1. 为什么数学建模赛场上总绕不开进化计算这类算法先说个我每年带比赛都会遇到的场景题目拿到手数据读完第一问建立了一个目标函数正准备用梯度下降或者最小二乘求最优解结果发现目标函数不连续、不可导甚至连解析表达式都写不出来只能通过仿真或者蒙特卡洛采样算出一个数值。这个时候传统优化方法基本束手无策。进化计算和群体智能这类算法的核心价值就在这它不依赖目标函数的梯度信息也不要求函数连续可导。你只要能写出“怎么评价一个解好不好”它就能在解空间里像撒网一样去搜。这个特性在数学建模里太重要了因为国赛、华为杯、研究生数学建模里大量题目都是这种“黑箱优化”要么是排班调度要么是路径规划要么是资源分配目标函数往往是模拟出来的或者需要嵌套一层规则计算才能得到。另一个绕不开的原因是题目本身的复杂度。拿2025年华为杯那个通用神经网络处理器核内调度题来说题目本质是个NP-hard的组合优化问题。这种问题的规模稍微一大穷举法就跑不动了精确算法在有限比赛时间内也基本无解。而进化计算天然是处理这类问题的它不追求一步到位找到全局最优而是通过“一代一代迭代改进”的方式在可接受的时间内找到一个足够好的次优解。建模比赛比的不是谁能证明最优解存在而是谁能在三天里给出一个效果明显更好、且能落地实现的方案。很多人会问一个问题既然机器学习也火了很多年为什么比赛里不直接用神经网络去求解优化问题这里要分清楚。神经网络解决的是“从数据中学习规律”的问题而进化计算解决的是“在给定规则下搜索最优方案”的问题。虽然现在也有用强化学习做调度的研究但比赛场景下你没有海量训练数据也没有时间调一个稳定的深度模型。进化计算参数少、逻辑透明、不依赖训练集三天时间完全够用这才是它成为建模竞赛常青树的根本原因。我之前辅导过一个队伍做共享单车调度优化第一版方案用的是贪心算法效果一般。后来把问题建模成带时间窗的车辆路径问题用遗传算法去搜同样时间内成本下降了大概11%。这个提升不是靠某个高深公式而是靠算法本身对搜索空间的覆盖能力。所以我想强调的是进化计算不是银弹但在数学建模绝大多数优化类题目中它是一个下限很高、上限也不低的稳妥选择。这一章先把“为什么用它”讲清楚。接下来的篇幅我会从算法选型、编码设计、调参避坑、论文呈现四个层面把我在实战里攒下的经验完整梳理一遍。2. 核心算法家族盘点遗传、差分进化、粒子群到底怎么选群体智能和进化计算是一个大家族里面主流算法有好几个但比赛里真正高频出现的其实就三类遗传算法GA、差分进化算法DE、粒子群算法PSO。此外蚁群算法ACO在路径类题目里也有出场机会但使用频率明显低于前三者。下面我逐个拆解它们的本质逻辑和适用场景。2.1 遗传算法最通用也是编码灵活性最强的遗传算法的核心思想是模拟生物进化把候选解编码成“染色体”通常是一串数字然后通过选择、交叉、变异三个操作不断迭代。它的底层逻辑是“适者生存”——适应度高的个体有更大概率把基因传给下一代同时在交叉和变异中产生新个体保持种群的多样性。我之所以说GA最通用是因为它的编码方式极其灵活。二进制编码适合01背包这种离散问题实数编码适合连续优化排列编码适合TSP、调度这类需要考虑顺序的问题。也就是说不管题目是离散还是连续GA都能找到一个合理的编码方案这是它的最大优势。不过GA也有明显的短板。实数值优化问题上GA的收敛速度通常比DE慢精度也比不上专门为连续优化设计的算法。因为交叉和变异在实数空间里操作时搜索步长不好控制容易在后期陷入局部最优。所以我的经验是如果题目本质是离散组合优化排班、调度、路径、任务分配优先考虑GA如果是连续参数优化比如拟合模型参数、求解非线性方程组GA可以用但不是最优选。2.2 差分进化连续优化的一把好手差分进化和GA长得很像都有种群和迭代的概念但它的核心操作是“差分变异”从种群中随机取三个个体用其中两个的差向量对第三个进行扰动生成新个体。这个操作的微妙之处在于它让变异步长自动适应搜索状态——种群分散时步长大便于全局探索种群收敛时步长自动变小便于局部精细搜索。DE的原理听起来抽象你可以把它理解成一个自带“自动变焦镜头”的搜索机器。广角时能看到全貌长焦时能聚焦细节而且这个变焦过程不需要人为干预。这一点在比赛里非常实用因为你没有时间反复调参去适配不同的问题阶段。DE在数学建模里的典型应用场景包括非线性规划问题、模型参数辨识、神经网络权重训练虽然比赛里用得少。记得有一年国赛的反射面调节问题本质上就是给定目标形状调节促动器伸缩量使反射面尽可能贴近理想抛物面。连续变量、目标函数可算但复杂用DE去搜就比GA稳定收敛曲线也更漂亮写论文时能拿出更好的实验数据。这个案例我后面还会详细说。2.3 粒子群实现简单、收敛快的“轻骑兵”粒子群的核心逻辑是模拟鸟群觅食每个粒子记住自己找到过的最好位置个体最优同时共享群体找到的最好位置全局最优然后根据这两个信息更新自己的速度。它的优势是思路直观、代码量小、超参数少基本只有惯性权重、学习因子和种群规模几个关键参数。PSO在连续优化问题上收敛非常快前几十代往往就有明显的下降趋势这在比赛里有个非常实际的好处你可以更快地判断建模方向是否靠谱。如果一个问题用PSO迭代50代都没什么改进要么是编码设计有严重缺陷要么是目标函数本身有问题。这种“快速反馈”能力在三天极限赛程里极为珍贵。但PSO的短板也很明显容易早熟收敛。因为所有粒子都在向全局最优靠拢一旦全局最优是个局部极值点整个群体就可能被“吸”过去很难跳出来。解决思路常见有两种一是引入惯性权重的线性递减策略前期大权重保证探索后期小权重加强开发二是加入变异操作比如让部分粒子以一定概率随机重置位置增加种群多样性。我把这三个算法放在一起做个对比算法核心思想适用问题类型主要参数收敛速度全局搜索能力GA自然选择与遗传操作离散/组合优化为主种群规模、交叉率、变异率中等强DE差分变异与选择连续参数优化缩放因子F、交叉率CR较快强PSO个体最优与群体最优引导连续参数优化惯性权重、学习因子快中易早熟选算法有个简单粗暴的经验法则题目的解是“一串顺序”或“一组组合”选GA题目的解是“一组实数”选DE或PSO如果你对题目理解还不到位想快速跑一个baseline看看效果选PSO性价比最高。3. 赛场实操把题目翻译成进化算法能懂的“语言”很多新手卡在第一步算法代码能看懂概念也明白但拿到赛题就是不知道怎么写编码、怎么算适应度。这一章我重点讲怎么把题目翻译成进化算法能处理的形态同时给出一个可以直接套用的代码骨架。3.1 编码设计是成败的关键第一步编码就是把问题的解表示成算法能操作的数据结构。编码设计直接决定了后续交叉、变异操作怎么实现也决定了搜索空间的大小和形状。我在实际指导中见到最多的问题就是编码设计不合理导致算法怎么跑都出不来好结果。以常见的三种问题类型为例说明编码方式排列编码调度/路径比如有10个任务需要安排处理顺序染色体就是一个1到10的排列如[3, 1, 4, 2, 7, 5, 9, 6, 8, 10]。TSP路径、车间调度、流水线排产这类问题通通适用。交叉操作需要用部分映射交叉PMX或顺序交叉OX保证子代仍然是合法排列。二进制编码选择/分配比如从20个候选地址中选5个建仓库染色体就是20位的二进制串1表示选中、0表示不选。这种编码直观但要注意约束问题的处理——如果题目要求必须选恰好5个简单二进制编码很可能在交叉变异后破坏这个约束需要用惩罚函数或者修复策略来保证解的合法性。实数编码参数优化比如求解函数f(x1,x2,x3)的最小值染色体就是一组实数值[x1, x2, x3]。连续优化用实数编码最自然直接用DE或PSO都能匹配得很好。经验之谈编码时尽量让“任意一个个体”都对应“一个合法方案”。这样算法搜索到的任何解都能直接使用而不需要额外的合法性检查能省下不少运行时间。3.2 目标函数和约束处理进化算法本身是不理解约束的它只认适应度函数。所以怎么把带约束的原问题转化为适应度函数的计算是一个技术活。最常见的做法是罚函数法对违反约束的解在适应度上施加惩罚。比如约束是“总重量不能超过100kg”那么对总重量超过100kg的解适应度 原目标值 惩罚系数 × 超出量。罚函数法的关键在于惩罚系数的设置太小可能导致大量非法解混入种群太大可能导致搜索偏向可行域边界而丧失多样性。我的习惯是先把惩罚设得很大保证种群很快进入可行域然后观察收敛情况适当调小让算法在边界附近更精细地搜索。还有一个容易被忽视的技巧将约束拆成“硬约束”和“软约束”。硬约束比如资源上限必须满足用罚函数强制裁软约束比如尽量均衡可以体现在目标函数里作为优化目标的一部分。把两者混为一谈往往是调参灾难的开始。3.3 一个完整的GA代码骨架以排班调度为例这里我给出一个简化但完整的遗传算法框架解决的是“n个任务分配给m个可用资源最小化总完成时间”的问题。为了让代码更有参考价值我加入了精英保留策略。import numpy as np import random def generate_individual(n, m): # 编码每个位置表示任务编号该位置的值为0~m-1的资源编号 return [random.randint(0, m-1) for _ in range(n)] def fitness(individual, task_times, resource_speeds): # 解码计算每个资源的总负载时间 loads [0] * len(resource_speeds) for task_idx, res_idx in enumerate(individual): loads[res_idx] task_times[task_idx] / resource_speeds[res_idx] return max(loads) def selection(population, fitness_values, k2): # 锦标赛选择随机挑k个个体取最优的一个 idx random.sample(range(len(population)), k) best min(idx, keylambda i: fitness_values[i]) return population[best] def crossover(p1, p2): if random.random() 0.8: # 交叉率80% return p1[:], p2[:] point random.randint(1, len(p1)-1) return p1[:point] p2[point:], p2[:point] p1[point:] def mutate(individual, m, rate0.1): ind individual[:] for i in range(len(ind)): if random.random() rate: ind[i] random.randint(0, m-1) return ind def genetic_algorithm(n, m, task_times, resource_speeds, pop_size100, generations200): pop [generate_individual(n, m) for _ in range(pop_size)] best_ever None best_fit float(inf) for gen in range(generations): fits [fitness(ind, task_times, resource_speeds) for ind in pop] # 记录历史最优 gen_best min(fits) if gen_best best_fit: best_fit gen_best best_ever pop[fits.index(gen_best)][:] new_pop [] # 精英保留直接把最优个体放入下一代 new_pop.append(best_ever[:]) while len(new_pop) pop_size: p1 selection(pop, fits) p2 selection(pop, fits) c1, c2 crossover(p1, p2) c1 mutate(c1, m) c2 mutate(c2, m) new_pop.extend([c1, c2]) pop new_pop[:pop_size] return best_ever, best_fit # 使用示例 task_times [5, 3, 7, 2, 4, 6] # 6个任务耗时 resource_speeds [1.0, 0.8, 1.2] # 3个资源的速度系数 best_schedule, best_time genetic_algorithm(6, 3, task_times, resource_speeds) print(最优调度方案:, best_schedule) print(最短完成时间:, best_time)这个骨架是所有GA的“最小公倍数”。实际比赛时你需要改动的是编码方式换成排列编码等、适应度计算换成题目真正的目标函数、交叉变异操作根据编码类型换成PMX/OX等。代码结构本身可以一直复用。3.4 高频赛题的建模落地方案根据我看到的历年赛题进化计算最常被用在下面几类问题上我直接把建模思路给出来。第一类是智能调度问题代表是华为杯的神经网络核内调度、还有各类车间作业调度。这类问题的关键是把调度方案编码成排列或优先级列表目标函数是最大化吞吐率或最小化总延迟。我特别想提醒一点调度问题的目标函数计算往往需要模拟如果题目规模大单次适应度计算可能要几十毫秒那么100个个体迭代200代就要跑很久。这时候可以用近似评估代替精确评估比如只模拟关键路径而不是完整调度精度损失不大速度能提升好几倍。第二类是车辆路径问题VRP代表是共享单车调度、快递配送优化。编码上每条染色体可以表示一条包含所有客户点的访问顺序然后用分割点把顺序切成多辆车。解码时需要注意不同车辆的总路径可以分开计算再取最大值或加总作为目标。VRP题目的难点通常在于约束多时间窗、容量限制建议把约束处理集中写在一个解码函数里这样即使后面修改约束条件也不影响算法整体结构。第三类是布局与分配问题代表是摆渡车泊位分配、仓库选址。这类题目通常有大量的组合约束最适合用二进制编码加罚函数法处理。经验是当题目变量之间存在强耦合时例如选A就必须选B不要试图在编码层面消除耦合而是把耦合关系写进罚函数这样编码简单代价是搜索效率会损失一点但在比赛时间内通常可以接受。4. 调参与判读算法表现不好的时候问题通常出在哪进化计算类算法有个让新手头疼的特性同样的代码参数不一样结果可能天差地别。我在比赛和辅导里踩过不少坑这一章专门讲调参和结果判读。4.1 参数设置的经验区间先给出一份我常用的参数起步表。注意这是“起步值”不是“最优值”但以我的经验这些值在大多数问题上都能给出一个相对合理的结果。参数GA推荐值DE推荐值PSO推荐值种群规模50~20050~10030~100迭代次数200~1000300~1000200~500交叉率/CR0.7~0.90.7~0.9—变异率/F0.05~0.20.4~0.9—惯性权重——0.4~0.9线性递减关于种群规模和迭代次数的关系我有一条重要经验种群规模比迭代次数更影响最终解的质量。很多人纠结要不要迭代2000代但实际上如果种群只有20个个体迭代再多也容易陷入局部最优。我一般先保证种群规模在100以上再去调迭代次数。因为100个个体代表搜索空间中100个不同的采样点多样性上更有保障。交叉率和变异率是一对需要平衡的参数。交叉率太高种群容易快速收敛但可能错过好的搜索区域变异率太高算法会退化接近随机搜索收敛曲线会非常震荡。一个有用的诊断信号是观察收敛曲线如果曲线下降得非常平缓且最终值离理论最优很远优先检查变异率是不是太低导致种群失去了产生新解的活力。4.2 收敛曲线的正确读法我强烈建议大家养成记录每一代最优值和平均值、并画成曲线的习惯不要只盯着最终结果。收敛曲线能告诉你很多信息如果最优值和平均值同步快速下降然后平稳收敛说明算法状态健康。如果最优值几乎没有变化而平均值在大幅波动说明精英保留策略可能没有生效或者变异率太高导致最优解容易被破坏。如果最优值和平均值都在很早的时候就稳定不动了但结果明显不够好这就是典型的早熟收敛。此时应该增加种群多样性方法是提高变异率、引入随机移民每代随机生成部分新个体加入种群或者改用自适应参数策略。4.3 一个很容易翻车的细节随机种子听起来很蠢但我见过不止一个队伍在论文提交前跑重现实验发现结果和之前对不上。原因就是没有固定随机种子。进化算法是随机算法同样的代码每次运行结果不完全一样是正常的但比赛论文里需要的是“可复现”的结果。我的做法是在代码开头设置固定随机种子比如np.random.seed(42)跑完一次之后把最优解对应的目标函数值记录下来。如果结果波动很大不要急着改代码先跑5次看最优值的方差如果方差可接受说明算法稳定性没问题只是随机性导致的正常波动。4.4 进阶技巧用小规模测试去调参我的效率最高的调参方式是先用小规模数据测试再上全量数据。具体来说如果题目给的数据是2000个客户点我先随机抽50个点跑通整个流程在这个小规模上把编码、交叉、变异逻辑验证正确然后再切换到全量数据。这样做有两个好处一是调试速度快小规模数据一次迭代可能只要几秒钟二是可以拿小规模结果和精确解比如用整数规划求解器跑的对比验证算法方向对不对。我还用过一种更省时间的做法在完整跑算法的同时先用一个简单的贪心算法算一个baseline。如果进化算法的结果连贪心算法都比不过那不是算法的问题而是编码或目标函数写错了。这个“先和贪心比一比”的思路帮我在比赛中省下了大量排查时间。5. 论文写作与AI工具时代的自查要点代码跑通、结果出来了这只是完成了一半。数学建模比赛的关键是论文呈现。近几年AI辅助工具普及之后评委对一个队伍“是否真正理解算法”有了更严格的审视方式我也把论文写作和AI使用的经验放在这一章希望对你有帮助。5.1 进化计算部分的论文结构建议写进化计算相关论文时我推荐用这样的四段式结构第一段是问题分析说明题目属于什么类型的优化问题为什么不能用传统方法求解从而引出进化计算的必要性。要写明目标函数的性质非线性、不连续、计算代价高等。这一段的作用是让评委理解你选择这个算法的合理性。第二段是算法设计重点描述编码方式、适应度函数设计、选择/交叉/变异操作的具体实现、约束处理方式。这里必须写具体不能只是“采用遗传算法求解”。我见过不少论文写“使用遗传算法”但完全没说编码方式这会让评委怀疑代码是否真的跑通。一个负责任的做法是给出一个数学化的算法流程伪代码配上参数表。第三段是实验与分析展示收敛曲线图、算法运行时间、与baseline方法的对比结果。我特别建议做一个“小规模下的解的质量对比”用一个小规模实例证明你的算法结果接近最优解再用大规模实例展示算法的扩展能力。这一段的图表质量直接影响论文的观感。第四段是参数敏感性与稳定性分析。固定其他参数分别变化种群规模、迭代次数、交叉率等记录目标函数值的变化。评委通常很看重这部分因为这说明你不仅会跑代码还理解算法行为对参数的响应。其实这部分的实验并不难做多跑几轮代码就能出数据但它在评分中的分量极大。5.2 AI辅助工具的合规用法现在比赛里用AI辅助写代码、写论文已经非常普遍但需要注意“AI率过高会被通报”已经是一个真实存在的风险。我的建议是把AI当“结对编程伙伴”而不是“代笔”。我自己的用法是这样的拿AI来写算法框架、格式化公式、润色表述、解释某个报错。但核心的建模思路、编码设计、目标函数推导都保留自己的理解痕迹。比如用AI筛出一个遗传算法的代码模板之后我会手工修改交叉逻辑去适配题目特定的编码方式。这样做的好处是论文里“为什么这样编码”这个问题的答案我是能脱口而出的。一个很实际的提醒AI生成的文字和代码往往有比较明显的“模板感”。如果你的论文里算法设计部分全是标准的“初始化种群计算适应度执行选择、交叉、变异操作”这种表述评委一眼就能看出是AI写的。解决办法是把算法和题目的结合点写透编码方式如何呼应题目中的具体约束、目标函数为什么能体现题目的核心矛盾。这些细节是AI给不了的也是论文最值钱的部分。5.3 时间分配与运行策略最后说一个重要问题进化算法比较费时间而比赛时间非常有限。我的建议是提前把“运行策略”定好而不是最后一天才开始跑。具体做法先把算法在小规模数据上跑通并验证正确性然后预估全量数据单次运行需要多长时间。如果一次完整运行要两小时但你还需要做多组参数对比实验那就太紧张了。有两招可以应对一是给算法设定“最大运行时间”而不是“最大迭代次数”比如一到时间就停止迭代并输出当前最优解二是用增量式运行思路——先跑短时间拿到一个初步结果用于分析等论文写完主体部分后再挂机跑一次长时间版本用更好的数据替换到论文里。我个人的习惯是把算法运行时间安排在比赛第二天晚上到第三天早上。第二天白天完成建模和代码调通晚上启动完整的参数对比实验第三天上午收集结果、画图、写论文。说到底进化计算在数学建模竞赛里的核心价值不是“算法本身有多高级”而是它能在有限时间内稳定地给出一个可信的、可解释的、能写进论文的方案。至于算法内部遗传、差分进化、粒子群各有性格选哪个不重要重要的是你能不能把你的题目翻译成算法能懂的编码和目标函数。我在实际使用中发现只要这一步做对了哪怕参数不是最优结果也不会差到哪去。反而是编码设计草率、约束处理混乱的问题再好的算法也救不回来。