1. 从问题到模型定日镜场优化问题的核心拆解去年带队参加高教社杯数模竞赛A题“定日镜场的输出功率优化”让不少队伍头疼。很多人拿到题目看到“定日镜”、“聚光”、“优化”这些词第一反应就是去搜各种智能优化算法的MATLAB代码比如遗传算法、粒子群然后试图套进去。但结果往往不理想要么计算量爆炸跑不出来要么得到的“最优解”在实际光斑分析下惨不忍睹。问题出在哪我认为核心在于没有真正理解这个物理工程问题的本质就直接跳进了算法调参的深坑。这道题的精髓恰恰在于将复杂的物理现实转化为一个严谨、可计算的数学模型。这个过程本身就是建模竞赛考察的重点。它不是让你去发明一个新的优化算法而是考验你如何用数学语言描述一个太阳能热发电系统中的关键环节。所以我们今天不空谈算法而是扎扎实实地回到起点面对一片由数百面镜子组成的镜场我们究竟要优化什么约束又是什么只有把这两个问题用数学公式清晰地定义出来后续的代码实现才有了灵魂和依据。简单来说我们的核心目标是在给定的场地一个矩形区域和固定的太阳位置由题目给出的日期和时间计算下为每一面定日镜假设其尺寸、反射率等参数固定找到最佳的安装位置坐标x, y和朝向主要是方位角和高度角但题目常简化为镜面法向量或瞄准点使得所有镜子反射的太阳光能够最大限度地、均匀地汇聚到集热塔顶的接收器上从而最大化接收器吸收的热功率。这个“热功率”就是我们的目标函数——总输出功率。2. 目标函数构建光斑、拦截率与最终功率目标函数是优化的指挥棒。它必须精确反映“输出功率”这个物理量。很多初学者会误以为只要反射光打到接收器上就行于是把目标函数简单定义为“打到接收器上的光线条数”或“光斑中心与接收器中心的距离”。这过于粗糙了。一个严谨的目标函数应该包含以下几个层次的建模2.1 单镜光斑建模与接收器拦截计算首先太阳不是一个点光源它有一定的张角约0.53°这意味着从定日镜上任意一点反射出的光线并非平行光束而是一个锥形束。同时镜子表面也非理想平面存在微小的 slope error斜率误差。这两个因素共同导致反射光在接收器平面上形成一个弥散的光斑而不是一个完美的点。在代码中我们通常采用蒙特卡洛光线追迹法来模拟这个过程。其核心步骤如下在太阳盘面上随机采样将太阳视作一个圆盘在其上均匀或按亮度分布随机生成大量光源点。每个点代表一条初始的太阳光线。在镜面上随机采样在定日镜矩形镜面上随机生成对应数量的入射点。计算反射光线对于每一对太阳点镜面点根据太阳矢量、镜面法向量依据几何光学定律计算反射光线的方向矢量。这里必须考虑镜面的实际朝向由安装位置和瞄准策略决定。光线与接收器求交判断这条反射光线是否与集热塔接收器通常建模为一个竖直的圆柱面或平面矩形相交。如果相交则记录该点的能量。通过统计成千上万条光线中与接收器相交的比例我们就可以得到单个定日镜的光学效率中的一个关键分量——拦截率。拦截率 打到接收器上的光线数 / 总发射光线数。它直接反映了该镜子“瞄得准不准”。在MATLAB中这部分的核心代码涉及大量的向量运算和逻辑判断。一个高效的实现至关重要因为后面要对数百面镜子、每个镜子数万条光线进行重复计算。向量化编程是关键要尽量避免在大型循环中进行逐元素判断。% 伪代码示例单面镜光线追迹的核心向量运算 numRays 10000; % 单镜追迹光线数 % 1. 生成太阳盘面上的随机点源方向向量假设太阳方向向量为 sun_vec sun_radius deg2rad(0.266); % 半张角 theta 2*pi*rand(numRays, 1); r sun_radius * sqrt(rand(numRays, 1)); % 均匀采样圆盘 offset [r.*cos(theta), r.*sin(theta), zeros(numRays,1)]; % 将偏移量旋转到以sun_vec为法向的平面上此处需一个旋转矩阵略 perturbed_sun_vecs sun_vec offset; % 简化示意实际需归一化 % 2. 生成镜面上的随机点 mirror_width 6; mirror_height 6; % 镜面尺寸 points_on_mirror [mirror_width*(rand(numRays,1)-0.5), mirror_height*(rand(numRays,1)-0.5), zeros(numRays,1)]; % 将点转换到全局坐标系考虑镜面位置和姿态需用到镜面的旋转平移矩阵 % 3. 计算反射光线方向向量化 % incident_vecs 为从太阳点到镜面点的向量归一化 % normal_vecs 为镜面采样点处的法向量考虑对准策略 reflected_vecs 2 * dot(incident_vecs, normal_vecs, 2) .* normal_vecs - incident_vecs; % 4. 判断与圆柱接收器是否相交向量化计算 % 接收器建模中心线 (x0, y0, z)半径R高度H % 计算反射光线与无限长圆柱面的交点解二次方程 % 判断交点是否在高度范围内并统计成功相交的射线索引 hit_indices ...; % 复杂的几何求交计算 intercept_factor length(hit_indices) / numRays;注意实际比赛中为了平衡精度和速度可能需要对光线追迹模型进行合理简化。例如采用“圆锥束”近似即认为所有反射光分布在一个圆锥内然后解析计算该圆锥与接收器的相交面积比例。这能极大加速计算但需要严谨的几何推导。2.2 综合光学效率与输出功率计算拦截率只是光学效率的一部分。一个完整的光学效率模型通常还包括余弦效率入射太阳光线与镜面法线的夹角余弦。夹角越大有效投影面积越小效率越低。大气透射率光线从镜面到接收器路径上的大气衰减与距离和天气有关。阴影遮挡效率镜子之间相互遮挡太阳光阴影或遮挡反射光遮挡。镜面反射率镜面材料的固有属性一般为固定值。因此单面镜i对总功率的贡献可以表示为P_i DNI * A * ρ * η_cos_i * η_atm_i * η_intercept_i * η_shading_blocking_i其中DNI是法向直接辐射辐照度题目给定A是单镜面积ρ是反射率。总输出功率就是所有镜子贡献的功率之和P_total sum(P_i)。这就是我们最终要最大化的目标函数f(X)。这里的X就是所有镜子的位置和/或朝向参数的集合一个非常高维的决策变量。3. 约束条件分析场地、间距与物理现实没有约束的优化是空中楼阁。定日镜场的布置受到多重硬性约束这些约束必须在模型中严格体现否则得到的“最优解”毫无工程价值。3.1 边界约束场地范围这是最简单的约束。所有镜子的坐标 (x_i, y_i) 必须落在题目给定的矩形场地内x_min x_i x_max, y_min y_i y_max在优化算法中这通常作为变量的上下界来处理。3.2 间距约束避免碰撞与遮挡这是最关键也是最复杂的约束。镜子不能重叠需要留出足够的间隙供安装、维护车辆通行。更重要的是足够的间距可以减少阴影和遮挡损失。间距约束通常有两种表述方式最小欧氏距离约束对于任意两面不同的镜子i和j其中心点之间的距离不能小于一个最小值d_min。sqrt((x_i - x_j)^2 (y_i - y_j)^2) d_min这个d_min通常取镜子对角线长度加上一个安全余量。例如6m×6m的镜子对角线约8.5md_min可能设为10m或12m。非重叠约束将镜子视为矩形要求任意两个矩形的投影不重叠。这比点距离约束更严格但计算也更复杂。在初版模型中用最小距离约束是合理且常见的简化。难点在于处理规模。对于N面镜子就有C(N,2)个这样的约束。当N100时约束数量接近5000个。在优化中直接处理这么多不等式约束计算负担极重。因此如何高效处理或规避间距约束成了算法设计的关键。3.3 其他物理与工程约束瞄准点约束镜子的瞄准点必须在接收器开口范围内。这通常通过镜子朝向法向量的计算自然满足但有时也作为单独约束。镜子朝向机械限制镜子的俯仰角和方位角可能有机械结构上的转动范围限制。接收器容量限制接收器单位面积能承受的热流密度有上限这要求光斑不能过于集中。这属于更高阶的约束在初步优化中有时暂不考虑但在方案评估时必须检验。4. 优化模型确立这是一个什么数学问题综合以上分析我们可以将定日镜场优化问题抽象为一个标准的约束非线性规划问题。决策变量X [x1, y1, azimuth1, elevation1, x2, y2, ...]^T。有时为了简化假设所有镜子瞄准同一点单点瞄准那么朝向由几何关系唯一确定变量就简化为每面镜子的 (x, y) 坐标。目标函数max f(X) P_total(X)即总输出功率。由于f(X)的计算涉及复杂的光线追迹和效率因子相乘它是一个高度非线性、非凸、计算昂贵的“黑箱”函数。你无法写出其关于X的显式解析表达式每次求值都必须调用一次完整的光学仿真。约束条件边界约束线性不等式。间距约束大量非线性不等式。其他物理约束非线性不等式/等式。面对这样一个“计算昂贵多约束高维度”的优化问题直接调用MATLAB的fmincon处理非线性约束会非常吃力因为每一次迭代都需要多次计算f(X)和约束函数而一次f(X)计算可能就是数秒甚至数十秒。因此常见的策略是进行分步优化或采用启发式算法初始布局生成采用规则布局如同心圆、螺旋线、网格作为起点或者使用随机采样但满足最小距离约束的算法如泊松圆盘采样来生成一个可行的初始解。这一步可以避开优化初期的大量约束违反。局部搜索优化在初始布局基础上采用一些对“黑箱”函数友好的算法进行调优。例如模式搜索Pattern Search直接搜索法不依赖梯度对噪声和不可微函数鲁棒MATLAB有patternsearch函数。遗传算法GA、粒子群优化PSO这类群体智能算法能全局探索但需要精心设计编码方案如何表示变量、适应度函数即目标函数和约束处理机制如罚函数法、修复法。计算量依然很大。简化模型迭代先用一个快速但近似的光学模型如不考虑遮挡的解析模型进行粗优化得到一个大致布局再用精确的光线追迹模型对少量候选布局进行精细评估和微调。在2023年的优秀论文中很多队伍采用了类似“分区布局参数化调整”的策略。他们将镜场划分为几个同心环状区域每个区域内镜子按某种规则如等方位角间隔排列然后优化这些区域的关键参数如环的半径、每环镜子数量、径向间距等。这样决策变量从几百个每面镜子的坐标锐减到十几个区域参数大大降低了优化难度同时通过参数化规则隐式地满足了间距约束。最后再对少数关键镜子进行微调。这是一种非常实用的工程化建模思想。5. MATLAB实现核心效率与精度的平衡术有了清晰的数学模型代码实现就有了主线。MATLAB实现的核心挑战在于如何在可接受的时间内完成高精度的光学计算和优化迭代。以下是一些关键实现技巧5.1 向量化与并行计算加速光线追迹如前所述蒙特卡洛光线追迹是计算瓶颈。必须彻底向量化。% 示例向量化计算反射光线与圆柱的相交核心部分 % 假设有 N 面镜子每面镜子 M 条光线所有数据已组织成矩阵 % incident_vecs: [N*M, 3] 入射方向 % mirror_points: [N*M, 3] 镜面点坐标 % normal_vecs: [N*M, 3] 镜面法线 % reflected_vecs: [N*M, 3] 反射方向 % 接收器圆柱参数 center [x_tower, y_tower]; radius R_tower; height_range [z_tower, z_tower H_tower]; % 将问题转化为二维忽略z轴直线与圆的相交问题 % 计算反射光线在xy平面上的投影方向向量和起点 dir_xy reflected_vecs(:, 1:2); start_xy mirror_points(:, 1:2); % 解二次方程 t^2 * (dir_xy·dir_xy) 2*t * (dir_xy·(start_xy-center)) (start_xy-center)·(start_xy-center) - R^2 0 % 向量化求解判别式 a sum(dir_xy .* dir_xy, 2); b 2 * sum(dir_xy .* (start_xy - center), 2); c sum((start_xy - center).^2, 2) - radius^2; delta b.^2 - 4*a.*c; valid_ray_idx delta 0; % 找到可能与圆柱相交的光线 % 计算交点参数 t t1 (-b(valid_ray_idx) - sqrt(delta(valid_ray_idx))) ./ (2*a(valid_ray_idx)); t2 (-b(valid_ray_idx) sqrt(delta(valid_ray_idx))) ./ (2*a(valid_ray_idx)); t min(t1, t2); % 取近交点 % 计算交点的z坐标 intersect_z mirror_points(valid_ray_idx, 3) t .* reflected_vecs(valid_ray_idx, 3); % 判断z坐标是否在接收器高度范围内 hit_idx valid_ray_idx; hit_idx(valid_ray_idx) (intersect_z height_range(1)) (intersect_z height_range(2)); % 最后按镜子索引分组统计命中率 mirror_ids repelem(1:N, M); % 生成每根光线对应的镜子ID intercept_factors splitapply((x) sum(x)/M, hit_idx, mirror_ids);对于超大规模计算镜子数500光线数10万可以考虑使用parfor循环将不同镜子的追迹任务分配到多个CPU核心上。但要注意数据分割和聚合的开销。5.2 优化算法的接口与封装无论你选用patternsearch、ga还是自己实现的PSO都需要定义一个统一的适应度函数。这个函数输入决策变量向量X输出一个标量对于最大化问题通常返回-P_total因为MATLAB的优化工具箱默认求解最小值问题。function [fitness, ceq, cineq] fitnessFunction(X, params) % X: 决策变量向量例如 [x1, y1, x2, y2, ...] % params: 结构体包含DNI、镜子参数、接收器参数、场地范围等所有固定参数 % 1. 解码X得到每面镜子的坐标和朝向 [mirror_pos, mirror_aim] decodeVariables(X, params); % 2. 计算边界约束违反度罚函数法处理 boundary_violation calculateBoundaryViolation(mirror_pos, params.bounds); % 3. 计算间距约束违反度计算量最大的一部分 spacing_violation calculateSpacingViolation(mirror_pos, params.min_dist); % 4. 调用光学仿真模块计算总功率和拦截率等 [total_power, optical_efficiencies] opticalSimulation(mirror_pos, mirror_aim, params); % 5. 构建目标罚函数法 penalty_weight 1e6; % 罚因子需要仔细调整 penalty penalty_weight * (boundary_violation spacing_violation); fitness -total_power penalty; % 最小化 -功率 罚项 % 6. 如果需要为fmincon提供非线性约束则计算cineq % 这里采用罚函数法所以非线性约束返回空。也可以单独处理。 ceq []; cineq []; end关键技巧calculateSpacingViolation函数的效率至关重要。可以借助pdist2函数快速计算所有镜子对之间的距离矩阵然后找出违反最小距离的配对。对于大规模镜场可以使用网格分区法或KD树MATLAB的rangeSearch来加速“邻近搜索”避免计算所有镜子对。5.3 结果可视化与调试可视化是调试和展示结果的利器。至少要实现以下几个图镜场布局俯视图scatter或plot镜子中心位置用颜色或大小表示该镜子的光学效率或贡献功率。光斑能流密度分布图在接收器平面上划分网格统计每个网格单元接收到的光线数量或能量用imagesc或contourf绘制热力图。这能直观检查光斑是否均匀、有无热点。优化收敛曲线记录每次迭代的最佳适应度值用plot画出收敛过程判断算法是否在有效工作。% 绘制镜场布局与效率 figure; scatter(mirror_pos(:,1), mirror_pos(:,2), 50, optical_efficiencies.intercept, filled); colorbar; xlabel(X (m)); ylabel(Y (m)); title(定日镜场布局与单镜拦截率); axis equal; grid on; hold on; plot(x_tower, y_tower, r^, MarkerSize, 15, LineWidth, 2); % 标记集热塔 % 绘制接收器平面能流密度 figure; imagesc(x_grid, y_grid, flux_map); colorbar; xlabel(接收器X方向 (m)); ylabel(接收器Y方向 (m)); title(接收器能流密度分布 (W/m^2)); axis equal;6. 从获奖论文中提炼的实战经验复盘去年的一些优秀论文除了模型和算法他们在具体实现上的“巧思”更值得学习经验一分阶段优化是王道。几乎没有队伍试图“一步到位”。典型的流程是1) 基于几何解析模型快速生成初始布局2) 采用智能优化算法如GA对布局参数如径向间距、周向间隔进行优化目标函数是快速的效率估算模型3) 对优化得到的几个候选布局用高精度的蒙特卡洛光线追迹进行“决赛圈”评估和排名4) 对最优布局进行局部微调如调整边缘镜子。经验二约束处理的艺术。直接处理成千上万个间距约束不现实。优秀论文多用“修复法”或“可行解保持法”。例如在遗传算法的交叉、变异操作后如果子代个体违反了间距约束则用一个修复程序如将靠得太近的镜子随机推开使其恢复可行。这保证了搜索始终在可行域内进行。经验三充分利用对称性和规律性。对于大型镜场完全随机或自由布局不仅优化难度大工程上也不美观、不易维护。许多论文假设镜场关于塔轴对称或者分为几个扇形区域区域内镜子按规律排列。这极大地缩减了搜索空间。不要盲目追求“全局最优”一个结构清晰、性能优良、工程可行的“满意解”往往比一个难以解释的“最优解”得分更高。经验四代码的模块化与可读性。获奖论文附带的代码通常结构清晰。主脚本、初始化参数、光学仿真函数、优化算法、可视化函数分开存放。关键步骤有注释变量命名规范。这不仅能帮助评委理解你的工作在调试时也事半功倍。例如将光线追迹单独写成一个函数[intercept, cosine, etc] singleMirrorSim(pos, aim, sun, params)输入输出明确便于单元测试和性能分析。最后想说的是这道题虽然以“优化”为名但其内核是物理建模的准确性和工程实现的可行性。你的模型是否抓住了光路计算的核心你的约束是否反映了真实场地的限制你的算法能否在有限时间内找到一个不错的解你的代码能否清晰、高效地执行这一切想清楚这些问题并踏实地用MATLAB去实现每一个模块比单纯套用一个复杂的优化算法库要重要得多。当你看着自己代码生成的光斑图从一片散乱变得集中而均匀那种满足感或许就是数模竞赛除了奖项之外带给我们的最大收获。