简介：这份2021美赛特等奖论文合辑面向美国大学生数学建模竞赛参赛者、指导教师及数模爱好者，集中呈现特等奖团队在真实问题中运用数学建模的完整思路与论证方式。压缩包共1个PDF文件，约54.28MB，便于直接阅读和打印研习。内容以真菌分解建模为例，串联阿伦尼乌斯扩展速率模型、非线性分解速率优化、随机梯度下降参数拟合与细胞自动机多物种模拟，并讨论真菌竞争关系、温湿度敏感性及122天分解率等结果，可帮助读者理解从假设、建模到求解和检验的全过程。已有4027人学习，适合用作赛题复盘、论文写作参照和算法迁移训练，尤其便于借鉴摘要组织、模型链条与结果分析表达。

1. 从 0.68 到 0.39：为什么竞争让真菌分解率掉了四成

先看两个数字。同一套模型，不考虑物种竞争时，122 天的落叶分解率是 0.68；一旦把真菌之间的竞争关系加进去，这个数字掉到 0.39，降幅 42.69%。但另一组实验又显示，多物种共存的分解率是单物种的 2.89 倍。

竞争有害，多样性有益——两个结论同时成立。这不是矛盾，而是提示：物种数和竞争强度根本是两个层面的量，不能混在一个线性式子里说。2021 年美国大学生数学建模竞赛的一道特等奖论文就专门拆解了这件事，名字叫《Fungal Decomposition Modeling via Stochastic Gradient Descent and Cellular Automata》。它用 Arrhenius 关系搭扩展速率、用 SGD 拟合非线性分解参数、再用细胞自动机把连续速率演成离散格子上的生长与腐烂。搞懂这套骨架，比记住那几个小数有用得多。

2. Arrhenius 扩展速率：温湿度为什么不能用线性拟合糊弄过去

真菌菌丝的伸长速率（extension rate）是整条建模链的第一块砖。它决定了后面细胞自动机里一个空格被邻居“感染”的概率，也间接决定了分解速率。作者没有偷懒做线性回归，而是把温度对速率的影响压在一个指数关系上——Arrhenius 方程。

2.1 Arrhenius 里到底哪个量在控制生长

Arrhenius 形式大家都见过：速率正比于 exp(-Ea/RT)。问题在于很多人写代码时把摄氏温度直接代进去，结果拟合出来一堆负的活化能，还以为是数据噪声。Arrhenius 的物理前提是分子热运动越过能垒，能量尺度必须用绝对温度。所以第一件事是 T_k = T_celsius + 273.15。

在这套模型里，活化能 Ea 描述的是真菌代谢反应对温度的敏感程度：Ea 越大，速率随温度升高的爬升越陡，低温端几乎躺平,高温端迅速抬头。这点和真实生态观察吻合——热带雨林落叶分解快、高纬度冷温带堆积厚，背后就是温度这一项在拉指数曲线，而不是一条直线。

一个容易忽略的细节：Arrhenius 只描述“反应能发生”，不描述“真菌愿不愿意长”。温度合适但环境太干，菌丝照样不伸长。所以湿度必须作为独立乘子单独进模型，而不是塞进 Ea 里。

2.2 湿度不是温度的第二项，而是独立响应

作者对湿度的处理思路是“最适湿度 + 容忍宽度”。也就是存在一个最优相对湿度 rh_opt，偏离它越远，扩展速率按高斯钟形衰减。这比线性项更贴近生物事实：太干不行（水分活度不够，酶运不起来），太湿也不行（缺氧、基质浸水）。

把温度项和湿度项相乘，而不是相加，是有讲究的。相乘意味着“两个条件都满足才长得快”，任一项接近零，整体就接近零；相加则会允许“温度极差但湿度极好”这种现实中不成立的补偿。常见的实现思路是把环境响应写成乘法结构，避免用加法制造并不存在的补偿效应。

2.3 一段能跑的扩展速率代码

import numpy as np def extension_rate(T_celsius, RH, params): """ 扩展速率模型：Arrhenius 温度项 × 湿度最优响应项 T_celsius : 摄氏温度 RH : 相对湿度 (0~1) params : (a, Ea, rh_opt, sigma) """ T_k = T_celsius + 273.15 # 必须用绝对温度 a, Ea, rh_opt, sigma = params R = 8.314 # 气体常数 J/(mol·K) k_temp = a * np.exp(-Ea / (R * T_k)) # 温度主导项，指数关系 k_hum = np.exp(-((RH - rh_opt) ** 2) / (2 * sigma ** 2)) # 湿度钟形响应 return k_temp * k_hum # 乘法组合，避免虚假补偿

参数含义逐个交代：a 是指前因子，量纲上吸收了接触面积、菌丝密度等没法直接测的因素；Ea 是活化能，控制温度敏感度；rh_opt 是最适相对湿度；sigma 是湿度容忍宽度，越小说明这种真菌越“挑环境”。函数返回的是一个无量纲的相对扩展速率，后面接细胞自动机时要乘上时间步长和格点尺寸做单位对齐，这一步翻车的人特别多，后面避坑章细说。

3. SGD 拟合非线性分解模型：为什么最小二乘在这里不灵

有了扩展速率，下一步是分解速率（decomposition rate）。作者明确指出，分解速率不是扩展速率的简单倍数，它还和水分权衡（moisture trade-off）之间存在非线性关系。这就把问题从“解一个线性方程组”变成了“拟合一个非线性目标函数”。

3.1 分解速率的非线性结构长什么样

那篇论文的思路是：分解速率由扩展速率和水分权衡共同决定，而水分权衡由湿度的下限（lower limit of humidity）刻画——低于某个湿度阈值，分解活动基本停摆。把这几项凑到一起，分解速率就成了一个关于扩展速率、湿度、以及若干待定系数的非线性表达式。

为什么不能用普通最小二乘闭式解？因为目标函数对参数不是线性的，正常方程（normal equation）那套 X^T X 求逆的办法直接失效。你既写不出解析解，也没法保证目标函数是凸的。这时候要么上数值优化，要么上迭代求解。作者选的是随机梯度下降。

3.2 目标函数与梯度怎么传

最直接的做法是均方误差：把模型预测的分解速率和收集到的实测数据相减、平方、平均。SGD 的关键在于每次只拿一小批样本算梯度，更新一次参数。

def decompose_rate(X, w): """非线性分解速率：X 每行是 [扩展速率, 湿度, 1]""" ext, hum, bias = X[:, 0], X[:, 1], X[:, 2] # 扩展速率与水分权衡的乘积结构，w 为待估参数 return w[0] * ext * hum / (w[1] + hum) + w[2] * bias def sgd_fit(X, y, lr=0.01, epochs=5000, batch=32): w = np.random.randn(3) * 0.01 # 初始化要小，避免一上来就爆炸 losses = [] for _ in range(epochs): idx = np.random.permutation(len(y)) # 每轮打乱，降低批次相关性 for i in range(0, len(y), batch): b = idx[i:i + batch] xb, yb = X[b], y[b] pred = decompose_rate(xb, w) grad = 2 * xb.T @ (pred - yb) / len(b) # MSE 梯度 w -= lr * grad # 沿负梯度走一步 losses.append(np.mean((decompose_rate(X, w) - y) ** 2)) return w, losses

这段代码里几个点值得说明。w[0] 控制扩展速率对分解的贡献强度，w[1] 是水分权衡的半饱和常数（湿度到多少时分解能力接近饱和），w[2] 是偏置项。分母里的 (w[1] + hum) 制造了饱和效应——湿度越高，边际收益越小，这比纯线性更合理。学习率 lr 设 0.01 是经验值，太大直接震荡发散，太小五千轮都爬不到谷底。

作者在论文里强调“stable convergence behavior”——稳定收敛。这句话不是客套，SGD 能稳定收敛说明目标函数在参数空间里没有到处是悬崖，也说明数据量和批大小选得比较克制。常见的实现思路是把损失曲线画出来看尾部是否走平，走平了才算收敛，光看最后一轮损失值没有意义。

3.3 学习率、批大小和收敛的三方拉扯

批大小 batch=32 是个折中。批太小，梯度噪声大，参数在谷底反复横跳；批太大，每轮计算量上来，而且容易卡在较差的局部区域。学习率则要和批大小联动：批大一倍，学习率通常可以稍微放大，但在这类生物参数拟合里，稳妥比激进重要。

还有一个隐藏坑：三个参数的量纲差了几个数量级。扩展速率、湿度、偏置项如果原样喂进 SGD，梯度尺度不统一，收敛会极慢甚至发散。合格的做法是先做无量纲化，或者给每个参数单独设学习率。论文没有把这一步写成公式，但这是让“稳定收敛”真正成立的前提。

4. 细胞自动机：连续速率怎么变成一格一格的离散演化

速率模型给的是“多快”，细胞自动机（Cellular Automata）要回答的是“在哪、长成什么样”。作者的三个核心定义把扩展速率和分解速率翻译成细胞自动机的规则，然后让整片格点自己演化出生长曲线。

4.1 状态、邻域、转移规则三件套

细胞自动机的骨架永远这三样：每个格子有哪些状态、看哪些邻居、按什么概率或规则切换状态。这套模型里，格子至少区分“空”“被真菌占据”“已被分解”这几类状态，邻域用冯诺依曼四邻域（上下左右）就够了——菌丝是从接触面往外铺的，四邻域更贴近径向扩张的形态。

扩展速率 ext_rate 决定一个空格被邻居占据的概率。关键在“多个邻居同时入侵”的处理：不能简单把每个邻居的概率加起来，那样会超过 1。正确做法是按独立事件算联合概率，p = 1 - (1 - p_single)^n，n 是已占据邻居数。分解速率 k_decomp 则作用在已占据格子上，累积分解量超过阈值就从“占据”转为“已分解”。

4.2 一段单步演化代码

import numpy as np EMPTY, COLONIZED = 0, 1 def ca_step(grid, decomp, ext_rate, dt): """单步演化：邻域扩展 + 分解累积""" new = grid.copy() h, w = grid.shape for i in range(1, h - 1): for j in range(1, w - 1): if grid[i, j] == EMPTY: n = (grid[i-1, j] == COLONIZED) + (grid[i+1, j] == COLONIZED) \ + (grid[i, j-1] == COLONIZED) + (grid[i, j+1] == COLONIZED) p = 1 - (1 - ext_rate * dt) ** n # 多邻居独立入侵的联合概率 if np.random.rand() < p: new[i, j] = COLONIZED elif grid[i, j] == COLONIZED: decomp[i, j] += k_decomp * dt # 占据格持续累积分解量 if decomp[i, j] >= 1.0: # 分解完成转为已分解 new[i, j] = EMPTY return new, decomp

ext_rate * dt 是单邻居单步的入侵概率，必须控制在 0 到 1 之间，这是单位对齐的硬约束。dt 取多大，要和你拟合速率时用的时间单位一致——速率是按天算的，dt 就取 1 天，别混用小时和天。decomp 数组单独存每个格子的分解进度，阈值设为 1.0 代表该格有机质彻底分解，这一步把“分解速率”这个抽象量落到了具体格子上。

4.3 40 天稳态是怎么从局部规则里长出来的

模拟结果里有两个时间点很关键：前 5 到 10 天，不同真菌数量显著上升；大约 10 天后开始回落，约 40 天后趋于稳定。这个形状不是谁写死的，是规则自己长出来的。

早期格子大片为空，每个空格都有多个已占据邻居，联合概率高，扩张快，所以数量飙升。中期可占据的格子被抢得差不多，边界接触面变少，新增速率和因分解完成而释放的格子速率趋于平衡。40 天左右进入动态平衡，新增和消耗基本抵消。看到这里你应该意识到：这条曲线是细胞自动机的涌现行为，不是拟合出来的经验曲线。这正是细胞自动机相比纯回归建模的价值——它给出的是机制，不是曲线。

作者还报了一个数：不考虑竞争时，122 天后分解率为 0.68。这个 0.68 是整片格点里已分解格子的比例，直接可验证、可复现。

5. 避坑：真菌分解建模仿真里最容易翻车的五个地方

这套模型跑通不难，跑对很难。下面五条是照着这套论文复现时最容易踩的坑。

5.1 参数没无量纲化就直接喂给 SGD

现象：损失曲线前几十轮剧烈震荡，后面几乎不动，参数停在一个明显不合理的位置。原因：扩展速率量级在 1e-3 左右，湿度是 0~1，偏置项又是另一个量级，梯度尺度差太多，同一个学习率根本伺候不了所有参数。解决：先对每个特征做标准化（减均值除标准差），或者给每个参数单独设学习率，再观察收敛曲线尾部是否走平。

5.2 把湿度当线性项塞进 Arrhenius

现象：高温高湿的样本预测速率异常高，和实测数据对不上。原因：把湿度加成写进了 exp 的指数里，等于让湿度也参与温度敏感度，物理上讲不通。解决：湿度和温度各自独立建模、用乘法组合，温度走指数、湿度走钟形，两个条件都满足才给出高速率。

5.3 细胞自动机邻域用 Moore 还是冯诺依曼没想清楚

现象：同样参数下，菌落扩张形状偏方、边界推进速度比预期快。原因：用了八邻域（Moore），对角方向也能传染，等于给了菌丝额外四条扩张路径。解决：想模拟径向铺展就用四邻域；如果确实要对角传播，得把对角概率调低并重新标定扩展速率，否则速率参数会系统性偏大。

5.4 竞争系数只写负反馈、没做守恒约束

现象：考虑竞争后真菌数量断崖式下跌，远超论文里平均 33.65% 的降幅。原因：给每个物种都乘上一个小于 1 的抑制因子，但没限制总抑制量，物种一多，连乘下来直接归零。解决：竞争抑制要建立在资源总量守恒的框架上——所有物种拿到的抑制系数之和有上限，或者按剩余资源比例分配，这样才符合“营养有限、此消彼长”的生态前提。

5.5 敏感性分析只扫单一变量

现象：单看温度扰动 8% 模型很稳，一上真实波动就崩。原因：温度和湿度是耦合的，单独扫一个变量掩盖了联合扰动下的非线性放大。解决：至少做二维网格扫描（温度 × 湿度各取几档），或者直接对联合分布采样，看分解率的方差，而不是看单个偏导。

6. 敏感性与多样性：一个机理模型能推到什么边界

那篇论文的收尾部分做了两件很聪明的事，值得单独想一想。

第一件是敏感性分析。作者发现模型对温度和湿度 8% 的变化是敏感的——注意，这是模型敏感，不是模型脆弱。一个对关键环境变量不敏感的生态模型反而可疑，因为真实系统就是靠这些变量驱动的。敏感性给出的其实是可信区间：当输入有 8% 误差时，你大致知道输出会飘多少，这比一个点估计有用得多。常见的实现思路是固定其他变量、扫一个变量、记录输出变化率，再把各变量的变化率排个序，判断哪个环境因子最先让模型失控。

第二件是物种多样性。多物种共存时分解率是单物种的 2.89 倍，这个数看着夸张，但逻辑上说得通：不同真菌对不同基质（纤维素、木质素等）的分解能力不一样，多物种相当于把分解任务分给不同专长的角色，整体效率自然高。而在热带雨林场景下，某类木霉属真菌 122 天后成为优势种，分解率达到 68.29%——这说明多样性带来的不是平均主义，而是有物种冒头、也有物种被挤下去，整体效率仍然提升。

这里藏着一个设计取舍：机理模型（Arrhenius + 细胞自动机）能解释“为什么”，但参数多、标定成本高；纯数据拟合能给准“是多少”，但换个环境就得重训。那篇论文选机理路线，代价是每一步都要交代物理和生物假设，好处是预测能外推到没测过的温湿度组合。我自己复现这类模型时最深的教训是：先用最少的参数跑通一条能收敛的曲线，再逐个加机制，每加一层都回头验证前面那层还算不算数。如果一上来就把竞争、多样性、环境耦合全堆进去，一旦结果不合预期，你根本分不清是哪一层翻了车。从那以后我每次动这类多层模型，都强制先跑一个去竞争、去多样性的基线，再一层层往上叠，叠一层看一眼残差。希望这个习惯能帮到你，也值得去翻一翻那份合辑里原始论文的推导细节，比只跑通代码收获大得多。

本文还有配套的精品资源，点击获取