企业官网建设流程全解析

简介：面向数学建模竞赛参赛者的赛题解析资料，聚焦2024年电工杯B题，围绕大学生一日食谱的膳食营养评价与优化问题，完整讲解从问题理解、模型建立到程序实现的全流程。压缩包内含一个docx文档，体积约三十二千字节，虽小却系统梳理了赛题分析、计算公式与代码实现。文档先依据参考标准计算能量、蛋白质、脂肪、碳水化合物及维生素矿物质摄入量，评估膳食结构与营养素缺乏或过量情况；再针对高校食堂食材提出增加优质蛋白与蔬果、减少高脂高糖食物的调整方案；最后构建营养优化模型，用编程求解并生成平衡膳食的日食谱与周食谱表格。读者可对照样例代码快速复现求解过程，掌握数据处理与建模思路，适合备赛同类竞赛或膳食优化建模任务的学生参考。已有892人学习下载，可作为备赛阶段的直接借鉴。

1. 电工杯B题到底考什么：不只是算法，是整套建模流程

很多队伍在电工杯B题上翻车，不是败给算法不够新，而是败给流程：拿到题目花一天半读数据，建模到第三天发现约束漏了，最后一天通宵改代码，提交前连结果合理性都没验证。B题和A题最大的差别在于，它往往给足真实场景和表格数据，工程量集中在数据清洗、约束梳理和结果解释上，而不是拼谁会用神经网络。你需要的不是某个灵光一现的模型，而是一条能稳定复现的流水线：读题拆问题、洗数据、建模型、写代码求解、排错、验结果。这篇笔记就按这个顺序把完整过程拆开讲，代码直接能跑，参数掰开揉碎说清楚，适合正在备赛的学生，也适合第一次带队的指导者照着检查进度。

2. 把题意翻译成数学模型：目标函数与约束条件的拆解

2.1 第一步不是写代码，是给问题下定义

我见过太多队伍对着赛题第一反应就是打开编辑器，结果写了一堆用不上的函数。正确做法是用半天时间把题目文字翻译成数学语言，翻译完了，代码只是体力活。B题的题干通常包含场景描述、数据表说明、求解要求三部分，你要从中提取三类信息：决策变量、目标函数、约束条件。这三样缺一个，模型就没法定型。

具体操作建议按这个顺序走：先把题目里所有“求”“使”“最小化”“最大化”字样的句子圈出来，那里面藏着目标函数；再把所有“满足”“受限于”“不超过”“不低于”“必须”圈出来，那里面藏着约束；最后看表格的列名和数据范围，确定哪些量是给定的参数、哪些量是要算的决策变量。这一步做完，你会得到一张草稿纸，上面是数量关系而不是中文句子。

2.2 决策变量三分类与建模表格

决策变量在电工杯B题里通常分三类：连续变量、整数变量、0-1变量。连续变量比如发电机出力、流量大小；整数变量比如设备台数、人员数量；0-1变量最常见，比如设备是否启动、开关是否闭合、方案是否采用。三类变量决定了后面求解器的选型，这一步分错了，后面代码结构全错。

为了不容易漏，我一般会画一张建模表，把题目给的每一个物理量填进去。下面这张表是通用模板，你可以直接抄：

表格填完，你就能直观看出哪些量是求解器要算的、哪些是读数据进来的。一个重要的检查点：如果题目给了一张数据表，表里每个字段都必须能在你的建模表里找到归宿，找不到的那个字段要么是冗余信息，要么是你漏读了一个约束，后者的概率远大于前者。

2.3 约束条件的层次化整理

约束条件不要一股脑写进代码，先按层次理清楚。我习惯分四层：第一层是物理边界，也就是变量的上下界，比如出力不能超过机组额定功率；第二层是平衡约束，比如每个时段总出力等于总负荷；第三层是逻辑约束，比如设备启动了才能出力，也就是出力大于0的前提是状态变量为1；第四层是工程附加约束，比如机组不能频繁启停、检修时段不能运行。这四层优先级依次降低，前三层是模型正确性的底线，第四层是得分点。

一个容易犯的错误是把所有约束写成一大段不等式，不分层。后果是当求解器报“无解”的时候，你根本不知道是哪一层约束在打架。正确的做法是在纸上先把约束写成带编号的数学表达式，比如“约束C1：∑P_i(t) = D(t), ∀t”，然后再开始写代码。一旦后期排查，你能按编号快速禁用某组约束做测试，而不是对着几百行代码发呆。这一步花两小时，后面能给你省两天。

3. 数据预处理与特征构造：从赛题数据到可求解的输入

3.1 读取赛题数据：格式假设与读取代码

电工杯B题的数据文件常见格式是Excel表格，偶尔也会给CSV。第一个坑就是打开文件的瞬间发现表头不是第一行、列名带单位、时间列是文本格式。这些问题不处理，后面的合并和计算全崩。下面这段代码是我每次拿到赛题数据都会先跑一遍的“体检脚本”：

import pandas as pd import numpy as np # 读取Excel，假设sheet名为Sheet1 df = pd.read_excel('load_data.xlsx', sheet_name='Sheet1') # 体检：查看行列数、列名、每列非空数、数据类型 print("形状:", df.shape) print("列名:", df.columns.tolist()) print("类型:\n", df.dtypes) print("缺失统计:\n", df.isnull().sum()) print("前5行:\n", df.head())

这段代码的作用是让你的数据底牌暴露出来，而不是靠肉眼猜。注意四点：第一，read_excel的sheet_name参数要和你实际打开Excel时看到的表名一致，有时候表名叫“数据1”而不叫Sheet1，读不对就报错；第二，df.dtypes会告诉你哪些列被读成了字符串，比如时间列如果显示object，说明需要转时间格式；第三，isnull().sum()是排查缺失值最快的方式，比手动翻Excel靠谱得多；第四，head()必须看，因为表头有没有被当数据读进去，看前两行就知道。

3.2 缺失值与异常值处理：为什么不能用均值填

赛题数据里常见两类问题：一是某些时段的数据缺失，二是某些采样点数值明显偏离物理范围，比如负荷突然变成负数或超出变压器容量。很多队伍图省事直接用均值填充，这是个隐蔽的坑。对于电力负荷这类强时间相关序列，均值填充会直接抹掉峰谷特征，导致后面约束被错误满足或违反。

我一般这样处理：先看缺失值比例，少于总样本量5%的，用前后时刻线性插值；比率较高的，先检查是不是整个时间段缺失——那可能是题设故意让你合并外部数据，而不是让你猜。对于异常值，用物理边界判断：超出设备容量的直接标为异常，然后按上下相邻点插值修正。代码里用线性插值最稳妥：

# 时间列转datetime df['time'] = pd.to_datetime(df['time']) # 按时间排序，务必先排序再插值 df = df.sort_values('time') # 设定数值列的物理边界示例：负荷列合理范围为[0, 2000] col = 'load' df.loc[df[col] < 0, col] = np.nan df.loc[df[col] > 2000, col] = np.nan # 线性插值填充缺失值 df[col] = df[col].interpolate(method='linear', limit_direction='both')

这里有个细节值得说：interpolate默认不填充序列开头和结尾的缺失值，所以加了limit_direction='both'，让首尾也能用最近邻的逻辑补齐。注意，先sort_values再插值是必须的，否则时间乱序时插值结果没有物理意义。做完这一步，把处理后的数据画个折线图，肉眼看一遍有没有尖刺或平台，数值问题基本就能拦住。

3.3 特征构造与量纲统一

B题的数据往往不是直接可用，需要构造派生特征。最常见的几个：峰谷时段标识（把24小时分成峰、平、谷三段）、累计平均值、滑动窗口均值、或者把日期转换成星期几。这些特征的作用是让模型捕捉到负荷的周期性规律，或者让优化约束变得更贴近实际。比如分时电价场景，峰谷标识就是成本计算的关键输入。

量纲统一是这里最容易翻车的地方。题目给你的数据可能是功率单位千瓦、成本单位元每兆瓦时、时间单位小时，混在一起的时候必须全部折算到同一套单位制。我见过一组队伍在目标函数里加了燃料成本和启停成本，一个单位是元、另一个是万元，结果求解器给出的方案看起来“成本极低”，其实是把不同量纲的数直接相加了。建议在代码开头定义一个基础单位，比如功率统一用兆瓦、成本统一用元、时间统一用小时，所有数据进来先换算，再进模型。这个习惯能避免90%的数值玄学问题。

4. 核心求解代码：基于MILP的完整实现与参数解读

4.1 求解器选型：什么时候用线性、什么时候用混合整数

到了求解环节，先不要急着套遗传算法。B题里绝大多数优化问题都可以用线性规划（LP）或混合整数线性规划（MILP）解决，区别在于你的决策变量里有没有整数或0-1变量。全连续变量就用scipy.optimize.linprog；含0-1或整数变量就用scipy.optimize.milp，这两个都是开箱即用的求解器，不需要额外许可证。

很多队伍一看到“优化”两个字就上遗传算法，理由是怕模型是NP难的。实际上，B题给的规模通常不会大到求解器跑不动。我做过一次对比：一个包含30台设备、24个时段的MILP模型，scipy.optimize.milp默认参数下几秒到几十秒就能出结果，而同样的问题用遗传算法，参数调不好时可能陷入局部最优，还解释不清。能用精确求解器解决的，就坚决不用启发式。等精确求解器确实跑不动了，再考虑上启发式。

4.2 完整求解代码：机组启停与负荷分配

下面这套代码是一个典型的机组组合（Unit Commitment）简化模型，目标是最小化燃料成本和启动成本，约束包括负荷平衡、出力上下限、启停逻辑。这是电工杯B题里出镜率最高的优化骨架，你拿着换成赛题里的设备和约束就能用。注意这里我特意用小型示例数据保证代码可以直接运行：

import numpy as np from scipy.optimize import milp, LinearConstraint, Bounds # ---------- 参数设置 ---------- n_units = 3 # 机组数量 T = 24 # 时段数，单位小时 Pmin = np.array([50, 30, 20]) # 各机组最小出力，MW Pmax = np.array([200, 150, 100]) # 各机组最大出力，MW fuel_cost = np.array([0.55, 0.65, 0.75]) # 燃料成本，元/MWh start_cost = np.array([300, 200, 150]) # 启停成本，元/次 # 24小时负荷需求，单位为MW，实际赛题从Excel读入 demand = np.array([ 180, 170, 160, 155, 150, 160, 200, 240, 280, 320, 330, 310, 290, 280, 300, 340, 360, 380, 420, 400, 360, 300, 220, 190 ]) # ---------- 变量编号约定 ---------- # 变量排列顺序：前 n*T 个是启停状态 x，中间 n*T 个是出力 p，最后 n*T 个是启动辅助变量 s def idx_x(i, t): return i * T + t def idx_p(i, t): return n_units * T + i * T + t def idx_s(i, t): return 2 * n_units * T + i * T + t n_var = 3 * n_units * T # ---------- 目标函数系数 ---------- c = np.zeros(n_var) for i in range(n_units): for t in range(T): c[idx_p(i, t)] = fuel_cost[i] # 出力成本 c[idx_s(i, t)] = start_cost[i] # 启动成本 # ---------- 变量边界 ---------- lb = np.zeros(n_var) ub = np.ones(n_var) for i in range(n_units): for t in range(T): lb[idx_p(i, t)] = Pmin[i] ub[idx_p(i, t)] = Pmax[i] ub[idx_s(i, t)] = 1.0 bounds = Bounds(lb, ub) # ---------- 约束矩阵组装 ---------- A_rows = [] lb_con = [] ub_con = [] # 约束1：每个时段总出力等于负荷需求 for t in range(T): row = np.zeros(n_var) for i in range(n_units): row[idx_p(i, t)] = 1 A_rows.append(row) lb_con.append(demand[t]) ub_con.append(demand[t]) # 约束2：出力受启停状态约束（p 在 0 和 x*Pmax 之间） for i in range(n_units): for t in range(T): row1 = np.zeros(n_var) row1[idx_p(i, t)] = 1 row1[idx_x(i, t)] = -Pmax[i] A_rows.append(row1) lb_con.append(-np.inf) ub_con.append(0) # 保证 p - x*Pmax <= 0 row2 = np.zeros(n_var) row2[idx_p(i, t)] = -1 row2[idx_x(i, t)] = Pmin[i] A_rows.append(row2) lb_con.append(-np.inf) ub_con.append(0) # 保证 -p + x*Pmin <= 0 # 约束3：启动变量与状态变化的关系 s >= x[t] - x[t-1] for i in range(n_units): for t in range(1, T): row = np.zeros(n_var) row[idx_x(i, t)] = 1 row[idx_x(i, t - 1)] = -1 row[idx_s(i, t)] = -1 A_rows.append(row) lb_con.append(-np.inf) ub_con.append(0) # 保证 x[t] - x[t-1] - s <= 0 constraints = LinearConstraint(np.array(A_rows), lb_con, ub_con) # ---------- 指定整数变量：启停状态为0-1 ---------- integrality = np.zeros(n_var) for i in range(n_units): for t in range(T): integrality[idx_x(i, t)] = 1 # 1表示整数约束 # ---------- 求解 ---------- res = milp(c, integrality=integrality, bounds=bounds, constraints=constraints) # ---------- 结果输出 ---------- if res.success: print("求解成功，总成本: %.2f 元" % res.fun) x_opt = res.x[:n_units * T].reshape(n_units, T) p_opt = res.x[n_units * T:2 * n_units * T].reshape(n_units, T) print("各时段总出力:", p_opt.sum(axis=0).round(1)) print("机组1启停状态:", x_opt[0].astype(int)) else: print("求解失败:", res.message)

这段代码的核心逻辑分成四个模块：变量定义、目标函数、约束组装、求解输出。milp函数的四个关键参数分别是c（目标系数向量）、integrality（标记哪些变量是整数）、bounds（变量的上下界）、constraints（线性约束）。特别注意integrality里我只把启停状态x标记为1，出力p和辅助变量s保持0也就是连续变量——如果你把p也标记成整数，模型会被迫要求出力是整数兆瓦，那既不符合物理实际，也会让求解变慢几倍。

LinearConstraint的组装方式是用三个数组描述一组不等式：A_rows是系数矩阵的每一行，lb_con和ub_con是每行的下界和上界。对于形如A·x ≤ b的不等式，下界设成-np.inf、上界设成0；对于等式约束，上下界都设成同一个数。这个写法是scipy的风格，和pulp那种逐条addConstraint不同，习惯后批量组装更快，也不容易漏约束。

4.3 结果的工程检验：可行性与可解释性

求解器返回success=True不代表结果一定正确。我拿到结果习惯先做三个检验：第一，把每个时段的p_opt.sum(axis=0)和demand逐项对比，误差超过1e-6就说明约束组装时漏了某个时段；第二，检查启停状态和出力是否匹配，也就是某个机组x=0的时段，对应出力必须为0，这是约束2在起作用；第三，把目标函数值拆开，分别统计燃料成本和启动成本，看看启动成本占比是否合理——如果启动次数多得离谱，通常说明你漏掉了最小启停时间约束，误差会被评委一眼看出来。

另外，res.fun的单位取决于你目标系数c的单位。前面写的fuel_cost单位是元每兆瓦时，出力单位是兆瓦，时间单位是小时，所以乘积单位就是元。这个换算链要在论文里写清楚，很多评委专门挑这种单位口径不统一的错。

5. 避坑清单：五天赛程里最常翻车的五个环节

5.1 单位错位：数字对了但物理意义错了

现象：求解结果的总成本数值很小，小到明显不符合常识，或者约束“看似满足”但画图上曲线对不上。原因：数据表里某列的单位是千瓦，模型里却按兆瓦参与运算，导致数量级差了1000倍。解决：在代码开头写一个单位换算区，所有数据读入后第一时间统一到一套单位制，再进入模型。输出结果时再换回题目要求的单位，不要在模型内部来回切换单位。

5.2 漏掉隐式约束：边界条件拆题不干净

现象：模型跑通了，结果也很漂亮，但对照赛题原文发现有个前提条件没有被体现，比如“机组在检修时段不得启动”“设备启动后至少运行2小时”。原因：拆题时只看到了显式的数字约束，忽略了文字描述里的逻辑约束。解决：把题目文字逐句过一遍，遇到描述运行规则的长句，全部改写成逻辑表达式，写不进数学表达式的也要在论文里作为假设说明。宁可多设一个约束让问题变紧，也不能漏掉一个约束扣分。

5.3 求解器提示infeasible：不是题目错了，是建模漏了

现象：milp返回success=False，报错信息显示无可行解。原因：最常见的三个——负荷数据有误导致平衡约束达不到；某个机组Pmin设得过高，在低谷时段无法只靠这一台机组满足低负荷；约束之间互相矛盾，比如同时要求某机组“必须运行”和“出力为零”。解决：用二分法排查，先把第四层附加约束全删掉，只保留平衡约束和物理边界，跑通了再加回一条、再跑，直到找出哪两条约束打架。注意Pmin和Pmax的赋值不能搞反，这个错误我见过不止一次。

5.4 时间戳没有对齐：跨天数据排错的常见坑

现象：预处理后画图，负荷曲线在每天交界处出现断崖式跳变，或者某些时段的出力计算出来是负数。原因：原始数据的时间列是字符串格式，排序时按字母序排，导致“2024-06-01 08:00:00”排在“2024-06-01 07:00:00”前面，整个序列错位。解决：读入时间列后立即执行pd.to_datetime，然后强制sort_values，排序后再检查首尾时间是否连续。这个坑特别隐蔽，因为大部分数据看起来还是“有序”的，只有画图才能暴露。

5.5 可视化误导：自己给自己造成困惑

现象：画出的调度甘特图负荷曲线看着完美，但团队内部对结果理解不一致，有人觉得“曲线光滑过头了不真实”。原因：可视化代码里用了平滑插值或默认的线条填充，掩盖了实际离散采样点的信息；或者坐标轴范围设得不合理，把异常波动压平了。解决：画结果图一律用散点加折线，不额外平滑；坐标轴刻度和范围固定，不要用自动缩放；给每张图标注单位。可视化是为了让评委快速抓住你的方法，而不是制造解释不清的视觉误差。

6. 验证与进阶：灵敏度分析让模型站得住脚

B题拿奖和拿高分的分界线，往往在于有没有做验证。最容易被忽略但性价比最高的验证手段是灵敏度分析：把关键参数从基准值上下浮动10%~20%，重新求解，观察目标函数值的变化方向和幅度。这一步直接回应了评委最爱问的“你这个结果对参数敏感吗”。

代码很简单，基于第4章的模型，把demand整体放大1.1倍，再跑一次milp，对比前后总成本。我习惯做成参数扫描，记录每个场景下的目标值和决策变量，整理成一张表：

scale_list = [0.8, 0.9, 1.0, 1.1, 1.2] cost_list = [] for scale in scale_list: demand_scaled = demand * scale # 重新拼约束矩阵，此处省略与第4章相同的装配代码 # res = milp(...) cost_list.append(res.fun) print("不同负荷水平下的最优成本:") for s, c in zip(scale_list, cost_list): print(f" 负荷倍数 {s:.1f} -> 成本 {c:.2f} 元")

如果成本随负荷近似线性增长，说明模型行为符合物理直觉；如果某一段出现跳跃，大概率是某个机组在临界点启停，这个现象反而值得写进论文，作为结论的支撑。除了灵敏度分析，我还有个多年养成的习惯：深夜写好代码，第二天早上重新读一遍自己的约束清单再提交，因为熬夜时最容易犯“以为写了但实际没写”的低级错误。这不是客套话，是真实成本换来的习惯。希望这篇拆解能帮你在赛程里少走几个弯路，把时间花在真正拉分的地方。

本文还有配套的精品资源，点击获取