1. 赛题核心与解题总览：从“是什么”到“怎么想”

大家好，我是老张，一个在数学建模圈子里摸爬滚打了十来年的“老油条”。每年电工杯的赛题一出来，总能引起一阵热议，今年的A题（光伏预测）和B题（垃圾运输路径优化）也不例外。很多刚接触建模的同学拿到题目，第一反应往往是“题目好长，数据好多，从哪下手？”。别急，今天我就用最接地气的方式，帮你把这两道题掰开揉碎了讲清楚，不仅告诉你“是什么”，更重点分享“怎么想”和“怎么做”。

先说说A题，光伏发电功率预测。这本质上是一个时间序列预测问题，但又不是简单的“用昨天猜今天”。它像是一个层层递进的闯关游戏：第一关，让你只用历史发电数据去分析规律；第二关，还是只用历史数据，但要你预测未来一天（日前预测）；第三关，难度升级，给你加入了天气预报（NWP）信息，让你结合天气来预测；第四关，更是让你研究，如果把天气预报的“地图”画得更精细（空间降尺度），预测会不会更准。这道题的核心挑战在于，如何把时间、天气、空间这三个维度的信息，巧妙地融合到一个模型里。你可能会想到LSTM、XGBoost这些“明星算法”，但比选算法更重要的是，你如何理解光伏发电的物理特性（比如中午发电多，阴天发电少），并把这些理解转化成模型能“吃”进去的特征。

再来看B题，城市垃圾运输路径优化。这活脱脱就是一个现实版的“快递员送快递”游戏，但规则复杂得多：你有不同类型的垃圾（厨余、可回收等），有不同载重和容积的车辆，垃圾点分布在全城，有的点垃圾多，有的点垃圾少，车辆从处理厂出发，最后还得回去。题目也是三阶段：从最简单的单车型送一种垃圾，到多车型送多种垃圾，最后还要考虑在哪里建中转站最划算，并且车辆要在规定的时间窗口内收垃圾。这道题是典型的组合优化问题，属于运筹学的范畴。它的难点不在于模型的数学形式有多高深，而在于约束条件多且杂（载重、容积、时间、车辆类型、中转站容量），如何设计一个高效的算法，在成千上万种可能的路径方案中，快速找到一个成本最低、又满足所有“规矩”的好方案，这才是真正的考验。

所以，在动手写代码之前，我建议你先花半天时间，带着下面这个思路框架去读题、分析数据：

1. 目标量化：题目要求“最小化”什么？是预测误差（RMSE, MAE）？还是运输总距离/总成本？把它变成一个明确的数学公式。
2. 约束理清：把所有“必须遵守”的条件列出来，比如车辆不能超载、预测必须基于历史数据、垃圾必须当天清运等。
3. 数据摸底：给你的数据有哪些字段？缺失值多吗？功率数据和天气数据的时间戳对齐了吗？垃圾点的位置坐标是什么坐标系？
4. 方法选型：根据问题特点，初步圈定几个候选模型或算法。别贪多，选一两个主攻，再准备一个备选方案。

2. A题深度剖析：光伏预测的特征工程与模型融合术

光伏预测这事儿，我做过不少实际项目，可以负责任地说，特征工程的好坏，直接决定了模型性能的上限。很多人一上来就套LSTM，结果效果平平，问题往往就出在特征没处理好。

2.1 数据预处理：给模型准备“干净食材”

原始数据就像刚从地里摘回来的菜，带着泥，你得先洗干净、切好。对于A题的数据，你需要做这几步：

首先是时间对齐与缺失值处理。光伏功率数据通常是15分钟或1小时一个点，而NWP（数值天气预报）数据可能是3小时或6小时一次。你需要用前向填充（ffill）或线性插值的方法，把NWP数据插值到和功率数据相同的时间频率上。遇到功率数据因为设备故障断崖式下跌为0的情况，要小心识别，这可能是异常值而非真实值，可以用前后时刻的平均值或基于相似日期的值进行填补。

其次是特征构造，这是重头戏。除了题目直接给的辐照度、温度、湿度等，你必须自己动手“创造”一些对模型超级有用的特征：

• 时间周期性特征：sin(2*pi*小时/24), cos(2*pi*小时/24)。这样比直接输入“14点”更好，因为模型能理解0点和24点是相邻的。
• 季节特征：月份、季度，或者更精细的sin(2*pi*一年中的第几天/365)。
• 天气类型标签：根据云量、降雨概率，可以将天气分为“晴天”、“多云”、“阴天”、“雨天”等类别，进行独热编码（One-hot Encoding）。这对模型理解不同天气模式下的发电规律至关重要。
• 滞后特征：把前1小时、前3小时、前24小时、甚至前一周同期的功率值作为特征输入，这对捕捉时间序列的自相关性非常有效。
• NWP的衍生特征：比如“温差”（最高温-最低温）、“体感温度”（结合温度和湿度计算）等。

这里给一个我常用的特征构造代码片段，你可以在此基础上扩展：

import pandas as pd
import numpy as np

def create_features(df, power_col='power'):
    """
    df: 包含日期时间索引和功率、气象数据的DataFrame
    """
    df = df.copy()
    # 1. 基础时间特征
    df['hour_sin'] = np.sin(2 * np.pi * df.index.hour / 24)
    df['hour_cos'] = np.cos(2 * np.pi * df.index.hour / 24)
    df['day_of_year_sin'] = np.sin(2 * np.pi * df.index.dayofyear / 365.25)
    df['day_of_year_cos'] = np.cos(2 * np.pi * df.index.dayofyear / 365.25)
    df['month'] = df.index.month
    df['is_weekend'] = df.index.dayofweek >= 5

    # 2. 滞后特征 (以1小时和24小时为例)
    df['power_lag_1h'] = df[power_col].shift(4)  # 假设15分钟间隔，4个点=1小时
    df['power_lag_24h'] = df[power_col].shift(96) # 96个点=24小时

    # 3. 滑动窗口统计特征 (过去24小时的平均值、标准差)
    df['power_rolling_mean_24h'] = df[power_col].rolling(window=96, min_periods=1).mean()
    df['power_rolling_std_24h'] = df[power_col].rolling(window=96, min_periods=1).std()

    # 4. 天气类型分类 (示例，根据云量)
    df['weather_type'] = 'unknown'
    df.loc[df['cloud_cover'] < 0.3, 'weather_type'] = 'sunny'
    df.loc[(df['cloud_cover'] >= 0.3) & (df['cloud_cover'] < 0.7), 'weather_type'] = 'cloudy'
    df.loc[df['cloud_cover'] >= 0.7, 'weather_type'] = 'overcast'
    # 对分类特征进行独热编码
    df = pd.get_dummies(df, columns=['weather_type'], prefix='weather')

    # 删除因创建滞后特征产生的缺失值行
    df.dropna(inplace=True)
    return df

2.2 模型选择与融合：没有“银弹”，只有“组合拳”

对于问题2（仅用历史功率），LSTM 确实是天然的选择，因为它能记忆长期的时序依赖。但单纯堆叠LSTM层可能不够。我建议可以尝试 CNN-LSTM混合模型：先用一维CNN层来提取局部（比如几小时内）的高维特征，再用LSTM层来捕捉长期趋势，这样往往比纯LSTM更稳定。训练时，一定要注意序列数据的划分，必须按时间顺序划分训练集和验证集，绝对不能随机打乱，否则会造成数据泄露，让模型“偷看”到未来信息。

对于问题3（加入NWP），XGBoost/LightGBM 这类树模型表现通常非常强劲，因为它们能很好地处理表格型数据，自动学习特征间的复杂交互。这时，你之前精心构造的特征就派上大用场了。一个实用的技巧是场景划分建模：分别对晴天、多云、阴雨等不同天气类型的数据训练不同的模型。因为晴天时光照是主导因素，而阴雨天时，温度和湿度的影响权重可能更大。分开建模，能让每个“专家”模型更专注。

到了问题4，研究NWP空间降尺度的影响，这不仅是建模，更是一个对比实验设计问题。你需要明确：

1. 降尺度方法：除了题目可能提到的克里金（Kriging）、反距离加权（IDW），还可以尝试用机器学习方法（如随机森林、神经网络）进行降尺度，利用周边气象站和高程、坡度等地理信息来预测目标点的精细气象数据。
2. 对比基准：一定要设置一个对照组，即使用原始粗分辨率NWP数据的预测精度。
3. 评价指标：除了RMSE（均方根误差），我强烈建议计算 MAE（平均绝对误差） 和 MAPE（平均绝对百分比误差），尤其是MAPE，它能直观反映误差的相对大小，便于向非专业人士解释。例如，你可以这样呈现结果：“经过空间降尺度后，模型在阴雨天的预测误差（MAPE）从15%降低到了12%”。

最后，别忘了模型融合这个“大招”。一个简单有效的策略是加权平均：用LSTM、XGBoost、甚至简单的线性回归分别训练模型，然后根据它们在验证集上的表现分配权重（如误差小的模型权重大），将它们的预测结果加权组合。这通常能稳定地提升最终预测精度，是竞赛中拉开差距的常用手段。

3. B题实战拆解：路径优化算法的迭代与创新

B题是典型的运筹优化问题，考验的是你的建模抽象能力和算法设计能力。很多同学一看到“优化”、“路径”就想到遗传算法，但上来就调遗传算法的参数，很容易陷入局部最优且效率低下。我的经验是，从简单到复杂，从精确到启发式，一步步搭建你的解决方案。

3.1 问题1：单车型基础VRP——节约算法（Clarke-Wright）的妙用

问题1是经典的带容量约束的车辆路径问题（CVRP）。所有车辆型号相同，只运输一种垃圾，从处理厂出发，服务完所有点后返回。目标是总距离最短。

节约算法是解决这类问题最直观、最经典的方法之一，它的思想非常“人性化”：一开始，假设每辆车只服务一个点，然后从处理厂出发再返回（即N条独立路线）。然后我们计算，如果把两个点i和j的路线合并（即路线变成 处理厂 -> i -> j -> 处理厂），比原来两条独立路线能“节约”多少距离。节约值 S(i,j) = d(0,i) + d(0,j) - d(i,j)，其中0代表处理厂。我们总是优先合并节约值最大的两条路线，直到车辆容量不够为止。

这个算法实现简单，速度快，非常适合作为初始解生成器。但它的解质量通常不是最优的。在实际编程中，有几点需要注意：

• 距离矩阵：务必使用真实的道路网络距离或至少是欧氏距离，如果题目给了坐标，可以用geopy库或haversine公式计算球面距离。
• 合并判断：合并时，不仅要看容量约束，还要注意合并后路线的“形状”，避免产生交叉或非常迂回的路线。可以加入一些启发式规则，比如只合并位于同一区域的两个点。
• 解的改进：得到节约算法的解后，一定要用 2-opt 或 3-opt 等局部搜索算子进行优化。2-opt就是尝试交换路径中两段边的连接方式，看是否能缩短总距离。这个步骤能显著提升解的质量。

下面是一个结合了节约算法和2-opt局部搜索的简化框架：

import numpy as np
from scipy.spatial.distance import cdist

def clarke_wright_savings(points, demands, vehicle_capacity, distance_matrix=None):
    """带2-opt后处理的节约算法"""
    n = len(points) - 1  # 假设points[0]是处理厂
    if distance_matrix is None:
        distance_matrix = cdist(points, points)

    # 1. 初始化：每个点单独一条路线
    routes = [[0, i, 0] for i in range(1, n+1)]
    route_demands = [demands[i-1] for i in range(1, n+1)]

    # 2. 计算所有节约值
    savings = []
    for i in range(1, n+1):
        for j in range(i+1, n+1):
            sav = distance_matrix[0, i] + distance_matrix[0, j] - distance_matrix[i, j]
            savings.append((sav, i, j))
    savings.sort(reverse=True, key=lambda x: x[0])

    # 3. 合并路径
    for sav, i, j in savings:
        # 找到包含i和j的路线
        route_i_idx, position_i = find_route_and_position(routes, i)
        route_j_idx, position_j = find_route_and_position(routes, j)
        if route_i_idx == route_j_idx:
            continue  # i和j已在同一条路线
        if route_demands[route_i_idx] + route_demands[route_j_idx] > vehicle_capacity:
            continue  # 合并后超载

        # 尝试两种合并方式：i的尾接j的头，或j的尾接i的头，选择距离更短的
        new_route1 = merge_two_routes(routes[route_i_idx], routes[route_j_idx], i, j, 'ij')
        new_route2 = merge_two_routes(routes[route_i_idx], routes[route_j_idx], i, j, 'ji')
        dist1 = calculate_route_distance(new_route1, distance_matrix)
        dist2 = calculate_route_distance(new_route2, distance_matrix)

        if dist1 <= dist2:
            new_route = new_route1
        else:
            new_route = new_route2

        # 更新路线和需求
        routes[route_i_idx] = new_route
        route_demands[route_i_idx] += route_demands[route_j_idx]
        # 删除被合并的路线
        del routes[route_j_idx]
        del route_demands[route_j_idx]

    # 4. 对每条路线进行2-opt局部优化
    optimized_routes = []
    for route in routes:
        optimized_route = two_opt(route, distance_matrix)
        optimized_routes.append(optimized_route)

    return optimized_routes

def two_opt(route, dist_matrix):
    """2-opt局部搜索优化单条路径"""
    best_route = route
    improved = True
    while improved:
        improved = False
        for i in range(1, len(route)-2):
            for j in range(i+1, len(route)-1):
                # 尝试交换边 (i-1,i) 和 (j,j+1) 为 (i-1,j) 和 (i,j+1)
                new_route = route[:i] + route[i:j+1][::-1] + route[j+1:]
                if calculate_route_distance(new_route, dist_matrix) < calculate_route_distance(best_route, dist_matrix):
                    best_route = new_route
                    improved = True
        route = best_route
    return best_route

3.2 问题2与问题3：多约束下的建模与算法升级

问题2引入了多车型（MDVRP）和多垃圾类型。这里的核心思路是分解与协同。一种直接的方法是按垃圾类型分解：为每种垃圾类型单独求解一个VRP问题，但车辆类型和成本不同。然而，这样做忽略了不同垃圾类型收集点可能重合，导致车辆空跑。更好的方法是统一建模，将车辆类型和垃圾类型作为决策变量的一部分，构建一个更大的混合整数规划模型。但这样求解难度激增。

在实际竞赛中，我推荐一种两阶段启发式方法：

1. 聚类分配阶段：根据所有收集点的地理位置和垃圾量，先用聚类算法（如K-means）将收集点分成若干区域，每个区域的垃圾总量不超过某型车的容量。聚类的目标是最小化区域内点之间的距离。
2. 路径优化阶段：对每个区域，根据其包含的垃圾类型组合，分配合适的车型（可能需要多辆车），然后在这个较小的区域内运行VRP算法（如改进的节约算法或遗传算法）。

问题3更是加入了中转站选址和时间窗口，变成了一个选址-路径问题（LRP）。这是最难的一步。标准的解法是先选址，后路径，但这样可能得不到全局最优。更高级的做法是设计一个交互迭代的算法：

• 阶段一（选址初筛）：利用聚类中心、或者基于垃圾产生量的加权中心，初步选出几个潜在的中转站位置。
• 阶段二（路径优化）：在给定候选站点的前提下，求解带时间窗的VRP（VRPTW），得到运输成本。
• 阶段三（选址调整）：根据路径优化的结果，评估每个候选站点的使用效率和成本，调整站点位置（比如向服务点更密集的区域移动），然后回到阶段二。
• 如此迭代几次，直到选址和路径方案趋于稳定。

对于时间窗口约束，在算法中需要增加时间计算和可行性检查。每访问一个点，都要更新当前时间，如果到达时间早于时间窗口开始时间，则需要等待；如果晚于时间窗口结束时间，则该路径不可行。在遗传算法或禁忌搜索中，这通常通过设计惩罚函数来处理，将违反时间窗口的程度作为一个惩罚项加到总成本（距离）中，引导搜索向可行解靠近。

4. 竞赛策略与论文写作点睛之笔

搞定了模型和算法，只成功了70%，剩下的30%在于如何把它们清晰地呈现给评委，也就是论文写作和结果展示。这部分往往是区分一等奖和二等奖的关键。

首先，摘要一定要下狠功夫。摘要是一篇论文的“脸面”，评委可能只用几分钟看摘要。你的摘要必须用精炼的语言，讲清楚：“针对什么问题，用了什么方法（模型），得到了什么结果（量化指标），有什么创新或亮点”。例如：“针对光伏功率预测问题，本文提出了一个结合CNN特征提取和LSTM时序建模的混合模型，并创新性地引入了基于天气场景划分的XGBoost集成策略。在公开数据集上，该模型的RMSE较基准LSTM模型降低了15%。针对垃圾运输路径优化，设计了一种融合K-means聚类与改进节约算法的两阶段启发式算法，并引入了时间窗惩罚机制，最终求解方案使总运输成本降低了22%。”

其次，模型部分要图文并茂。不要只贴大段公式和代码。画图！画流程图说明你的算法步骤，画结构图说明你的模型架构，画曲线图展示你的预测效果对比，画路径图展示你的车辆调度方案。一图胜千言。比如，展示光伏预测结果时，一定要有一张“预测值 vs 真实值”的时序对比图，并在图上标出关键误差指标。展示路径优化结果时，用不同颜色画出每辆车的行驶路线，并在地图上清晰标出中转站位置。

再次，结果分析要深入，不能只罗列数字。比如预测误差，不仅要写RMSE=100kW，还要分析误差主要分布在哪些时段（是日出日落时误差大，还是正午？），是什么原因造成的（可能是天气突变模型没捕捉到）。对于路径优化结果，要分析成本构成：运输距离成本占多少？车辆固定使用成本占多少？时间窗惩罚成本有多少？通过敏感性分析，告诉评委如果某个参数（如车辆容量）变化，结果会如何变化，这能体现你对模型的理解深度。

最后，稳定性与可扩展性讨论是加分项。谈谈你的模型对于数据缺失的鲁棒性如何？如果数据量增大十倍，你的算法还能在合理时间内求解吗？对于光伏预测，可以讨论模型在不同季节、不同气候区的泛化能力。对于路径优化，可以讨论如果城市规模扩大，你的算法框架如何调整以适应。这些思考能让你的论文立意更高。

我在带队参赛时，最后一天总会留出至少6个小时专门用来写论文和做图。再好的模型，如果表达不清，也是徒劳。记住，数学建模竞赛，既是“数学”和“建模”的竞赛，也是“沟通”和“展示”的竞赛。把你的解题思路，像讲故事一样，逻辑清晰、证据确凿地讲出来，你就已经赢了一大半。