京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据化爱情:男生追女生的超强数学建模分析
问题分析
男生追女生,对男生来说最重要的是学习、爱情两不误。因此我们引进男生的学业成绩函数Y(t)。
首先,我们不考虑男生的追求攻势,则影响该函数的因素主要是两个人的关系程度。为了便于分析,我们将两人的关系简化为女生对该男生的疏远度,于是引入疏远度函数X(t)。
问题就转化为求解Y(t)和X(t)的相互作用关系。利用微分,很容易就可以求出两者的关系。但现实中男生可能会对该女生发起一轮轮的追求攻势,因此还要考虑到追求攻势对模型的影响。而追求攻势又与女生的疏远度有关,可以简化地将两者看成是正比关系。将追求攻势加入到模型中,就可以找出攻势与Y(t)和 X(t)的关系了。
模型假设
1、t时刻A君的学业成绩为Y(t);
2、t时刻B女对A君的疏远度为X(t);
3、当A君没开始追求B女时B女对A君的疏远度增长(平时发现的A君的不良行为)符合Malthus模型,即dX/dt=aX(t)其中a为正常数。
4、当Y(t)存在时,单位时间内减少X(t)的值与X(t)的值成正比,比例常数为b,从而 dX(t)/dt=aX(t)-bX(t)Y(t)。
5、A君发起对B女追求后,立即转化为B女对A君的好感,并设定转化系数为 α,而随着的A君发起对B女的追求,A君学业的自然下降率与学业成绩成正比,比例系数为e。于是有dY(t)/dt=αbX(t)Y(t)-eY(t)。
模型构成
由假设4和假设5,就得到了学业与疏远度在无外界干扰的情况下互相作用的模型:
{dX(t)/dt=aX-bXY;dY(t)/dt=cXY-eY} 其中c=αb. (1)
这是一个非线性自治系统,为了求两个数X与Y的变化规律,我们对它作定性分析。令{aX-bXY=0;cXY-eY=0} 解得系统(1)的两个平衡位置为:O(0,0),M (e/c,a/b)。从(1)的两方程中消去dt,分离变量可求得首次积分:
F(X,Y)=cX-dln|X|-aln|Y|=k (2)
容易求出函数F(X,Y)有唯一驻点为M(e/c,a/b)。再用极值的充分条件判断条件可以判断M是F的极小值点。同时易见,当X→∞(B女对A君恨之入骨)或Y→∞ (A君是一块只会学习的木头)时均有F→∞;而X→0(A君作了变形手术,B女对他毫无防备)或Y→0(A君不学无术,丝毫不学习)时也有F→∞。由此不难看出,在第一象限内部连续的函数z=F(X,Y)的图形是以M为最小值点,且在第一卦限向上无限延伸的曲面,因而它与z=k(k>0)的交线在相平面 XOY的投影F(X,Y)=k (k>0)是环绕点M的闭曲线簇。这说明学业成绩和疏远度的指数成周期性变化。
结果解释
从生态意义上看这是容易理解的,当A君的学习成绩Y(t)下降时,B女会疏远 A君,疏远度X(t)上升;于是A君就又开始奋发图强,学习成绩Y(t)又上升了。于是B女就又和A君开始了来往,疏远度X(t)又下降了。与B女交往多了,当然分散了学习时间,A君的学习成绩Y(t)下降了。
然而我们可证明,尽管闭轨线不同,但在其周期内的X和Y的平均数量都分别是一常数,而且恰为平衡点M的两个坐标。事实上,由(1)的第二个方程可得: dY/Ydt=cX- e,两端在一个周期时间T内积分,得:
∫(dy/Ydt)dt=c∮Xdt-dT (3)
注意到当t经过一个周期T时,点(X,Y)绕闭轨线运行一圈又回到初始点,从而:∫(dY/Ydt)dt=∮dY/Y=0。所以,由(3)式可得: (∫Xdt)/T=e/c。
同理,由(1)的第一个方程可得:(∫Ydt)/T=a/b。
模型优化
考虑到追求攻势对上述模型的影响。设追求攻势与该时刻的疏远度成正比,比例系数为h,h反映了追求攻势的作用力。在这种情况下,上述学业与疏远度的模型应变为:
{dX/dT=aX-bXY-hX=(a-h)X-bXY;dY/dt=cXY-eY-hY=cXY-(e+h)Y} (4)
将(4)式与(1)式比较,可见两者形式完全相同,前者仅是把(1)中X与Y的系数分别换成了a-h与e+h。因此,对(4)式有
x’=(∫Xdt)/T=(e+h)/c,y’=(∫Ydt)/t=(a-h)/b (5)
利用(5)式我们可见:攻势作用力h的增大使X’增加,Y’减少。
我们的建议
考试期间,由于功课繁忙,使得追求攻势减少,即h减小,与平时相比,将有利于学业成绩Y的增长。这就是Volterra原理。 此原理对男生有着重要的指导意义:强大的爱情攻势有时不一定能达到满意的效果,反而不利与学业的成长;有时通过慢慢接触,慢慢了解,再加上适当的追求行动,女生的疏远度就会慢慢降低。学习成绩也不会降低!
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14