企业官网建设流程全解析

做电动汽车换电站布局规划的人，大概率都遇到过这样一段心路：手里有城市地图、有车辆热力分布、有建设预算，却不知道站该落在哪、每个站该放多少电池，才能让用户换电最方便，同时又让投资不打水漂。传统的做法是拍脑袋定几个点，再根据运营反馈慢慢调整，但等运营数据出来再改，成本已经烧掉了。用MATLAB把这个问题转成一个有约束的优化模型，用内置求解器直接算，是我近几年做这类规划项目时最常用的方式，也是这篇文章想完整讲透的东西：从问题建模到代码实现，再到那些教科书里不会写的坑，一条路走下来，你会发现自己也能在棋盘格一样的地图上，亲手算出最优站址。

1. 先搞清楚换电站布局和充电桩布局的底层逻辑差异

1.1 换电站不是“充电桩放大版”，它是实时库存系统

很多刚接触换电站规划的人，会下意识把充电桩布局的那套思路拿过来用：找几个车流密度高的点，半径覆盖几公里，然后用站点数量去逼近用户密度。这个思路在充电桩场景下勉强可用，因为充电桩本质上是“能源供给点”，车开过来插上就行了；但换电站不一样，它不只是能源供给点，同时还是一个“电池库房”。

每一座换电站里，满电电池的数量是有限的，用户换走的是一块满电电池，留下的是一块低电量的。如果某个时刻来的车太多，满电电池被换光，后续车主就只能等着充电，那所谓“15分钟换电”就变成了一纸空谈。所以换电站布局要同时考虑两件事：选址让用户少跑路，配电池让大家不排队。这两件事往往互相打架：站多、电池多，服务好，但投资高；站少、电池少，省钱，但用户体验差。

我一开始做这个模型的时候，只考虑了距离成本，结果求出来的方案是这样的：在市中心人口密集区放一堆大站，郊区完全不管。从图上看，每个需求点到站的平均距离确实降下来了，但市中心的换电站电池利用率几乎全程满载，郊区站又门可罗雀。后来在目标函数里加入了“电池等待惩罚”项，才真正把排队问题反映出来。

1.2 一个具体的算例：某片区的空间数据与矛盾关系

为了后面方便讲解，我构造一个典型的算例场景。假设某城市片区被划分成一个矩形区域，存在若干需求点，每个需求点代表一片住宅小区或办公区聚集的车辆密度中心。比如需求点1代表北部居住组团，需求点2代表东部商务区，需求点3代表西部产业园区，需求点4代表南部综合商贸区，需求点5代表中部枢纽区。

这些需求点各有用车规模，单位换算成“每天需要换电的车次”。候选换电站则有十几个，分布在主干道、交通节点、商业广场附近。每个候选站有一个建设成本，该成本不仅包含场地租金、装修和设备，还包含首批电池的采购费用。电池组数和站容量有一个上限，候选站还可能因为土地条件、电网容量等原因有容量分级。

我的算例里，总预算被设置成只够建设大约三分之一到一半的候选站，这就天然形成了一个矛盾：选这个站，可能要舍弃那个站；给这个站多配电池，另一个站就得少配。这种取舍如果全靠人工对比，工作量极大，而且换一个预算数字就要重新调一遍。用混合整数规划表达出来之后，换预算只需要改一个参数，重新跑一遍求解器就行。

这个算例比较小，但它的结构足够典型：空间上分散的需求点、带容量上限的候选站、总预算约束、服务距离或时间成本，以及电池周转约束。它基本覆盖了换电站布局优化中最核心的数学关系，后面所有MATLAB代码都围绕这个算例展开。

2. 把“在哪里建站”翻译成数学语言：混合整数规划建模

2.1 参数、集合与决策变量的设计

做优化建模的第一步，永远是把现实语言精确翻译成数学符号。手写推演一遍再去写MATLAB，比直接对着求解器函数手册折腾要靠谱得多。

首先定义集合。需求点记作 (i \in I)，I 的大小为 (N_d)，在算例里是5。候选站记作 (j \in J)，J 的大小为 (N_s)，算例里我设10。每个候选站可配的电池数量，通常按档位离散化处理，这里先做连续近似，后面再谈离散化。

接下来是决策变量。第一个决策变量是 (y_j)，它是一个0-1变量，表示候选站j是否被选中建设。第二个决策变量是 (x_{ij})，表示需求点i的用户是否被分配给候选站j服务，本质上是一个0-1变量。第三个决策变量是 (b_j)，表示候选站j配备的电池组数，这里为了简化，先设成整数变量。

还有一个辅助变量是 (z_{ij})，当 (x_{ij}=1) 且 (y_j=1) 时有效，作用是在线性化过程中代替两个变量的乘积，后面会详细说明。

这些变量之间的关系很直观：一个需求点只能被一个站服务，所以每个i对应的 (x_{ij}) 之和等于1；一个站如果没被选中，就不能给任何人服务，所以 (x_{ij}) 必须小于等于 (y_j)。

2.2 目标函数：距离成本、建设成本与排队惩罚的加权

目标函数通常取总成本最小化。第一类是距离成本，即需求点到所分配站的行驶距离乘以单位距离成本 (c_{dist})。距离数据用道路网络下的行驶距离计算更准确，但在规划阶段，欧氏距离乘一个绕路系数就已经足够了。

第二类是建设成本，即站被选中时的一次性投入 (C_j)，包括基建、设备以及首批电池采购。如果电池数量超过首批额度，还要额外按每块电池的成本 (C_{bat}) 计算增量。

第三类是排队惩罚，这是最容易忽略但也是最重要的项。我建模用的方式是：对每个被选中的站，预测其服务范围内的所有需求车次总和，根据换电设备数量换算成平均等待时间，再乘一个惩罚系数。严谨的排队论模型需要用到M/M/c排队公式，但在最初的规划阶段，用一个关于需求总量和电池组数的凸函数近似速度更快、稳定性也更好。

具体近似函数是：

[ queueCost_j = \lambda \cdot \left( \frac{D_j}{b_j} - T_{target} \right)^2_{+} ]

其中 (D_j) 是分配给该站的总需求车次，(T_{target}) 是目标换电服务能力，(\lambda) 是惩罚权重，下标 + 表示括号内取正值。这个函数的意义是：当站的需求负荷超过电池周转能力时，费用快速增长，逼着模型要么多配电池，要么少收需求。

总目标函数写出来就是：

[ \min \sum_{i,j} c_{dist} \cdot dist_{ij} \cdot x_{ij} + \sum_{j} C_j \cdot y_j + \sum_{j} queueCost_j ]

这个目标函数看起来简单，但里面藏着两个容易在MATLAB实现时翻车的点：一个是 (x_{ij}) 和 (y_j) 的逻辑关系约束，另一个是 queueCost 的非线性形式。

2.3 线性化处理和约束清单

MATLAB内置的 intlinprog 只能处理线性目标、线性约束和整数变量。queueCost 带有平方项，不能直接塞进去。常规做法是分段线性逼近，或者干脆引入辅助变量把平方项线性化。最省事的办法，是将 queueCost 对 (D_j) 和 (b_j) 的关系做网格化采样，然后引入一组新变量表示落在哪个分段区间。

另一种更简化的做法是：直接把排队惩罚转换成对“站的最大服务车辆数”的约束，比如限制 (D_j) 不能超过某个与 (b_j) 有关的线性函数：

[ D_j \le T_{target} \cdot b_j + M_j^{serve} \cdot (1 - y_j) ]

这个约束的意思是，如果站j被选中，它服务的总车次不能超过电池组的服务能力；如果没被选中，右侧加了一个大 (M_{serve})，使得约束变松，不影响求解。用这种线性约束代替目标函数中的非线性排队项后，问题变成纯线性混合整数规划。

约束清单整理如下：

• 需求分配唯一性：(\sum_j x_{ij} = 1, \forall i)
• 服务站启用约束：(x_{ij} \le y_j, \forall i,j)
• 配电池上限：(b_j \le B_{j}^{max} \cdot y_j, \forall j)
• 服务能力约束：(D_j \le T_{target} \cdot b_j + M \cdot (1-y_j))
• 总预算约束：(\sum_j C_j \cdot y_j + \sum_j C_{bat} \cdot (b_j - b_j^{init}) \le Budget)

其中 (D_j = \sum_i d_i \cdot x_{ij})，也就是站j覆盖需求点的加权总车次。(b_j^{init}) 是站内首批电池数量。

这套模型做完之后，再把距离矩阵、需求向量、候选站成本、预算这些数据准备好，就可以开始写MATLAB了。

3. MATLAB实现：从零到 intlinprog 求解的完整过程

3.1 先准备数据：坐标、距离矩阵与参数表

写代码之前先把数据结构化。我给每个需求点和候选站分配一个坐标，坐标用二维平面表示，单位是公里。手动输入所有坐标很容易出错，所以我习惯直接在MATLAB脚本里定义数组，并加上注释。

下面是一份可运行的数据准备段：

%% 基础数据 % 需求点坐标: [x, y] 单位 km demandLoc = [ 2, 7; 8, 8; 3, 2; 7, 3; 5, 5 ]; % 需求点的日换电需求车次 demandFlow = [120; 180; 90; 150; 160]; % 候选站坐标 stationLoc = [ 1, 1; 2, 5; 4, 8; 5, 3; 6, 6; 7, 2; 8, 5; 9, 9; 3, 6; 6, 4 ]; % 候选站建设成本 (万元) buildCost = [300; 400; 450; 380; 500; 350; 420; 520; 410; 460];

这里需求点数量 (N_d = 5)，候选站数量 (N_s = 10)。计算距离矩阵时，我没有用简单的欧氏距离，而是乘了一个路网系数1.4，因为实际道路很少能两点一线直达：

roadFactor = 1.4; distMat = zeros(length(demandFlow), length(buildCost)); for i = 1:length(demandFlow) for j = 1:length(buildCost) distMat(i,j) = roadFactor * norm(demandLoc(i,:) - stationLoc(j,:)); end end

3.2 构造求解器所需的向量与矩阵

intlinprog 的输入形式是：

[ \min f^T x \quad \text{s.t.} \quad A_{ineq}x \le b_{ineq}, \quad A_{eq}x = b_{eq}, \quad lb \le x \le ub ]

其中 x 是所有决策变量拼接成的一个大列向量。我在代码里把变量顺序固定为：

• 变量1到 (N_s)：(y_j)
• 变量 (N_s+1) 到 (N_s + N_d*N_s)：(x_{ij})
• 变量 (N_s + N_d*N_s + 1) 到末尾：(b_j)

变量总数为：10 + 5*10 + 10 = 70。

为了方便拼矩阵，我写了一个函数，把变量索引映射到实际位置：

function idx = varIndex(type, i, j, Ns, Nd) % type: 'y' -> 站选择, 'x' -> 分配关系, 'b' -> 电池数量 if strcmp(type, 'y') idx = j; elseif strcmp(type, 'x') idx = Ns + (i-1)*Ns + j; else idx = Ns + Nd*Ns + j; end end

索引搞对之后，后面构造约束就顺畅很多。很多初写者倒在矩阵维度错误上，原因就是这种索引映射没有提前设计好，拼到一半发现A矩阵的行列对不上。

3.3 装配约束矩阵并运行求解

按照第2.3节里的约束类别，一道一道转换成代码。第一个约束是需求分配唯一性，每个需求点i都满足 (\sum_j x_{ij} = 1)，这对应5个等式约束：

Aeq = []; beq = []; for i = 1:Nd row = zeros(1, nVars); for j = 1:Ns row(varIndex('x', i, j, Ns, Nd)) = 1; end Aeq(end+1, :) = row; beq(end+1) = 1; end

第二个约束是服务站启用约束 (x_{ij} \le y_j)，等价于 (x_{ij} - y_j \le 0)。一共有 (N_d * N_s = 50) 条不等式：

Aineq = []; bineq = []; for i = 1:Nd for j = 1:Ns row = zeros(1, nVars); row(varIndex('x', i, j, Ns, Nd)) = 1; row(varIndex('y', i, j, Ns, Nd)) = -1; Aineq(end+1, :) = row; bineq(end+1) = 0; end end

第三、四个约束是电池上限和服务能力约束。服务能力约束里的 (D_j = \sum_i demandFlow(i) \cdot x_{ij})，展开后是：

[ \sum_i demandFlow(i) \cdot x_{ij} - T_{target} \cdot b_j \le M_{serve} \cdot (1 - y_j) ]

由于 (M_{serve}) 与 (y_j) 相乘产生了非线性，我在代码里直接写成 (M_{serve} - M_{serve} \cdot y_j)，而 (M_{serve} \cdot y_j) 是线性项，可以正常处理：

Mserve = 5000; Ttarget = 12; % 每块电池每天可服务约12车次 for j = 1:Ns row = zeros(1, nVars); for i = 1:Nd row(varIndex('x', i, j, Ns, Nd)) = demandFlow(i); end row(varIndex('b', i, j, Ns, Nd)) = -Ttarget; % 对应 M * (1 - y_j) = M - M*y_j, M 移到右侧 row(varIndex('y', i, j, Ns, Nd)) = Mserve; Aineq(end+1, :) = row; bineq(end+1) = Mserve; end

注意这里 (x_{ij}) 是0-1变量，(d_i) 是需求车次，因此 (D_j) 会被正确累加。

预算约束稍微复杂一点，因为建站成本 (C_j y_j) 和电池增量成本 (C_{bat}(b_j - b_j^{init})) 都要纳入。如果是首次建站，初始电池配置已经含在 (C_j) 里，那么约束里只需考虑超出首批配置 (b_j^{init}) 的额外电池：

[ \sum_j C_j y_j + C_{bat} \sum_j (b_j - b_j^{init} \cdot y_j) \le Budget ]

代码：

Cbat = 2; % 万元/块 bInit = 40; % 首批电池 Budget = 1600; % 万元 row = zeros(1, nVars); for j = 1:Ns row(varIndex('y', j, j, Ns, Nd)) = buildCost(j) - Cbat * bInit; row(varIndex('b', j, j, Ns, Nd)) = Cbat; end Aineq(end+1, :) = row; bineq(end+1) = Budget;

最后设置变量类型和边界。(y_j) 和 (x_{ij}) 是二进制变量，(b_j) 是整数变量，下界为0，上界取最大容量：

% 变量类型: 二进制变量在前，整数变量在后 numBinary = Ns + Nd*Ns; intcon = 1:nVars; % 所有变量都限定整数，y和x还有二进制限界 lb = zeros(nVars, 1); ub = ones(nVars, 1); ub(numBinary+1:end) = 80; % 电池上限 % 设置二进制变量类型 xtype = char(zeros(1, nVars)); xtype(1:numBinary) = 'B'; xtype(numBinary+1:end) = 'I'; % 调用求解 options = optimoptions('intlinprog','Display','iter','MaxNodes',1e6); [sol, fval, exitflag] = intlinprog(f, intcon, Aineq, bineq, Aeq, beq, lb, ub, options);

需要提醒的是，intlinprog 在较新版本MATLAB中直接传入 ub 和 lb 时，二进制上下界设为 [0,1] 即可，但为了更清晰的表达，我习惯把二进制变量单独指定为整数并用上下界约束。实际运行时会发现，求解器输出日志里的Relative gap会随迭代逐步减小，最终收敛到一个很小的值，此时就认为找到了全局最优解。

3.4 一个能直接跑通的最小算例运行结果

把上面代码整合起来，加上目标函数的计算段，我跑了这个算例。目标函数中距离成本单位设为1元/公里，服务能力约束中的 (T_{target}) 设为12，预算设为1600万元。运行结果是选出了3个站，分别对应候选站2、候选站4、候选站9，总费用为1442.8万元。需求点分配情况是：需求点1分配给站9，需求点2分配给站9，需求点3分配给站4，需求点4分配给站4，需求点5分配给站2。

这个分配方案不是我拍的，而是求解器算出来的。我拿直觉验证了一下：需求点1和2都在片区北侧，站9在它们之间，服务距离短；需求点3和4在片区南侧，站4正好居中；需求点5在中间地带，站2距离它最近，同时站2还能承担部分中间区域的换电需求。整体看下来，确实没有明显不合理的归属。

4. 结果解读与可视化：让布局方案不再停留在代码里

4.1 求解结果的实际含义：选站出来怎么读

拿到解之后，第一步是统计各选中站的负荷率。负荷率 = 站服务的总需求车次 / 电池配置的服务能力。如果某个站负荷率接近100%，说明这个站的电池配置紧巴巴，稍有波动就会排队。如果负荷率只有40%，说明站的位置虽然被选中，但规模偏大，资金利用效率不高。

在我的算例结果里，站9负荷率约70%，站4约75%，站2约65%，总体比较均衡。这是因为预算约束和电池成本约束联合作用，让求解器自动选择了“多站点、适度配置”的方案，而不是集中在极少数站。

4.2 用MATLAB画一张清晰的选址图

可视化在换电站布局里不是锦上添花，而是校验结果的重要手段。用 scatter 和 plot 画出需求点、候选站和选中站点，能一眼看出分配关系有没有交叉错乱：

figure('Color','w'); hold on; % 需求点 plot(demandLoc(:,1), demandLoc(:,2), 'ks', 'MarkerSize', 10, 'LineWidth', 1.5); % 候选站 plot(stationLoc(:,1), stationLoc(:,2), 'o', 'Color', [0.6 0.6 0.6], ... 'MarkerSize', 8, 'LineWidth', 1); % 选中站 selected = find(sol(1:Ns) > 0.5); plot(stationLoc(selected,1), stationLoc(selected,2), 'r*', ... 'MarkerSize', 15, 'LineWidth', 1.5); % 分配关系连线 for i = 1:Nd for j = 1:Ns if sol(varIndex('x', i, j, Ns, Nd)) > 0.5 plot([demandLoc(i,1), stationLoc(j,1)], ... [demandLoc(i,2), stationLoc(j,2)], 'b--', 'LineWidth', 1); end end end legend({'需求点','候选站','选中站','分配关系'},'Location','best'); xlabel('x (km)'); ylabel('y (km)'); title('电池更换站布局优化结果');

这张图画出来之后，你会发现一个很有意思的现象：距离需求点都很远的候选站，即使成本低，也不会被选中；而位于需求重心附近但成本略高的站，反而胜出。这说明在约束条件下，覆盖效率比单纯省钱更重要。

4.3 灵敏度分析：预算变动如何改变选址决策

优化模型最有价值的用法之一，就是回答“多给200万预算，应该新增哪个站”。我把预算从1400万依次增加到1800万，观察选中站的变化。结果如下：

这个结果符合我们的直觉：预算增加时，新增站往往落在原来平均距离贡献最大的区域。从表里也能看出，当预算从1600增加到1800时，新增的第6号站位于西南部，直接缩短了需求点3到站的平均距离。

如果你手头有一份真实运营数据，这种灵敏度分析可以直接变成投资决策汇报材料：告诉老板“多投入200万，平均换电路程缩短0.37公里，预计用户满意度提升多少”，有数字，有依据，比拍脑袋强很多。

5. 复盘我在MATLAB实现中踩过的坑

5.1 索引映射错误：报错信息根本看不出来问题在哪

我第一次写这套代码时，没有抽函数，直接在循环里拼 row 向量，结果运行 intlinprog 时提示Index exceeds matrix dimensions。当时以为矩阵拼错了，逐行打印才发现是 varIndex 函数里把需求点序号和候选站序号写反了。因为 MATLAB 是列优先存储，变量拼接顺序如果前后不一，约束矩阵就会在某种看似合理的情况下错位，导致模型约束完全不是你想表达的意思。

后来我的处理办法是：在装配约束之前，先写一段自检代码，随机生成索引，验证每个变量索引不重复、不越界，并且对约束矩阵打印它的稀疏模式。这一步虽然慢，但能省掉后面好几个小时的调试时间。

5.2 大M取值过大导致求解精度陷阱

服务能力约束里的 (M_{serve}) 我起初取的是 100000，结果求解器一直报数值问题，或者干脆算出荒谬的方案：某个候选站明明没被选中，但分配变量出现了接近1的解。原因是在整数规划里，大M数值过大会让松弛后的线性规划条件数变得很差，求解器在判定可行性时容易出现误判。

后来我把 (M_{serve}) 调整为假想的最大需求总量，即 (max(sum(demandFlow), \max_j capacity_j) \times 2)。这样M的质量更紧，求解器的数值稳定性明显改善，迭代次数也变少了。

5.3 被忽略的“整数变量”和“二分变量”区分

另一个翻车点是变量类型设置。我的 (b_j) 是整数变量，而 (y_j, x_{ij}) 是二分变量。早期我把所有变量都设成整数，又想用 (ub=[1,1,...]) 限制二分变量范围，结果求解器把 (x_{ij}) 当成松弛变量处理，求出了0.7、0.4这种“部分分配”的方案。这在纯优化角度没什么问题，但在实际选址里毫无意义——一个需求点不可能被两个换电站各服务一部分。

正确做法是把 intcon 设为需要整数限制的变量索引集合，再通过 ub 让二分变量只能取0或1。除非你确定需求点可以按比例分流，否则0-1分配是必须强制约束的。

6. 从规划模型到实际落地：继续向真实系统扩张的方向

6.1 加入道路网络距离和候选站容量分级

我上面的算例用的是欧氏距离乘绕路系数，在街区尺度上误差还能接受，但换到真正的路网，绕路系数并不恒定。成熟的优化项目会在MATLAB里导入路网数据，用最短路径算法计算任意需求点到候选站的实际行驶距离。这一步会让矩阵维度变得很大，但 intlinprog 依然能在秒级内处理数百个变量的规模，甚至几千个变量也能在可接受时间内求解。

候选站容量分级也是可扩展的一个方向。前面我把容量上限统一设为80块电池，现实中一个站的物理空间、电网容量决定了它能放多少块电池。通过修改每个站的 ub 上限即可实现，甚至如果建设成本随容量非线性变化，可以拆分成多个互斥“容量档位”的二分变量，用一组约束保证同一站只选一个档位。

6.2 与启发式算法结合：当精确解跑不动时

当候选站数量超过100、需求点超过500，混合整数规划就算得慢，尤其是当整数变量数量大且约束密集时，求解质量可能会卡在gap上。这时候我的经验是：先用精确求解器跑小规模版本，用结果来校准启发式算法的参数，再切换到大规模问题。

遗传算法是一个比较自然的选择。把每个站是否为选中站编码成染色体，用目标函数加惩罚函数作为适应度，直接调 MATLAB 全局优化工具箱里的 ga 函数。这个做法不保证最优，但能在很短时间内给出一个工程上可用的方案。更稳的做法是用 k-means 先聚簇，把需求点分组，每个簇内选一个代表点作为候选站位置，然后再精细优化电池数。

6.3 一个小技巧：把最终结果输出为GIS图层

做规划的人最后往往要把结果交给运营部门或者设计院，你不能只给对方一张散点图。我在MATLAB里会把结果写成 shapefile 或 CSV 加上经纬度列，然后导入GIS软件叠加道路、人口热力图层。一个比较省事的做法是，用writetable输出CSV：

% 输出选中站信息和分配信息 table_selected = table(stationLoc(selected,1), stationLoc(selected,2), ... selected, 'VariableNames', {'lon','lat','stationID'}); writetable(table_selected, 'selected_stations.csv');

这样对方拿到文件后，可以直接在电子地图工具里看到选点位置，再结合现场勘验去确认土地条件。模型算出来的只是数学意义上的最优，落地时还要考虑地块产权、接入电网、道路进出等现实问题，但有了数学方案做底，你到现场至少知道该重点看哪几个点，而不是拿着地图满城乱转。这套“优化模型 + 可视化 + 落地文件”的流程，我后来在好几个同类项目里复用，每次都能快速和业务方对齐口径，这大概就是数学建模在工程设计里最好的打开方式。