1. 项目概述：从一道赛题看数学建模的实战思维

又到了一年一度的全国大学生数学建模竞赛季，后台和社群里关于国赛B题的讨论热度明显高了起来。很多同学，尤其是第一次参赛或者之前成绩不太理想的队伍，拿到题目后最头疼的就是“如何分析”。这感觉就像面对一个复杂的工程问题，知道它很重要，但不知道从哪里下第一铲子。2022年的国赛B题“无人机遂行编队飞行中的纯方位无源定位”，就是一个非常经典的案例，它完美地融合了物理背景、数学模型和算法实现，对参赛者的综合能力提出了很高的要求。今天，我就以这道题为例，拆解一下拿到一个数学建模赛题后，系统性的分析思路到底应该是怎样的。无论你是正在备赛，还是对解决复杂问题感兴趣，这套方法都能帮你理清头绪，避免在开局阶段就陷入混乱。

这道题的核心场景是：多架无人机组成编队，其中一架发射信号，其余只能接收信号方向（即方位角），并且不知道自身位置。我们需要通过纯方位信息，来定位这些接收无人机的位置，并调整它们形成特定队形。这听起来像是一个纯粹的几何或优化问题，但深入下去，你会发现它涉及坐标系建立、观测模型、优化算法设计、误差分析等多个层面。适合分析的，不仅仅是数学基础好的同学，更是那些愿意把问题一层层剥开、乐于构建并求解模型的实践者。接下来，我们就一步步拆解这个分析过程。

2. 问题拆解与核心思路形成

面对一个建模赛题，切忌一上来就埋头推导公式或编写代码。第一步，也是最重要的一步，是进行彻底的问题拆解，形成清晰的解决路线图。这决定了你后续所有工作的效率和方向。

2.1 题目信息的深度咀嚼与转化

首先，必须逐字逐句地精读题目，将自然语言描述转化为可操作的数学或逻辑语言。对于2022年B题，我们需要提取出以下关键信息点：

1. 实体与角色：有若干架无人机。其中一架（FY00）是“发射信号”且“位置已知”的基准点。其余无人机（FY01, FY02, ...）是“仅接收方位信号”且“位置未知”的待定位点。
2. 可用信息：对于每一架待定位无人机，在多个时刻，它能测量到FY00（基准点）和另外两架特定无人机的方向角（方位角）。注意，题目给出的是“方向”，是一个角度值，而非距离。
3. 核心任务：
   • 第一问：在仅有方向角、无距离信息的条件下，确定这些无人机的初始位置。
   • 第二问：在初始定位的基础上，设计调整策略，使所有无人机（包括FY00）形成一个半径为100米的圆形编队。
   • 隐含条件：无人机的移动需要满足速度、加速度等物理约束（通常题目会给出，如最大速度、最大加速度）。
4. 约束与目标：定位要准，队形要圆，调整过程要平稳（即控制量不能突变）。

读完题目后，我习惯用一张简单的实体关系图在草稿纸上画出来。对于本题，就是画一个FY00在中心，周围一堆点代表FY01-FY09，然后在点之间标上“可观测方向”的箭头。这个可视化过程能立刻让你看清信息的流动路径：所有位置信息都源于FY00这个已知点，并通过方向角观测网络传递开来。这直接引出了我们的核心思路：这是一个基于角度观测的网络定位问题，并且由于缺少距离信息，本质上是非线性估计问题。

2.2 核心难点识别与破局点选择

识别难点能帮助我们合理分配时间和精力。这道题的难点非常典型：

1. “纯方位”带来的模糊性：只知道方向，不知道距离，这意味着一个观测角度对应着一条从观测点出发的射线，目标可能在这条射线的任何位置。单点单次观测无法定位，必须依靠多点观测交汇或单点移动观测。
2. 观测网络的稀疏性与依赖性：题目给出的观测关系是特定的（例如FY01只能看FY00、FY02、FY06），并非所有无人机两两之间都能互相看见。这形成了一个特定的观测图。定位必须依赖于这个图结构，信息可能无法直接传递到所有节点，需要间接推算。
3. 从定位到控制的衔接：第一问是静态估计问题，第二问是动态控制问题。如何将定位的坐标结果，平滑、高效地转化为无人机的控制指令（如速度指令），并满足物理约束，是另一个挑战。

破局点在于利用“多源信息融合”。虽然单次观测是模糊的，但当一架无人机（如FY01）同时获得了来自三个不同参考点（FY00， FY02， FY06）的方向角时，这三条射线理论上会交汇于一点——那就是FY01的真实位置。这就是三角交汇定位的基本思想。因此，第一问的模型核心就是构建一个方程组：对于每一架待定位无人机，其位置坐标应使得其到每个观测参考点的连线方向，与题目给出的测量方位角一致。

注意：这里存在一个巨大的陷阱！题目给出的方位角，是基于接收无人机自身机体坐标系的。例如，FY01测量到FY00的方向角是某个值，这个值是相对于FY01自己的“头”朝向而言的。而我们在建立全局数学模型时，通常是在一个固定的全局坐标系（例如以FY00为原点）中进行的。因此，必须进行坐标变换，将机体坐标系的方位角转换到全局坐标系下。很多队伍忽略了这一点，导致建立的方程根本无解或解的意义错误。这是审题和建模阶段必须厘清的关键。

3. 数学模型构建与求解路径设计

思路清晰后，就要用数学语言精确描述问题。这一步是将现实问题“翻译”成计算机或数学工具能处理的形式。

3.1 坐标系建立与观测方程建模

首先，建立全局直角坐标系。最方便的做法是以FY00为原点(0,0)。设第i架无人机的位置为(x_i, y_i)，其中i=0,1,2,...,9，且(x_0, y_0) = (0,0)。

接下来是核心：方位角观测模型。假设FY01观测FY00，测得方位角为α_{01}（题目给出）。这里的α_{01}是指在FY01的机体坐标系中，从FY01指向FY00的向量，与FY01机体轴向（比如机头方向）的夹角。但题目通常为了简化，可能隐含假设所有无人机的机体轴向在初始时刻是对齐的（例如都指向东），或者直接给出的是全局坐标系下的方位角。我们必须仔细阅读题目对角度定义的解释。

如果题目给出的是全局方位角（即与全局坐标系北向或东向的夹角），那么建模就相对直接。从FY01(x_1, y_1)指向 FY00(0,0)的向量是(-x_1, -y_1)。该向量与正东轴（或你定义的基准轴）的夹角应等于α_{01}。用反正切函数表示，就有：arctan2(-y_1, -x_1) = α_{01} + 2kπ（arctan2是四象限反正切函数，k为整数）。

然而，由于周期性和噪声，我们通常不直接解这个反三角函数方程，而是利用正切函数的性质，构建线性或非线性的等式约束。例如，由方向角相等，意味着向量(-x_1, -y_1)与单位方向向量(cos α_{01}, sin α_{01})是共线的，即它们的叉积为零（在二维中表现为斜率相等）：-y_1 / -x_1 = sin α_{01} / cos α_{01}=>y_1 cos α_{01} - x_1 sin α_{01} = 0。 这个方程漂亮地避免了反三角函数的周期性问题，成为了一个关于x_1, y_1的线性方程！这是一个非常重要的建模技巧。

对于FY01，它还能观测FY02和FY06。同理，可以建立另外两个方程： 从FY01指向FY02：(x_2 - x_1, y_2 - y_1)与(cos α_{12}, sin α_{12})共线 =>(y_2 - y_1) cos α_{12} - (x_2 - x_1) sin α_{12} = 0。 从FY01指向FY06：(x_6 - x_1, y_6 - y_1)与(cos α_{16}, sin α_{16})共线 =>(y_6 - y_1) cos α_{16} - (x_6 - x_1) sin α_{16} = 0。

这样，仅FY01一个节点，我们就得到了三个方程。但方程中包含了FY01、FY02、FY06三个未知节点的坐标（每个节点有x,y两个未知数）。推广到整个网络，我们会得到一个庞大的方程组，每个方程都是关于坐标的线性或非线性约束。

3.2 模型求解策略：最小二乘法与优化算法

我们得到的方程组，其方程数量可能多于也可能少于未知数数量，并且由于测量必然存在误差（即使题目给的是精确值，我们也应考虑模型的鲁棒性），这些方程很可能无法同时严格成立。因此，我们的目标从“求解方程”转变为“寻找一组坐标，使得所有观测方程尽可能被满足”，即最小化误差。

定义误差函数：对于每一个方位角观测（例如FY01观测FY00），其误差可以定义为：e = (y_1 cos α_{01} - x_1 sin α_{01})^2（如果使用上述线性化形式）。 将所有观测对应的误差平方求和，就得到了总误差函数F(X) = Σ e^2，其中X是所有无人机坐标组成的向量。

那么，定位问题就转化为了一个无约束非线性最小二乘优化问题：寻找X，使得F(X)最小。

为什么选择最小二乘？

1. 数学性质好：平方误差函数是光滑的，便于求导，可以使用梯度下降、高斯-牛顿法、Levenberg-Marquardt等高效算法。
2. 抗噪能力强：相比直接解方程，最小二乘能在有测量误差时给出一个统计意义上最优（最大似然）的估计，前提是噪声服从高斯分布。
3. 框架灵活：可以轻松融入额外的约束或惩罚项。例如，如果我们知道某些无人机之间的大致距离范围，可以将其作为惩罚项加入目标函数。

求解算法选择： 对于这种规模（10架无人机，20个变量）的优化问题，使用MATLAB的lsqnonlin函数、Python SciPy的least_squares函数或scipy.optimize.minimize都非常合适。这些函数内部实现了强大的优化算法（如LM算法），你只需要提供误差函数F(X)的计算方式即可。

实操心得：在编程实现时，初始值的选取非常关键。由于问题非凸，糟糕的初始值可能导致算法收敛到局部最优解，甚至发散。一个实用的策略是：利用FY00为原点，根据第一个观测角度和一个合理的猜测距离（比如所有无人机大概在几百米范围内），为其他无人机生成一个粗略的初始位置。这个猜测距离不需要很准，但必须保证所有无人机的大致相对位置关系正确。例如，可以假设所有无人机到FY00的距离都是一个相同的合理值R，然后根据方位角算出初始坐标。这个R的选择会影响收敛速度，但一个好的优化算法通常能从一个不太差的初始点找到全局最优。

4. 编队控制模型的设计与实现

解决了静态定位问题，我们就得到了无人机群的“快照”。第二问要求我们将这个松散的集群，调整成一个半径为100米的完美圆形编队，并且FY00位于圆心。这是一个典型的多智能体编队控制问题。

4.1 从几何目标到控制律

首先明确控制目标：最终状态，9架无人机（FY01-FY09）均匀分布在以FY00为圆心、半径为100米的圆周上。设目标位置为P_i^d = (100 * cos(θ_i), 100 * sin(θ_i))，其中θ_i是均分的角度，例如FY01对应0度，FY02对应40度，...，FY09对应320度。

我们需要为每架无人机设计一个控制律，生成速度指令v_i(t)，使其从当前位置P_i(t)平滑地运动到目标位置P_i^d。最直观的方法是使用比例导航或PD控制的思想：让速度指令与位置误差成正比。

一种简单有效的控制律是：v_i(t) = k_p * (P_i^d - P_i(t))其中k_p > 0是一个比例系数。这个控制律的物理意义很清晰：距离目标越远，速度指令越大；方向直指目标。

但是，直接这样用有问题：

1. 可能超速：如果初始距离很远，k_p乘以误差会得到一个很大的速度，可能超过无人机最大速度v_max。
2. 机动性限制：无人机加速度有限，速度不能突变。直接给速度指令，忽略了动力学模型。

因此，我们需要一个更实际的模型。通常，我们可以将无人机简化为一个一阶或二阶积分器模型。

• 一阶模型：假设我们能直接控制速度。那么动力学是dP_i/dt = v_i_cmd。我们设计的v_i_cmd就是上面的控制律，但需要限幅：v_i_cmd = saturate( k_p * (P_i^d - P_i(t)), v_max )，其中saturate函数将速度向量限制在最大幅值内。
• 二阶模型：假设我们能控制加速度（或力），速度是加速度的积分。动力学是dv_i/dt = a_i_cmd, dP_i/dt = v_i。这时，我们可以设计一个PD控制器来生成加速度指令：a_i_cmd = k_p * (P_i^d - P_i(t)) + k_d * (0 - v_i(t))。这个控制器不仅考虑位置误差，还引入了速度阻尼（k_d > 0），使无人机在接近目标时能平滑减速，避免振荡。同样，加速度指令a_i_cmd也需要限幅在最大加速度a_max内。

对于国赛题目，采用一阶模型并加上速度限幅，通常就能得到一个可接受的解。如果题目明确提到了加速度约束，则必须使用二阶模型。

4.2 分布式与集中式控制的考量

上面的控制律是“集中式”的：每架无人机都需要知道全局目标P_i^d和自身的全局位置P_i(t)。在我们的场景中，FY00是圆心，它的目标位置就是原地不动。其他无人机通过第一问的定位算法，可以实时（或定期）估算出自己的全局位置。因此，集中式控制在这里是可行的。

然而，更高级的思路是考虑分布式控制：每架无人机只与其邻居（如编队中相邻的无人机）通信，通过保持与邻居的相对位置关系来最终形成整体队形。例如，让每架无人机都试图与FY00保持100米距离，同时与前后相邻的无人机保持一定的角度差。这种方法通信负担小，鲁棒性更强。但对于这道题，集中式方法思路直接，易于实现和解释，通常是更稳妥的选择。

仿真实现步骤：

1. 初始化：载入第一问求解出的无人机初始位置P_i(0)。
2. 设置参数：设定目标圆半径R=100，计算各机目标点P_i^d。设定控制器参数k_p,k_d，以及物理限制v_max,a_max。
3. 循环仿真：采用离散时间步进，时间步长dt取一个较小值（如0.1秒）。
   • 对于每一架无人机（除FY00）：
     • 计算位置误差e = P_i^d - P_i(t)。
     • 根据控制律计算速度或加速度指令（例如v_cmd = k_p * e）。
     • 对指令进行限幅（v_cmd = min(v_cmd, v_max)或按向量模长限幅）。
     • 更新状态：如果是一阶模型，P_i(t+dt) = P_i(t) + v_cmd * dt。如果是二阶模型，需先更新速度v_i(t+dt) = v_i(t) + a_cmd * dt（限幅后），再更新位置P_i(t+dt) = P_i(t) + v_i(t) * dt。
4. 终止条件：当所有无人机的位置与目标位置的距离都小于某个小阈值（如0.1米），或达到最大仿真步数时，停止循环。
5. 可视化：将每一帧的无人机位置画出来，就能看到它们从初始散点逐渐汇聚成圆形的动态过程。这个动画是论文中非常有力的展示。

5. 误差分析、灵敏度与模型优化

一个完整的数学建模论文，绝不能止步于“模型跑通了”。必须深入分析模型的可靠性、稳定性和局限性。这部分是拉开论文档次的关键。

5.1 观测误差的传播分析

第一问的定位模型严重依赖于方位角观测的精度。在实际中，测量必然存在误差。我们需要分析：如果方位角测量有一个小的偏差（比如0.5度），会导致定位结果产生多大的误差？

这属于灵敏度分析。我们可以进行蒙特卡洛模拟：

1. 假设真实的无人机位置是某个值（可以用第一问算出的结果作为“真实值”）。
2. 在这些真实位置的基础上，根据观测关系计算出“理论无噪”的方位角。
3. 在这些理论方位角上，叠加一个符合一定分布（如均值为0，标准差为σ的高斯噪声）的随机误差，生成“带噪观测值”。
4. 将带噪观测值代入我们的定位模型（最小二乘优化）中，重新求解无人机位置。
5. 比较重新求解的位置与“真实位置”的差距，计算平均定位误差。
6. 重复上述过程成百上千次，统计定位误差的分布情况（均值、标准差）。

通过改变噪声水平σ，我们可以绘制出“定位误差随观测噪声变化”的曲线。这个分析能有力地说明我们模型的鲁棒性：即使观测有误差，定位结果依然在可接受的范围内。如果发现模型对噪声极其敏感（即很小的观测误差导致巨大的定位误差），那就需要反思模型是否过于脆弱，是否需要引入滤波算法（如卡尔曼滤波）或更稳健的估计方法。

5.2 编队控制性能评估

对于第二问的控制模型，也需要进行全面的性能评估：

1. 收敛性：从不同的初始位置开始，控制器是否都能稳定收敛到目标队形？仿真时可以尝试几组不同的初始位置来测试。
2. 收敛速度与超调：调整控制器参数k_p和k_d，观察它们如何影响系统响应。k_p越大，收敛越快，但可能引起超调和振荡；k_d提供阻尼，能抑制振荡，但过大又会使系统响应迟钝。可以展示不同参数下的无人机轨迹和距离误差随时间变化的曲线。
3. 约束满足度：在整个调整过程中，无人机的速度和加速度是否始终未超过题目给出的最大值？需要在仿真中实时监控这些量，并确保约束被满足。可以在论文中附上速度、加速度随时间变化的曲线图，并标注出最大值限制线，直观展示约束未被违反。
4. 队形精度：最终形成的圆形有多“圆”？可以计算最终所有无人机到FY00距离的标准差，这个值越小，说明圆形越均匀。也可以计算相邻无人机之间夹角的均匀度。

5.3 模型的可能改进方向

在基本模型完成后，思考改进方向能体现思维的深度：

1. 定位阶段的改进：
   • 引入滤波：如果考虑无人机在定位过程中是移动的，可以将定位问题建模为动态系统状态估计问题，使用扩展卡尔曼滤波（EKF）来融合多时刻的观测数据，得到更平滑、更准确的轨迹估计。这比独立的静态定位更符合实际。
   • 考虑通信延迟：观测数据的传输可能存在微小延迟，在建立观测方程时引入时间戳对齐，模型会更精确。
2. 控制阶段的改进：
   • 避撞约束：在向目标点移动的过程中，无人机之间应避免碰撞。可以在控制律中增加一项“排斥势场”，当两机距离小于安全阈值时，产生一个相互排斥的力。这样控制律就变成了u_i = 吸引力(指向目标) + 排斥力(远离邻居)。
   • 最优控制：可以将编队调整过程表述为一个最优控制问题：在满足速度、加速度约束下，最小化调整时间或总能耗。然后使用庞特里亚金最小值原理或数值优化（如直接法）来求解，这能得到理论上性能更好的控制轨迹。
   • 分布式一致性控制：如前所述，设计仅基于邻居信息的分布式控制律，并分析其收敛性。这能大大提升系统的可扩展性和鲁棒性。

6. 论文写作与常见问题实录

模型做完，分析透彻，最后一步是如何在论文中清晰、有力、规范地呈现你的工作。这部分往往决定了评委的第一印象。

6.1 论文结构骨架与表达要点

一篇完整的数学建模论文，通常包含以下部分，每一部分都有其写作要点：

1. 摘要：重中之重！需用一段话概括整个工作：针对什么问题，建立了什么模型（定位用最小二乘，控制用PD），采用了什么方法求解（优化算法、数值仿真），得到了什么结果（定位精度、编队收敛时间），有何特色（进行了误差分析、参数调优）。摘要要独立成篇，避免出现图表和公式编号。
2. 问题重述与分析：不要照抄题目。要用自己的语言提炼问题背景、条件和目标。重点展示你的分析过程，可以画出信息流图、系统框图，明确列出已知、未知和待求量。
3. 模型假设：清晰合理的假设是模型的基石。例如：“假设方位角测量噪声为零均值高斯白噪声”、“假设无人机可简化为质点模型”、“假设通信无延迟且无丢包”。假设要具体，并简要说明其合理性。
4. 符号说明：将文中用到的主要变量、符号列成表格，写明含义和单位。这能极大提升论文的可读性。
5. 模型的建立与求解：这是论文的核心。对应我们上面的分析，应分为两大部分：
   • 5.1 纯方位无源定位模型：详细推导观测方程（从方位角到线性约束的转化过程），给出最小二乘目标函数，说明求解算法（如LM算法）及初始值选取策略。
   • 5.2 编队形成控制模型：给出无人机动力学模型（一阶/二阶），推导控制律，说明参数整定方法和约束处理（限幅）。
   • 每一部分最后，都应展示求解结果（如定位坐标表格、定位误差、编队收敛过程动画截图）。
6. 模型的分析与检验：展示误差分析（蒙特卡洛仿真结果图）、灵敏度分析曲线、控制器参数影响分析图、约束满足情况图等。用数据和图表说话，证明模型的可靠性和鲁棒性。
7. 模型的评价与推广：客观评价模型的优点（原理清晰、易于实现、鲁棒性好）和缺点（未考虑通信延迟、避撞等）。提出可行的改进方向（如引入EKF、增加避撞策略）。
8. 参考文献：规范引用。
9. 附录：可以放置核心的程序代码（关键函数，而非全部）。

6.2 实操中踩过的“坑”与应对技巧

结合多年经验和评审视角，以下是同学们在解决此类问题时最容易出错的地方：

1. 坐标系统一与角度定义混淆：这是最高发的错误。务必在论文中明确画出全局坐标系，并清晰定义题目中给出的方位角是相对于哪个坐标系、哪个基准方向（如正北、正东）的。在模型推导部分，第一步就应该是坐标变换公式。
2. 忽略模型假设的陈述：很多论文直接开始建模，评委不知道你的模型建立在什么基础上。明确的假设能让你的模型边界清晰，当结果有偏差时，也知道可能是假设不成立导致的。
3. 求解算法描述过于笼统：写“我们使用了最小二乘法”是远远不够的。要写明是“非线性最小二乘”，使用了什么工具（MATLAB的lsqnonlin）或算法（Levenberg-Marquardt），以及如何设置初始值、迭代终止条件等关键参数。
4. 结果展示只有干巴巴的数字：表格数据不直观。一定要有图！定位结果可以画一张所有无人机位置的散点图，用不同颜色和形状区分。编队控制过程必须做出动态轨迹图或至少几个关键时刻的“快照”图。误差分析、灵敏度分析更是要用曲线图来呈现。
5. 参数凭空而来：控制器的k_p=1.0是怎么来的？要通过仿真实验，展示不同参数下的系统响应，说明你选择的参数是经过比较和权衡的。可以做一个简单的参数扫描，画出“超调量/调节时间”随参数变化的曲线。
6. 缺乏定量分析：定位误差有多大？只说“误差很小”不行，要给出均方根误差（RMSE）的具体数值。编队形成有多快？要给出收敛时间。圆形有多圆？要给出半径标准差。
7. 代码与模型脱节：附录里的代码应该是你模型最直接的实现。确保代码结构清晰，关键步骤有注释，并且与论文中描述的算法流程一致。评委有时会快速浏览代码来验证你的工作是否扎实。

最后，关于时间管理，一个实用的建议是：用一天时间彻底吃透题目、完成建模和核心算法设计；用一天时间编程实现、调试和产生主要结果；用最后一天进行深入分析、绘制精美图表和撰写论文。论文写作要贯穿始终，想到一点写一点，不要全部堆到最后。保持论文的整洁、图表的美观和逻辑的连贯，这些细节上的用心，都能在评审时为你赢得宝贵的印象分。数学建模竞赛比拼的不仅是数学能力，更是将复杂问题条理化、模型化、可视化和文档化的综合实践能力。