1. 从零开始：如何理解辐射冷却技术赛题的核心

大家好，我是C君，一个在数学建模圈子里摸爬滚打了快十年的老手。今天咱们不聊虚的，直接上硬货，手把手带你拆解2025年APMCM亚太赛的B题——辐射冷却技术建模与优化。这道题一出来，很多同学就有点懵，又是“辐射”，又是“冷却”，还涉及“薄膜结构优化”，感觉物理、材料、光学、优化算法全搅和在一起了，不知道从哪下手。

别慌，我刚开始接触这类跨学科题目时也这样。其实，这类“物理建模+优化”的题目，恰恰是数学建模竞赛里最容易出彩、也最容易拿奖的类型。为什么？因为它有明确的物理定律作为基础，模型建立起来逻辑性强，评委也容易看懂你的思路。不像一些纯数据分析题，模型五花八门，结果好坏有时候很看运气。B题的核心，说白了就是让你扮演一个材料工程师，设计一种能“自己凉快”的薄膜。这种薄膜白天能反射太阳光，晚上又能通过热辐射把热量散到外太空，从而实现不耗电的被动冷却。听起来很科幻，但这就是前沿的辐射冷却技术。

题目给的PDMS（聚二甲基硅氧烷）薄膜，是一种常见的柔性高分子材料。第一问让你建模发射率随波长和厚度的变化关系，这就是典型的“从现象到公式”的过程。你需要理解，材料的发射率不是固定的，它就像人的指纹，在不同波段（波长）有不同的“辐射能力”，而且薄膜的厚度会影响光在里面的干涉效应，从而改变这个“能力”。所以，你的第一个任务，就是把这种物理关系用数学语言描述出来。这需要你暂时忘掉复杂的代码，先回到物理课本，把光学薄膜理论、菲涅尔公式这些基础概念吃透。我见过很多队伍一上来就找代码、套算法，结果模型物理意义都不对，后面优化得再漂亮也是空中楼阁。

2. 理论基石：光学与热力学模型的建立与推导

2.1 第一问核心：发射率模型的物理本质

第一问是整个题目的基石，如果这里错了，后面全盘皆输。题目要求建立PDMS薄膜发射率 ε(λ, d) 与波长 λ 和厚度 d 的关系。发射率是啥？简单说，就是一个物体辐射热量的能力，最大值是1（理想黑体），最小值是0（理想镜面）。对于PDMS这种材料，它的发射率特性决定了它的冷却性能。

关键物理公式：根据能量守恒，对于不透明的薄膜（或者我们主要关心其表面辐射），忽略透射，其发射率、反射率 R 和吸收率 α 满足：ε = α = 1 - R。也就是说，材料吸收了多少辐射，就能发射多少辐射（基尔霍夫热辐射定律）。所以，我们的问题转化为：计算PDMS薄膜在不同波长和厚度下的反射率 R(λ, d)。

如何计算反射率？ 这里就要用到薄膜光学的知识了。当光照射到薄膜上，会在上下界面发生多次反射和透射，这些光波会相互干涉，增强或削弱，最终的总反射率就变了。对于单层膜，在垂直入射（简化情况）下，其反射率公式为：

R = [(n0 - n1)^2 * cos^2(δ) + (n0*n1/n2 - n2)^2 * sin^2(δ)] / [(n0 + n1)^2 * cos^2(δ) + (n0*n1/n2 + n2)^2 * sin^2(δ)]

别被这个公式吓到，我解释一下里面的参数：

• n0 是空气的折射率（约等于1）。
• n1 是PDMS薄膜的折射率，它是波长的函数 n(λ)！这是第一个关键点，你需要去查PDMS的折射率色散数据。通常文献中会给出它在红外波段（比如8-13微米大气窗口）的折射率实部和虚部（消光系数）。
• n2 是衬底（比如硅片）的折射率。
• δ 是相位厚度，δ = 2π * n1 * d / λ。这里包含了厚度 d 和波长 λ，是连接二者的桥梁。

看到没？公式里 n1(λ) 和 δ(d, λ) 把波长和厚度都包含进去了。所以，你的建模过程应该是：

1. 数据获取：首先，通过学术数据库（如RefractiveIndex.INFO）查找或从题目附件中获取PDMS在感兴趣波段（特别是中红外波段）的复折射率 n(λ) + i*k(λ) 数据。k是消光系数，代表材料的吸收。
2. 编程实现：将上述反射率公式在MATLAB或Python中实现为一个函数 R = calculate_R(lambda, d, n_lambda)。这里 n_lambda 是你插值好的折射率数据。
3. 计算发射率：最后，epsilon = 1 - R。注意，如果考虑薄膜不是完全透明，公式会更复杂，但题目通常在第一问会做简化假设。

我当年做类似题目时，就在这里踩过坑：直接用了常数折射率，结果模型和实际数据对不上。后来才发现，在红外波段，材料的折射率变化非常明显，必须用插值函数来处理。所以，务必重视材料光学参数的数据准确性。

2.2 第二问桥梁：从发射率到冷却功率

有了发射率模型，第二问就顺理成章了：评估薄膜的辐射冷却性能。这里的主角是斯特藩-玻尔兹曼定律。这个定律告诉我们，一个物体单位面积辐射出去的功率，和它的绝对温度的四次方成正比，再乘上它的发射率。

冷却功率的计算：薄膜的净辐射冷却功率 P_net，是它自身向外辐射的功率，减去它从环境吸收的辐射功率。公式可以写为：

P_net = ε_sky * σ * (T_film^4 - T_sky^4) - ε_sun * I_sun

我来拆解一下：

• σ：斯特藩-玻尔兹曼常数，5.67×10^-8 W/m²/K⁴。
• T_film：薄膜自身的温度（K）。
• T_sky：有效天空温度，通常比环境气温低，可以用经验公式估算，比如 T_sky ≈ 0.0552 * T_amb^1.5，T_amb是环境气温。
• ε_sky：薄膜在**大气窗口波段（8-13微米）**的平均发射率。这是重点！不是全波段的发射率，而是那个能穿透大气、把热量直接送到外太空的波段的发射率。你需要用第一问的模型，计算在这个波段内的积分平均发射率。
• ε_sun：薄膜在**太阳光谱波段（0.3-2.5微米）**的平均反射率（因为吸收率=1-反射率）。我们希望这个值尽可能低（即反射率高），以减少太阳加热。
• I_sun：太阳辐照度，约1000 W/m²。

所以，第二问的建模，本质上是一个积分计算。你需要：

1. 划分波段：明确区分“太阳波段”和“大气窗口波段”。
2. 积分求平均：利用第一问的 ε(λ, d) 函数，分别在两个波段内对波长进行积分，除以波段宽度，得到 ε_sky 和 α_sun（吸收率，α_sun = 1 - R_sun）。
3. 代入计算：将环境温度 T_amb、薄膜温度 T_film（可能假设等于环境温度，或作为一个变量）等参数代入公式，计算净冷却功率 P_net。

一个实用的技巧：在论文中，不要只给出一个冷冰冰的数字。你可以画一张图，横坐标是薄膜厚度 d，纵坐标是 P_net，展示冷却功率如何随厚度变化。你会发现，存在一个最优厚度，让冷却功率最大。这个图非常直观，能立刻让你的模型“活”起来。

3. 算法实战：优化模型求解与代码实现

3.1 第三问攻坚：多层膜结构优化设计

前两问是单层膜，第三问开始上难度了：设计一个多层膜结构（比如PDMS/SiO2/Ag这种），进一步优化性能。为什么多层？因为单层膜的能力有限。比如，一层银（Ag）可以高效反射太阳光，但对红外辐射是透明的（发射率低）；一层PDMS在红外发射率高，但可能反射太阳光不够好。把它们组合起来，取长补短，就能实现“高太阳反射率”和“高红外发射率”的完美结合。

这立刻变成了一个优化问题。你的设计变量是什么？是每一层用什么材料（从候选材料库中选），以及每一层的厚度 d_i。你的目标函数是什么？通常是最大化净冷却功率 P_net，或者更实际一点，在白天太阳照射下，让薄膜温度 T_film 低于环境温度 T_amb 的差值最大。

数学建模：假设我们有 L 层，每层材料有折射率 n_i(λ)，厚度 d_i。多层膜的总反射率 R_total(λ) 和透射率 T_total(λ) 需要用到传输矩阵法来计算。这是一个标准的光学计算，网上有很多现成的代码（比如Python的 tmm 库）。你可以把它封装成一个函数 R_total, T_total = multilayer_spectrum(materials, thicknesses, lambda)。

那么优化模型可以写成：

Maximize: P_net(materials, thicknesses)  # 或 Minimize: T_film - T_amb
Subject to:
    d_i_min <= d_i <= d_i_max (每层厚度工艺约束)
    total_thickness <= D_max (总厚度约束)
    materials_i ∈ {PDMS, SiO2, Ag, ...} (材料选择，离散变量)

难点与策略：这里既有连续变量（厚度），又有离散变量（材料选择），是一个混合整数非线性规划问题。直接求解非常困难。我常用的策略是分步优化：

1. 固定材料序列：先根据物理直觉，预设几种有潜力的材料堆叠顺序，比如“反射层/发射层/衬底”结构（Ag/SiO2/PDMS/Air）。
2. 连续厚度优化：在固定材料顺序下，只把各层厚度作为连续变量进行优化。这一步可以用智能优化算法。
3. 枚举与对比：尝试几种不同的材料序列，对每一种都进行步骤2的厚度优化，最后对比哪种组合的 P_net 最大。

3.2 优化算法选择与Python代码示例

对于厚度优化这种连续变量问题，粒子群优化（PSO） 和 遗传算法（GA） 是建模竞赛的常客。它们不依赖梯度，全局搜索能力强，特别适合我们这种目标函数计算复杂（需要调用光学模型）的问题。我个人更偏爱PSO，因为它参数少、收敛快，代码也容易写。

下面我给出一个用Python的 pyswarm 库实现PSO优化薄膜厚度的核心代码框架。假设我们已经有了计算 P_net 的函数 calc_cooling_power(thicknesses)。

import numpy as np
from pyswarm import pso

# 定义优化问题的维度（假设优化3层膜的厚度）
num_layers = 3

# 定义厚度上下界（单位：米），根据工艺常识设定
lb = [100e-9, 500e-9, 1e-6]  # 最小厚度，例如 [100nm, 500nm, 1um]
ub = [500e-9, 5e-6,  20e-6] # 最大厚度，例如 [500nm, 5um, 20um]

# 定义目标函数：我们希望最大化净冷却功率，所以加负号转为最小化问题
def objective_function(thicknesses):
    # thicknesses 是一个包含3个厚度的数组
    P_net = calc_cooling_power(thicknesses)
    return -P_net  # 因为pso默认最小化，所以取负

# 定义约束（如果有），例如总厚度不超过某个值
def constraint_total_thickness(thicknesses):
    total = np.sum(thicknesses)
    return total - 30e-6  # 总厚度 <= 30um， 返回 <=0 的值表示满足约束

# 运行PSO优化
best_thicknesses, best_power = pso(objective_function, lb, ub,
                                    f_ieqcons=constraint_total_thickness,
                                    swarmsize=50, maxiter=100, debug=True)

print(f"最优厚度组合: {best_thicknesses} 米")
print(f"最大净冷却功率: {-best_power} W/m²")

# 注意：calc_cooling_power 函数需要你自己实现
# 它内部应包含：1.根据厚度和材料计算多层膜光谱；2.积分求平均发射率/反射率；3.代入斯特藩定律计算功率。

这段代码只是一个骨架。在实际比赛中，你需要精心设计 calc_cooling_power 函数，确保其计算准确且高效，因为PSO会调用它成千上万次。另外，算法的参数（粒子数 swarmsize、迭代次数 maxiter）需要根据问题调整，以平衡精度和计算时间。

4. 全流程整合与论文写作要点

4.1 第四问升华：性能与成本的权衡

到了第四问，题目要求就更贴近实际了：在优化冷却性能的同时，考虑成本。这引入了多目标优化的概念。你的目标不再是单一的 P_net 最大，而是要在“高性能”和“低成本”之间寻找帕累托最优解。

成本模型如何建？ 成本可以简单分为材料成本和制造成本。材料成本可以假设与薄膜的体积（或面积乘厚度）成正比，不同材料单价不同。制造成本可能随层数增加而非线性增加。一个简单的线性成本模型可以是：

总成本 = Σ (材料i的单价 * 密度 * 厚度 * 面积) + 基础工艺成本 + 每层附加成本

你需要查阅一些粗略的市场价格或文献数据来给这些参数赋值。虽然数据不要求非常精确，但数量级要对，并且要在论文中说明你的假设来源。

多目标优化方法：一种直观的方法是加权求和法。你把两个目标（比如 P_net 和 Cost）归一化到相近的量级，然后赋予权重，合并成一个单目标：

Maximize: w1 * (P_net / P_net_max) - w2 * (Cost / Cost_max)

通过调整权重 w1 和 w2，你可以得到一系列从“不计成本追求性能”到“严格控制成本”的不同设计方案。在论文中，最好用一个二维散点图（帕累托前沿）来展示这些解，横轴是成本，纵轴是冷却功率，让评委一眼就能看出两者的权衡关系。

4.2 结果可视化与论文呈现技巧

数学建模竞赛，“建”得好不如“说”得好。清晰、专业的可视化是拿高分的关键。对于B题，我强烈建议你准备以下几类图：

1. 光谱图：展示你设计的单层或多层膜在宽光谱范围（如0.3-20微米）内的反射率 R(λ) 或发射率 ε(λ)。用不同颜色或线型区分不同厚度或不同结构。这张图能直接体现你对光学原理的理解。
2. 冷却功率随厚度变化图：第二问的结果，一条曲线展示 P_net 如何随 d 变化，并标出最优厚度点。
3. 优化过程收敛图：展示PSO或GA算法在迭代过程中，最佳适应度（冷却功率）是如何逐步提升并趋于稳定的。这证明了你的算法有效性。
4. 帕累托前沿图：第四问的核心，展示性能-成本的权衡关系。
5. 结构示意图：用示意图清晰画出你最终推荐的多层膜结构，标明每层的材料和厚度。

在论文写作上，切忌把代码和公式简单堆砌。要按照“问题分析->模型假设->模型建立->求解方法->结果分析->结论推广”的逻辑线来组织。在“模型建立”部分，一定要把物理概念讲清楚，比如为什么用菲涅尔公式，斯特藩定律怎么用到这里。在“结果分析”部分，不能只说“我们得到了一个数”，而要解释这个数的物理意义，比如“当厚度为5微米时，冷却功率达到峰值，这是因为此时薄膜的光学干涉效应在关键波段达到了最佳匹配”。

最后，分享一个我自己的教训：永远要检查模型的量纲和数量级。曾经有一次，我算出来的冷却功率高达上万瓦每平米，自己还沾沾自喜，后来才发现是斯特藩常数代错了量级。一个合理的净冷却功率，在白天太阳下，能达到几十到一百多瓦每平米就已经是非常出色的设计了。在论文中给出合理的参数取值（如环境温度取300K，太阳辐照度取1000 W/m²），并确保最终结果的数量级符合常识，能极大增加你模型的可信度。

这道B题，虽然涉及多学科，但每一步都有迹可循。从理解物理背景开始，扎实地建立每一个子模型，再用合适的算法把它们串联起来优化，最后用清晰的逻辑和可视化呈现你的工作。这个过程本身，就是一次完整的科研训练。希望这篇超详细的解析，能帮你理清思路，少走弯路。如果在具体实现时遇到问题，比如传输矩阵法代码调试或者PSO参数调优，随时可以再来交流。祝你在亚太赛中取得好成绩！