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!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12在数据分析日常工作中,Excel数据筛选是数据清洗、数据提取、样本筛选的核心基础操作。传统Excel手动筛选、函数筛选方式,面对多 ...
2026-08-12 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-08-12在数据分析、统计建模、数据挖掘与商业调研过程中,原始数据往往无法做到绝对干净规整。受系统故障、人工录入失误、设备误差、突 ...
2026-08-11在数据分析工作中,聚类分析是典型的无监督学习方法,核心作用是依据数据自身的多维特征,将相似样本自动划分为若干类别,实现“ ...
2026-08-11