简介在运筹优化问题中资源投放配置是典型的组合决策难题。通过建立数学模型将需求分布、服务半径与容量约束转化为可求解的整数规划或随机服务模型能够为实际运营提供量化依据。以共享充电宝投放场景为例其核心在于需求预测与选址-容量联合优化先利用历史数据预测各点位分时段需求量再借助最大覆盖模型或P-中位模型确定最优服务点最后引入排队论中的Erlang B公式计算满足服务水平的最小设备数。这种建模思路不仅适用于充电宝还可迁移至共享单车、快递柜等设施布局场景。本文完整展示从数据预处理、特征工程、模型求解到论文呈现的全流程并给出Python实现与避坑经验为参加数学建模竞赛或工程实践提供可直接复用的方法论。 2026年认证杯数学建模网络挑战赛的D题选了一个特别贴近生活的场景共享充电宝的投放配置。这类题目听起来门槛不高但真上手做的时候你会发现它同时牵扯到需求预测、选址优化、容量配置甚至动态调度是一道非常典型的“数据运筹”综合题。这篇文章我会把完整的建模思路、数学公式、Python代码、论文写作套路全部摊开讲一遍重点讲清楚两件事一是怎么把题目拆成可求解的子问题二是每个子问题用什么模型最合适。适合正在备赛认证杯的同学也适合拿国赛、美赛优化类题目练手的人参考。我会按照自己做题时的实际顺序来写先判断题型再整理数据然后建模型、跑代码、写论文最后把容易踩的坑列出来。你不需要从头读到尾完全可以按目录跳到当前卡住的环节。1. 赛题定位与建模思路拆解1.1 共享充电宝投放配置到底在考什么先把题目翻译成人话运营方有一批候选投放点比如商场大厅、地铁站出口、写字楼前台、便利店门口每个点位都有一定的人流量和租借需求。现在公司要考虑三个问题选哪些点位投放充电宝每个点位放多少台不同时段需求波动时怎么调整投放数量。说白了就是用有限的充电宝尽量满足更多用户的租借需求。这道题本质上是运筹学里的选址-分配-容量联合优化问题。选址是决定点位开在哪里分配是决定每个点位服务周围哪部分用户容量是决定每个点位放多少设备。三个问题互相耦合点位选得偏需求覆盖就低容量配得少高峰期租不到容量配得多运营成本又失控。所以不能只做一个静态的优化得把预测和优化打通。从评奖角度看这种题是最容易拿分的类型因为它的每一步都有明确的评价标准预测部分看误差选址部分看覆盖率容量部分看服务水平和成本平衡。哪怕你模型用得不够新颖只要每个环节逻辑自洽、结果可复现、图表清晰就能拿到一个不错的分数。1.2 问题类型判断选址、预测还是调度拿到题目先不要急着写代码先判断这属于哪一类问题。共享充电宝投放配置题整体上是优化类问题但内部至少嵌套了三个子问题。第一层是需求预测。每个点位、每个时段会有多少人想借充电宝这个环节属于时间序列预测或者回归预测典型做法是用历史租借数据训练模型。第二层是选址决策。给定候选点位和需求分布选哪些点位能让覆盖效果最好这是经典的设施选址问题常用集合覆盖模型、最大覆盖模型或者P-中位模型。第三层是容量配置。点位确定之后每个点位放多少台充电宝这里适合用排队论把充电宝借出-归还的过程看成随机服务系统用阻塞概率来约束投放数量。我见过很多队伍在这类题上翻车原因是他们一上来就堆复杂算法比如遗传算法、粒子群、强化学习。模型花里胡哨但数据预处理一团糟结果对不上。我的建议是先把三层的经典模型跑通再考虑用智能算法做增强。比赛得分靠的是结果合理、故事完整不是算法名词的堆砌。1.3 赛题拆解与合理假设一个大问题不拆开是没法做的我通常把它拆成四个模块需求预测模块预测每个候选点位周边在不同时段早高峰、午间、晚高峰、夜间的租借需求量输出预测值并评估误差。点位选址模块根据需求分布、候选点位置、覆盖半径确定最优点位组合。容量配置模块在点位确定的前提下用排队论模型计算每个点位的充电宝数量满足目标服务水平。敏感性分析模块检验覆盖半径、预算、目标阻塞率等参数变化时结果是否稳定。拆完问题就要写假设。数学建模最忌讳假设不明确。我在这题里常用的假设有这么几条充电宝租借过程相互独立归还后充电宝立即可用不考虑充电时间用户只会去距自己一定范围内的点位超出范围视为流失每个点位的服务能力是稳定、时齐的夜间低频时段需求可忽略或单独建模。这些假设在论文里要写清楚评委很看重假设是否合理、是否与模型匹配。2. 数据准备、预处理与特征工程2.1 数据集从哪来真实附件与模拟数据很多参赛队卡在第一步没有数据怎么办认证杯D题如果提供附件那最好直接读入附件做分析。但根据我的经验这类网络挑战赛有时给的数据是脱敏的、稀疏的甚至需要你自己生成仿真数据来验证模型。如果你拿到的只有点位坐标、POI标签或者干脆给的是残缺不全的租借记录我的建议是先做一个模拟数据生成脚本把流程跑通。这不丢人很多优秀论文就是用仿真数据验证模型合理性的。关键是模拟数据要尽量贴近真实场景比如早晚高峰系数、周末效应、商圈人流差异这些特征都要在生成时体现出来。模拟数据生成逻辑可以参考这个思路先随机生成若干候选点位商场、地铁站、写字楼、街边店再生成若干需求网格点每个需求点给定需求权重最后按时间片生成逐小时租借记录。核心代码如下import numpy as np import pandas as pd np.random.seed(2026) # 候选点位30个带POI类型 n_candidates 30 candidates pd.DataFrame({ point_id: [fP{i:02d} for i in range(n_candidates)], x: np.random.uniform(0, 10, n_candidates), y: np.random.uniform(0, 10, n_candidates), poi_level: np.random.choice([mall, metro, office, street], n_candidates) }) # 需求网格200个带需求权重 n_demands 200 demands pd.DataFrame({ demand_id: [fD{i:03d} for i in range(n_demands)], x: np.random.uniform(0, 10, n_demands), y: np.random.uniform(0, 10, n_demands), weight: np.random.exponential(1.0, n_demands) }) # 14天逐小时租借记录 hours pd.date_range(2026-03-01, periods14 * 24, freqh) records [] for h in hours: hour h.hour base 5 if (8 hour 22) else 1 for _, d in demands.iterrows(): n np.random.poisson(base * d[weight] / 100) for _ in range(n): records.append({ time: h, demand_id: d[demand_id], duration_min: int(np.random.gamma(2, 30)) }) df pd.DataFrame(records) df.to_csv(data/order_records.csv, indexFalse)这里的核心是base系数它控制一天内不同时段的活跃程度。真实题目给的数据可能没有这么规整但你需要掌握这种“造数据”的思路它能帮你测试模型的健壮性。2.2 数据清洗与聚合的实操细节不管数据是真实还是模拟的预处理都绕不开清洗和聚合。共享充电宝数据常见的坑有三个时间戳格式不统一、租借时长异常、点位ID缺失。时间戳统一用 pandas 的pd.to_datetime处理时长字段如果小于1分钟或者大于24小时基本可以判定为异常直接剔除点位ID缺失的话要么补齐要么标记为未知点位。清洗完就要做聚合。做题时我建议把粒度定在“点位 x 小时”因为再细到分钟级会引入大量噪声再粗到天级就会丢失早晚高峰信息。聚合函数可以同时统计租借次数、平均租借时长、归还次数。这样每个点位每小时就是一条样本特征工程可以在这个粒度上展开。聚合后的数据还要做一步很关键的操作划分训练集和测试集。时间序列数据不能随机打乱要靠时间顺序切分。我一般取前70%的时间做训练后30%做验证这样能真实反映模型对未来时段的需求预测能力。2.3 需求预测的特征体系与模型选型需求预测是后面所有优化的基础预测准不准直接决定投放方案靠不靠谱。特征工程我分四组来构造时间特征、历史特征、周期特征和空间特征。时间特征包括小时、星期、是否周末、是否节假日、是否处于早晚高峰历史特征包括上一小时需求量、过去3小时均值、过去7天同时段均值周期特征可以用正弦/余弦编码来刻画一天内的周期性空间特征包括点位POI类型、周边需求点数量、周边竞争点位数量。预测模型的选择上我强烈建议优先使用 LightGBM 或 XGBoost而不是上来就用 LSTM。理由是这类表格数据的周期性和特征交互用树模型处理得又快又好而且调参成本低。在比赛中时间有限复杂度控制很重要。特征工程和模型训练的参考代码如下import lightgbm as lgb from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error # 聚合到 点位x小时 hourly df.groupby([demand_id, pd.Grouper(keytime, freqh)]).agg( cnt(demand_id, size), avg_duration(duration_min, mean) ).reset_index() hourly[hour] hourly[time].dt.hour hourly[weekday] hourly[time].dt.weekday hourly[is_weekend] (hourly[weekday] 5).astype(int) hourly hourly.sort_values([demand_id, time]) hourly[cnt_lag1] hourly.groupby(demand_id)[cnt].shift(1) hourly[cnt_ma3] hourly.groupby(demand_id)[cnt].rolling(3).mean().reset_index(0, dropTrue) hourly[cnt_ma7] hourly.groupby(demand_id)[cnt].rolling(7).mean().reset_index(0, dropTrue) feature_cols [hour, weekday, is_weekend, cnt_lag1, cnt_ma3, cnt_ma7] X hourly[feature_cols].fillna(0) y hourly[cnt] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, shuffleFalse) model lgb.LGBMRegressor(n_estimators300, learning_rate0.05, num_leaves31, random_state42) model.fit(X_train, y_train) pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, pred))需要注意rolling会按排序后的行滑动分组时必须先按demand_id和时间排序否则窗口特征会串点位。这个细节我见过不少队伍踩坑写代码时尤其小心。3. 核心模型选址、投放量与排队论配置3.1 最大覆盖模型先解决点位选择点位选址是整个方案的地基。要在地铁站、商场、写字楼这些候选点里选出若干点位使得覆盖的需求量最大这就是最大覆盖问题。它的数学表达很简洁需求点集合为 I候选点集合为 J每个需求点 i 有一个需求权重 w_i。定义覆盖半径 R候选点 j 能覆盖需求点 i当且仅当两者距离小于等于 R。决策变量 x_j 表示是否在 j 点投放y_i 表示需求点 i 是否被覆盖。目标函数是让被覆盖需求的总权重最大[ \max \sum_{i \in I} w_i y_i ]约束条件有两个每个需求点 i 只有在至少一个已选候选点覆盖它时y_i 才能等于1总投放点位数量等于 p。写成数学形式就是[ y_i \le \sum_{j \in N_i} x_j, \quad \forall i \in I ][ \sum_{j \in J} x_j p ][ x_j, y_i \in {0, 1} ]其中 N_i 表示能够覆盖需求点 i 的候选点集合。这个模型是整数规划的经典问题小规模可以直接用分支定界法求精确解。3.2 P-中位模型考虑距离成本的替代方案最大覆盖模型只关心覆盖与否不关心用户要走多远这在现实中不够精细。如果你希望体现距离成本可以用 P-中位模型。它的目标变成了在选定的 p 个服务点下让所有需求点到最近服务点的加权距离总和最小。P-中位模型需要引入一个分配变量 z_{ij}表示需求点 i 是否被分配给候选点 j。目标函数是[ \min \sum_{i \in I} \sum_{j \in J} w_i d_{ij} z_{ij} ]约束条件要求每个需求点只能分配给一个服务点且需求点只能分配给已选中的服务点同时选中的服务点数量为 p。P-中位模型算出来的方案更贴近用户实际体验但求解难度比最大覆盖模型大一些。实际比赛里我建议这样取舍如果你的目标强调“覆盖更多用户”就用最大覆盖模型如果题目还给出了步行距离、用户体验之类的指标就用 P-中位模型。两个模型都做也不冲突还可以互相验证论文写起来更有层次。3.3 M/M/c排队模型充电宝数量才是得分关键点位选好了下一个问题难点来了每个点位放多少台充电宝我的经验是大部分队伍在这个环节只会拍脑袋或者按需求总量除以单台每天服务次数来估算。这么做太粗糙正确做法是用排队论把每个点位看成随机服务系统。为什么要用排队论因为用户还充电宝和借充电宝都是一个随机到达的过程。某段时间内到达率是 λ平均租借时长是 1/μ。如果点位内有 c 台充电宝那么当 c 台全被借走时再来用户就会流失。这就是一个 M/M/c/c 损失制排队系统对应的核心公式是 Erlang B 公式[ B(c, A) \frac{A^c / c!}{\sum_{k0}^{c} A^k / k!}, \quad A \frac{\lambda}{\mu} ]其中 A 是话务强度B(c, A) 表示所有服务台都被占用的概率也就是用户到这发现没有充电宝的概率。我们设定一个可接受的服务水平比如阻塞率不超过5%然后不断尝试 c找到满足条件的最小充电宝数量。直接按阶乘算容易溢出工程上一般用递推公式[ B(1, A) \frac{A}{1 A}, \quad B(c, A) \frac{A B(c-1, A)}{c A B(c-1, A)} ]这个递推写起来很简单也稳定。对应的 Python 函数如下def erlang_b(A, c): E A / (1 A) for k in range(2, c 1): E A * E / (k A * E) return E def min_powerbanks(lambd, mu, target_block0.05, max_c200): A lambd / mu for c in range(1, max_c 1): if erlang_b(A, c) target_block: return c return max_c # 示例每小时到达6次平均租借30分钟mu2 lam 6.0 mu 2.0 result min_powerbanks(lam, mu, 0.05) print(f最少需要充电宝数量: {result})这个例子算出的结果是满足5%阻塞率的最小设备数。看起来门槛不高但如果不做排队论分析你很难有底气说“这个点位放7台就够了”。在论文里写出递推公式、目标阻塞率和求解过程评委会觉得你问题建模的逻辑是完整的。3.4 联合求解策略与工程实现细节实际操作中选址和容量不是完全独立的总预算有限时更不能分开拍脑袋。我的处理策略是“先选址、再配容、后微调”。第一步用最大覆盖模型或 P-中位模型选出 p 个点位第二步对每个选中点位预测出分时段的到达率分别计算高峰和平峰的充电宝需求量取峰值作为点位容量第三步如果总容量超过预算就迭代执行一个贪心调整每次找到阻塞率最高或者单位新增设备收益最大的点位给它加一台设备直到预算耗尽。这个贪心策略在比赛场景下非常实用因为精确的联合优化需要写复杂的混合整数规划求解时间不稳定而且不容易向评委解释。用贪心加可视化反而能把每一步决策的逻辑讲清楚。还有一个细节到达率 λ 在不同时段差异巨大深夜可能几乎没人晚高峰可能爆炸。建议按高峰时段计算 c平峰时段自动会满足服务水平不要用全天平均到达率否则计算出来的投放量会偏小。4. 完整项目代码实现4.1 项目目录结构与依赖环境代码组织得好不好直接影响比赛后半程的改稿效率。我通常按下面这个结构组织项目. ├── data/ # 数据目录 │ ├── order_records.csv # 原始租借记录 │ └── candidate_points.csv # 候选点位 ├── src/ │ ├── 01_data_generation.py # 模拟数据生成 │ ├── 02_eda.py # 探索性分析 │ ├── 03_feature_engineering.py # 特征工程 │ ├── 04_demand_forecast.py # 需求预测 │ ├── 05_location_model.py # 选址模型 │ ├── 06_capacity_model.py # 容量配置 │ └── 07_visualization.py # 可视化 ├── output/ # 结果输出目录 │ ├── location_result.png │ ├── demand_prediction.csv │ └── deployment_plan.csv └── main.py # 一键运行全部流程依赖环境需要 pandas、numpy、scikit-learn、lightgbm、pulp、matplotlib、seaborn。建议用 conda 建一个独立环境别和日常开发环境混在一起。安装命令pip install pandas numpy scikit-learn lightgbm pulp matplotlib seaborn4.2 模拟数据生成如果没有现成数据先运行数据生成脚本。完整的生成脚本和前面第一节的示例类似但我会额外把候选点位写入candidate_points.csv同时加入可复现的随机种子。这样后续每次跑模型结果一致不会出现“这次选3个点下次选5个点”的情况。生成完数据之后建议先做一次探索性分析画出总租借量随时间变化的曲线确认数据里面确实存在早晚高峰和周末效应。如果连数据规律都没看出来后面做的模型再漂亮也是无源之水。# src/02_eda.py import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(data/order_records.csv, parse_dates[time]) hourly_total df.set_index(time).resample(h).size() fig, ax plt.subplots(figsize(12, 4)) hourly_total.plot(axax) ax.set_title(全点位逐小时租借总量) ax.set_xlabel(时间) ax.set_ylabel(租借次数) plt.savefig(output/eda_overall.png, dpi150)4.3 需求预测实战代码需求预测脚本需要把特征工程和模型训练封装成函数。封装的好处是后面做不同点位的预测复用起来方便。核心函数大概长这样def train_demand_model(hourly_df, feature_cols): X hourly_df[feature_cols].fillna(0) y hourly_df[cnt] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, shuffleFalse ) model lgb.LGBMRegressor( n_estimators300, learning_rate0.05, num_leaves31, random_state42 ) model.fit(X_train, y_train) pred model.predict(X_test) mae mean_absolute_error(y_test, pred) print(fMAE: {mae:.4f}) return model, pred, y_test用这个函数可以分别对每个点位单独训练模型也可以建一个整体模型、把点位ID当作分类特征。两种方式我都试过点位维度单独建模更准确但需要每个点位都有足够历史数据整体建模更稳定适合数据稀疏的情况。比赛中可以两个都试验选误差小的结果用到下一步。4.4 选址模型求解代码选址模型我建议用 PuLP 库求解。最大覆盖模型的实现重点是构造覆盖矩阵。小规模数据可以直接循环计算距离规模大了建议用scipy.spatial.distance_matrix或者 KDTree 来加速。import pulp def solve_mclp(demands, candidates, coverage_radius1.5, p8): demand_ids demands[demand_id].tolist() cand_ids candidates[point_id].tolist() # 覆盖矩阵 covers {} for i in demand_ids: di demands.loc[demands[demand_id] i].iloc[0] for j in cand_ids: cj candidates.loc[candidates[point_id] j].iloc[0] dist ((di[x] - cj[x]) ** 2 (di[y] - cj[y]) ** 2) ** 0.5 covers[(i, j)] 1 if dist coverage_radius else 0 prob pulp.LpProblem(MCLP, pulp.LpMaximize) x {j: pulp.LpVariable(fx_{j}, catBinary) for j in cand_ids} y {i: pulp.LpVariable(fy_{i}, catBinary) for i in demand_ids} prob pulp.lpSum( demands.loc[demands[demand_id] i, weight].iloc[0] * y[i] for i in demand_ids ) for i in demand_ids: prob y[i] pulp.lpSum( x[j] for j in cand_ids if covers[(i, j)] 1 ) prob pulp.lpSum(x.values()) p prob.solve(pulp.PULP_CBC_CMD(msgFalse)) selected [j for j in cand_ids if pulp.value(x[j]) 0.5] covered_ratio pulp.value(prob.objective) / demands[weight].sum() return selected, covered_ratio代码里有一点要提一下pulp.value(prob.objective)返回的是被覆盖需求的总权重用它除以全部需求权重就得到覆盖率。这个数字要记录到论文里比如“覆盖了总需求的86.5%”这是评委一眼能看到的硬指标。4.5 充电宝数量配置代码容量配置脚本调用前面写的 Erlang B 递推函数。这里的关键是把预测的需求量换算成到达率 λ 和平均服务率 μ。假设某点位在晚高峰时段每小时预测需求量为 λ平均租借时长为 30 分钟那么 μ 60/30 2。把 λ 换成单个点位的高峰小时预测值逐点位计算最小设备数。def calculate_plan(forecast_df, mu2.0, target_block0.05, budgetNone): plan [] for _, row in forecast_df.iterrows(): point_id row[point_id] peak_lambda row[peak_lambda] # 从预测结果里取高峰时段值 c min_powerbanks(peak_lambda, mu, target_block) plan.append({point_id: point_id, powerbank_num: c}) result_df pd.DataFrame(plan) if budget is not None: while result_df[powerbank_num].sum() budget: # 每次选阻塞率最高、也就是服务最紧张的点位加设备 worst_idx ( result_df[powerbank_num] - forecast_df.loc[result_df.index, peak_lambda] / mu ).idxmax() result_df.loc[worst_idx, powerbank_num] - 1 return result_df这个函数里加了一个预算处理逻辑如果总设备数超预算就不断从最不紧张的点位扣减设备直到满足预算。这里的“最不紧张”用差值来衡量虽然朴素但在比赛中能跑、可解释比直接瞎砍强很多。你可以在论文里把这种调整策略描述成“基于边际服务水平的启发式降级调整”。4.6 结果可视化与图表输出结果可视化往往是很多队伍忽视的环节但它恰恰是论文观感的核心。你至少要输出三张图候选点和需求点分布图、选址结果覆盖图、各点位投放量对比图。候选点分布图可以用散点图按 POI 类型着色选址结果覆盖图要在选中点位周围画覆盖圆直观展示覆盖率投放量对比图用柱状图横轴是点位纵轴是设备数最好把预测到的需求量也画进去。参考代码如下import matplotlib.pyplot as plt import seaborn as sns selected_df candidates[candidates[point_id].isin(selected)] selected_df selected_df.merge(result_df, onpoint_id, howleft) fig, ax plt.subplots(figsize(8, 6)) sns.scatterplot(datacandidates, xx, yy, huepoi_level, s100, axax) sns.scatterplot(datademands, xx, yy, sizeweight, alpha0.6, axax) for _, row in selected_df.iterrows(): circle plt.Circle((row[x], row[y]), R, colorred, fillFalse, linewidth2) ax.add_patch(circle) ax.annotate(f{row[powerbank_num]}台, (row[x], row[y]), textcoordsoffset points, xytext(8, 8)) plt.title(选址结果与投放数量示意) plt.savefig(output/deployment_plan.png, dpi200)三张图放进论文正文配合表格数据方案的说服力会明显提升。5. 论文写作结构与获奖要点5.1 论文框架与摘要写作建议代码跑通只是第一步数学建模比赛最终交的是论文。认证杯这类比赛评阅速度很快评委看摘要的时间可能只有几分钟。摘要写得好不好直接决定你能不能进省奖以上。我推荐的论文框架是摘要、问题重述、问题分析、模型假设、符号说明、数据预处理与特征工程、模型建立与求解、灵敏度分析、模型评价、参考文献。其中摘要要写成一篇独立的短文包含“用了什么模型”“解决了什么问题”“得到什么关键结论”三要素。最好不要只写“我用了最大覆盖模型和排队论”要写具体数字比如“覆盖率达到86.5%”“阻塞率控制在5%以内”。摘要的写作模板可以这样结构第一句点明问题第二到第四句说明整体建模框架第三段写各子问题的模型和关键结果最后一句给出灵敏度分析结论。每个模型都要有名字结果都要有数值这样评委扫一眼就能抓住重点。5.2 高价值图表与结果呈现论文中的图表要服务于结论不是装饰品。我建议至少准备四类图表数据探索图、需求预测验证图、选址方案图、灵敏度分析图。需求预测验证图用真实值和预测值的折线对比配上 RMSE 或者 MAPE 指标能直观展示预测效果。选址方案图就是前面生成的覆盖图配合表格列出选中点位、覆盖需求数量、投放设备数。灵敏度分析图可以画不同覆盖半径下的覆盖率变化曲线或者不同目标阻塞率下的总投放量变化曲线。画图时注意几点统一配色不要一个图表一个风格坐标轴一定要有标题和单位图片分辨率至少 150dpi图中字体大小统一。这些都是基本功但每年都有队伍因为图太丑被扣分。5.3 灵敏度分析与模型检验灵敏度分析是区分普通论文和优秀论文的重要分界线。你要让评委相信你的方案有鲁棒性不是只在某组参数下恰好成立。具体做法包括先把关键参数列出来比如覆盖半径、目标阻塞率、位置预算然后逐个变化参数观察覆盖率、总投放量、阻塞率这些核心指标怎么变最后在论文里解释变化趋势是否符合直觉。比如覆盖半径从 1 公里增加到 2 公里时覆盖率应该上升但上升速度会逐渐减慢这说明存在边际收益递减效应你可以据此给运营方一个“最优覆盖半径”的建议。模型检验部分需求预测要给出训练集、测试集的误差指标选址模型要验证在随机扰动下结果是否稳定容量配置要说明不同阻塞率阈值下总投放量的变化范围。这些内容不需要多高深的统计理论关键是做出来并写清楚。6. 常见问题与避坑经验速查6.1 高频问题与排查对照表做题过程中我整理了一份高频问题排查表分享出来给大家参考问题现象可能原因解决方法模型求解时间过长决策变量太多整数规划规模过大减少候选点数量或用贪心/局部搜索替代精确求解需求预测夜间接近0误差巨大夜间样本稀疏特征缺乏区分度单独划分白天/夜间模型或只在活跃时段建模覆盖率很高但投放量爆炸覆盖半径设得过大点位服务范围重叠减小半径加入点位间距约束或最大服务需求上限Erlang B计算结果异常偏大到达率取了全天平均没有分高峰低谷用高峰时段到达率计算或按不同时段分别计算多次运行结果不一致没有固定随机种子在数据生成和模型训练时统一设置random_state论文图很模糊保存分辨率太低用dpi200以上重新导出图片遇到问题先按表格排查不要急着推翻整个模型。很多时候就是一个参数或者一个随机种子的问题。6.2 我踩过的几个坑和独家心得第一个坑是过早追求复杂模型。我第一次做类似题目时一上来就上遗传算法结果参数调了一个通宵效果还不如简单的贪心加排队论。后来我意识到比赛里最稳定的路线是“经典模型 清晰逻辑 充分验证”。评委要的不是算法的炫技而是你解决问题的能力。第二个坑是数据的时间粒度。我不止一次看到有人把逐小时预测直接拿去算容量结果深夜时段拉低了平均值导致高峰时段设备数不够。正确做法是取每个点位的90分位需求或者直接用高峰时段的预测值来配置容量再用平峰时段做验证。第三个坑是符号说明不完整。数学建模论文里的符号表一定要全从目标函数、约束条件到每一步的中间变量都要在第一次出现时解释清楚。很多队伍模型写得挺好但评委看到后面忘了某个符号的含义印象分就下来了。最后一个建议论文的每一步结果都要能回溯到数据和代码。比如选了哪些点位、每个点位多少台设备、覆盖率怎么算出来的这些中间结果都要用表格或图表固定下来。一方面方便自己检查另一方面也是评委查验你工作完整性的重要依据。从需求预测到选址优化再到排队论容量配置这套框架是我做这类投放配置题用得最顺的解法。不管是共享充电宝、共享单车还是快递柜选址底层的建模逻辑都是相通的。你们在比赛里如果遇到类似场景直接复用这套方案很快就能跑通全流程。最后再分享一个小技巧所有关键模型的结果都尽量导出成 CSV 保存到output目录后面写论文做表格的时候能省一大半时间。祝各位比赛顺利。本文还有配套的精品资源点击获取 共享充电宝投放配置建模全流程：从需求预测到排队论优化
简介在运筹优化问题中资源投放配置是典型的组合决策难题。通过建立数学模型将需求分布、服务半径与容量约束转化为可求解的整数规划或随机服务模型能够为实际运营提供量化依据。以共享充电宝投放场景为例其核心在于需求预测与选址-容量联合优化先利用历史数据预测各点位分时段需求量再借助最大覆盖模型或P-中位模型确定最优服务点最后引入排队论中的Erlang B公式计算满足服务水平的最小设备数。这种建模思路不仅适用于充电宝还可迁移至共享单车、快递柜等设施布局场景。本文完整展示从数据预处理、特征工程、模型求解到论文呈现的全流程并给出Python实现与避坑经验为参加数学建模竞赛或工程实践提供可直接复用的方法论。 2026年认证杯数学建模网络挑战赛的D题选了一个特别贴近生活的场景共享充电宝的投放配置。这类题目听起来门槛不高但真上手做的时候你会发现它同时牵扯到需求预测、选址优化、容量配置甚至动态调度是一道非常典型的“数据运筹”综合题。这篇文章我会把完整的建模思路、数学公式、Python代码、论文写作套路全部摊开讲一遍重点讲清楚两件事一是怎么把题目拆成可求解的子问题二是每个子问题用什么模型最合适。适合正在备赛认证杯的同学也适合拿国赛、美赛优化类题目练手的人参考。我会按照自己做题时的实际顺序来写先判断题型再整理数据然后建模型、跑代码、写论文最后把容易踩的坑列出来。你不需要从头读到尾完全可以按目录跳到当前卡住的环节。1. 赛题定位与建模思路拆解1.1 共享充电宝投放配置到底在考什么先把题目翻译成人话运营方有一批候选投放点比如商场大厅、地铁站出口、写字楼前台、便利店门口每个点位都有一定的人流量和租借需求。现在公司要考虑三个问题选哪些点位投放充电宝每个点位放多少台不同时段需求波动时怎么调整投放数量。说白了就是用有限的充电宝尽量满足更多用户的租借需求。这道题本质上是运筹学里的选址-分配-容量联合优化问题。选址是决定点位开在哪里分配是决定每个点位服务周围哪部分用户容量是决定每个点位放多少设备。三个问题互相耦合点位选得偏需求覆盖就低容量配得少高峰期租不到容量配得多运营成本又失控。所以不能只做一个静态的优化得把预测和优化打通。从评奖角度看这种题是最容易拿分的类型因为它的每一步都有明确的评价标准预测部分看误差选址部分看覆盖率容量部分看服务水平和成本平衡。哪怕你模型用得不够新颖只要每个环节逻辑自洽、结果可复现、图表清晰就能拿到一个不错的分数。1.2 问题类型判断选址、预测还是调度拿到题目先不要急着写代码先判断这属于哪一类问题。共享充电宝投放配置题整体上是优化类问题但内部至少嵌套了三个子问题。第一层是需求预测。每个点位、每个时段会有多少人想借充电宝这个环节属于时间序列预测或者回归预测典型做法是用历史租借数据训练模型。第二层是选址决策。给定候选点位和需求分布选哪些点位能让覆盖效果最好这是经典的设施选址问题常用集合覆盖模型、最大覆盖模型或者P-中位模型。第三层是容量配置。点位确定之后每个点位放多少台充电宝这里适合用排队论把充电宝借出-归还的过程看成随机服务系统用阻塞概率来约束投放数量。我见过很多队伍在这类题上翻车原因是他们一上来就堆复杂算法比如遗传算法、粒子群、强化学习。模型花里胡哨但数据预处理一团糟结果对不上。我的建议是先把三层的经典模型跑通再考虑用智能算法做增强。比赛得分靠的是结果合理、故事完整不是算法名词的堆砌。1.3 赛题拆解与合理假设一个大问题不拆开是没法做的我通常把它拆成四个模块需求预测模块预测每个候选点位周边在不同时段早高峰、午间、晚高峰、夜间的租借需求量输出预测值并评估误差。点位选址模块根据需求分布、候选点位置、覆盖半径确定最优点位组合。容量配置模块在点位确定的前提下用排队论模型计算每个点位的充电宝数量满足目标服务水平。敏感性分析模块检验覆盖半径、预算、目标阻塞率等参数变化时结果是否稳定。拆完问题就要写假设。数学建模最忌讳假设不明确。我在这题里常用的假设有这么几条充电宝租借过程相互独立归还后充电宝立即可用不考虑充电时间用户只会去距自己一定范围内的点位超出范围视为流失每个点位的服务能力是稳定、时齐的夜间低频时段需求可忽略或单独建模。这些假设在论文里要写清楚评委很看重假设是否合理、是否与模型匹配。2. 数据准备、预处理与特征工程2.1 数据集从哪来真实附件与模拟数据很多参赛队卡在第一步没有数据怎么办认证杯D题如果提供附件那最好直接读入附件做分析。但根据我的经验这类网络挑战赛有时给的数据是脱敏的、稀疏的甚至需要你自己生成仿真数据来验证模型。如果你拿到的只有点位坐标、POI标签或者干脆给的是残缺不全的租借记录我的建议是先做一个模拟数据生成脚本把流程跑通。这不丢人很多优秀论文就是用仿真数据验证模型合理性的。关键是模拟数据要尽量贴近真实场景比如早晚高峰系数、周末效应、商圈人流差异这些特征都要在生成时体现出来。模拟数据生成逻辑可以参考这个思路先随机生成若干候选点位商场、地铁站、写字楼、街边店再生成若干需求网格点每个需求点给定需求权重最后按时间片生成逐小时租借记录。核心代码如下import numpy as np import pandas as pd np.random.seed(2026) # 候选点位30个带POI类型 n_candidates 30 candidates pd.DataFrame({ point_id: [fP{i:02d} for i in range(n_candidates)], x: np.random.uniform(0, 10, n_candidates), y: np.random.uniform(0, 10, n_candidates), poi_level: np.random.choice([mall, metro, office, street], n_candidates) }) # 需求网格200个带需求权重 n_demands 200 demands pd.DataFrame({ demand_id: [fD{i:03d} for i in range(n_demands)], x: np.random.uniform(0, 10, n_demands), y: np.random.uniform(0, 10, n_demands), weight: np.random.exponential(1.0, n_demands) }) # 14天逐小时租借记录 hours pd.date_range(2026-03-01, periods14 * 24, freqh) records [] for h in hours: hour h.hour base 5 if (8 hour 22) else 1 for _, d in demands.iterrows(): n np.random.poisson(base * d[weight] / 100) for _ in range(n): records.append({ time: h, demand_id: d[demand_id], duration_min: int(np.random.gamma(2, 30)) }) df pd.DataFrame(records) df.to_csv(data/order_records.csv, indexFalse)这里的核心是base系数它控制一天内不同时段的活跃程度。真实题目给的数据可能没有这么规整但你需要掌握这种“造数据”的思路它能帮你测试模型的健壮性。2.2 数据清洗与聚合的实操细节不管数据是真实还是模拟的预处理都绕不开清洗和聚合。共享充电宝数据常见的坑有三个时间戳格式不统一、租借时长异常、点位ID缺失。时间戳统一用 pandas 的pd.to_datetime处理时长字段如果小于1分钟或者大于24小时基本可以判定为异常直接剔除点位ID缺失的话要么补齐要么标记为未知点位。清洗完就要做聚合。做题时我建议把粒度定在“点位 x 小时”因为再细到分钟级会引入大量噪声再粗到天级就会丢失早晚高峰信息。聚合函数可以同时统计租借次数、平均租借时长、归还次数。这样每个点位每小时就是一条样本特征工程可以在这个粒度上展开。聚合后的数据还要做一步很关键的操作划分训练集和测试集。时间序列数据不能随机打乱要靠时间顺序切分。我一般取前70%的时间做训练后30%做验证这样能真实反映模型对未来时段的需求预测能力。2.3 需求预测的特征体系与模型选型需求预测是后面所有优化的基础预测准不准直接决定投放方案靠不靠谱。特征工程我分四组来构造时间特征、历史特征、周期特征和空间特征。时间特征包括小时、星期、是否周末、是否节假日、是否处于早晚高峰历史特征包括上一小时需求量、过去3小时均值、过去7天同时段均值周期特征可以用正弦/余弦编码来刻画一天内的周期性空间特征包括点位POI类型、周边需求点数量、周边竞争点位数量。预测模型的选择上我强烈建议优先使用 LightGBM 或 XGBoost而不是上来就用 LSTM。理由是这类表格数据的周期性和特征交互用树模型处理得又快又好而且调参成本低。在比赛中时间有限复杂度控制很重要。特征工程和模型训练的参考代码如下import lightgbm as lgb from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error # 聚合到 点位x小时 hourly df.groupby([demand_id, pd.Grouper(keytime, freqh)]).agg( cnt(demand_id, size), avg_duration(duration_min, mean) ).reset_index() hourly[hour] hourly[time].dt.hour hourly[weekday] hourly[time].dt.weekday hourly[is_weekend] (hourly[weekday] 5).astype(int) hourly hourly.sort_values([demand_id, time]) hourly[cnt_lag1] hourly.groupby(demand_id)[cnt].shift(1) hourly[cnt_ma3] hourly.groupby(demand_id)[cnt].rolling(3).mean().reset_index(0, dropTrue) hourly[cnt_ma7] hourly.groupby(demand_id)[cnt].rolling(7).mean().reset_index(0, dropTrue) feature_cols [hour, weekday, is_weekend, cnt_lag1, cnt_ma3, cnt_ma7] X hourly[feature_cols].fillna(0) y hourly[cnt] X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, shuffleFalse) model lgb.LGBMRegressor(n_estimators300, learning_rate0.05, num_leaves31, random_state42) model.fit(X_train, y_train) pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, pred))需要注意rolling会按排序后的行滑动分组时必须先按demand_id和时间排序否则窗口特征会串点位。这个细节我见过不少队伍踩坑写代码时尤其小心。3. 核心模型选址、投放量与排队论配置3.1 最大覆盖模型先解决点位选择点位选址是整个方案的地基。要在地铁站、商场、写字楼这些候选点里选出若干点位使得覆盖的需求量最大这就是最大覆盖问题。它的数学表达很简洁需求点集合为 I候选点集合为 J每个需求点 i 有一个需求权重 w_i。定义覆盖半径 R候选点 j 能覆盖需求点 i当且仅当两者距离小于等于 R。决策变量 x_j 表示是否在 j 点投放y_i 表示需求点 i 是否被覆盖。目标函数是让被覆盖需求的总权重最大[ \max \sum_{i \in I} w_i y_i ]约束条件有两个每个需求点 i 只有在至少一个已选候选点覆盖它时y_i 才能等于1总投放点位数量等于 p。写成数学形式就是[ y_i \le \sum_{j \in N_i} x_j, \quad \forall i \in I ][ \sum_{j \in J} x_j p ][ x_j, y_i \in {0, 1} ]其中 N_i 表示能够覆盖需求点 i 的候选点集合。这个模型是整数规划的经典问题小规模可以直接用分支定界法求精确解。3.2 P-中位模型考虑距离成本的替代方案最大覆盖模型只关心覆盖与否不关心用户要走多远这在现实中不够精细。如果你希望体现距离成本可以用 P-中位模型。它的目标变成了在选定的 p 个服务点下让所有需求点到最近服务点的加权距离总和最小。P-中位模型需要引入一个分配变量 z_{ij}表示需求点 i 是否被分配给候选点 j。目标函数是[ \min \sum_{i \in I} \sum_{j \in J} w_i d_{ij} z_{ij} ]约束条件要求每个需求点只能分配给一个服务点且需求点只能分配给已选中的服务点同时选中的服务点数量为 p。P-中位模型算出来的方案更贴近用户实际体验但求解难度比最大覆盖模型大一些。实际比赛里我建议这样取舍如果你的目标强调“覆盖更多用户”就用最大覆盖模型如果题目还给出了步行距离、用户体验之类的指标就用 P-中位模型。两个模型都做也不冲突还可以互相验证论文写起来更有层次。3.3 M/M/c排队模型充电宝数量才是得分关键点位选好了下一个问题难点来了每个点位放多少台充电宝我的经验是大部分队伍在这个环节只会拍脑袋或者按需求总量除以单台每天服务次数来估算。这么做太粗糙正确做法是用排队论把每个点位看成随机服务系统。为什么要用排队论因为用户还充电宝和借充电宝都是一个随机到达的过程。某段时间内到达率是 λ平均租借时长是 1/μ。如果点位内有 c 台充电宝那么当 c 台全被借走时再来用户就会流失。这就是一个 M/M/c/c 损失制排队系统对应的核心公式是 Erlang B 公式[ B(c, A) \frac{A^c / c!}{\sum_{k0}^{c} A^k / k!}, \quad A \frac{\lambda}{\mu} ]其中 A 是话务强度B(c, A) 表示所有服务台都被占用的概率也就是用户到这发现没有充电宝的概率。我们设定一个可接受的服务水平比如阻塞率不超过5%然后不断尝试 c找到满足条件的最小充电宝数量。直接按阶乘算容易溢出工程上一般用递推公式[ B(1, A) \frac{A}{1 A}, \quad B(c, A) \frac{A B(c-1, A)}{c A B(c-1, A)} ]这个递推写起来很简单也稳定。对应的 Python 函数如下def erlang_b(A, c): E A / (1 A) for k in range(2, c 1): E A * E / (k A * E) return E def min_powerbanks(lambd, mu, target_block0.05, max_c200): A lambd / mu for c in range(1, max_c 1): if erlang_b(A, c) target_block: return c return max_c # 示例每小时到达6次平均租借30分钟mu2 lam 6.0 mu 2.0 result min_powerbanks(lam, mu, 0.05) print(f最少需要充电宝数量: {result})这个例子算出的结果是满足5%阻塞率的最小设备数。看起来门槛不高但如果不做排队论分析你很难有底气说“这个点位放7台就够了”。在论文里写出递推公式、目标阻塞率和求解过程评委会觉得你问题建模的逻辑是完整的。3.4 联合求解策略与工程实现细节实际操作中选址和容量不是完全独立的总预算有限时更不能分开拍脑袋。我的处理策略是“先选址、再配容、后微调”。第一步用最大覆盖模型或 P-中位模型选出 p 个点位第二步对每个选中点位预测出分时段的到达率分别计算高峰和平峰的充电宝需求量取峰值作为点位容量第三步如果总容量超过预算就迭代执行一个贪心调整每次找到阻塞率最高或者单位新增设备收益最大的点位给它加一台设备直到预算耗尽。这个贪心策略在比赛场景下非常实用因为精确的联合优化需要写复杂的混合整数规划求解时间不稳定而且不容易向评委解释。用贪心加可视化反而能把每一步决策的逻辑讲清楚。还有一个细节到达率 λ 在不同时段差异巨大深夜可能几乎没人晚高峰可能爆炸。建议按高峰时段计算 c平峰时段自动会满足服务水平不要用全天平均到达率否则计算出来的投放量会偏小。4. 完整项目代码实现4.1 项目目录结构与依赖环境代码组织得好不好直接影响比赛后半程的改稿效率。我通常按下面这个结构组织项目. ├── data/ # 数据目录 │ ├── order_records.csv # 原始租借记录 │ └── candidate_points.csv # 候选点位 ├── src/ │ ├── 01_data_generation.py # 模拟数据生成 │ ├── 02_eda.py # 探索性分析 │ ├── 03_feature_engineering.py # 特征工程 │ ├── 04_demand_forecast.py # 需求预测 │ ├── 05_location_model.py # 选址模型 │ ├── 06_capacity_model.py # 容量配置 │ └── 07_visualization.py # 可视化 ├── output/ # 结果输出目录 │ ├── location_result.png │ ├── demand_prediction.csv │ └── deployment_plan.csv └── main.py # 一键运行全部流程依赖环境需要 pandas、numpy、scikit-learn、lightgbm、pulp、matplotlib、seaborn。建议用 conda 建一个独立环境别和日常开发环境混在一起。安装命令pip install pandas numpy scikit-learn lightgbm pulp matplotlib seaborn4.2 模拟数据生成如果没有现成数据先运行数据生成脚本。完整的生成脚本和前面第一节的示例类似但我会额外把候选点位写入candidate_points.csv同时加入可复现的随机种子。这样后续每次跑模型结果一致不会出现“这次选3个点下次选5个点”的情况。生成完数据之后建议先做一次探索性分析画出总租借量随时间变化的曲线确认数据里面确实存在早晚高峰和周末效应。如果连数据规律都没看出来后面做的模型再漂亮也是无源之水。# src/02_eda.py import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(data/order_records.csv, parse_dates[time]) hourly_total df.set_index(time).resample(h).size() fig, ax plt.subplots(figsize(12, 4)) hourly_total.plot(axax) ax.set_title(全点位逐小时租借总量) ax.set_xlabel(时间) ax.set_ylabel(租借次数) plt.savefig(output/eda_overall.png, dpi150)4.3 需求预测实战代码需求预测脚本需要把特征工程和模型训练封装成函数。封装的好处是后面做不同点位的预测复用起来方便。核心函数大概长这样def train_demand_model(hourly_df, feature_cols): X hourly_df[feature_cols].fillna(0) y hourly_df[cnt] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, shuffleFalse ) model lgb.LGBMRegressor( n_estimators300, learning_rate0.05, num_leaves31, random_state42 ) model.fit(X_train, y_train) pred model.predict(X_test) mae mean_absolute_error(y_test, pred) print(fMAE: {mae:.4f}) return model, pred, y_test用这个函数可以分别对每个点位单独训练模型也可以建一个整体模型、把点位ID当作分类特征。两种方式我都试过点位维度单独建模更准确但需要每个点位都有足够历史数据整体建模更稳定适合数据稀疏的情况。比赛中可以两个都试验选误差小的结果用到下一步。4.4 选址模型求解代码选址模型我建议用 PuLP 库求解。最大覆盖模型的实现重点是构造覆盖矩阵。小规模数据可以直接循环计算距离规模大了建议用scipy.spatial.distance_matrix或者 KDTree 来加速。import pulp def solve_mclp(demands, candidates, coverage_radius1.5, p8): demand_ids demands[demand_id].tolist() cand_ids candidates[point_id].tolist() # 覆盖矩阵 covers {} for i in demand_ids: di demands.loc[demands[demand_id] i].iloc[0] for j in cand_ids: cj candidates.loc[candidates[point_id] j].iloc[0] dist ((di[x] - cj[x]) ** 2 (di[y] - cj[y]) ** 2) ** 0.5 covers[(i, j)] 1 if dist coverage_radius else 0 prob pulp.LpProblem(MCLP, pulp.LpMaximize) x {j: pulp.LpVariable(fx_{j}, catBinary) for j in cand_ids} y {i: pulp.LpVariable(fy_{i}, catBinary) for i in demand_ids} prob pulp.lpSum( demands.loc[demands[demand_id] i, weight].iloc[0] * y[i] for i in demand_ids ) for i in demand_ids: prob y[i] pulp.lpSum( x[j] for j in cand_ids if covers[(i, j)] 1 ) prob pulp.lpSum(x.values()) p prob.solve(pulp.PULP_CBC_CMD(msgFalse)) selected [j for j in cand_ids if pulp.value(x[j]) 0.5] covered_ratio pulp.value(prob.objective) / demands[weight].sum() return selected, covered_ratio代码里有一点要提一下pulp.value(prob.objective)返回的是被覆盖需求的总权重用它除以全部需求权重就得到覆盖率。这个数字要记录到论文里比如“覆盖了总需求的86.5%”这是评委一眼能看到的硬指标。4.5 充电宝数量配置代码容量配置脚本调用前面写的 Erlang B 递推函数。这里的关键是把预测的需求量换算成到达率 λ 和平均服务率 μ。假设某点位在晚高峰时段每小时预测需求量为 λ平均租借时长为 30 分钟那么 μ 60/30 2。把 λ 换成单个点位的高峰小时预测值逐点位计算最小设备数。def calculate_plan(forecast_df, mu2.0, target_block0.05, budgetNone): plan [] for _, row in forecast_df.iterrows(): point_id row[point_id] peak_lambda row[peak_lambda] # 从预测结果里取高峰时段值 c min_powerbanks(peak_lambda, mu, target_block) plan.append({point_id: point_id, powerbank_num: c}) result_df pd.DataFrame(plan) if budget is not None: while result_df[powerbank_num].sum() budget: # 每次选阻塞率最高、也就是服务最紧张的点位加设备 worst_idx ( result_df[powerbank_num] - forecast_df.loc[result_df.index, peak_lambda] / mu ).idxmax() result_df.loc[worst_idx, powerbank_num] - 1 return result_df这个函数里加了一个预算处理逻辑如果总设备数超预算就不断从最不紧张的点位扣减设备直到满足预算。这里的“最不紧张”用差值来衡量虽然朴素但在比赛中能跑、可解释比直接瞎砍强很多。你可以在论文里把这种调整策略描述成“基于边际服务水平的启发式降级调整”。4.6 结果可视化与图表输出结果可视化往往是很多队伍忽视的环节但它恰恰是论文观感的核心。你至少要输出三张图候选点和需求点分布图、选址结果覆盖图、各点位投放量对比图。候选点分布图可以用散点图按 POI 类型着色选址结果覆盖图要在选中点位周围画覆盖圆直观展示覆盖率投放量对比图用柱状图横轴是点位纵轴是设备数最好把预测到的需求量也画进去。参考代码如下import matplotlib.pyplot as plt import seaborn as sns selected_df candidates[candidates[point_id].isin(selected)] selected_df selected_df.merge(result_df, onpoint_id, howleft) fig, ax plt.subplots(figsize(8, 6)) sns.scatterplot(datacandidates, xx, yy, huepoi_level, s100, axax) sns.scatterplot(datademands, xx, yy, sizeweight, alpha0.6, axax) for _, row in selected_df.iterrows(): circle plt.Circle((row[x], row[y]), R, colorred, fillFalse, linewidth2) ax.add_patch(circle) ax.annotate(f{row[powerbank_num]}台, (row[x], row[y]), textcoordsoffset points, xytext(8, 8)) plt.title(选址结果与投放数量示意) plt.savefig(output/deployment_plan.png, dpi200)三张图放进论文正文配合表格数据方案的说服力会明显提升。5. 论文写作结构与获奖要点5.1 论文框架与摘要写作建议代码跑通只是第一步数学建模比赛最终交的是论文。认证杯这类比赛评阅速度很快评委看摘要的时间可能只有几分钟。摘要写得好不好直接决定你能不能进省奖以上。我推荐的论文框架是摘要、问题重述、问题分析、模型假设、符号说明、数据预处理与特征工程、模型建立与求解、灵敏度分析、模型评价、参考文献。其中摘要要写成一篇独立的短文包含“用了什么模型”“解决了什么问题”“得到什么关键结论”三要素。最好不要只写“我用了最大覆盖模型和排队论”要写具体数字比如“覆盖率达到86.5%”“阻塞率控制在5%以内”。摘要的写作模板可以这样结构第一句点明问题第二到第四句说明整体建模框架第三段写各子问题的模型和关键结果最后一句给出灵敏度分析结论。每个模型都要有名字结果都要有数值这样评委扫一眼就能抓住重点。5.2 高价值图表与结果呈现论文中的图表要服务于结论不是装饰品。我建议至少准备四类图表数据探索图、需求预测验证图、选址方案图、灵敏度分析图。需求预测验证图用真实值和预测值的折线对比配上 RMSE 或者 MAPE 指标能直观展示预测效果。选址方案图就是前面生成的覆盖图配合表格列出选中点位、覆盖需求数量、投放设备数。灵敏度分析图可以画不同覆盖半径下的覆盖率变化曲线或者不同目标阻塞率下的总投放量变化曲线。画图时注意几点统一配色不要一个图表一个风格坐标轴一定要有标题和单位图片分辨率至少 150dpi图中字体大小统一。这些都是基本功但每年都有队伍因为图太丑被扣分。5.3 灵敏度分析与模型检验灵敏度分析是区分普通论文和优秀论文的重要分界线。你要让评委相信你的方案有鲁棒性不是只在某组参数下恰好成立。具体做法包括先把关键参数列出来比如覆盖半径、目标阻塞率、位置预算然后逐个变化参数观察覆盖率、总投放量、阻塞率这些核心指标怎么变最后在论文里解释变化趋势是否符合直觉。比如覆盖半径从 1 公里增加到 2 公里时覆盖率应该上升但上升速度会逐渐减慢这说明存在边际收益递减效应你可以据此给运营方一个“最优覆盖半径”的建议。模型检验部分需求预测要给出训练集、测试集的误差指标选址模型要验证在随机扰动下结果是否稳定容量配置要说明不同阻塞率阈值下总投放量的变化范围。这些内容不需要多高深的统计理论关键是做出来并写清楚。6. 常见问题与避坑经验速查6.1 高频问题与排查对照表做题过程中我整理了一份高频问题排查表分享出来给大家参考问题现象可能原因解决方法模型求解时间过长决策变量太多整数规划规模过大减少候选点数量或用贪心/局部搜索替代精确求解需求预测夜间接近0误差巨大夜间样本稀疏特征缺乏区分度单独划分白天/夜间模型或只在活跃时段建模覆盖率很高但投放量爆炸覆盖半径设得过大点位服务范围重叠减小半径加入点位间距约束或最大服务需求上限Erlang B计算结果异常偏大到达率取了全天平均没有分高峰低谷用高峰时段到达率计算或按不同时段分别计算多次运行结果不一致没有固定随机种子在数据生成和模型训练时统一设置random_state论文图很模糊保存分辨率太低用dpi200以上重新导出图片遇到问题先按表格排查不要急着推翻整个模型。很多时候就是一个参数或者一个随机种子的问题。6.2 我踩过的几个坑和独家心得第一个坑是过早追求复杂模型。我第一次做类似题目时一上来就上遗传算法结果参数调了一个通宵效果还不如简单的贪心加排队论。后来我意识到比赛里最稳定的路线是“经典模型 清晰逻辑 充分验证”。评委要的不是算法的炫技而是你解决问题的能力。第二个坑是数据的时间粒度。我不止一次看到有人把逐小时预测直接拿去算容量结果深夜时段拉低了平均值导致高峰时段设备数不够。正确做法是取每个点位的90分位需求或者直接用高峰时段的预测值来配置容量再用平峰时段做验证。第三个坑是符号说明不完整。数学建模论文里的符号表一定要全从目标函数、约束条件到每一步的中间变量都要在第一次出现时解释清楚。很多队伍模型写得挺好但评委看到后面忘了某个符号的含义印象分就下来了。最后一个建议论文的每一步结果都要能回溯到数据和代码。比如选了哪些点位、每个点位多少台设备、覆盖率怎么算出来的这些中间结果都要用表格或图表固定下来。一方面方便自己检查另一方面也是评委查验你工作完整性的重要依据。从需求预测到选址优化再到排队论容量配置这套框架是我做这类投放配置题用得最顺的解法。不管是共享充电宝、共享单车还是快递柜选址底层的建模逻辑都是相通的。你们在比赛里如果遇到类似场景直接复用这套方案很快就能跑通全流程。最后再分享一个小技巧所有关键模型的结果都尽量导出成 CSV 保存到output目录后面写论文做表格的时候能省一大半时间。祝各位比赛顺利。本文还有配套的精品资源点击获取