Testing Time: The Constant Wear On Stairs（优秀范文三：人流随机波动下的蒙特卡洛寿命分布）

2025 美赛 MCM A 题 · 优秀范文三。视角：确定性模型给出的是"平均世界的单点寿命"，但真实楼梯面对的是随机世界——年人流有丰枯、人群步幅有差异、行走习惯参差。本文把三类随机性（年人流 ±20% 对数正态、步态偏置幅度 $\mathcal N(0.25,0.05^2)$ 、出入口加成 $\mathcal N(0.40,0.06^2)$ ）注入范文一的累积磨损模型，3000 次蒙特卡洛仿真得到全段寿命的概率分布，并把分布翻译成维护决策语言：不同维护时点下的"提前失效概率"。正文 / 配图 / 附录 / 真源四路数字一致（固定种子 20250822）。

摘要

维护排程若只按确定性寿命（12.9 年）一刀切，会忽略随机世界的两种代价：过早更换的浪费与过晚更换的失效风险。本文用 3000 次蒙特卡洛仿真量化这一权衡：全段寿命 $T$ 服从均值 13.4 年、标准差 1.0 年的右偏分布，10/50/90 百分位分别为 12 / 13 / 15 年，极值区间 [11, 18] 年；MC 均值比确定性解高 4%，源于对数正态人流的凸性。寿命谱显示两端第 1、20 级平均寿命并列最短（13.4 年）、相位低谷级最长（28.6 年），两级差距 15 年——差异化维护的依据在随机世界下依然稳健。决策曲线上，若拖到第 13 年才维护，已有 15.5% 概率发生"提前失效"；把首检定在第 12 年则严格提前失效率仅 1.4%。灵敏度表明：年人流波动从 5% 增到 40% 时寿命标准差从 0.68 年放大到 1.59 年（翻倍有余），是离散度的主要来源；而步态异质性对平均寿命的影响不足 0.1 年——两类不确定性需要不同的应对（前者靠提前首检、后者靠规范步态与定期实测校准）。

一、问题重述

题目第③问要求预测踏步达到更换阈值的时点，第⑤问（鲁棒性）要求评估人流随机波动下寿命分布与替换时点的不确定性。范文一在确定性人流下给出了单点寿命 12.9 年，但"人流每年恰为 40 万"从未真实发生。本文回答：①寿命的完整分布长什么样，而非单点；②分布如何随人流波动幅度、人群步态异质性变化；③分布如何转化为维护时点决策——在"提前维护的浪费"与"延迟维护的失效风险"之间给出概率化的最优区间。

二、模型假设

磨损机理沿用范文一：落点权重 = 均匀 + 正弦周期偏置 + 出入口加成，累积磨损线性推进，阈值 $W_{\max}=10$ 当量。
年人流 $V_t$ 独立同分布，对数正态 $\ln V_t\sim\mathcal N(\ln 40\text{万}-\tfrac{s^2}{2},\ s^2)$ ，相对波动 20%；丰枯年之间无自相关。
步态偏置幅度 $A_p\sim\mathcal N(0.25,0.05^2)$ 、出入口加成 $\eta\sim\mathcal N(0.40,0.06^2)$ ，每次仿真抽取一次（代表"这栋楼的人群特征"），年内不变。
每级磨损独立累计，任一级达标即为"该级失效"；全段寿命 $T=\min_i t_i$ 。
维护策略为单次首检时点 $t_0$ ：若 $T<t_0$ 则发生"提前失效"（安全事件），否则视为及时。仿真上限 60 年。

三、符号说明

符号	含义
$V_t$	第 $t$ 年人流量（对数正态）
$A_p,\eta$	步态偏置幅度、出入口加成（每次仿真抽取）
$W_i(t)$	第 $i$ 级累积磨损
$t_i,\ T$	各级寿命、全段寿命 $=\min_i t_i$
$P10/P50/P90$	寿命分布的 10/50/90 百分位
$R(t_0)$	维护时点 $t_0$ 对应的提前失效概率 $\Pr(T<t_0)$

四、建模过程

4.1 随机注入与单次仿真

单次仿真分三步：①抽取本次的 $(A_p,\eta)$ ，生成落点权重谱；②逐年抽取 $V_t$ ，按 $W_i\mathrel{+}=V_t\cdot\tilde w_i\cdot e$ 累加每级磨损；③记录每级首次越过阈值的年份，全段寿命取最小。图 8 展示第 1 级累积磨损的 12 条随机路径——同一栋楼、同一套机理，因人流丰枯不同，撞线时间从 11 年到 15 年不等；红色最快路径直观解释了为什么"按均值排程"会翻车：

4.2 寿命分布与分位数

3000 次仿真收敛后的寿命直方与累积分布见图 1、图 2：

分布呈右偏：主体集中在 12–15 年，右尾拖到 18 年（连续低人流年的"长寿楼"）。均值 13.4 年、标准差 1.0 年；P10=12 年是工程上最有用的数字——它表示仅约一成楼的寿命不足 12 年：若把首检定在第 12 年，绝大多数楼尚无任何一级失效，风险已被前置锁定。

4.3 确定性解在分布中的位置

图 3 把范文一确定性解（12.9 年）放回 MC 分布中对照：它落在 P10 与 P50 之间——确定性解天然偏悲观但不极端，作为"安全侧单点估计"合格；但它的缺陷是无法回答"提前失效概率多大"这类风险问题，而分布可以。

4.4 各级平均寿命谱：差异化维护在随机世界下依然成立

图 4 给出 3000 次仿真中每级平均寿命：两端第 1、20 级并列最短（均 13.4 年，二者权重在本周期参数下严格相等），相位低谷级最长 28.6 年，极差 15.2 年。随机性没有抹平差异——均值意义上"哪级先坏"与确定性结论一致，差异化维护排程（范文一的三档方案）在随机世界下依然成立，只是每档时点应按分布分位而非均值设定。

三篇范文至此形成完整闭环：范文一的确定性模型回答"哪级先坏、为什么"，范文二的双目标优化回答"怎么改设计"，本文的随机框架回答"何时去维护"。工程实践中三者按时间轴串联——设计期用范文二选方案，交付后用本文的 P10/P50 排首检与巡检，磨损数据回流后再校准范文一的参数重算全链路。这种"确定性定机理、优化定设计、随机定运维"的三层结构，正是本题作为经典磨损-维护问题的完整解法谱系。

4.5 维护时点的风险曲线

把分布翻译成决策：若到时点 $t_0$ 才维护，提前失效概率 $R(t_0)=\Pr(T<t_0)$ 。图 7 画出这条曲线：

关键读数： $R(10)=0\%$ （10 年前维护绝对安全但偏浪费）、 $R(12)=1.4\%$ （若把恰在第 12 年失效计入则累计约一成）、 $R(13)=15.5\%$ 、 $R(15)\approx 50\%$ 。推荐首检窗口为第 11–12 年：严格意义的提前失效风险压到 2% 以内，同时只牺牲约 1–2 年的剩余寿命——这是分布模型才能给出的"风险—成本"显式权衡。

五、灵敏度分析

年人流波动（图 5）：固定其余参数，把年人流相对波动从 5% 逐步提到 40%，各档重跑 1200 次仿真：

寿命标准差从 0.68 年（5% 波动）单调放大到 1.59 年（40% 波动），翻倍有余——人流越不稳定，寿命越不可单点预测。对交通枢纽类楼梯（客流天然大起大落）应直接按 P10 排程首检；对波动小的内部楼梯可放宽到 P25–P50,省下的检修频次就是真金白银。

步态异质性（图 6）： $A_p$ 的标准差从 0.02 增到 0.08：

平均寿命稳定在 13.4 年附近、变化不足 0.1 年——人群异质性既不移均值也不放大整体离散，它的作用藏在结构里：让"哪一级先坏"在两端并列级之间轻微摇摆。应对它靠"治本"手段：入口导向铺设、扶手与踏面色彩规范步态，把 $A_p$ 本身压回去；这与范文二加强垫的"治标"互补。

两类不确定性叠加：人流波动 40% 且步态异质性 0.08 时，P10 从 12 年前移到约 10.5 年——叠加场景的安全边际要再多让一年，单因素灵敏度无法暴露这一耦合，这正是蒙特卡洛优于单维扫描之处。
收敛性：样本从 1000 增到 6000，均值漂移小于 0.05 年、P10 漂移小于 0.3 年，3000 次已足够支撑上述全部读数。

六、模型评价与改进

优点：把"单点寿命"升级为"寿命分布"，让维护决策第一次有了风险语言（失效概率、分位排程）；三类随机源的注入方式都可实测标定（闸机人流计数、踏面厚度普查）；决策曲线直接可用于写维护规程。局限：①年人流假设独立同分布，真实有早晚高峰、寒暑假与疫情类结构性冲击，可用时间序列模型替代；②步态参数年内不变，实际随租户更替漂移；③未与范文二的改造决策联动——随机寿命分布应进入成本模型（失效损失 × 概率），形成"随机多目标"版本；④失效定义为单级越限，未建安全冗余（相邻级分担载荷）。改进路径清晰：用实测磨损数据做贝叶斯参数更新，让分布随楼龄不断收窄。

七、结论

随机世界里的楼梯寿命不是一个数而是一条分布：均值 13.4 年、标准差 1.0 年、P10=12 年。确定性解 12.9 年位于分布左侧安全区，适合做保守单点，但只有分布才能回答维护者真正的问题——"拖到第 13 年才修，15.5% 的楼会先坏"。把首检定在第 11–12 年、按各级平均寿命谱（两端 13.4 年 vs 低谷 28.6 年）差异化排程、并在人流波动加大时主动前移 P10,这三条构成随机框架下的完整维护策略。寿命预测的终点不是算出一个数字，而是给决策者一张写着概率的日程表；这张表随实测数据滚动更新，越用越准、越用越可信。

参考文献

COMAP. MCM Problem A: Testing Time — The Constant Wear On Stairs. 2025.
Metropolis N., Ulam S. The Monte Carlo Method. J. Am. Stat. Assoc., 1949.
Law A. M. Simulation Modeling and Analysis. 5th ed. McGraw-Hill, 2014.
Frangopol D. M., et al. Life-cycle reliability and maintenance of deteriorating structures. Struct. Infrastruct. Eng., 2004.
本站范文一/二真源 tools/gen_mcm2025a*.py（载荷场与设计优化接口）。

附录：核心 Python 实现

import sys, os
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_mcm2025a_3 as M   # 真源：随机人流/步态注入 + 3000次MC + 8图

# 1) 蒙特卡洛（与真源 main() 一致：n=3000，种子 20250822）
Ts, wis, avg_life = M.mc(3000)
stat = M.summarize(Ts)
print("MC 寿命: 均值=%.1f年 sd=%.1f P10=%.0f P50=%.0f P90=%.0f 极值=[%.0f,%.0f]"
      % (stat["mean"], stat["sd"], stat["p10"], stat["p50"], stat["p90"],
         stat["min"], stat["max"]))
print("确定性解=%.1f年  MC均值/确定性=%.2f" % (M.deterministic_T(), stat["mean"] / M.deterministic_T()))

# 2) 各级平均寿命谱（两端 vs 低谷）
print("第1级=%.1f年 第20级=%.1f年 低谷最长=%.1f年"
      % (avg_life[0], avg_life[-1], max(avg_life)))

# 3) 维护时点风险曲线上的关键读数
for t0 in (10, 12, 13):
    r = 100.0 * sum(1 for T in Ts if T < t0) / len(Ts)
    print("R(%d年)=%.1f%%" % (t0, r))