数学建模
优化与仿真
把开放的问题——配送路线、能源决策——转化为可以求解、也能讲清楚的模型。
- Python
- 优化
- 仿真
- 时间
- 2026
- 团队
- 三人团队
- 荣誉
- 第十八届“华中杯”大学生数学建模挑战赛一等奖
- 平台
- Python
背景
数学建模要求在几天之内给出模型、求解结果和一篇有说服力的论文。2026 年，我和队友完成了两个这样的问题：为燃油与新能源混合车队安排城市绿色配送，以及决定一个社区微网应如何购电、如何使用储能。
挑战
两个问题都规模大、约束多、不确定性强——而且需要被清楚地回答。
规模
98 个客户点的 2169 个订单，还要考虑载重、时间窗，以及随时段变化的车速。
政策
绿色配送区在 8:00–16:00 禁止燃油车进入市中心。
变化
配送进行中，订单还会新增、取消或变更地址。
不确定性
光伏出力、负荷与电价都在波动；计划购电不足，就要以五倍价格紧急购电。
方案
把问题拆成层次，用合适的工具逐层求解，再从不止一个方向检验答案。
01
分层路径求解
下界估计、主体构造、残量插入、精确分组，最后进行新能源车重分配。
02
把政策写进约束
把绿色配送区限行写成硬约束，通过合规检查与新能源车重分配，在不增加车次的前提下满足政策。
03
动态调度
以“插入、删除、重排序”为核心动作的通用框架，实时应对四类突发事件，同时保持方案稳定。
04
先预测，再决策
对于微网：岭回归预测加残差分位数修正，情景线性规划给出日前购电计划，动态规划控制储能，并随新的预报滚动更新。
技术
Python
建模、求解与可视化。
线性规划
多情景下的日前购电计划。
动态规划
储能控制，以及对结果的独立验证。
启发式算法
带时间窗、异构车队的车辆路径问题。
岭回归
预测负荷、光伏出力与电价。
我的工作
- 与两位队友合作完成两道题目
- 建立模型，用 Python 实现并测试求解算法
- 撰写论文——假设、结果与局限
反思
建模教会我把假设说清楚。一个模型有多诚实，取决于它背后的简化——而截止时间会逼你认真地做出选择。