不吸附洗涤剂（洗涤剂完全溶于水中）。

数学含义： 洗涤剂总量 = 浓度 × 水量，无其他吸附项。
为什么需要： 简化模型，避免引入复杂的吸附动力学。
违反后果： 若有吸附效应，实际残留量会高于模型预测值，即模型偏乐观。

假设5：洗衣机每轮的运行过程（漂洗时间、转速）相同，漂洗效率只取决于水量。

数学含义： 模型中不考虑时间维度，每轮效果完全由稀释倍数决定。

假设6：洗涤效果仅由最终漂洗结束后衣物中的洗涤剂残留率来衡量。

数学含义： 效果评价指标为 $r_n=m_n/m_0\le ϵ$，其中 $m_n$ 是第 $n$ 轮后残留洗涤剂量。

八、符号说明

符号	单位	含义
$n$	无量纲（正整数）	漂洗总轮次
$v_i$	升	第 $i$ 轮加入的清水量
$V$	升	总用水量，$V={\sum }_{i=1}^n{v}_i$
$w$	升	每次脱水后衣物保留的水量（常数）
$m_0$	克	初始洗涤剂总量
$m_k$	克	第 $k$ 轮漂洗脱水后衣物中残留的洗涤剂量
$c_k$	克/升	第 $k$ 轮漂洗过程中桶内溶液的浓度
$r_k$	无量纲	第 $k$ 轮后的洗涤剂残留率，$r_k=m_k/m_0$
$ϵ$	无量纲	允许的最大残留率（洗涤效果标准）
$V_{max}$	升	洗衣桶最大容量
$v_{min}$	升	每轮最少加水量
$V^{\ast }$	升	最优总用水量
$n^{\ast }$	正整数	最优漂洗轮次
$v^{\ast }$	升	最优每轮用水量（等量分水时）

九、模型一：浓度递推基础模型

9.1 模型思想

这个模型要回答一个基本问题：每轮漂洗后，衣物中残留的洗涤剂有多少？

我们来还原物理过程：

• 漂洗前（第 $k$ 轮开始前）： 衣物中含有 $m_{k-1}$ 克洗涤剂，溶于 $w$ 升水中。
• 加水： 向桶中加入 $v_k$ 升清水。此时桶中总水量为 $w+v_k$ 升，洗涤剂总量仍为 $m_{k-1}$ 克。
• 漂洗（均匀混合）： 桶内浓度变为 $c_k=m_{k-1}/(w+v_k)$。
• 脱水： 排出桶中水，衣物保留 $w$ 升水，携带洗涤剂 $m_k=c_k\cdot w=m_{k-1}\cdot w/(w+v_k)$ 克。

9.2 数学表达式

递推方程：

$$m_k=m_{k-1}\cdot \frac{w}{w+v_k},k=1,2,\dots ,n$$

其中 $m_0$ 为初始洗涤剂量（已知），$w$ 为衣物保留水量（常数），$v_k$ 为第 $k$ 轮加水量（决策变量）。

展开递推：

$$m_n=m_0\cdot \prod _{k=1}^n\frac{w}{w+v_k}$$

残留率：

$$r_n=\frac{m_n}{m_0}=\prod _{k=1}^n\frac{w}{w+v_k}$$

这个公式非常重要。注意观察：$r_n$ 与 $m_0$ 无关！ 这意味着初始洗涤剂量不影响最优分水策略，只影响是否需要更多轮次（当然，$m_0$ 越大，$c_0$ 越高，但相对残留率的表达式中 $m_0$ 已经约掉了）。

洗涤效果约束：

$$r_n=\prod _{k=1}^n\frac{w}{w+v_k}\le ϵ$$

9.3 参数解释

• $w/(w+v_k)$ 称为第 $k$ 轮的稀释因子，范围在 $(0,1)$ 之间，表示该轮漂洗后残留比例。
• 稀释因子越小（$v_k$ 越大），该轮去除效果越好；
• $n$ 轮的总残留率是各轮稀释因子的乘积。

9.4 求解方法

模型一本身是解析可解的，不需要数值方法。给定 $v_k$，直接代入公式计算即可。

9.5 MATLAB 实现

%% build_model.m
% 功能：计算给定各轮用水量下的洗涤剂残留情况
% 输入：params（参数结构体），v_vec（各轮用水量向量，单位：升）
% 输出：result（包含各轮残留量、残留率等信息的结构体）

function result = build_model(params, v_vec)

    n = length(v_vec);          % 漂洗轮次
    w = params.w;               % 衣物吸附水量
    m0 = params.m0;             % 初始洗涤剂量
    
    % 初始化存储数组
    m = zeros(1, n+1);          % m(k+1) 对应第k轮后残留量（MATLAB从1开始）
    r = zeros(1, n+1);          % 残留率
    c = zeros(1, n);            % 各轮漂洗时桶内浓度
    
    m(1) = m0;                  % 初始状态
    r(1) = 1.0;                 % 初始残留率为100%
    
    % 逐轮计算递推
    for k = 1:n
        % 检查加水量是否合理
        if v_vec(k) < params.v_min
            warning('第%d轮加水量%.2f升低于最小值%.2f升', k, v_vec(k), params.v_min);
        end
        if v_vec(k) > params.V_max
            error('第%d轮加水量%.2f升超过桶容量%.2f升', k, v_vec(k), params.V_max);
        end
        
        % 漂洗时桶内浓度（混合后）
        c(k) = m(k) / (w + v_vec(k));
        
        % 脱水后残留洗涤剂量（核心递推公式）
        m(k+1) = m(k) * w / (w + v_vec(k));
        
        % 残留率
        r(k+1) = m(k+1) / m0;
    end
    
    % 打包输出结果
    result.m       = m;         % 各轮残留量（克）
    result.r       = r;         % 各轮残留率
    result.c       = c;         % 各轮漂洗浓度（克/升）
    result.n       = n;         % 总轮次
    result.V_total = sum(v_vec);% 总用水量（升）
    result.v_vec   = v_vec;     % 各轮用水量
    result.final_r = r(end);    % 最终残留率（关键指标）
    
    % 判断是否满足洗涤效果标准
    result.is_satisfied = (result.final_r <= params.epsilon);
    
    fprintf('\n=== 漂洗过程分析 ===\n');
    fprintf('总轮次: %d轮\n', n);
    fprintf('总用水量: %.2f 升\n', result.V_total);
    fprintf('最终残留率: %.4f%%\n', result.final_r * 100);
    fprintf('是否满足洗涤标准: %s\n', mat2str(result.is_satisfied));
end

代码解析：

1. 核心递推 m(k+1) = m(k) * w / (w + v_vec(k)) 直接对应数学模型中的 $m_k=m_{k-1}\cdot w/(w+v_k)$，一行代码对应一个公式，非常清晰。

2. 为什么数组从1开始而不是从0开始？ MATLAB的数组下标从1开始，所以 m(1) 对应数学上的 $m_0$，m(k+1) 对应 $m_k$。这个偏移容易让初学者犯错，务必在注释中说明。

3. 为什么要检查加水量？ 竞赛中经常出现优化算法给出"离谱"的解（如负数用水量），加入检查可以快速发现问题。

4. result.is_satisfied 的设计：将是否满足约束作为结果的一部分输出，方便后面的优化程序判断可行性。

9.6 结果分析

以传统洗衣机（每轮40升，共3轮）为例验证模型：

$$r_3={\left(\frac{10}{10+40}\right)}^3={\left(\frac{1}{5}\right)}^3=0.008=0.8$$

这个结果表明：传统洗衣机3轮后残留率约为0.8%，远低于我们设定的2%阈值——但它用了120升水！模型一的建立为我们接下来的优化奠定了定量基础。

十、模型二：固定总水量下的最优水量分配

10.1 基础模型的不足

模型一描述了"给定用水方案，计算漂洗结果"，但没有回答"用水方案怎么定最优"。问题二要求：在总用水量 $V$ 和轮次 $n$ 固定的前提下，如何分配各轮用水量，使最终残留率最低？

10.2 改进思路：均值不等式的应用

优化问题形式：

$$\underset{v_1,\dots ,v_n}{\min }\prod _{k=1}^n\frac{w}{w+v_k}$$

$$\text{s.t.}\sum _{k=1}^n{v}_k=V,v_k\ge v_{min}$$

注意：最小化 $\prod \frac{w}{w+v_k}$ 等价于最大化 $\prod (w+v_k)$（因为分子是常数 $w^n$）。

定理（均值不等式）： 对正数 $x_1,x_2,\dots ,x_n$，若 $\sum x_k=C$（常数），则：

$$\prod _{k=1}^n{x}_k\le {\left(\frac{C}{n}\right)}^n$$

等号成立当且仅当 $x_1=x_2=\cdots =x_n$。

令 $x_k=w+v_k$，则 $\sum x_k=nw+V$，由均值不等式：

$$\prod _{k=1}^n(w+v_k)\le {\left(\frac{nw+V}{n}\right)}^n$$

等号成立当且仅当 $v_1=v_2=\cdots =v_n=V/n$。

10.3 改进模型表达式

结论：在总用水量 $V$ 和轮次 $n$ 固定时，各轮平均分水（$v_i=V/n$）使最终残留率最低：

$$r_n^{\ast }={\left(\frac{w}{w+V/n}\right)}^n$$

这是一个极其重要的解析结论，它将 $n$ 维优化问题化简为了一维问题（只需要确定 $n$ 和 $V$ 的组合）。

从工程角度理解： "每轮用同样多的水"是最优策略，这与我们的直觉相符——如果某轮多用了水，另一轮少用了水，总效果反而不如平均分配。

10.4 MATLAB 实现

%% solve_model.m (模型二部分)
% 功能：在固定总水量V和轮次n下，计算最优残留率（等量分水）
% 并与不等量分配方案对比

function result2 = solve_model_fixed_V(params, V_total, n)

    w = params.w;
    
    % ====== 等量分水方案（最优）======
    v_equal = V_total / n;       % 每轮用水量相同
    
    % 验证约束
    if v_equal < params.v_min
        warning('等量分水每轮%.2f升，低于最小值，请增加总水量或减少轮次', v_equal);
    end
    if v_equal > params.V_max
        warning('等量分水每轮%.2f升，超过桶容量', v_equal);
    end
    
    % 最优残留率（解析公式）
    r_optimal = (w / (w + v_equal))^n;
    
    % ====== 不等量分水方案（对比用）======
    % 示例：前多后少，不均匀分配
    v_unequal = zeros(1, n);
    v_unequal(1) = V_total * 0.5;       % 第一轮用一半
    for k = 2:n
        v_unequal(k) = V_total * 0.5 / (n-1);  % 其余均分另一半
    end
    
    % 计算不等量方案残留率
    r_unequal = 1.0;
    for k = 1:n
        r_unequal = r_unequal * w / (w + v_unequal(k));
    end
    
    % ====== 输出结果 ======
    result2.V_total    = V_total;
    result2.n          = n;
    result2.v_equal    = v_equal;
    result2.r_optimal  = r_optimal;
    result2.v_unequal  = v_unequal;
    result2.r_unequal  = r_unequal;
    result2.improvement = (r_unequal - r_optimal) / r_unequal * 100;
    
    fprintf('\n=== 模型二：固定总水量下的最优分配 ===\n');
    fprintf('总水量: %.1f升, 轮次: %d轮\n', V_total, n);
    fprintf('等量分水：每轮%.2f升，残留率=%.4f%%\n', v_equal, r_optimal*100);
    fprintf('不均分水：残留率=%.4f%%\n', r_unequal*100);
    fprintf('等量分水改善效果: %.2f%%\n', result2.improvement);
end

代码解析：

1. 为什么设计"不等量对比方案"？ 仅仅给出"等量最优"的结论是不够的，需要用数值实验来展示"不等量有多差"，这样才能让读者（和评委）信服。

2. improvement 的计算： 这是一个非常好的习惯——计算改进幅度而不仅仅是绝对值，便于读者直观感受优化效果。

3. 初学者注意： 上面的"不等量方案"是人为构造的，目的只是对比，不代表最优策略的竞争者。真正的最差策略（在约束范围内）需要更复杂的分析，但竞赛中通常不需要这么深入。

10.5 对比分析

以 $w=10$L、$V=40$L、$n=4$ 为例：

方案	各轮用水量	残留率
等量分水（最优）	10, 10, 10, 10 升	$(10/20{)}^4=6.25$
前多后少	20, 6.7, 6.7, 6.7 升	约 7.8%
前少后多	2.5, 2.5, 2.5, 32.5 升	约 9.1%

等量分水明显优于其他策略，数值验证了理论结论。

十一、模型三：最优轮次与用水量的联合优化

11.1 综合建模目标

综合模型要解决的是：同时确定最优轮次 $n^{\ast }$ 和最优总用水量 $V^{\ast }$，使在满足洗涤效果约束的前提下总用水量最小。

这是整道题的核心模型。

11.2 模型结构

基于模型二的结论（各轮等量分水最优），我们可以将问题化简。

决策变量： 轮次 $n$（正整数），每轮用水量 $v$（实数，等量时所有轮次相同）。

目标函数：

$$\underset{n,v}{\min }V=n\cdot v$$

约束条件：

$${\left(\frac{w}{w+v}\right)}^n\le ϵ\text{（洗涤效果约束）}$$

$$v_{min}\le v\le V_{max}\text{（用水量约束）}$$

$$n\in {\mathbb{Z}}^{+},n\le n_{max}\text{（轮次约束）}$$

化简： 对于给定的 $n$，满足效果约束的最小 $v$ 值为：

$$v_{mi{n}_{n}eeded}(n)=w\cdot \left({ϵ}^{-1/n}-1\right)$$

推导过程：

$${\left(\frac{w}{w+v}\right)}^n=ϵ$$
$$\frac{w}{w+v}={ϵ}^{1/n}$$
$$v=w\left({ϵ}^{-1/n}-1\right)$$

此时最小总用水量为：

$$V^{\ast }(n)=n\cdot v_{mi{n}_{n}eeded}(n)=n\cdot w\cdot \left({ϵ}^{-1/n}-1\right)$$

最优轮次：

$$n^{\ast }=\arg \underset{n\in 1,2,\dots ,n_{max}}{\min }{V}^{\ast }(n)$$

约束条件：$v_{min}\le v_{mi{n}_{n}eeded}(n)\le V_{max}$。

11.3 求解流程

具体相关示意图绘制如下，仅供参考：

流程说明：

这个枚举流程非常直观：对每个可能的轮次 $n$，计算"刚好满足效果约束"所需要的最小每轮用水量 $v$，进而得到总用水量 $V(n)=nv$。然后在所有可行方案中选总用水量最小的。这个方法之所以有效，是因为我们已经通过模型二证明了等量分水的最优性，将 $n$ 维优化降为了一维枚举。

11.4 MATLAB 实现

%% solve_model.m (模型三主函数)
% 功能：联合优化轮次n和每轮用水量v，求最小总用水量
% 使用解析公式+枚举法

function result3 = solve_model_optimal(params)

    w       = params.w;
    epsilon = params.epsilon;
    v_min   = params.v_min;
    V_max   = params.V_max;
    n_max   = params.n_max;
    
    % 初始化存储
    V_record  = inf(1, n_max);   % 各n对应的总用水量（inf表示不可行）
    v_record  = zeros(1, n_max); % 各n对应的每轮用水量
    feasible  = false(1, n_max); % 可行性标记
    
    fprintf('\n=== 模型三：最优轮次与用水量联合优化 ===\n');
    fprintf('%-6s %-12s %-12s %-8s\n', '轮次n', '需要用水v(升)', '总水量V(升)', '可行');
    fprintf('%s\n', repmat('-', 1, 45));
    
    for n = 1:n_max
        % 由约束方程解出需要的最小每轮用水量（解析解）
        % (w/(w+v))^n = epsilon => v = w*(epsilon^(-1/n) - 1)
        v_needed = w * (epsilon^(-1/n) - 1);
        
        % 检查可行性
        if v_needed >= v_min && v_needed <= V_max
            V_total = n * v_needed;
            V_record(n)  = V_total;
            v_record(n)  = v_needed;
            feasible(n)  = true;
            fprintf('%-6d %-12.3f %-12.3f %-8s\n', n, v_needed, V_total, '✓');
        else
            fprintf('%-6d %-12.3f %-12s %-8s\n', n, v_needed, '---', '✗');
        end
    end
    
    % 找最优轮次（总用水量最小）
    if all(~feasible)
        error('在给定参数范围内无可行方案，请放宽约束');
    end
    
    [V_opt, n_opt] = min(V_record);
    v_opt = v_record(n_opt);
    
    % 验证：代入递推模型检验结果
    v_vec_opt = v_opt * ones(1, n_opt);
    result_check = build_model(params, v_vec_opt);
    
    % 计算传统洗衣机用水情况（对比基准）
    v_trad = params.v_traditional * ones(1, params.n_traditional);
    result_trad = build_model(params, v_trad);
    
    % 节水率
    water_saving = (result_trad.V_total - V_opt) / result_trad.V_total * 100;
    
    % 打包输出
    result3.n_opt         = n_opt;
    result3.v_opt         = v_opt;
    result3.V_opt         = V_opt;
    result3.final_r       = result_check.final_r;
    result3.V_record      = V_record;
    result3.v_record      = v_record;
    result3.feasible      = feasible;
    result3.result_trad   = result_trad;
    result3.water_saving  = water_saving;
    
    fprintf('\n=== 最优方案 ===\n');
    fprintf('最优轮次 n* = %d 轮\n', n_opt);
    fprintf('每轮用水量 v* = %.3f 升\n', v_opt);
    fprintf('最优总用水量 V* = %.3f 升\n', V_opt);
    fprintf('最终残留率 = %.4f%%（验证值）\n', result_check.final_r*100);
    fprintf('\n=== 与传统洗衣机对比 ===\n');
    fprintf('传统用水量: %.1f 升，残留率: %.4f%%\n', ...
            result_trad.V_total, result_trad.final_r*100);
    fprintf('节水率: %.2f%%\n', water_saving);
end

代码解析：

1. epsilon^(-1/n) 的计算： 这对应数学推导中 ${ϵ}^{-1/n}$，MATLAB中直接写 epsilon^(-1/n) 即可，不需要取对数再还原。初学者有时会多此一举地写 exp(-log(epsilon)/n)，虽然等价但没必要。

2. inf(1, n_max) 初始化： 用 inf 初始化 V_record 数组，这样 min 函数会自动忽略不可行方案（因为不可行的元素保持 inf），代码更简洁。

3. 验证步骤： 找到最优 $n^{\ast }$ 和 $v^{\ast }$ 之后，调用 build_model 重新验证结果，这是一个很好的"闭环验证"习惯。如果解析解计算有误，这一步可以发现。

4. 传统洗衣机对比： 对比不是可选项，而是题目要求。要在代码中明确计算传统方案的各项指标，并计算节水率，这在论文中非常有说服力。

11.5 结果解释

以 $w=10$L、$ϵ=0.02$（2%残留率）为例，数值结果如下（模拟结果示例）：

轮次 $n$	每轮用水量 $v$（升）	总用水量 $V$（升）	可行
1	$10(0.02^{-1}-1)\approx 490$	490	✗（超桶容量）
2	$10(0.02^{-0.5}-1)\approx 60.7$	121.4	✗（超桶容量）
3	$10(0.02^{-1/3}-1)\approx 26.9$	80.7	✓
4	$10(0.02^{-1/4}-1)\approx 18.1$	72.4	✓
5	$10(0.02^{-1/5}-1)\approx 13.5$	67.5	✓
6	$10(0.02^{-1/6}-1)\approx 10.7$	64.2	✓
7	$10(0.02^{-1/7}-1)\approx 8.9$	62.3	✓
8	$10(0.02^{-1/8}-1)\approx 7.6$	60.8	✓
9	$10(0.02^{-1/9}-1)\approx 6.6$	59.4	✓
10	$10(0.02^{-1/10}-1)\approx 5.8$	58.0	✓

可以看出，随着轮次增加，总用水量单调递减（趋向一个极限值）。理论极限为：

$$\underset{n\to \infty }{\lim }{V}^{\ast }(n)=\underset{n\to \infty }{\lim }n\cdot w({ϵ}^{-1/n}-1)=-w\ln ϵ$$

以 $w=10$L、$ϵ=0.02$ 代入：$\lim =-10\times \ln (0.02)\approx 39.1$ 升。

这个极限值有深刻的物理意义：无论怎么优化分配策略，节水洗衣机至少需要约39升水（当然，要实现这个极限需要无穷多轮，不切实际）。实际中取 $n=8$ 至 $n=10$ 轮已经非常接近极限，而传统洗衣机用了120升。

十二、算法流程设计

具体相关示意图绘制如下，仅供参考：

流程说明：

整个算法采用模块化设计，各函数职责清晰：

• data_preprocess 是"配置层"，只做参数初始化；
• build_model 是"计算核心"，被多处调用；
• solve_model_* 是"优化层"，在核心之上做决策；
• plot_results 和 sensitivity_analysis 是"输出层"，不涉及核心计算。

这种分层设计的好处是：修改参数只需改 data_preprocess，修改物理模型只需改 build_model，不会影响其他模块。

十三、MATLAB 完整代码

13.1 主程序 main.m

%% main.m
% 1996年国赛B题"节水洗衣机"完整求解程序
% 运行环境：MATLAB R2019b 及以上
% 运行方法：直接在MATLAB中运行 main.m

clc;
clear;
close all;

fprintf('====================================\n');
fprintf('  1996国赛B题：节水洗衣机 建模求解\n');
fprintf('====================================\n\n');

%% 步骤一：参数初始化
params = data_preprocess();

%% 步骤二：模型二求解（固定总水量下的最优分配验证）
fprintf('\n【模型二：验证等量分水最优性】\n');
result2 = solve_model_fixed_V(params, 60, 5);  % 示例：60升水，5轮

%% 步骤三：模型三求解（最优轮次与水量联合优化）
fprintf('\n【模型三：最优方案求解】\n');
result3 = solve_model_optimal(params);

%% 步骤四：结果可视化
fprintf('\n【生成结果图表】\n');
plot_results(params, result3);

%% 步骤五：灵敏度分析
fprintf('\n【灵敏度分析】\n');
sensitivity_analysis(params);

fprintf('\n====================================\n');
fprintf('  计算完成！请查看图表窗口。\n');
fprintf('====================================\n');

13.2 数据预处理函数（见第六节，已完整给出）

13.3 模型求解函数（见第九、十、十一节，已完整给出）

13.4 结果可视化函数

%% plot_results.m
% 功能：绘制结果可视化图表
% 图1：各轮次对应的最优总用水量
% 图2：最优方案下各轮残留率变化
% 图3：与传统洗衣机对比

function plot_results(params, result3)

    w       = params.w;
    epsilon = params.epsilon;
    n_max   = params.n_max;
    
    %% 图1：轮次 vs 最优总用水量
    figure('Name', '节水洗衣机优化结果', 'NumberTitle', 'off', ...
           'Position', [100, 100, 1200, 400]);
    
    subplot(1, 3, 1);
    n_vec    = 1:n_max;
    V_vec    = result3.V_record;
    feasible = result3.feasible;
    
    % 理论极限线
    V_limit = -w * log(epsilon);
    
    hold on;
    % 不可行点（灰色）
    plot(n_vec(~feasible), V_vec(~feasible), 'o', ...
         'Color', [0.7 0.7 0.7], 'MarkerSize', 8, 'DisplayName', '不可行方案');
    % 可行点（蓝色）
    plot(n_vec(feasible), V_vec(feasible), 'b-o', ...
         'LineWidth', 2, 'MarkerSize', 8, 'MarkerFaceColor', 'b', ...
         'DisplayName', '可行方案');
    % 最优点（红色星形）
    plot(result3.n_opt, result3.V_opt, 'r*', ...
         'MarkerSize', 15, 'LineWidth', 2, 'DisplayName', '最优方案');
    % 理论极限
    yline(V_limit, 'k--', 'LineWidth', 1.5, 'DisplayName', sprintf('理论极限 %.1f升', V_limit));
    % 传统洗衣机
    yline(result3.result_trad.V_total, 'r:', 'LineWidth', 1.5, ...
          'DisplayName', sprintf('传统洗衣机 %.0f升', result3.result_trad.V_total));
    hold off;
    
    xlabel('漂洗轮次 n');
    ylabel('最优总用水量 V* (升)');
    title('轮次 vs 最优总用水量');
    legend('Location', 'northeast');
    grid on;
    ylim([0, result3.result_trad.V_total * 1.1]);
    
    %% 图2：最优方案下各轮残留率变化
    subplot(1, 3, 2);
    v_opt_vec = result3.v_opt * ones(1, result3.n_opt);
    result_opt = build_model(params, v_opt_vec);
    
    rounds = 0:result3.n_opt;
    r_values = result_opt.r * 100;    % 转为百分比
    
    bar(rounds, r_values, 'FaceColor', [0.2 0.6 0.9], 'EdgeColor', 'none');
    hold on;
    yline(epsilon * 100, 'r--', 'LineWidth', 2, 'DisplayName', sprintf('允许阈值 %.0f%%', epsilon*100));
    plot(rounds, r_values, 'ko-', 'MarkerFaceColor', 'k', 'MarkerSize', 6);
    hold off;
    
    xlabel('漂洗轮次');
    ylabel('洗涤剂残留率 (%)');
    title(sprintf('最优方案残留率变化（n*=%d轮）', result3.n_opt));
    legend('Location', 'northeast');
    grid on;
    
    %% 图3：与传统洗衣机的对比
    subplot(1, 3, 3);
    
    categories = {'传统洗衣机', '节水洗衣机'};
    water_vals = [result3.result_trad.V_total, result3.V_opt];
    colors = [0.9 0.3 0.3; 0.3 0.7 0.3];
    
    b = bar(categorical(categories), water_vals, 'FaceColor', 'flat');
    b.CData = colors;
    
    % 添加数值标签
    for i = 1:2
        text(i, water_vals(i) + 2, sprintf('%.1f升', water_vals(i)), ...
             'HorizontalAlignment', 'center', 'FontSize', 11, 'FontWeight', 'bold');
    end
    
    ylabel('总用水量 (升)');
    title(sprintf('节水效果对比\n（节水率: %.1f%%）', result3.water_saving));
    grid on;
    ylim([0, max(water_vals) * 1.2]);
    
    % 残留率对比（右侧小标注）
    r_trad = result3.result_trad.final_r * 100;
    r_opt  = result3.final_r * 100;
    annotation('textbox', [0.75, 0.15, 0.2, 0.15], ...
               'String', sprintf('残留率比较:\n传统: %.3f%%\n节水: %.3f%%', r_trad, r_opt), ...
               'FitBoxToText', 'on', 'BackgroundColor', 'lightyellow');
    
    sgtitle('1996国赛B题：节水洗衣机优化结果', 'FontSize', 14, 'FontWeight', 'bold');
end

代码解析：

1. subplot(1,3,k) 布局： 三张图并排，第一张展示优化目标随轮次的变化趋势，第二张展示最优方案的物理过程，第三张直观对比节水效果。这三张图形成了一个完整的"结果叙事"。

2. yline 的使用： 用水平参考线标注理论极限和传统洗衣机基准，是数据可视化中的好习惯——让读者一眼看清当前结果与关键基准的关系。

3. 颜色设计： 可行方案用蓝色，最优点用红星，传统方案用红色虚线，节水方案用绿色——颜色传递信息（绿色=好，红色=警告/对比基准）。

4. 竞赛建议： 在论文中，不要直接截图MATLAB图形，而应该用AI或专业软件重绘，或者在MATLAB中设置好字体大小（至少12pt）、线条粗细和颜色方案，确保图形清晰可读。

13.5 灵敏度分析函数

%% sensitivity_analysis.m
% 功能：分析模型对关键参数的灵敏度
% 分析参数：衣物吸水量w、残留率阈值epsilon

function sensitivity_analysis(params_base)

    fprintf('\n=== 灵敏度分析 ===\n');
    
    figure('Name', '灵敏度分析', 'NumberTitle', 'off', 'Position', [100, 100, 1000, 400]);
    
    %% 分析1：吸水量w的影响
    subplot(1, 2, 1);
    
    w_range = 5:2:25;           % w从5升到25升
    V_opt_w = zeros(size(w_range));
    n_opt_w = zeros(size(w_range));
    
    for i = 1:length(w_range)
        params_temp = params_base;
        params_temp.w = w_range(i);
        
        % 重新优化（简化版，直接枚举）
        V_min = inf;
        n_best = 1;
        for n = 1:params_temp.n_max
            v_needed = params_temp.w * (params_temp.epsilon^(-1/n) - 1);
            if v_needed >= params_temp.v_min && v_needed <= params_temp.V_max
                V_total = n * v_needed;
                if V_total < V_min
                    V_min = V_total;
                    n_best = n;
                end
            end
        end
        V_opt_w(i) = V_min;
        n_opt_w(i) = n_best;
    end
    
    yyaxis left;
    plot(w_range, V_opt_w, 'b-o', 'LineWidth', 2, 'MarkerFaceColor', 'b');
    ylabel('最优总用水量 V* (升)', 'Color', 'b');
    
    yyaxis right;
    plot(w_range, n_opt_w, 'r-s', 'LineWidth', 2, 'MarkerFaceColor', 'r');
    ylabel('最优轮次 n*', 'Color', 'r');
    
    xlabel('衣物吸水量 w (升)');
    title('吸水量w对最优方案的影响');
    grid on;
    
    %% 分析2：残留率阈值epsilon的影响
    subplot(1, 2, 2);
    
    eps_range = [0.005, 0.01, 0.02, 0.03, 0.05, 0.08, 0.1];
    V_opt_eps = zeros(size(eps_range));
    n_opt_eps = zeros(size(eps_range));
    
    for i = 1:length(eps_range)
        params_temp = params_base;
        params_temp.epsilon = eps_range(i);
        
        V_min = inf;
        n_best = 1;
        for n = 1:params_temp.n_max
            v_needed = params_temp.w * (params_temp.epsilon^(-1/n) - 1);
            if v_needed >= params_temp.v_min && v_needed <= params_temp.V_max
                V_total = n * v_needed;
                if V_total < V_min
                    V_min = V_total;
                    n_best = n;
                end
            end
        end
        V_opt_eps(i) = V_min;
        n_opt_eps(i) = n_best;
    end
    
    yyaxis left;
    semilogx(eps_range*100, V_opt_eps, 'b-o', 'LineWidth', 2, 'MarkerFaceColor', 'b');
    ylabel('最优总用水量 V* (升)', 'Color', 'b');
    
    yyaxis right;
    semilogx(eps_range*100, n_opt_eps, 'r-s', 'LineWidth', 2, 'MarkerFaceColor', 'r');
    ylabel('最优轮次 n*', 'Color', 'r');
    
    xlabel('允许残留率 ε (%)');
    title('残留率阈值ε对最优方案的影响');
    grid on;
    
    sgtitle('灵敏度分析：关键参数对最优方案的影响', 'FontSize', 13, 'FontWeight', 'bold');
    
    % 打印灵敏度结论
    fprintf('w变化范围: %.0f~%.0f升，对应V*变化范围: %.1f~%.1f升\n', ...
            min(w_range), max(w_range), min(V_opt_w), max(V_opt_w));
    fprintf('epsilon变化范围: %.1f%%~%.1f%%，对应V*变化范围: %.1f~%.1f升\n', ...
            min(eps_range)*100, max(eps_range)*100, min(V_opt_eps), max(V_opt_eps));
end

代码解析：

1. 双 Y 轴（yyaxis）的使用： 因为 $V^{\ast }$ 和 $n^{\ast }$ 的量纲不同（一个是升，一个是无量纲整数），用双 Y 轴在同一图中展示更直观。

2. semilogx（半对数坐标）的使用： 残留率阈值 $ϵ$ 的变化范围跨越一个数量级（0.5%到10%），用对数坐标可以更清晰地展示小数值区域的变化。

3. 灵敏度分析的目的： 告诉评委和读者——我们的模型不是"碰巧"在特定参数下有好结果，而是在合理参数范围内普遍有效。这大大增强了结论的可信度。

十四、结果展示与分析

14.1 主要结果（模拟结果示例）

⚠️ 说明：以下结果为基于假设参数（$w=10$升，$ϵ=2$）的模拟计算结果，不是真实实验数据。

最优方案：

指标	传统洗衣机	节水洗衣机（优化方案）
漂洗轮次	3轮	8~10轮
每轮用水量	40升	6~8升
总用水量	120升	约58~61升
最终残留率	0.08%	≤2%（满足标准）
节水率	—	约49~52%

14.2 结果如何对应题目要求

题目要求"总量最少"：✅ 我们找到了给定参数下的全局最优解。

题目要求"满足洗涤效果"：✅ 残留率恰好满足 $ϵ=2$ 约束（取等号，即刚好满足，不浪费）。

题目要求"对比传统洗衣机"：✅ 节水率约50%，有显著节水效果。

14.3 结果的现实意义

1. 节水约50%：每次洗衣可节省约60升水，以一个四口之家每周洗衣3次计算，每年可节约约9000升水，相当于一个中等家庭一个月的生活用水量。

2. 轮次增加但更节水：直觉上，“多轮"意味着"更耗水”——但模型证明恰恰相反。每轮少量用水、多轮漂洗的策略，总用水量显著低于传统的每轮大量用水。这是反直觉的结论，也是这道题最有价值的建模发现。

3. 理论极限的意义：$\lim V^{\ast }=-w\ln ϵ$ 告诉我们节水的"物理边界"在哪里，帮助工程师评估技术可行性。

14.4 异常现象说明

• 为什么轮次越多总水量越少，但趋于平缓？ 因为 $V^{\ast }(n)=nw({ϵ}^{-1/n}-1)$ 是关于 $n$ 的单调递减函数，但递减速率越来越慢，渐近于理论极限。实际工程中，超过8~10轮后收益递减，不值得进一步增加。

• 为什么节水洗衣机的残留率（2%）反而高于传统洗衣机（0.08%）？ 因为传统洗衣机"浪费"了大量水来实现远超标准的清洁度。节水洗衣机恰好达标，不多也不少——这才是真正的"优化"。很多初学者误以为"残留率越低越好"，但这道题明确要求的是"在满足标准的前提下用水最少"，不是"用最多水把衣服洗最干净"。

十五、模型检验

15.1 误差分析

本题为纯机理模型，主要误差来源于模型假设与现实的偏差：

误差来源	影响方向	量级估计
吸水量 $w$ 的估计误差	直接影响最优 $v^{\ast }$	若 $w$ 估计偏大10%，$V^{\ast }$ 偏大约8%
混合均匀假设违反	模型偏乐观	实际残留率可能高于预测值5%~15%
洗涤剂吸附效应忽略	模型偏乐观	需要实验数据校正
脱水效率变化忽略	随机误差	通常影响较小（$<5$）

误差控制建议：

• 对 $w$ 进行保守估计（偏大），确保模型结果偏安全；
• 将标准阈值从2%收紧到1.5%，为混合不均匀留出安全余量。

15.2 灵敏度分析结论

从灵敏度分析结果（模拟）中观察：

对吸水量 $w$ 的灵敏度：

• $w$ 从5升增加到25升时，$V^{\ast }$ 相应地从约29升增加到约145升，近似线性关系。
• 这说明 $w$ 是最关键参数，工程实践中应当准确测定。

对残留率阈值 $ϵ$ 的灵敏度：

• $ϵ$ 从0.5%放宽到10%时，$V^{\ast }$ 从约80升降至约35升。
• 这给出了一个重要的政策建议：在保证卫生安全的前提下，合理放宽洗涤标准，可以显著降低用水量。

15.3 稳定性分析

对最优方案进行小扰动测试：在 $v^{\ast }$ 基础上±10%扰动每轮用水量，观察残留率变化：

$$r_n^{\prime }=\prod _{k=1}^n\frac{w}{w+v^{\ast }(1+{\delta }_k)}$$

当 ${\delta }_k\in [-0.1,0.1]$ 时，残留率变化约在 $[-15$ 范围内。说明：

• 向正扰动（多用水）：残留率降低，洗涤效果更好；
• 向负扰动（少用水）：残留率升高，可能违反约束。

因此，实际控制系统应预留10%~20%的余量，即每轮实际用水量设为 $1.1v^{\ast }$~$1.2v^{\ast }$。

15.4 鲁棒性分析

%% 鲁棒性分析代码片段（包含在sensitivity_analysis.m中）

% Monte Carlo 分析：参数同时扰动下的最优方案稳定性
N_sim = 1000;
V_sim = zeros(N_sim, 1);

for i = 1:N_sim
    params_mc = params_base;
    % 对w进行±20%随机扰动
    params_mc.w = params_base.w * (1 + 0.2*(2*rand()-1));
    
    % 求最优解
    V_min = inf;
    for n = 1:params_mc.n_max
        v_n = params_mc.w * (params_mc.epsilon^(-1/n) - 1);
        if v_n >= params_mc.v_min && v_n <= params_mc.V_max
            V_total = n * v_n;
            if V_total < V_min
                V_min = V_total;
            end
        end
    end
    V_sim(i) = V_min;
end

fprintf('Monte Carlo鲁棒性分析（N=%d次）：\n', N_sim);
fprintf('  最优总水量均值: %.2f升\n', mean(V_sim));
fprintf('  标准差: %.2f升\n', std(V_sim));
fprintf('  95%%置信区间: [%.2f, %.2f]升\n', quantile(V_sim, 0.025), quantile(V_sim, 0.975));

十六、模型优缺点

16.1 模型优点

优点一：物理机制清晰。 递推方程直接来自质量守恒和稀释原理，不依赖黑箱方法，结果具有物理可解释性。

优点二：解析解优雅。 通过均值不等式证明了等量分水的最优性，将高维优化问题降为一维枚举，计算效率极高。

优点三：给出了理论极限。 $\lim V^{\ast }=-w\ln ϵ$ 这个解析结果告诉工程师"节水潜力的物理上界"，对产品设计有直接指导意义。

优点四：对比分析完整。 模型不仅给出节水方案，还与传统洗衣机进行定量对比，结论具有实用价值。

16.2 模型缺点与改进方向

缺点一：均匀混合假设过强。 实际漂洗中，洗涤剂在衣物纤维中的分布是不均匀的，简单稀释模型高估了漂洗效率。

改进方向： 引入"有效混合率" $\eta \in (0,1)$，将递推方程修改为：

$$m_k=m_{k-1}\cdot \frac{w}{w+\eta v_k}$$

缺点二：忽略了洗涤剂在纤维中的物理吸附。 有些洗涤剂分子会被纤维吸附，不能被简单冲洗去除。

改进方向： 引入吸附动力学模型（如Langmuir等温线），建立更真实的多相传质模型。

缺点三：单一目标优化。 只考虑节水，没有考虑时间成本（轮次多则时间长）和电能消耗。

改进方向： 构建多目标优化模型：

$$\min V_{total},T_{total},E_{total}$$

使用Pareto前沿分析，为消费者提供可选择的"偏好方案"（如偏好省水型、偏好省时型）。

缺点四：参数假设未经实验验证。 $w$、$ϵ$ 等参数来自估计，结论的精度依赖于参数精度。

改进方向： 建议开展实测实验，用实测数据校准 $w$ 参数，并用留一法交叉验证模型预测精度。

十七、论文写作建议

17.1 摘要写法

摘要是论文的"门面"，评委通常先看摘要决定是否仔细阅读。数学建模竞赛摘要需要在300~500字内回答以下问题：

1. 这道题是什么类型的问题？
2. 针对每个子问题，你建立了什么模型？
3. 用什么方法求解？
4. 得到了什么关键结论？
5. 这个结论有什么实际意义？

摘要写法误区： 很多同学把摘要写成"本文研究了节水洗衣机问题，建立了数学模型，经过计算得出了结论"——这等于什么都没说。摘要必须有具体数字和具体结论。

17.2 关键词选择

好的关键词应覆盖：问题类型 + 模型名称 + 核心方法

例如：节水优化、差分递推模型、均值不等式、参数灵敏度分析、多轮漂洗策略

17.3 问题重述写法

问题重述≠题目复述。题目复述是把题目原文抄一遍，而问题重述是用自己的数学语言重新描述问题。

好的问题重述应包含：

• 已知什么（量化表达）；
• 求什么（用数学符号）；
• 约束是什么。

17.4 模型假设写法

每条假设必须包含：

• 假设内容（是什么）；
• 为什么需要（为什么）；
• 违反后的影响（局限性）。

不要写"假设洗涤效果良好"这样的废话假设。

17.5 符号说明写法

符号表要完整、统一，且与正文完全一致。建议使用LaTeX格式，表格对齐，每个符号都有量纲。

17.6 模型建立写法

不要一上来就列公式。写模型建立时，应该先用自然语言描述建模思路，再引出公式，公式后紧跟参数解释。

17.7 结果分析写法

结果分析不是"结果表格 + 一句’结果合理’"。应包含：数值说明、现实解释、图表指向、异常讨论、结论提炼。

17.8 参考文献写法

注意：参考文献要真实存在，不要凭空捏造。建议引用：

• 相关教材（运筹学、数学建模教材）；
• 洗涤化学领域的综述文章；
• 已发表的相关建模论文。

17.9 附录代码整理方式

附录中的代码应：

• 按模块分类整理，不要一整段；
• 保留中文注释；
• 标注运行环境（MATLAB版本）；
• 说明如何运行（运行哪个文件，输入什么参数）。

十八、数学建模论文摘要示例

以下是符合数学建模竞赛风格的中文摘要示例，供参考。

摘要

本文针对1996年全国大学生数学建模竞赛B题"节水洗衣机"，建立了基于浓度递推原理的洗涤过程数学模型，并通过解析推导与数值优化，给出了满足洗涤效果约束下总用水量最小的最优控制策略。

针对问题一，基于质量守恒定律和均匀混合假设，建立了洗涤剂残留量的差分递推方程：$m_k=m_{k-1}\cdot w/(w+v_k)$，并推导出 $n$ 轮后残留率的乘积公式 $r_n={\prod }_{k=1}^{n}w/(w+v_k)$。该公式揭示了漂洗效果与各轮加水量的定量关系。

针对问题二，利用算术-几何均值不等式，严格证明了在总用水量 $V$ 和轮次 $n$ 固定的条件下，各轮平均分配用水量（$v_i=V/n$）是使最终残留率最低的最优策略，同时使残留率达到解析最小值 $r_n^{\ast }=[w/(w+V/n){]}^n$。

针对问题三，基于等量分水最优结论，建立了最优轮次与最优用水量的联合优化模型。通过对轮次 $n$ 的整数枚举，解析给出每一轮次下满足约束的最小用水量 $v^{\ast }(n)=w({ϵ}^{-1/n}-1)$，进而确定全局最优方案。当衣物吸水量 $w=10$ 升、残留率标准 $ϵ=2$ 时，最优方案为漂洗 8~10轮、每轮用水约 6~8升，总用水量约 58~61升，较传统洗衣机（3轮×40升=120升）节水约 49%~52%。同时推导出最优总用水量的理论下界 $V_{min}=-w\ln ϵ\approx 39.1$ 升。

模型的灵敏度分析表明，结果对吸水量参数 $w$ 较为敏感，建议在工程实现中预留10%~20%的水量余量。模型假设的主要局限性在于均匀混合假设，实际工程中可通过引入有效混合率加以修正。

关键词：节水优化；洗涤剂浓度递推；均值不等式；最优轮次；参数灵敏度分析

十九、常见问题与踩坑总结

Q1：拿到数学建模题目后为什么不能马上写代码？

这是最经典的误区。拿到题目立刻打开MATLAB的同学，通常会在写了一半代码后发现：我不知道这个函数的输出是什么，我不知道这个变量的物理意义，我不知道约束条件是什么。

正确的顺序是：读题→理解物理机制→定义变量→建立数学模型→确定求解方法→写代码。代码是数学模型的翻译，必须先有模型才能写代码。从题目到代码，中间有三层（问题理解→数学建模→算法设计），每一层都不能跳过。

Q2：问题重述和题目复述有什么区别？

题目复述是"把原题抄一遍"，而问题重述是"用数学语言重新描述问题"。

以本题为例：

• 复述：“请为洗衣机设计一种程序，使得在满足一定洗涤效果的条件下，总量最少。”
• 重述：“设第 $k$ 轮加水量为 $v_k$，衣物吸附水量为 $w$，洗涤效果标准为 $r_n\le ϵ$，求最优决策 $(n^{\ast },v_1^{\ast },\dots ,v_{n^{\ast }}^{\ast })$ 使 $\sum v_k$ 最小。”

重述的核心是数学化，不是长度。

Q3：模型假设是不是越多越好？

不是。假设的数量不重要，质量才重要。每条假设都应该是建立后续模型所必需的，而不是为了凑数。

错误示范：假设1：洗衣机正常运行。假设2：衣物是干净的。（这些假设对建模毫无帮助）

正确做法：只写那些"如果去掉这条假设，模型就无法建立或需要大幅修改"的假设。

Q4：为什么公式很多但论文依然得分不高？

公式多不等于模型好。评委看的是：

1. 公式从何而来（推导过程）；
2. 公式变量是什么（定义清晰）；
3. 公式说明了什么（含义解释）；
4. 公式如何求解（算法说明）；
5. 结果如何解读（分析讨论）。

"公式堆砌"是数学建模论文中的大忌。一个推导严谨、解释清晰的模型，远比一堆晦涩无解释的公式有价值。

Q5：MATLAB代码结果如何对应论文表格？

代码结果→论文表格需要一一对应，且表格标题应该说明数据来源和计算条件。

实践建议：在代码中使用 fprintf 或 writetable 直接输出格式化表格，复制到论文时只需调整格式。同时在论文中注明"表X由MATLAB计算得出，参数设置见附录A"。

Q6：没有附件数据时如何构建合理分析框架？

没有数据时，应该：

1. 从物理/工程第一性原理推导模型；
2. 查阅文献获取参数的合理范围；
3. 用参数范围内的典型值计算结果；
4. 通过灵敏度分析展示结果对参数的依赖性。

最忌讳的是"拍脑袋"给出参数然后假装数据是真实的——评委能看出来。

Q7：预测模型如何选择误差指标？

选择误差指标要根据数据特性：

• 如果数据中有极端值（异常值），用MAE（对异常值不敏感）；
• 如果需要惩罚大误差，用RMSE（对大误差更敏感）；
• 如果需要反映相对误差，用MAPE（百分比形式，便于解释）；
• 如果需要综合评价拟合优度，用R²。

不要在同一论文中只用一种指标，建议报告至少2~3种。

Q8：评价模型中权重如何确定？

权重确定是评价模型的核心，主要方法有：

1. 主观法：德尔菲法、层次分析法（AHP）；
2. 客观法：熵权法、CRITIC法、主成分分析；
3. 组合法：将主观权重和客观权重加权平均。

选择哪种方法要根据题目情境：有专家意见时用主观法，只有数据时用客观法，两者都有时用组合法。无论哪种方法，都要在论文中说明权重的合理性，不能"拍脑袋给权重"。

Q9：优化模型如何确定目标函数和约束条件？

目标函数来自题目中"最大/最小化什么"，约束条件来自题目中"满足什么条件"。

提炼方法：“从题目中找所有量→分类为决策变量、约束参数和目标→建立关系”。

常见误区：把约束条件混入目标函数，或把目标函数变成约束条件。本题中"用水量最小"是目标，"残留率≤ε"是约束，不能反过来。

Q10：国赛论文和美赛论文写法有什么区别？

维度	国赛	美赛
语言	中文	英文
结构	较固定（必须有摘要、假设、符号等标准章节）	相对灵活，但需有Summary Sheet
摘要	约300~500字，位于首页	约400~600字，作为独立Summary Sheet
图表	规范即可	要求较高，应有标题、来源标注
代码	通常放附录	通常放附录，有时要求链接或说明
风格	严谨学术	更注重创新性和"讲故事"能力

Q11：如何避免论文像代码说明书？

“代码说明书"型论文的特征：每段都是"这段代码定义了变量X，然后计算了Y，输出了Z”。

避免的方法：写论文时，以数学模型为主线，代码只是实现工具，放附录。正文中说的是"建立了什么模型，用什么方法求解，得到了什么结论"，不是"写了什么代码"。

Q12：如何写出高质量摘要？

参照"SCR结构"：Situation（背景）→Challenge（问题）→Resolution（解决方案）→Result（结论）。

每个部分控制在1_{2句，整体300}500字，包含具体数字和具体结论。

Q13：如何自然地提出模型改进？

改进建议要从"模型的局限性"出发，而不是凭空提出。先分析"这个假设在什么情况下会失效"，再提出"如何修正"。

例如：本题中，均匀混合假设在快速漂洗时会失效，改进方向是引入"混合效率参数 $\eta$"，并通过实验校定。这比说"可以用更好的算法"要具体得多。

Q14：模型优缺点如何写得具体？

优缺点不能只写"计算简单"、"假设合理"这种废话。应该写：

• 优点：因为XX原因，这个模型在YY情况下比ZZ方法好/快/准；
• 缺点：因为AA假设，当BB条件不满足时，模型误差会达到CC量级。

要有对比对象，要有量化说明。

Q15：附录代码应该如何整理？

1. 按功能模块分段，每段有标题注释；
2. 删去调试用的临时代码；
3. 保留数据读取、核心计算、结果输出三个主要部分；
4. 说明运行方法（运行哪个文件，期望输出什么）；
5. 如有多个函数文件，说明调用关系。

二十、总结

回顾整篇解析，我们从1996年这道看似简单的洗衣机题中，挖掘出了一套完整的建模思路：

核心建模发现：

1. 物理机制决定模型结构：洗涤过程是离散稀释过程，自然导出差分递推方程，这是整个模型的基石。

2. 数学工具化简优化维度：均值不等式的应用将 $n$ 维分配问题化简为一维枚举，这是数学工具改变问题难度的典型案例。

3. 解析解提供深刻洞见：$V_{min}=-w\ln ϵ$ 这个优美的极限公式，不仅是计算结果，更是设计洗衣机时评估技术潜力的理论工具。

4. 反直觉结论最有价值：“多轮少量"优于"少轮多量”——这个反直觉的结论，正是这道题最核心的建模价值所在。

给备赛同学的几句话：

数学建模竞赛考察的不是你会多少数学方法，而是你能不能用数学方法解决实际问题。建模能力的核心是从现实到数学的翻译能力——能把物理过程写成方程，能把工程约束写成不等式，能把优化目标写成函数。

这道题的物理过程（稀释）、数学工具（均值不等式）、求解策略（枚举+解析），都是可以迁移到其他问题的通用能力。希望你读完这篇文章，不仅学会了这道题，更建立起了一套可复用的建模思维框架。

加油，你比自己想象的更有潜力！

---

声明：以上内容部分基于人工智能辅助生成，仅供参考交流，不构成任何专业建议。模型输出可能存在偏差，使用前请自行核实，后果自负。欢迎理性讨论。

若需原题 PDF、附件或历年高教社杯真题，关注技术号 「猿圈奇妙屋」，回复【高教社杯】即可获取。

🎁 文末福利

本专栏内容源自实际建模经验、竞赛题目及读者需求。如涉及版权问题，请告知，将立即处理。部分解法思路参考了网络优秀文章，若未能完全契合你的场景，欢迎在评论区分享更优解法，共同探讨、共同进步！

更多建模方法、工具与竞赛题解，欢迎访问专栏 👉 《《滚雪球学数学建模（含历年真题）》

如果本文对你有帮助，欢迎点赞、收藏、关注，你的支持是我持续创作的动力！

同时推荐关注技术号 「猿圈奇妙屋」，获取建模干货、竞赛真题解析、4000G 技术资料、简历模板等海量内容，助你快速突破瓶颈。

🫵 关于作者

我是 bug菌，数学建模竞赛指导教师，曾指导学生斩获国赛一等奖、美赛 M 奖等，擅长运动学建模、优化模型、评价模型等方向。

活跃于 CSDN · 掘金 · InfoQ · 51CTO · 华为云 · 阿里云 · 腾讯云 · 开源中国 · 博客园 · 墨天轮 等平台

🏅 CSDN 博客之星 Top30 · 华为云十佳博主 · 掘金人气作者 Top40 · 多平台签约优质作者 · 全网粉丝 30w+

更多优质内容与成长资料 👉 点击查看 👈

欢迎加入硬核技术号 「猿圈奇妙屋」，一起进阶打怪！

- End -