1. 项目概述从一道赛题到一套完整的解决方案去年带队参加MathorCup数学建模挑战赛我们组选的D题“航空飞行”给我留下了挺深的印象。这道题乍一看是关于航空公司的但内核其实是一个典型的资源调度与优化问题融合了运筹学、统计学和一点点航空专业知识。很多队伍拿到题的第一反应是去查各种复杂的飞行力学公式结果往往在第一步数据处理上就卡住了。我们当时走了一条相对务实的路线核心思路是把一个看似庞大的航空运营问题拆解成几个可以用数学模型清晰定义和求解的子问题。今天我就把这套从审题、建模到求解、写作的完整思路和实操细节结合我们当时的“原创成品”给大家掰开揉碎了讲一讲。无论你是正在备战MathorCup、国赛还是美赛希望这篇超过五千字的深度复盘能给你带来一些超越标准答案的启发。这道题的核心场景是一家航空公司拥有多条航线和多种机型需要考虑如何安排飞机的飞行计划包括执飞哪条航线、何时进行维护等在满足安全规章、市场需求和运营成本约束的前提下实现公司收益的最大化或总成本的最小化。它本质上是一个带时间窗和多种资源约束的调度优化问题。适合阅读这篇分享的不仅是数学建模的参赛队员任何对运筹优化、数据分析在实际业务中应用感兴趣的朋友都能从中看到如何将模糊的业务需求转化为精确的数学语言并最终获得可执行的方案。2. 解题核心思路与模型框架设计面对“航空飞行”这类开放性的优化问题最忌讳的就是一上来就埋头建复杂的模型。我们的策略是“先分解后综合”把一个大问题拆解成几个逻辑清晰、相对独立的模块再考虑它们之间的耦合关系。2.1 问题拆解三层递进结构我们最终将问题抽象为三个层次第一层航班-飞机匹配层。这是最基础的决策即确定每一天、每一条计划航班由哪一架飞机来执飞。这里的核心约束是“飞机唯一性”——同一时刻一架飞机只能执行一个航班任务。这本质上是一个指派问题的变体。但直接套用经典的指派模型会忽略时间连续性因为飞机执行航班是一个接续的过程。因此我们引入了“航段”的概念将每架飞机每天的时间线离散化为若干个时段每个时段对应一个状态如执飞某航班、在地面维护、空闲待命等。第二层飞机路径与维护规划层。飞机不是永动机法规强制要求飞机在累计飞行一定时长或起降次数后必须进行定期检修A检、C检等。这就需要在长达数周甚至数月的计划期内为每一架飞机规划其飞行路径并在合适的时机、合适的地点插入维护任务。这构成了一个带时间窗和资源约束的车辆路径问题其中“车辆”是飞机“客户点”是航班任务和维护任务“时间窗”由航班的计划起降时间和维护间隔法规共同决定。第三层鲁棒性与扰动应对层。真实的航空运营充满不确定性天气导致延误、飞机突发故障、客流临时变化等。一个优秀的计划必须具有一定的弹性。我们在模型中引入了鲁棒优化和随机规划的思想不是追求一个在理想状态下“最优”但很脆弱的解而是寻找一个在多种可能扰动场景下依然表现“良好”的稳健解。例如为关键航线和过夜基地预留备份飞机或在编排航班时故意留出一些缓冲时间。2.2 模型选型混合整数线性规划的核心地位基于以上拆解我们选择混合整数线性规划作为核心建模工具。为什么是MILP表达能力强大MILP能完美地描述“是/否”类决策例如飞机i是否执飞航班j使用0-1变量和连续数量决策例如某航班的载客量、加油量。软件支持成熟有众多成熟的商业或开源求解器如Gurobi, CPLEX, SCIP可以高效求解大规模MILP问题这对三天赛期至关重要。灵活性高可以相对方便地添加各种复杂的约束条件如飞机平衡约束飞出去多少架就得飞回来多少架、机组衔接约束、机场停机位限制等。我们将整个问题构建为一个以“航空公司总运营成本最小化”或“总收益最大化”为目标函数的MILP模型。成本项通常包括燃油成本与航程、业载相关、飞机折旧/租赁成本、机组成本、机场起降费、延误成本等。收益项则主要来自机票销售收入。注意目标函数的设定是战略性的。在赛题中如果明确要求“利润最大”则目标函数应为“总收益-总成本”。如果要求“提高效率”或“降低成本”则可以侧重成本最小化。我们当时分析了赛题描述发现它更强调在满足所有航班计划的前提下优化资源使用因此选择了“总运营成本最小化”作为首要目标同时在约束中保证了所有航班都被覆盖。2.3 数据预处理成败的关键第一步赛题通常会提供航班时刻表、飞机性能数据、机场信息、成本参数等。这些原始数据往往不能直接丢进模型必须经过清洗和转换。时间标准化将所有时间计划起飞时间、降落时间、滑行时间统一转换为从计划期开始时刻计算的“连续分钟数”或“时段索引”。这是处理时间约束的基础。构建“航班连接网络”这是最关键的一步。对于每一架飞机我们需要判断它执行完航班A后能否来得及执行航班B。这取决于A航班的降落机场是否等于B航班的起飞机场。A航班的降落时间 最小过站时间 ≤ B航班的起飞时间。 最小过站时间包括下客、清洁、加油、上客、推出等通常根据机型、机场繁忙程度给出一个经验值如45分钟。我们为所有可能的、满足连接条件的航班A 航班B对生成一个“可行弧”后续的决策变量就定义在这些弧上。维护任务生成根据每架飞机的初始状态已飞行小时数和法规每X小时需维护在计划期内为每架飞机推算出其理论上的维护时间窗。将每个维护任务也视为一个特殊的“航班”有固定的地点指定维修基地和耗时如24小时。3. 模型建立与核心决策变量定义有了清晰的思路和干净的数据就可以开始正式建立数学模型了。模型的精确性直接决定了求解的可行性和方案的质量。3.1 决策变量设计我们定义了以下几类核心决策变量二元决策变量 x(i, f, t)表示飞机 i 在时间 t 是否开始执行航班 f。这是最核心的变量决定了航班与飞机的匹配。二元决策变量 y(i, m)表示飞机 i 是否被安排执行维护任务 m。连续决策变量 z(f)表示航班 f 的实际载客量或业载用于计算燃油成本和收入。如果赛题简化了这部分此变量可省略。辅助变量如飞机在机场的停留状态变量、航班延误时间变量等用于表达复杂约束。使用0-1变量来描述“是否执行”是MILP的经典做法。变量数量会随着飞机数、航班数、时间粒度呈组合增长这是模型复杂度的主要来源。3.2 约束条件体系化约束是模型的灵魂确保解的现实可行性。我们建立了如下约束体系航班覆盖约束每一个计划航班都必须被且仅被一架飞机执行一次。这是硬性要求。 [ \sum_{i \in I} \sum_{t \in T_f} x(i, f, t) 1, \quad \forall f \in F ] 其中(T_f) 是航班f可行的开始时间集合可能包含正点或有限的延误范围。飞机流平衡约束保证每架飞机的行程是连续的、合理的。这包括节点流平衡对于任何一架飞机在任何一个时间点、任何一个机场它“流入”的状态到达必须等于“流出”的状态离开。路径连续性如果飞机i执行了航班f那么它下一个任务必须是另一个从f降落地出发的可行航班或者是一个维护任务或者是在该机场停留。飞机可用性约束初始位置每架飞机在计划期开始时位于指定的机场。唯一性同一时刻一架飞机最多只能执行一个任务飞行或维护。维护约束强制性每架飞机必须在法规规定的时间窗内完成指定的维护任务。地点限制某些维护只能在特定基地进行。时长保证维护任务必须连续进行不能中断。时间约束航班时间航班f的飞行时间固定加上过站时间决定了飞机的占用时长。连接时间两个连续任务之间必须有足够的最小过站或维护准备时间。延误限制航班起飞延误不能超过某个上限如2小时。资源容量约束可选用于更精细的模型机场停机位限制同一时间某个机场停靠的飞机数不能超过其停机位数量。机组资源约束可以简化为对飞机每日最大飞行小时数的限制。3.3 目标函数构建我们最终采用的目标函数是最小化总运营成本具体构成如下[ \min \quad \text{总成本} \text{燃油成本} \text{飞机固定成本} \text{延误惩罚成本} \text{维护相关成本} ]燃油成本与每个航班的飞行距离、飞机机型、业载相关。我们使用了简化的计算公式基础油耗 业载 * 单位业载油耗系数。飞机固定成本只要飞机被投入使用执行了至少一个航班就产生一天的折旧或租赁成本。延误惩罚成本为了平衡运行效率和计划稳定性我们对航班延误进行惩罚鼓励准点。延误成本 延误时长 * 单位时间惩罚系数。这个系数需要根据航班重要性如干线、支线差异化设置。维护相关成本主要是将飞机调机到维修基地产生的额外成本。实操心得目标函数权重调参。燃油成本、固定成本和延误成本之间的量纲和数量级可能差异很大。直接相加可能导致优化器只关注某一项。我们做了归一化处理或者通过调整惩罚系数来体现决策者的偏好。例如如果公司极度看重准点率就把延误惩罚系数设得非常高。在论文中我们专门设置了一个小节来讨论权重敏感性分析展示了不同权重下方案的变化这成为了论文的一个亮点。4. 模型求解与算法实现细节一个再漂亮的模型如果解不出来或者求解太慢也是纸上谈兵。MathorCup三天时间求解策略必须高效务实。4.1 求解环境与工具链我们当时的配置如下编程语言Python。生态丰富数据处理Pandas, NumPy和建模接口方便。建模工具PuLP开源或 Gurobi 的 Python API如果学校有license。我们使用了PuLP因为它免费且足够应对中等规模问题。PuLP本身是一个建模语言后端可以调用多种求解器。求解器我们选择了CBCCoin-or Branch and Cut它是PuLP的默认开源求解器对于混合整数规划问题表现稳定。如果问题规模超大可以考虑商用求解器如Gurobi其求解速度有数量级优势。辅助工具Jupyter Notebook 用于交互式开发和结果分析Matplotlib 和 Seaborn 用于可视化绘制甘特图、飞机路径图等。4.2 求解策略分解与启发式初值直接求解完整的、包含所有飞机和航班的MILP模型在有限时间内可能无法得到满意解。我们采用了“分解-协调”的策略按机队分解如果飞机机型差异大将其按机型分组分别建模。因为不同机型的成本、性能、可执飞航线不同耦合性较低。时间分解将整个计划期如30天按周或每几天切分成几个重叠的时段分别求解再在重叠时段进行协调。这能大幅降低单次求解的变量规模。提供启发式初始解求解器从一个好的起点开始搜索能极大加快寻优速度。我们设计了一个简单的启发式规则来生成初始解规则1就近匹配对于每个航班优先指派计划起飞时就在本场的、且机型合适的飞机。规则2最长空闲优先如果多架飞机可用优先使用接下来空闲时间最长的飞机以提高飞机利用率。规则3维护优先对于接近维护时限的飞机优先将其调度到有维修基地的航线上去。 我们用Python实现了这个启发式算法生成一个可行的不一定最优调度方案然后将这个方案作为MILP模型的初始解输入给求解器。4.3 核心代码片段与解析以下是我们模型核心部分的简化代码示例展示了如何使用PuLP构建模型import pulp import pandas as pd # 假设已经加载了数据flights_df航班表, aircraft_df飞机表, connections可行连接列表 # flights_df 包含列flight_id, dep_airport, arr_airport, dep_time, arr_time, ... # connections 包含列from_flight, to_flight, from_aircraft, feasible (bool) # 创建问题实例 prob pulp.LpProblem(Aircraft_Scheduling_MinCost, pulp.LpMinimize) # 1. 创建决策变量 # 航班指派变量 x[i,f] 1 如果飞机i执飞航班f x pulp.LpVariable.dicts(x, ((i, f) for i in aircraft_df.id for f in flights_df.flight_id), lowBound0, upBound1, catBinary) # 维护任务变量 y[i,m] 略 # 延误变量 d[f] 0 略 # 2. 设置目标函数 # 假设成本参数已定义 fuel_cost {...} fixed_cost {...} delay_penalty 100 # 每分钟延误惩罚成本 prob pulp.lpSum([fuel_cost[f] * x[i, f] for i, f in x.keys()]) \ pulp.lpSum([fixed_cost[i] * (pulp.lpSum([x[i, f] for f in flights_df.flight_id]) 0.5) for i in aircraft_df.id]) \ pulp.lpSum([delay_penalty * d[f] for f in flights_df.flight_id]) # 注意固定成本项的处理需要引入辅助变量这里用 0.5 是一种简化表示如果飞机执行了任何航班则计费。 # 3. 添加约束 # (1) 每个航班必须被执飞一次 for f in flights_df.flight_id: prob pulp.lpSum([x[i, f] for i in aircraft_df.id]) 1, fCover_Flight_{f} # (2) 飞机流平衡约束简化版针对每个机场-时间节点 # 这里需要根据时间网络构建复杂的约束是代码最复杂的部分。 # 通常会先生成一个“时空网络”每个节点是机场时间片然后为每架飞机构建流平衡。 # 此处省略详细代码其核心是对于每架飞机i在任何一个网络节点流入量流出量。 # (3) 连接可行性约束如果 x[i, f] 1 且 x[i, g] 1 那么航班f和g必须在时间地点上可行。 # 可以通过预处理“可行连接对”列表来添加约束避免不可行连接同时为1。 for i in aircraft_df.id: for (f, g) in infeasible_connections: # infeasible_connections 是预计算的不可行航班对列表 prob x[i, f] x[i, g] 1, fNo_Connection_{i}_{f}_{g} # 4. 求解 solver pulp.PULP_CBC_CMD(timeLimit7200, msgTrue) # 设置2小时求解时间限制 prob.solve(solver) # 5. 输出结果 print(pulp.LpStatus[prob.status]) if pulp.LpStatus[prob.status] Optimal: for v in prob.variables(): if v.varValue 0.9 and v.name.startswith(x): print(v.name, , v.varValue) print(Total Cost , pulp.value(prob.objective))注意事项流平衡约束的实现。这是整个建模的难点。上述代码中只是示意。在实际操作中我们构建了一个“时间-空间网络”。将计划期的时间轴离散化如每15分钟一个时段为每个机场在每个时段创建一个节点。对于每架飞机变量表示其是否“流经”某个节点弧例如从“机场A在时间t”的节点流向“机场B在时间t飞行时长”的节点。然后对每架飞机在每个节点应用经典的网络流平衡约束流入流出。这种方法概念清晰但变量和约束数量会非常庞大需要仔细设计时间离散粒度以平衡精度和求解速度。5. 结果分析与可视化呈现求解器跑出结果只是第一步如何解读并优雅地呈现结果是论文拿高分的关键。5.1 关键指标计算与解读我们从输出中提取决策变量计算了一系列绩效指标总体运营指标总成本模型直接输出与初始方案对比计算优化率。飞机利用率每架飞机实际飞行小时数 / 可用小时数。分析机队整体利用水平是否存在“忙的忙死闲的闲死”。航班执行率必须达到100%这是约束条件。航班级指标平均延误时间所有航班延误的平均值。延误航班比例延误超过15分钟的航班占比。靠桥率/远机位率通过分析过夜机场和停机位约束估算如果模型考虑了。飞机级指标单机飞行路径绘制每架飞机的甘特图一目了然地看到其执飞航班、维护和空闲时段。飞行小时分布检查是否有飞机接近或超过日/周最大飞行时限。5.2 可视化图表制作一图胜千言我们精心制作了以下几类图表甘特图这是展示调度方案最直观的工具。横轴是时间天/小时纵轴是飞机编号。每个条形块代表一个任务不同颜色代表航班、维护、调机、空闲条形块的长度代表任务时长。使用Python的plotly或matplotlib库可以绘制出交互式或静态的甘特图。从甘特图上可以清晰看出飞机使用的紧凑程度、维护安排的合理性以及是否存在资源冲突。飞机路径图在地图上用箭头线条绘制每架飞机在计划期内的移动轨迹。这能直观展示飞机的航线网络覆盖和调机情况。可以使用folium或plotly.express.line_mapbox实现。成本构成饼图/柱状图展示总成本中燃油、固定、延误等各部分的占比突出优化的主要来源。延误分布直方图展示航班延误时间的分布情况是右偏还是正态大部分延误集中在哪个区间。5.3 灵敏度分析与方案对比我们不仅给出了一个“最优”方案还做了深入的灵敏度分析体现思考的深度参数敏感性燃油价格波动模拟燃油价格上涨10%、20%对总成本和方案结构如是否更倾向于使用节油机型的影响。延误惩罚系数展示惩罚系数从低到高变化时平均延误时间和总成本之间的权衡关系Trade-off Curve。这能说明为了提升准点率需要付出多少成本代价。场景对比基准场景不使用优化模型仅用简单的启发式规则如我们的初始解生成规则得到的方案。优化场景我们完整的MILP模型求出的方案。对比维度从总成本、飞机利用率、平均延误等多个维度进行表格对比量化优化效果。例如“经优化总成本降低了15.3%平均延误减少了42分钟飞机利用率提升了8.7%”。6. 论文写作要点与独家心得数学建模竞赛七分做三分写。一篇逻辑清晰、表达专业的论文是获奖的敲门砖。6.1 论文结构规划我们严格遵循了“问题重述-模型假设-符号说明-模型建立-求解-结果分析-总结”的经典结构但在每个部分都注入了自己的思考。摘要重中之重评委可能只看摘要。我们用300-400字浓缩了针对什么问题、建立了什么模型混合整数线性规划、采用了什么算法分解协调CBC求解器、得到了什么关键结果成本降低XX%延误减少XX%、有什么特色鲁棒性考虑、启发式初值。避免空洞描述全是干货和数据。问题重述不是照抄赛题而是用自己的语言提炼出问题的核心要素、约束条件和优化目标展示你对问题的深刻理解。模型假设这是体现建模功力的地方。合理的假设能简化问题而不失本质。我们的假设包括“飞机故障忽略不计”、“旅客需求确定已知”、“过站时间为固定值”、“燃油消耗与业载线性相关”等。每一条假设都简要说明了其合理性和对模型可能产生的影响。符号说明制作一个清晰的三栏表格符号、含义、单位便于查阅。按模型部分分组如集合、参数、决策变量。模型建立这是论文主体。我们按照之前提到的“三层结构”来组织航班-飞机匹配模型基础指派与流平衡。维护规划集成模型加入维护节点和约束。鲁棒性增强模型引入随机延误场景或缓冲时间。 分小节逐步推导公式排版美观LaTeX的align环境。求解算法详细说明如何将数学模型转化为可求解的形式包括数据预处理、网络构建、分解策略、启发式算法设计以及求解器调用设置如时间限制、容差。结果分析大量使用5.2中制作的图表并结合文字进行解读。不仅说“是什么”更要说“为什么”。例如“从甘特图可见飞机利用率在早高峰和晚高峰达到峰值中午时段有较多空闲这符合航班波结构...”。灵敏度分析独立成节展示模型的稳健性和管理启示。模型评价与推广客观评价模型的优点考虑全面、求解高效和缺点假设较强、未考虑空中流量控制。提出可能的改进方向引入随机需求、集成机组排班并将模型推广到其他类似场景如高铁调度、物流车辆路径规划。6.2 写作避坑指南与提分技巧切忌“头重脚轻”很多队伍把大量篇幅花在问题背景、文献综述上模型和求解部分却一笔带过。评委最关心的是你如何建模和如何求解。这两部分应占全文60%以上的篇幅。图表要专业不要“丑”使用清晰的矢量图如PDF、SVG格式嵌入LaTeX配色简洁专业推荐使用viridis,plasma等色盲友好配色系。每个图表必须有编号和自解释的标题并在正文中引用。避免截图模糊、Excel默认风格的图表。代码不放正文除非赛题特殊要求否则冗长的代码不应放在正文中。可以放在附录或者在正文中只展示关键算法伪代码或流程图。我们当时用algorithm2e宏包绘制了启发式算法的伪代码。强调“你的工作”在引言和总结中要明确点出你的创新点或特色。例如“本文的主要贡献在于1提出了一个三层递进的集成建模框架2设计了结合规则与优化的两阶段求解算法3进行了深入的灵敏度分析为决策者提供了权衡依据。”反复检查符号一致性全文的符号尤其是下标必须前后完全一致。一个符号混乱的模型会极大降低论文可信度。时间管理三天时间建议第一天上午确定思路、完成数据处理和基础建模第二天全天求解和调试模型、完成核心分析第三天全天写作、制图、修改摘要和润色。留出最后2-3小时做最终排版和检查。这次MathorCup D题的实战经历让我深刻体会到数学建模竞赛比拼的不仅仅是数学知识更是问题拆解能力、工具使用能力和逻辑表达能力的综合体。从看到一个庞大的“航空飞行”问题时的茫然到最终形成一个清晰、可解、可说的完整方案这个过程本身就是一次极佳的锻炼。希望这篇详尽的复盘能帮你拨开迷雾更自信地应对未来的挑战。记住好的模型始于对业务的深刻理解成于对细节的执着打磨。 数学建模实战：混合整数规划求解航空调度优化问题
1. 项目概述从一道赛题到一套完整的解决方案去年带队参加MathorCup数学建模挑战赛我们组选的D题“航空飞行”给我留下了挺深的印象。这道题乍一看是关于航空公司的但内核其实是一个典型的资源调度与优化问题融合了运筹学、统计学和一点点航空专业知识。很多队伍拿到题的第一反应是去查各种复杂的飞行力学公式结果往往在第一步数据处理上就卡住了。我们当时走了一条相对务实的路线核心思路是把一个看似庞大的航空运营问题拆解成几个可以用数学模型清晰定义和求解的子问题。今天我就把这套从审题、建模到求解、写作的完整思路和实操细节结合我们当时的“原创成品”给大家掰开揉碎了讲一讲。无论你是正在备战MathorCup、国赛还是美赛希望这篇超过五千字的深度复盘能给你带来一些超越标准答案的启发。这道题的核心场景是一家航空公司拥有多条航线和多种机型需要考虑如何安排飞机的飞行计划包括执飞哪条航线、何时进行维护等在满足安全规章、市场需求和运营成本约束的前提下实现公司收益的最大化或总成本的最小化。它本质上是一个带时间窗和多种资源约束的调度优化问题。适合阅读这篇分享的不仅是数学建模的参赛队员任何对运筹优化、数据分析在实际业务中应用感兴趣的朋友都能从中看到如何将模糊的业务需求转化为精确的数学语言并最终获得可执行的方案。2. 解题核心思路与模型框架设计面对“航空飞行”这类开放性的优化问题最忌讳的就是一上来就埋头建复杂的模型。我们的策略是“先分解后综合”把一个大问题拆解成几个逻辑清晰、相对独立的模块再考虑它们之间的耦合关系。2.1 问题拆解三层递进结构我们最终将问题抽象为三个层次第一层航班-飞机匹配层。这是最基础的决策即确定每一天、每一条计划航班由哪一架飞机来执飞。这里的核心约束是“飞机唯一性”——同一时刻一架飞机只能执行一个航班任务。这本质上是一个指派问题的变体。但直接套用经典的指派模型会忽略时间连续性因为飞机执行航班是一个接续的过程。因此我们引入了“航段”的概念将每架飞机每天的时间线离散化为若干个时段每个时段对应一个状态如执飞某航班、在地面维护、空闲待命等。第二层飞机路径与维护规划层。飞机不是永动机法规强制要求飞机在累计飞行一定时长或起降次数后必须进行定期检修A检、C检等。这就需要在长达数周甚至数月的计划期内为每一架飞机规划其飞行路径并在合适的时机、合适的地点插入维护任务。这构成了一个带时间窗和资源约束的车辆路径问题其中“车辆”是飞机“客户点”是航班任务和维护任务“时间窗”由航班的计划起降时间和维护间隔法规共同决定。第三层鲁棒性与扰动应对层。真实的航空运营充满不确定性天气导致延误、飞机突发故障、客流临时变化等。一个优秀的计划必须具有一定的弹性。我们在模型中引入了鲁棒优化和随机规划的思想不是追求一个在理想状态下“最优”但很脆弱的解而是寻找一个在多种可能扰动场景下依然表现“良好”的稳健解。例如为关键航线和过夜基地预留备份飞机或在编排航班时故意留出一些缓冲时间。2.2 模型选型混合整数线性规划的核心地位基于以上拆解我们选择混合整数线性规划作为核心建模工具。为什么是MILP表达能力强大MILP能完美地描述“是/否”类决策例如飞机i是否执飞航班j使用0-1变量和连续数量决策例如某航班的载客量、加油量。软件支持成熟有众多成熟的商业或开源求解器如Gurobi, CPLEX, SCIP可以高效求解大规模MILP问题这对三天赛期至关重要。灵活性高可以相对方便地添加各种复杂的约束条件如飞机平衡约束飞出去多少架就得飞回来多少架、机组衔接约束、机场停机位限制等。我们将整个问题构建为一个以“航空公司总运营成本最小化”或“总收益最大化”为目标函数的MILP模型。成本项通常包括燃油成本与航程、业载相关、飞机折旧/租赁成本、机组成本、机场起降费、延误成本等。收益项则主要来自机票销售收入。注意目标函数的设定是战略性的。在赛题中如果明确要求“利润最大”则目标函数应为“总收益-总成本”。如果要求“提高效率”或“降低成本”则可以侧重成本最小化。我们当时分析了赛题描述发现它更强调在满足所有航班计划的前提下优化资源使用因此选择了“总运营成本最小化”作为首要目标同时在约束中保证了所有航班都被覆盖。2.3 数据预处理成败的关键第一步赛题通常会提供航班时刻表、飞机性能数据、机场信息、成本参数等。这些原始数据往往不能直接丢进模型必须经过清洗和转换。时间标准化将所有时间计划起飞时间、降落时间、滑行时间统一转换为从计划期开始时刻计算的“连续分钟数”或“时段索引”。这是处理时间约束的基础。构建“航班连接网络”这是最关键的一步。对于每一架飞机我们需要判断它执行完航班A后能否来得及执行航班B。这取决于A航班的降落机场是否等于B航班的起飞机场。A航班的降落时间 最小过站时间 ≤ B航班的起飞时间。 最小过站时间包括下客、清洁、加油、上客、推出等通常根据机型、机场繁忙程度给出一个经验值如45分钟。我们为所有可能的、满足连接条件的航班A 航班B对生成一个“可行弧”后续的决策变量就定义在这些弧上。维护任务生成根据每架飞机的初始状态已飞行小时数和法规每X小时需维护在计划期内为每架飞机推算出其理论上的维护时间窗。将每个维护任务也视为一个特殊的“航班”有固定的地点指定维修基地和耗时如24小时。3. 模型建立与核心决策变量定义有了清晰的思路和干净的数据就可以开始正式建立数学模型了。模型的精确性直接决定了求解的可行性和方案的质量。3.1 决策变量设计我们定义了以下几类核心决策变量二元决策变量 x(i, f, t)表示飞机 i 在时间 t 是否开始执行航班 f。这是最核心的变量决定了航班与飞机的匹配。二元决策变量 y(i, m)表示飞机 i 是否被安排执行维护任务 m。连续决策变量 z(f)表示航班 f 的实际载客量或业载用于计算燃油成本和收入。如果赛题简化了这部分此变量可省略。辅助变量如飞机在机场的停留状态变量、航班延误时间变量等用于表达复杂约束。使用0-1变量来描述“是否执行”是MILP的经典做法。变量数量会随着飞机数、航班数、时间粒度呈组合增长这是模型复杂度的主要来源。3.2 约束条件体系化约束是模型的灵魂确保解的现实可行性。我们建立了如下约束体系航班覆盖约束每一个计划航班都必须被且仅被一架飞机执行一次。这是硬性要求。 [ \sum_{i \in I} \sum_{t \in T_f} x(i, f, t) 1, \quad \forall f \in F ] 其中(T_f) 是航班f可行的开始时间集合可能包含正点或有限的延误范围。飞机流平衡约束保证每架飞机的行程是连续的、合理的。这包括节点流平衡对于任何一架飞机在任何一个时间点、任何一个机场它“流入”的状态到达必须等于“流出”的状态离开。路径连续性如果飞机i执行了航班f那么它下一个任务必须是另一个从f降落地出发的可行航班或者是一个维护任务或者是在该机场停留。飞机可用性约束初始位置每架飞机在计划期开始时位于指定的机场。唯一性同一时刻一架飞机最多只能执行一个任务飞行或维护。维护约束强制性每架飞机必须在法规规定的时间窗内完成指定的维护任务。地点限制某些维护只能在特定基地进行。时长保证维护任务必须连续进行不能中断。时间约束航班时间航班f的飞行时间固定加上过站时间决定了飞机的占用时长。连接时间两个连续任务之间必须有足够的最小过站或维护准备时间。延误限制航班起飞延误不能超过某个上限如2小时。资源容量约束可选用于更精细的模型机场停机位限制同一时间某个机场停靠的飞机数不能超过其停机位数量。机组资源约束可以简化为对飞机每日最大飞行小时数的限制。3.3 目标函数构建我们最终采用的目标函数是最小化总运营成本具体构成如下[ \min \quad \text{总成本} \text{燃油成本} \text{飞机固定成本} \text{延误惩罚成本} \text{维护相关成本} ]燃油成本与每个航班的飞行距离、飞机机型、业载相关。我们使用了简化的计算公式基础油耗 业载 * 单位业载油耗系数。飞机固定成本只要飞机被投入使用执行了至少一个航班就产生一天的折旧或租赁成本。延误惩罚成本为了平衡运行效率和计划稳定性我们对航班延误进行惩罚鼓励准点。延误成本 延误时长 * 单位时间惩罚系数。这个系数需要根据航班重要性如干线、支线差异化设置。维护相关成本主要是将飞机调机到维修基地产生的额外成本。实操心得目标函数权重调参。燃油成本、固定成本和延误成本之间的量纲和数量级可能差异很大。直接相加可能导致优化器只关注某一项。我们做了归一化处理或者通过调整惩罚系数来体现决策者的偏好。例如如果公司极度看重准点率就把延误惩罚系数设得非常高。在论文中我们专门设置了一个小节来讨论权重敏感性分析展示了不同权重下方案的变化这成为了论文的一个亮点。4. 模型求解与算法实现细节一个再漂亮的模型如果解不出来或者求解太慢也是纸上谈兵。MathorCup三天时间求解策略必须高效务实。4.1 求解环境与工具链我们当时的配置如下编程语言Python。生态丰富数据处理Pandas, NumPy和建模接口方便。建模工具PuLP开源或 Gurobi 的 Python API如果学校有license。我们使用了PuLP因为它免费且足够应对中等规模问题。PuLP本身是一个建模语言后端可以调用多种求解器。求解器我们选择了CBCCoin-or Branch and Cut它是PuLP的默认开源求解器对于混合整数规划问题表现稳定。如果问题规模超大可以考虑商用求解器如Gurobi其求解速度有数量级优势。辅助工具Jupyter Notebook 用于交互式开发和结果分析Matplotlib 和 Seaborn 用于可视化绘制甘特图、飞机路径图等。4.2 求解策略分解与启发式初值直接求解完整的、包含所有飞机和航班的MILP模型在有限时间内可能无法得到满意解。我们采用了“分解-协调”的策略按机队分解如果飞机机型差异大将其按机型分组分别建模。因为不同机型的成本、性能、可执飞航线不同耦合性较低。时间分解将整个计划期如30天按周或每几天切分成几个重叠的时段分别求解再在重叠时段进行协调。这能大幅降低单次求解的变量规模。提供启发式初始解求解器从一个好的起点开始搜索能极大加快寻优速度。我们设计了一个简单的启发式规则来生成初始解规则1就近匹配对于每个航班优先指派计划起飞时就在本场的、且机型合适的飞机。规则2最长空闲优先如果多架飞机可用优先使用接下来空闲时间最长的飞机以提高飞机利用率。规则3维护优先对于接近维护时限的飞机优先将其调度到有维修基地的航线上去。 我们用Python实现了这个启发式算法生成一个可行的不一定最优调度方案然后将这个方案作为MILP模型的初始解输入给求解器。4.3 核心代码片段与解析以下是我们模型核心部分的简化代码示例展示了如何使用PuLP构建模型import pulp import pandas as pd # 假设已经加载了数据flights_df航班表, aircraft_df飞机表, connections可行连接列表 # flights_df 包含列flight_id, dep_airport, arr_airport, dep_time, arr_time, ... # connections 包含列from_flight, to_flight, from_aircraft, feasible (bool) # 创建问题实例 prob pulp.LpProblem(Aircraft_Scheduling_MinCost, pulp.LpMinimize) # 1. 创建决策变量 # 航班指派变量 x[i,f] 1 如果飞机i执飞航班f x pulp.LpVariable.dicts(x, ((i, f) for i in aircraft_df.id for f in flights_df.flight_id), lowBound0, upBound1, catBinary) # 维护任务变量 y[i,m] 略 # 延误变量 d[f] 0 略 # 2. 设置目标函数 # 假设成本参数已定义 fuel_cost {...} fixed_cost {...} delay_penalty 100 # 每分钟延误惩罚成本 prob pulp.lpSum([fuel_cost[f] * x[i, f] for i, f in x.keys()]) \ pulp.lpSum([fixed_cost[i] * (pulp.lpSum([x[i, f] for f in flights_df.flight_id]) 0.5) for i in aircraft_df.id]) \ pulp.lpSum([delay_penalty * d[f] for f in flights_df.flight_id]) # 注意固定成本项的处理需要引入辅助变量这里用 0.5 是一种简化表示如果飞机执行了任何航班则计费。 # 3. 添加约束 # (1) 每个航班必须被执飞一次 for f in flights_df.flight_id: prob pulp.lpSum([x[i, f] for i in aircraft_df.id]) 1, fCover_Flight_{f} # (2) 飞机流平衡约束简化版针对每个机场-时间节点 # 这里需要根据时间网络构建复杂的约束是代码最复杂的部分。 # 通常会先生成一个“时空网络”每个节点是机场时间片然后为每架飞机构建流平衡。 # 此处省略详细代码其核心是对于每架飞机i在任何一个网络节点流入量流出量。 # (3) 连接可行性约束如果 x[i, f] 1 且 x[i, g] 1 那么航班f和g必须在时间地点上可行。 # 可以通过预处理“可行连接对”列表来添加约束避免不可行连接同时为1。 for i in aircraft_df.id: for (f, g) in infeasible_connections: # infeasible_connections 是预计算的不可行航班对列表 prob x[i, f] x[i, g] 1, fNo_Connection_{i}_{f}_{g} # 4. 求解 solver pulp.PULP_CBC_CMD(timeLimit7200, msgTrue) # 设置2小时求解时间限制 prob.solve(solver) # 5. 输出结果 print(pulp.LpStatus[prob.status]) if pulp.LpStatus[prob.status] Optimal: for v in prob.variables(): if v.varValue 0.9 and v.name.startswith(x): print(v.name, , v.varValue) print(Total Cost , pulp.value(prob.objective))注意事项流平衡约束的实现。这是整个建模的难点。上述代码中只是示意。在实际操作中我们构建了一个“时间-空间网络”。将计划期的时间轴离散化如每15分钟一个时段为每个机场在每个时段创建一个节点。对于每架飞机变量表示其是否“流经”某个节点弧例如从“机场A在时间t”的节点流向“机场B在时间t飞行时长”的节点。然后对每架飞机在每个节点应用经典的网络流平衡约束流入流出。这种方法概念清晰但变量和约束数量会非常庞大需要仔细设计时间离散粒度以平衡精度和求解速度。5. 结果分析与可视化呈现求解器跑出结果只是第一步如何解读并优雅地呈现结果是论文拿高分的关键。5.1 关键指标计算与解读我们从输出中提取决策变量计算了一系列绩效指标总体运营指标总成本模型直接输出与初始方案对比计算优化率。飞机利用率每架飞机实际飞行小时数 / 可用小时数。分析机队整体利用水平是否存在“忙的忙死闲的闲死”。航班执行率必须达到100%这是约束条件。航班级指标平均延误时间所有航班延误的平均值。延误航班比例延误超过15分钟的航班占比。靠桥率/远机位率通过分析过夜机场和停机位约束估算如果模型考虑了。飞机级指标单机飞行路径绘制每架飞机的甘特图一目了然地看到其执飞航班、维护和空闲时段。飞行小时分布检查是否有飞机接近或超过日/周最大飞行时限。5.2 可视化图表制作一图胜千言我们精心制作了以下几类图表甘特图这是展示调度方案最直观的工具。横轴是时间天/小时纵轴是飞机编号。每个条形块代表一个任务不同颜色代表航班、维护、调机、空闲条形块的长度代表任务时长。使用Python的plotly或matplotlib库可以绘制出交互式或静态的甘特图。从甘特图上可以清晰看出飞机使用的紧凑程度、维护安排的合理性以及是否存在资源冲突。飞机路径图在地图上用箭头线条绘制每架飞机在计划期内的移动轨迹。这能直观展示飞机的航线网络覆盖和调机情况。可以使用folium或plotly.express.line_mapbox实现。成本构成饼图/柱状图展示总成本中燃油、固定、延误等各部分的占比突出优化的主要来源。延误分布直方图展示航班延误时间的分布情况是右偏还是正态大部分延误集中在哪个区间。5.3 灵敏度分析与方案对比我们不仅给出了一个“最优”方案还做了深入的灵敏度分析体现思考的深度参数敏感性燃油价格波动模拟燃油价格上涨10%、20%对总成本和方案结构如是否更倾向于使用节油机型的影响。延误惩罚系数展示惩罚系数从低到高变化时平均延误时间和总成本之间的权衡关系Trade-off Curve。这能说明为了提升准点率需要付出多少成本代价。场景对比基准场景不使用优化模型仅用简单的启发式规则如我们的初始解生成规则得到的方案。优化场景我们完整的MILP模型求出的方案。对比维度从总成本、飞机利用率、平均延误等多个维度进行表格对比量化优化效果。例如“经优化总成本降低了15.3%平均延误减少了42分钟飞机利用率提升了8.7%”。6. 论文写作要点与独家心得数学建模竞赛七分做三分写。一篇逻辑清晰、表达专业的论文是获奖的敲门砖。6.1 论文结构规划我们严格遵循了“问题重述-模型假设-符号说明-模型建立-求解-结果分析-总结”的经典结构但在每个部分都注入了自己的思考。摘要重中之重评委可能只看摘要。我们用300-400字浓缩了针对什么问题、建立了什么模型混合整数线性规划、采用了什么算法分解协调CBC求解器、得到了什么关键结果成本降低XX%延误减少XX%、有什么特色鲁棒性考虑、启发式初值。避免空洞描述全是干货和数据。问题重述不是照抄赛题而是用自己的语言提炼出问题的核心要素、约束条件和优化目标展示你对问题的深刻理解。模型假设这是体现建模功力的地方。合理的假设能简化问题而不失本质。我们的假设包括“飞机故障忽略不计”、“旅客需求确定已知”、“过站时间为固定值”、“燃油消耗与业载线性相关”等。每一条假设都简要说明了其合理性和对模型可能产生的影响。符号说明制作一个清晰的三栏表格符号、含义、单位便于查阅。按模型部分分组如集合、参数、决策变量。模型建立这是论文主体。我们按照之前提到的“三层结构”来组织航班-飞机匹配模型基础指派与流平衡。维护规划集成模型加入维护节点和约束。鲁棒性增强模型引入随机延误场景或缓冲时间。 分小节逐步推导公式排版美观LaTeX的align环境。求解算法详细说明如何将数学模型转化为可求解的形式包括数据预处理、网络构建、分解策略、启发式算法设计以及求解器调用设置如时间限制、容差。结果分析大量使用5.2中制作的图表并结合文字进行解读。不仅说“是什么”更要说“为什么”。例如“从甘特图可见飞机利用率在早高峰和晚高峰达到峰值中午时段有较多空闲这符合航班波结构...”。灵敏度分析独立成节展示模型的稳健性和管理启示。模型评价与推广客观评价模型的优点考虑全面、求解高效和缺点假设较强、未考虑空中流量控制。提出可能的改进方向引入随机需求、集成机组排班并将模型推广到其他类似场景如高铁调度、物流车辆路径规划。6.2 写作避坑指南与提分技巧切忌“头重脚轻”很多队伍把大量篇幅花在问题背景、文献综述上模型和求解部分却一笔带过。评委最关心的是你如何建模和如何求解。这两部分应占全文60%以上的篇幅。图表要专业不要“丑”使用清晰的矢量图如PDF、SVG格式嵌入LaTeX配色简洁专业推荐使用viridis,plasma等色盲友好配色系。每个图表必须有编号和自解释的标题并在正文中引用。避免截图模糊、Excel默认风格的图表。代码不放正文除非赛题特殊要求否则冗长的代码不应放在正文中。可以放在附录或者在正文中只展示关键算法伪代码或流程图。我们当时用algorithm2e宏包绘制了启发式算法的伪代码。强调“你的工作”在引言和总结中要明确点出你的创新点或特色。例如“本文的主要贡献在于1提出了一个三层递进的集成建模框架2设计了结合规则与优化的两阶段求解算法3进行了深入的灵敏度分析为决策者提供了权衡依据。”反复检查符号一致性全文的符号尤其是下标必须前后完全一致。一个符号混乱的模型会极大降低论文可信度。时间管理三天时间建议第一天上午确定思路、完成数据处理和基础建模第二天全天求解和调试模型、完成核心分析第三天全天写作、制图、修改摘要和润色。留出最后2-3小时做最终排版和检查。这次MathorCup D题的实战经历让我深刻体会到数学建模竞赛比拼的不仅仅是数学知识更是问题拆解能力、工具使用能力和逻辑表达能力的综合体。从看到一个庞大的“航空飞行”问题时的茫然到最终形成一个清晰、可解、可说的完整方案这个过程本身就是一次极佳的锻炼。希望这篇详尽的复盘能帮你拨开迷雾更自信地应对未来的挑战。记住好的模型始于对业务的深刻理解成于对细节的执着打磨。