ESP32蓝牙Beacon测距的物理真相与工业级实践
2026/9/11 12:27:54
🎓本文收录于《滚雪球学数学建模》系列专栏
数学建模真正的难点，往往不在于掌握某一个公式或算法，而在于面对实际问题时，能否完成从问题分析 → 模型构建 → 算法求解 → 结果验证 → 论文表达的完整闭环。
本专栏正是围绕这一目标打造：从零基础出发，通过“滚雪球式”的知识积累方式，由浅入深地讲解数学建模中的核心方法、经典模型、算法工具与竞赛实战。
无论你是第一次参加数学建模竞赛的新生，还是希望进一步提升科研、论文与工程建模能力的学习者，都可以沿着本专栏逐步建立属于自己的数学建模知识体系与问题解决框架。
🎯限时特惠：当前活动一折秒杀，一次订阅，终身有效，后续所有更新章节全部免费解锁👉 《滚雪球学数学建模》👈️
⭐建议订阅 / 收藏专栏，后续将持续更新建模方法、算法实现、竞赛真题解析与实战案例，方便系统学习与随时查阅。
由于平台单篇字数限制，本期内容将拆分为2篇，具体文章链接如下：
- 【滚雪球学数学建模】第24.1节·敏感性与不确定性分析
- 【滚雪球学数学建模】第24.2节·敏感性与不确定性分析
全文目录
- 第一部分 问题背景、概念边界与理论基础
- 1. 为什么模型得到答案之后，工作才刚刚开始？
- 2. 参数、变量、情景与不确定性的区别
- 2.1 决策变量
- 2.2 参数
- 2.3 状态变量
- 2.4 情景
- 2.5 不确定性
- （1）数据不确定性
- （2）参数不确定性
- （3）模型结构不确定性
- （4）情景不确定性
- （5）认知不确定性
- 3. 敏感性分析：研究“什么最重要”
- 4. 不确定性传播：研究“误差会传到哪里去”
- 5. 一个基础生产决策模型
- 6. 从确定性模型到不确定性模型
- 6.1 确定性模型的基本形式
- 6.2 不确定性模型的基本形式
- 7. 局部分析与全局分析
- 7.1 局部敏感性分析
- 7.2 全局敏感性分析
- 8. 模型鲁棒性：不仅追求最优，还要避免失效
- 9. 敏感性与不确定性分析的完整工作流
- 9.1 明确决策目标与评价指标
- 9.2 识别不确定参数
- 9.3 确定不确定性表达方式
- 9.4 选择分析方法
- 9.5 可视化并解释结果
- 9.6 将分析结论转化为决策建议
- 10. 常见误区与学术表达规范
- 10.1 误区一：只改变一个参数，就宣称模型已经通过敏感性检验
- 10.2 误区二：任意选取± 10 \pm 10%±10作为扰动范围
- 10.3 误区三：将“结果变化不大”作为模糊结论
- 10.4 误区四：忽略参数相关性
- 10.5 误区五：只报告平均结果，不报告尾部风险
- 11. 本节后续内容预览
- 第二部分 参数扰动与局部敏感性分析
- 12. 基准情景的构建
- 13. 单因素扰动分析
- 13.1 基本思路
- 13.2 分析结果的规范呈现
- 14. 有限差分法与数值导数
- 15. 相对敏感性与弹性系数
- 15.1 弹性系数的定义
- 15.2 分段模型中弹性系数的注意事项
- 16. 双因素扰动与热力图
- 17. 条件数与数值稳定性
- 18. 龙卷风图
- 18.1 构造方法
- 18.2 局限性
- 19. MATLAB 实现
- 🎯 关于这个专栏
- 💬 关于内容、引用与交流
- 👨💻 About Me · 关于作者
- 🚀 如果你正在学习数学建模
- 🎁 文末福利 · 学习资源
本节贯穿案例：某企业在计划期内需要确定产品产量。市场需求、单位销售价格、原材料成本、固定成本等信息均具有不确定性。目标是在满足生产约束的前提下，制定一个在多数可能情形下仍具良好表现的决策方案。
本案例具有较强的通用性，可自然迁移至物流配送、库存控制、能源调度、工程设计、投资决策等问题。
第一部分 问题背景、概念边界与理论基础
1. 为什么模型得到答案之后，工作才刚刚开始？
在数学建模训练中，许多初学者会将“求出最优解”视为工作的终点。例如，建立线性规划模型后，通过求解器得到最优产量；建立微分方程模型后，通过数值计算得到预测曲线；建立评价模型后，通过加权求和得到方案排序。
但从实际决策角度看，一个数值结果本身并不等于可靠结论。
设某个模型以参数向量θ \boldsymbol{\theta}θ