1. 赛题回顾与核心挑战解析

2023年的全国大学生数学建模竞赛B题，题目是“多波束测线问题”。这个题目一出来，很多同学，尤其是第一次参加国赛或者对海洋测绘、优化算法不太熟悉的队伍，第一反应可能是有点懵。它不像一些经典的预测题或者物理题那样有明确的公式可以套用，也不像一些数据分析题那样有现成的数据集可以挖掘。它的核心，是把一个非常专业的海洋工程测量问题，抽象成了一个典型的覆盖优化与非线性规划问题。

简单来说，题目描述了一个场景：我们要用搭载了多波束测深声呐的船去测量一片长方形的海域。这个声呐不是单点测量，它像一把扇子，一次能扫出一条带状区域（测线）。船沿着规划好的路径（测线）航行，声呐向两侧发射波束，就能测出这条测线左右一定宽度内的水深。我们的任务就是，设计最少的测线（让船跑最短的路），确保对整个目标海域实现全覆盖测量，并且还要满足一个关键的精度要求：相邻测线之间的重叠率不能低于一个给定值（比如10%）。

这个“重叠率”是题目的灵魂，也是最大的难点所在。它不是一个简单的几何覆盖问题。重叠率定义为相邻两条测线之间，重叠部分的面积占其中一条测线有效覆盖面积的百分比。这意味着：

1. 它不是宽度比：不能简单地认为两条测线中心距小于某个值，重叠率就达标了。因为测线在边缘的覆盖宽度会变化。
2. 它不对称：测线A与测线B的重叠率，和测线B与测线A的重叠率，计算结果可能不同（因为分母选取的测线不同）。题目通常指定一个计算方向。
3. 它与海底坡度有关：题目会给出一个关键参数——海水深度。波束的覆盖宽度（Swath Width）是随着水深和波束开角（一个固定参数）变化的。水深越深，单次扫描覆盖的宽度越大。这直接影响了每条测线的“有效宽度”，进而影响了重叠率的计算。

所以，这道题的挑战是多维度的：它需要你理解一个物理模型（多波束测深几何），将其转化为数学模型（覆盖宽度计算函数），然后在此基础上构建一个复杂的约束优化模型（在满足全覆盖和重叠率约束下，最小化总测线长度）。这非常考验参赛者的数学建模能力、优化算法功底和编程实现能力。

2. 问题一：对称海域的“理想”优化

问题一通常设定为一个相对简单的场景：测量区域是中心对称的，比如一个矩形，并且测线方向是固定的（例如，平行于矩形长边）。海水深度设为常数。这是一个入门环节，目的是让队伍建立起基础模型。

这里的核心任务是计算在给定测线间距下，是否满足重叠率约束，并寻找满足全覆盖条件下的最小测线数量（即最小总长度）。步骤非常清晰：

1. 建立覆盖宽度模型：根据给定的波束开角 θ 和水深 D，计算单侧覆盖宽度 W。公式来源于几何关系：W = D * tan(θ/2)。那么一条测线的总覆盖宽度就是2W（中心线左右各W）。
2. 建立重叠率模型：假设两条相邻测线的中心距离为 d。它们之间的重叠部分宽度为2W - d。那么，重叠率 η = (重叠部分宽度) / (单条测线覆盖宽度) =(2W - d) / (2W) = 1 - d/(2W)。这是一个非常简洁的线性关系。
3. 转化为约束条件：题目要求 η ≥ η0（例如10%）。代入公式，得到1 - d/(2W) ≥ η0，即d ≤ 2W * (1 - η0)。
4. 设计测线布局：对于长度为 L，宽度为 W_rect 的矩形区域，测线平行于长边。要完全覆盖宽度方向，需要的测线条数 N 必须满足：(N-1) * d + 2W ≥ W_rect。这里2W是边缘效应，第一条和最后一条测线的一半宽度就能覆盖边缘。我们的目标是在满足d ≤ 2W * (1 - η0)的前提下，最小化 N（或总长度 N*L）。
5. 求解：这本质上是一个一维布局问题。最优解通常是在满足重叠率约束下，取最大的允许间距 d_max =2W * (1 - η0)，然后计算所需的最少测线条数 N_min =ceil((W_rect - 2W) / d_max) + 1。总航程就是N_min * L。

注意：这里的ceil是向上取整函数。很多同学在这里会犯错，直接用除法计算出一个非整数条数，这是不符合实际的。必须取整后验证覆盖是否完全。一个实用的技巧是：计算出 N_min 后，反推实际的间距 d_actual =(W_rect - 2W) / (N_min - 1)，然后验证此 d_actual 是否仍满足d_actual ≤ d_max。通常因为向上取整，d_actual 会小于 d_max，这意味着实际重叠率比最低要求更高，这是允许的。

问题一的“坑”与心得：

• 单位统一：题目给出的角度可能是度数，计算时务必转换为弧度。tan()函数在大多数编程语言中默认接收弧度制。
• 边缘处理：上述模型假设第一条和最后一条测线的中心线距离区域边界为 W，即其边缘波束刚好覆盖边界。这是“刚好全覆盖”的临界情况。在论文中需要清晰说明这个假设。更稳妥的做法是，认为测线覆盖范围是[中心位置 - W, 中心位置 + W]，然后确保整个区域[0, W_rect]被这些区间完全覆盖。
• 结果验证：画出示意图！用编程（如MATLAB的plot、Python的matplotlib）画出矩形区域和所有测线的覆盖范围（用长条矩形表示）。直观检查是否有缝隙，并可以计算任意相邻测线间的实际重叠率进行数值验证。这个图能极大地增强论文的说服力。

3. 问题二：引入深度变化与坡度

问题二开始接近现实情况：海水深度不再恒定，而是沿着测线方向（或垂直测线方向）变化。通常，题目会给出一个深度变化函数，比如D(x) = 某表达式，其中 x 是沿测线方向的位置坐标。

这下复杂度直接上了一个台阶。覆盖宽度 W 不再是常数，而是随着位置 x 变化的函数W(x) = D(x) * tan(θ/2)。这意味着，同一条测线上，不同位置的覆盖宽度是不同的。那么，相邻两条测线之间的重叠率，也不再是一个简单的全局值，而是随着沿航向的位置不同而变化。

核心难点：如何定义和计算“两条测线之间的重叠率”？当宽度变化时，题目中“重叠部分面积 / 单条测线覆盖面积”的定义就需要进行积分运算。

1. 离散化建模思路（推荐）：这是最实用、最容易编程实现的方法。将一条测线长度 L 离散成 M 个密集的点（如每隔1米一个点）。对于每个点 x_i，计算其水深 D(x_i)，进而得到该点处的覆盖半径 W(x_i)。那么，一条测线可以看作是由这 M 个点及其对应的覆盖半径所表征的集合。
2. 计算重叠面积：对于相邻的两条测线，它们在这些离散点上的投影是错开的。我们需要计算，对于第一条测线上的每个点，其覆盖范围与第二条测线上对应点（相同 x 坐标）的覆盖范围，在垂直测线方向上的重叠长度。然后，将所有点上的重叠长度求和（近似于积分），再乘以离散点的间距 Δx，就得到了重叠面积的近似值。
3. 计算单条测线覆盖面积：类似地，单条测线的覆盖面积可以近似为所有离散点处覆盖宽度之和乘以 Δx，即Σ (2 * W(x_i)) * Δx。
4. 建立约束：对于任意一对相邻测线，计算出的重叠率必须 ≥ η0。这形成了一个复杂的、非线性的约束条件，因为测线间距 d 会影响每个点处的重叠计算。
5. 优化模型：此时，目标函数还是最小化总测线长度（或条数），但决策变量（测线间距）与约束条件之间的关系无法用简单公式表达，需要通过数值计算来评估。这通常需要使用优化算法，如非线性规划（NLP）求解器，或者更实用的启发式算法，如模拟退火（SA）、遗传算法（GA）来搜索最优的测线位置。

问题二的实战策略与心得：

• 果断采用离散化：不要试图去推导一个连续的、复杂的积分解析式。国赛时间有限，离散化方法概念清晰，易于编程实现和调试。只要离散点足够密（Δx 足够小），精度完全满足要求。
• 清晰定义数据结构：在编程时，定义好每条测线。例如，用一个数组存储测线中心线的 y 坐标（假设测线平行于x轴），再用一个函数get_coverage_at_x(y, x)来计算位于 y 的测线在横坐标 x 处的左右边界。
• 重叠率计算函数是关键：编写一个健壮的calculate_overlap(测线A, 测线B)函数。输入两条测线的参数，通过离散积分的方式返回重叠率。这个函数将是后续优化算法的核心评估器。
• 算法选型建议：对于这种中等规模、约束复杂的优化问题，模拟退火（SA）是非常合适的选择。它的原理是模拟固体退火过程，允许以一定概率接受“坏解”，从而有机会跳出局部最优。你可以将测线的位置序列作为“状态”，随机移动一条测线（产生新状态），计算新的总长度和所有重叠率约束，根据Metropolis准则决定是否接受新状态。
  • 状态表示：用一个数组[y1, y2, ..., yN]表示所有测线的中心位置。
  • 新状态产生：随机选择一条测线，在其当前位置附近随机扰动一个值。
  • 能量函数：即目标函数，总航程N*L加上一个巨大的惩罚项。例如：E = 总长度 + PENALTY * Σ max(0, η0 - η_i)，其中 η_i 是第 i 个重叠率，PENALTY 是一个很大的数（如10^6）。这样，当约束不满足时，“能量”会很高，算法会倾向于逃离这些不可行区域。
• 可视化至关重要：画出深度变化曲线D(x)，再画出优化后的测线布局图，并用颜色深浅表示不同位置的覆盖宽度。这能直观展示你的模型如何应对深度变化。

4. 问题三：非平行测线与复杂区域

问题三通常是整个赛题的升华，可能有两种方向：一是测线方向不再固定，可以与区域边界成一定角度（即旋转测线）；二是测量区域不再是简单的矩形，可能是“凹”字形或带有障碍物的区域。

方向一：旋转测线当测线可以旋转时，优化变量增加了——每条测线的角度（或者所有测线采用同一个旋转角）。这带来了两个影响：

1. 区域覆盖：旋转后，为了覆盖整个矩形区域，所需的测线长度和条数会发生变化。通常，沿着区域长轴方向布置测线总长度最短，但旋转一个角度后，单条测线变长，可能需要更多条数，这是一个权衡。
2. 重叠率计算：计算两条斜线之间的重叠面积变得更加复杂。因为它们的覆盖范围不再是简单的平行带状区域相交。此时，离散化方法依然有效，但计算两个倾斜矩形区域的重叠面积需要更细致的几何计算。

策略：可以将旋转角也作为优化变量。在模拟退火算法中，状态变量变为[θ, y1, y2, ...]或每条测线有自己的角度[θ1, y1, θ2, y2, ...]。新状态产生时，除了扰动测线位置，还可以以一定概率扰动旋转角。能量函数计算时，需要先根据旋转角将测线的覆盖范围投影到区域坐标系，再进行重叠判断和面积计算。计算量会增大，但思路是连贯的。

方向二：复杂区域对于凹形区域，核心难点在于判断测线的有效覆盖部分。一条测线可能只有一部分穿过目标区域，另一部分在区域外（无效）。在计算覆盖面积和重叠面积时，只考虑落在区域内的部分。

策略：

1. 区域表示：用多边形顶点序列来定义复杂区域。
2. 覆盖段计算：对于一条测线，计算它与区域多边形的交点。这些交点将测线分割成若干段，只有落在多边形内部的段才是有效覆盖段。
3. 离散化适配：在离散积分计算覆盖和重叠面积时，只对那些位于区域内部的离散点进行计算。这需要在重叠率计算函数中增加一个“点是否在区域内”的判断。
4. 优化调整：对于凹形区域，最优的测线布局可能不再是等间距的。可能需要在某些狭窄部分布置更密的测线。这更加凸显了启发式算法（如SA、GA）的优势，它们可以自动探索这种非均匀的布局。

问题三的综合心得：

• 化繁为简：无论问题多复杂，其基础仍然是问题二建立的离散化计算框架。复杂区域和旋转测线，只是在这个框架上增加了“预处理”步骤（计算有效段、坐标变换）。
• 模块化编程：一定要将代码模块化。例如：calculate_effective_segment(测线， 区域)，rotate_coordinate(点， 角度)，is_point_in_polygon(点， 多边形)，calculate_overlap(测线A， 测线B， 区域)。这样在应对问题三时，只需要调用这些已有的模块，并添加新的驱动逻辑即可，调试起来会清晰很多。
• 性能与精度的平衡：离散点越多，计算越精确，但程序越慢。在优化算法（如SA）中，需要成千上万次评估能量函数。一个技巧是采用自适应离散精度：在优化搜索初期，使用较粗的离散（如Δx=10米）进行快速筛选；在找到潜在最优解区域后，再用更细的离散（如Δx=1米）进行精确计算和最终验证。
• 结果分析要深入：不要只给出一个最优布局图和几个数字。分析一下为什么算法找到了这个布局？旋转角度的变化如何影响总航程？复杂区域的“瓶颈”处是如何处理的？这些分析能极大提升论文的深度。

5. 论文写作与通用技巧

数学建模竞赛，“模”是过程，“文”是呈现。一个清晰、严谨、美观的论文至关重要。

1. 摘要：重中之重摘要必须独立成篇，概括全部工作。采用“总-分-总”结构：

• 总：用一两句话说明针对什么问题，建立了什么模型，采用了什么方法，达到了什么目的。
• 分：针对问题一、二、三，分别简述你的模型核心、求解方法和主要结果（关键数值）。例如：“针对问题一，建立了基于几何关系的恒定重叠率优化模型，推导出最优测线间距公式，得到最少测线数为N，总航程为L。”
• 总：总结模型的优点（如适应性强、效率高）和特色（如创新性地采用了XX算法处理非线性约束）。最后可以提一句“为多波束测深规划提供了有效参考”。

2. 模型建立部分

• 符号说明：制作一个清晰的表格，列出所有变量、符号及其含义、单位。
• 模型假设：合理且必要。例如：“假设海水声速均匀”、“忽略潮汐影响”、“测线为直线”等。假设要服务于简化模型，但不能动摇问题根基。
• 模型推导：从物理原理（多波束几何）一步步推导到数学公式。公式要编号，重要公式可单独列出。问题一的线性推导要清晰，问题二的离散化公式要给出求和表达式。

3. 模型求解与结果分析

• 算法描述：如果你用了模拟退火或遗传算法，不要只写名字。用流程图或文字描述清楚算法的步骤：初始化温度、产生新解、接受准则、降温策略、终止条件。给出关键参数的选择依据（如初始温度、降温系数为什么取0.95）。
• 结果展示：图表结合。问题一的结果可以配公式和简单表格。问题二、三必须有示意图。示意图要精美，有图例、坐标轴标签。例如：一张图上同时显示海底地形起伏（用曲线或颜色）和多条测线的覆盖范围（用半透明色块表示），重叠部分颜色加深。这样评委一目了然。
• 灵敏度分析：这是拿高分的关键。分析某个参数变化对结果的影响。例如：改变最低重叠率要求η0（从10%到20%），观察总航程如何变化；或者改变海水深度的变化幅度。这能体现你对模型的理解深度。
• 模型检验：用另一种方法验证你的结果。例如，对于问题二，你可以用非常密集的测线（远多于最优解）计算一个“理论上界”，然后对比你的优化结果，看节省了多少航程。或者，对离散化精度进行测试，说明当Δx小于某个值后，结果已稳定。

4. 编程实现与团队协作

• 语言选择：MATLAB在矩阵运算和绘图上很方便，Python（NumPy, SciPy, Matplotlib）更通用，资源更多。选择团队最熟悉的。
• 分工明确：一人主攻模型推导和论文写作，一人主攻算法编程实现，一人负责数据验证、绘图和辅助建模。但核心模型需要三人共同理解。
• 版本管理：即使不用Git，也要定期将代码、论文、数据打包，按时间戳命名（如2023B_final_v1.zip），避免最后时刻误覆盖。
• 留足时间写论文：最后一天一定要留出至少6-8小时专门进行论文的整合、润色、排版和检查。慌慌张张赶出来的论文往往漏洞百出。

2023年国赛B题是一道非常经典的优化类赛题，它完美地体现了数学建模竞赛的精髓：将复杂的实际问题抽象为清晰的数学模型，并利用计算工具进行求解。它考察的不仅仅是数学知识，更是问题分解、算法设计、编程实现和科学写作的综合能力。对于参赛者来说，无论获奖与否，深入经历这样一次从“茫然”到“清晰”再到“解决”的全过程，本身就是一次极有价值的锻炼。