1. 项目概述：一次竞赛思维的深度拆解

每年九月的那个周末，对于全国数十万理工科大学生而言，都是一个不眠之夜。全国大学生数学建模竞赛（以下简称“国赛”）的题目在此时公布，而其中的B题，往往以其强烈的工程背景、复杂的数据处理和开放性的求解思路，成为区分队伍实力的关键战场。2022年的B题“无人机遂行编队飞行中的纯方位无源定位”一经发布，就在各大高校的讨论群和论坛里炸开了锅。这道题将我们从传统的数学理论推演，直接拉入了现代无人机集群协同作战的前沿应用场景，它考察的绝不仅仅是数学公式的套用，更是一套完整的“问题定义-模型构建-算法设计-仿真验证”的工程化思维链条。

当我第一次看到这个题目时，直觉告诉我，这不仅仅是一道数学题，更是一个典型的“系统性问题”。它模拟了一个非常具体的军事或民用场景：若干架无人机组成编队，仅依靠观测另一架发射信号的无人机（或目标）的方位角信息，在无法获知距离的情况下，如何确定自身或目标的位置？题目中“纯方位无空定位”这个核心词，直接指向了信号处理、几何学和优化理论交叉的深水区。对于参赛学生来说，最大的挑战在于如何将这样一个生动的物理问题，抽象为一组可被计算机理解和求解的数学方程，并设计出稳定、高效的求解算法。这过程，像极了工程师在实验室里将天马行空的构想落地为原型机的过程。本文将基于我指导多届队伍的经验，以及对2022年B题的反复研读，为你深度解析这道题背后的核心思路、技术难点与破局之道，无论你是即将参赛的学生，还是对数学建模感兴趣的朋友，都能从中获得一套可迁移的问题解决方法论。

2. 核心需求解析与问题本质洞察

2.1 题目场景还原与核心诉求

让我们先抛开数学，用最直白的语言描述这个场景：你带领一个无人机编队（比如10架）去执行任务，队形需要保持特定样式（比如圆形）。天空中还有另一架无人机（称为FY-00）在不停地广播信号，但它不告诉你它在哪里，也不告诉你它离你多远。你的每架无人机上只有一个“耳朵”（传感器），这个“耳朵”很特别，它能非常精确地听出FY-00信号传来的方向（即方位角），但完全不知道信号走了多远才到。现在，你的任务是：第一，仅凭这些方向信息，计算出FY-00无人机到底在天空中的哪个位置；第二，在已知FY-00位置后（或同步进行），调整你自己的编队中其他无人机的位置，让整个编队形成一个漂亮的圆形，并且所有无人机都能持续接收到FY-00的信号。

题目给出的具体数据，就是编队中9架无人机（编号FY-01至FY-09）在某个时刻观测到的FY-00的方位角。你的所有推理和计算，都始于这9个角度数据。这立刻引出了几个关键需求：

1. 定位需求：这是首要且最核心的需求。输入是9个方位角，输出是FY-00的一个二维坐标（假设在同一高度飞行）。这是一个典型的“非线性方程组求解”或“优化问题”。
2. 队形调整需求：在定位完成后，需要调整FY-01至FY-09的位置，使它们均匀分布在一个以FY-00为圆心的圆周上，同时满足调整距离最小化的约束。这本质上是一个“带约束的优化分配问题”。
3. 模型泛化需求：题目后几问要求考虑更复杂的情况，如部分无人机方位角缺失、存在观测误差等。这就要求初始构建的模型必须具备良好的鲁棒性和可扩展性。

2.2 问题本质：从几何到优化的思维跃迁

理解这道题，关键在于完成两次思维跃迁。第一次是从物理场景到几何模型的跃迁。每一条“方位角”观测线，在几何上就是一条从观测无人机位置出发的射线。FY-00必然位于这9条射线的交汇区域附近。但由于观测必然存在误差，这9条射线几乎不可能精确交于一点。因此，问题从“求交点”变成了“在误差允许下，找到一个点，使得它到各条射线的‘距离’之和最小”。这里“距离”的定义，就成了第一个建模分水岭——是垂直距离，还是角度偏差？

第二次跃迁是从几何模型到优化模型的跃迁。一旦我们定义了“距离”或“偏差”的度量方式（即目标函数），定位问题就自然地转化为一个无约束或有约束的最优化问题。例如，最直观的想法是：设FY-00坐标为(x0, y0)，第i架无人机坐标为(xi, yi，已知)，观测方位角为αi（已知）。那么，理论上从i看向(x0, y0)的方位角应该是 arctan((y0-yi)/(x0-xi))。我们希望这个计算值与观测值αi的差最小。因此，可以构建最小二乘问题：最小化 Σ [arctan((y0-yi)/(x0-xi)) - αi]^2。这就是一个标准的非线性最小二乘问题。

注意：这里有一个极易踩坑的细节。反三角函数arctan的值域通常是(-π/2, π/2)，而方位角αi的范围是0到360度（或-180到180度）。直接相减会导致相位缠绕问题。必须使用角度差函数，计算两个角度之间的最小差值。例如，在MATLAB或Python中，不能直接diff = angle_calc - angle_obs，而应该用diff = np.arctan2(np.sin(angle_calc - angle_obs), np.cos(angle_calc - angle_obs))来确保差值在(-π, π]之间。这是很多新手队伍在编程实现时第一个会遇到的“暗坑”。

3. 核心模型构建与算法选型深度剖析

3.1 定位模型：非线性最小二乘的实战

承接上面的思路，我们正式建立定位模型。设目标FY-00坐标为p0 = (x0, y0)，已知9架无人机位置为pi = (xi, yi), i=1,2,...,9，观测方位角为αi（已转化为弧度制）。

目标函数（残差平方和）：

F(x0, y0) = Σ_{i=1}^{9} f_i(x0, y0)^2

其中，f_i(x0, y0) = angle_diff( arctan2(y0 - yi, x0 - xi), αi )。arctan2(y, x)是四象限反正切函数，能返回正确的方位角。angle_diff(a, b)是计算角度a与b之间最小差值的函数。

求解算法：这是一个经典的非线性最小二乘问题。我们绝不能指望用手算或简单的代数方法解出来，必须依赖数值迭代算法。选型如下：

1. Levenberg-Marquardt (L-M)算法：这是解决非线性最小二乘问题的“瑞士军刀”，在MATLAB中对应lsqnonlin函数，在Python的SciPy库中对应scipy.optimize.least_squares函数。它的优点是兼具了梯度下降法的稳定性和牛顿法的快速收敛性，通过引入阻尼因子自适应调整。对于本题，它是首选。
2. 高斯-牛顿法：L-M算法可以看作是高斯-牛顿法的改进版。如果自己编程实现，可以从高斯-牛顿法入手，但需要注意在矩阵接近奇异时（即迭代点陷入局部平坦区）的处理，否则容易发散。
3. 全局优化算法：由于目标函数可能存在多个局部极小点（尽管本题物理背景下通常只有一个全局最优），为了增加鲁棒性，可以先用粒子群算法(PSO)或遗传算法(GA)进行粗搜索，得到一个接近全局最优的解，再将这个解作为L-M算法的初始值进行精细优化。这种“粗调+精修”的策略在实际比赛中非常有效，能显著降低对初始猜测值的依赖。

初始值猜测：数值优化需要一个起点。一个简单有效的策略是，利用两条观测线的几何交点作为初始值的种子。例如，取FY-01和FY-02的观测线，求解它们的交点（或最近点）作为(x0, y0)的初始估计。虽然由于误差这个交点不准，但通常已足够接近真值，能使L-M算法快速收敛。

3.2 队形调整模型：组合优化与数值优化的结合

定位出FY-00后，第二问要求将FY-01~FY-09调整到半径为100的圆周上。这并非简单地将每个无人机径向投影到圆上。因为题目要求“均匀分布”，即相邻无人机之间的圆心角相等（360/9=40度）。但FY-01~FY-09的初始位置是任意的，谁应该占据圆周上的哪个位置（哪个角度）呢？这是一个分配问题。

模型建立：

1. 决策变量：定义9个位置编号（1到9）到圆周上9个等分角度位置（0°, 40°, 80°, ..., 320°）的——映射关系。这可以用一个排列矩阵或一个分配向量来表示。
2. 目标函数：最小化所有无人机移动的总距离（或总距离的平方和）。设调整后无人机i被分配到角度θ_j的位置，其坐标为 (x0 + 100cos(θ_j), y0 + 100sin(θ_j))。那么其移动距离就是新位置与旧位置pi的欧氏距离。
3. 约束：每个角度位置只能分配一架无人机，每架无人机只能分配到一个角度位置。

求解思路：这是一个小规模的二次分配问题(QAP)。虽然规模小（9! = 362880种可能），暴力枚举在计算上是可行的，但不够优雅。更高效的思路是将其转化为一个线性分配问题。

• 步骤一：计算代价矩阵C， 其元素C_{i,j}表示将无人机i移动到圆周上第j个角度位置所需移动的距离（或距离平方）。
• 步骤二：求解一个指派问题，目标是最小化总代价。这可以用经典的匈牙利算法或调用优化求解器（如MATLAB的matchpairs, Python SciPy的linear_sum_assignment）高效求解，复杂度为O(n^3)。

实操心得：这里有一个关键技巧。直接使用欧氏距离作为代价，求解的是最小化总移动距离。但题目要求“在调整幅度尽量小的情况下”形成圆形编队。有时，“最小化最大单机移动距离”可能是一个更合理的指标，因为这能避免某架无人机需要长途跋涉。你可以分别用两种目标函数（总距离和最大距离）进行求解，对比结果，并在论文中讨论其优劣，这能体现建模的深度。

4. 求解过程全记录与关键代码实现

4.1 数据预处理与坐标设定

题目给出的方位角是度数，第一步必须转换为弧度，因为所有编程语言的数学库默认使用弧度。同时，需要建立一个合理的坐标系。题目没有给出FY-01~FY-09的初始坐标，这是第一个需要自己设定的参数。一个常见且合理的设定是，假设FY-00位于原点(0,0)（因为我们要求的就是它的位置，先假设为原点便于计算相对位置），而FY-01~FY-09初始位于某个已知的队形上，比如另一个更大的圆周上，或者根据方位角反推一个大致位置。实际上，由于我们只关心相对方位，FY-01~FY-09的绝对坐标可以任意设定一个非退化的构型（比如随机生成，但不要共线），因为最终的定位结果会随之整体平移旋转，但相对关系不变。更稳妥的方法是，假设FY-01位于(1000, 0)，然后根据各无人机与FY-01的相对几何关系（这需要一些额外的假设或从其他信息推断），大致给出其他点的坐标。这部分设定需要在论文中清晰说明，并论证其合理性。

import numpy as np from scipy.optimize import least_squares import matplotlib.pyplot as plt # 1. 观测数据（示例，替换为题目实际数据） # 假设FY-01 ~ FY-09的初始坐标 (xi, yi)，这里仅为示例，需自行合理设定 # 例如，可以假设它们初始在一个半径为500的圆上，位置随机 np.random.seed(2022) radius_init = 500 angles_init = np.linspace(0, 2*np.pi, 9, endpoint=False) x_known = radius_init * np.cos(angles_init) y_known = radius_init * np.sin(angles_init) # 观测方位角 (度)，来自题目附件 alpha_deg = np.array([...]) # 填入9个数据 alpha_rad = np.deg2rad(alpha_deg) # 转为弧度 # 2. 定义残差函数 def angle_diff(a, b): """计算两个角度（弧度）之间的最小差值，范围在(-pi, pi]""" diff = a - b return np.arctan2(np.sin(diff), np.cos(diff)) def residuals(p, x_known, y_known, alpha_obs): """非线性最小二乘的残差函数 p: 待求参数 [x0, y0] 返回: 残差向量 f_i """ x0, y0 = p res = [] for i in range(len(alpha_obs)): # 计算从已知点i到估计点(x0,y0)的理论方位角 theta_calc = np.arctan2(y0 - y_known[i], x0 - x_known[i]) # 计算与观测值的角度差 diff = angle_diff(theta_calc, alpha_obs[i]) res.append(diff) return np.array(res) # 3. 初始猜测：取前两条观测线的近似交点 # 这里简化处理，取已知点集的几何中心附近作为初始值 initial_guess = np.array([np.mean(x_known) + 100, np.mean(y_known) + 100]) # 4. 调用Levenberg-Marquardt算法求解 result = least_squares(residuals, initial_guess, args=(x_known, y_known, alpha_rad), method='lm', verbose=1) # 使用L-M方法，输出迭代信息 x0_opt, y0_opt = result.x print(f"优化后的FY-00坐标: ({x0_opt:.2f}, {y0_opt:.2f})") print(f"残差范数: {result.cost}")

4.2 队形调整的匈牙利算法实现

定位完成后，进行队形调整。我们采用最小化总移动距离的平方和作为目标。

from scipy.optimize import linear_sum_assignment # 假设已求得FY-00坐标 (x0_opt, y0_opt) radius = 100 # 圆周上9个目标位置的角度（弧度） target_angles = np.linspace(0, 2*np.pi, 9, endpoint=False) # 计算目标位置坐标 target_positions = np.column_stack([ x0_opt + radius * np.cos(target_angles), y0_opt + radius * np.sin(target_angles) ]) # 已知的9架无人机初始坐标 (x_known, y_known)，来自之前设定 initial_positions = np.column_stack([x_known, y_known]) # 计算代价矩阵：从每个初始位置到每个目标位置的欧氏距离平方 cost_matrix = np.zeros((9, 9)) for i in range(9): for j in range(9): # 计算距离平方，避免开方运算，不影响指派结果 cost_matrix[i, j] = np.sum((initial_positions[i] - target_positions[j])**2) # 使用匈牙利算法求解最小代价分配 row_ind, col_ind = linear_sum_assignment(cost_matrix) # col_ind[i] 表示无人机i被分配到的目标位置索引 # 计算总移动距离和新的位置 total_cost = cost_matrix[row_ind, col_ind].sum() adjusted_positions = target_positions[col_ind] # 按分配方案排序后的新位置 print(f"最优分配方案（无人机索引->目标位置索引）: {col_ind}") print(f"最小化总移动距离平方和: {total_cost}") # 可视化 plt.figure(figsize=(10, 5)) plt.subplot(1,2,1) plt.scatter(x_known, y_known, label='Initial Positions') plt.scatter(x0_opt, y0_opt, marker='*', s=200, label='FY-00 (Estimated)') for i in range(9): plt.plot([x_known[i], x0_opt], [y_known[i], y0_opt], 'r--', alpha=0.3) plt.legend() plt.title('Initial Configuration and Bearing Lines') plt.axis('equal') plt.subplot(1,2,2) plt.scatter(adjusted_positions[:,0], adjusted_positions[:,1], label='Adjusted Positions') plt.scatter(x0_opt, y0_opt, marker='*', s=200, label='FY-00') circle = plt.Circle((x0_opt, y0_opt), radius, fill=False, linestyle='--') plt.gca().add_patch(circle) for i in range(9): plt.plot([initial_positions[i,0], adjusted_positions[i,0]], [initial_positions[i,1], adjusted_positions[i,1]], 'g-', alpha=0.5) plt.legend() plt.title('Final Circular Formation') plt.axis('equal') plt.show()

5. 模型拓展与鲁棒性分析

5.1 针对观测缺失与误差的稳健模型

原题后续问题会考虑更现实的情况：不是所有无人机都能提供观测值（缺失），以及观测值存在随机误差。这就要求我们的基础模型必须具备容错和抗噪能力。

对于观测缺失：这相对简单。在构建目标函数F(x0, y0)时，只对那些有有效观测的无人机进行求和。例如，如果第3、5架无人机数据缺失，则残差求和索引i跳过3和5。在代码实现上，只需维护一个有效观测的索引列表即可。但需要注意的是，当有效观测数据过少（如少于3个）时，定位问题可能变得不可解或解不唯一（存在多解），需要在论文中讨论这种“可观测性”条件。

对于观测误差：题目通常假设误差服从均值为0的正态分布。我们的非线性最小二乘模型本身就是在高斯噪声假设下的最大似然估计，因此理论上已经是最优的。但为了更稳健，可以考虑：

1. 加权最小二乘：如果知道不同无人机的观测精度不同（方差不同），可以在残差项前乘以权重（权重与方差成反比）。
2. 鲁棒损失函数：最小二乘的L2范数对离群点（大误差）非常敏感。可以考虑使用Huber损失、Cauchy损失等鲁棒损失函数代替平方损失，这能降低个别严重误测数据对整体结果的影响。在scipy.optimize.least_squares中，可以通过设置loss参数来实现（如loss='soft_l1'）。

5.2 考虑无人机自身位置误差的联合估计

这是一个更高级的拓展。在现实场景中，FY-01~FY-09自身的位置（xi, yi）也可能存在误差（例如，来自GPS的误差）。此时，我们需要估计的未知数不仅仅是FY-00的坐标(x0, y0)，还包括所有或部分已知无人机的坐标修正量。这变成了一个大规模的捆绑调整问题。

模型将变为：最小化 Σ [arctan2((y0+Δyi) - (yi+Δyi), (x0+Δxi) - (xi+Δxi)) - αi]^2 + λ * Σ (Δxi^2 + Δyi^2)。其中，Δxi, Δyi是已知坐标的修正量，λ是正则化参数，用于防止修正量过大（因为我们仍然相信已知坐标是相对准确的）。这个问题变量更多（2*9+2=20个），非线性更强，求解更困难，可能需要更谨慎的初始化和算法调参。在有限竞赛时间内，除非有充分把握，否则不建议轻易尝试这种全联合估计，但可以在论文的“模型优化与展望”部分进行讨论，体现思维的深度。

6. 论文写作要点与常见陷阱规避

数学建模竞赛“三分靠做，七分靠写”。一个清晰、严谨、美观的论文是获奖的关键。

6.1 论文结构骨架

1. 摘要：重中之重！需精炼包含：问题重述、你的总体思路（针对每一问）、所用模型方法的核心名称（如“非线性最小二乘模型”、“匈牙利算法指派模型”）、得到的主要结果（关键数值结论）、以及模型的主要优点（如稳健性强、计算效率高）。摘要控制在300-500字，务必反复打磨。
2. 问题重述与分析：用自己的话简述问题，并逐条分析问题的特点、难点和解决思路。可以画一个思维导图来展示你的解题逻辑链条。
3. 模型假设与符号说明：假设要合理且必要（如“忽略地球曲率”、“无人机在同一高度平面飞行”、“观测误差服从零均值高斯分布”）。符号说明用三线表格呈现，清晰美观。
4. 模型的建立与求解：这是核心章节。对应我们前面的分析，分小节阐述：
   • 5.1 基于方位角信息的无源定位模型（非线性最小二乘）
   • 5.2 基于匈牙利算法的编队调整模型
   • 5.3 考虑观测缺失与误差的稳健性模型拓展
   • 每一小节都应包含：模型推导过程、目标函数/约束条件数学公式、求解算法步骤描述、算法流程图。
5. 模型的求解与结果分析：展示具体的求解过程、软件工具、关键代码片段（不宜过长，展示核心函数即可）、以及最终的结果。结果应包括：
   • FY-00的定位坐标（表格呈现）。
   • 队形调整前后的位置对比图、移动路径图。
   • 对结果进行灵敏度分析：例如，人为给观测角加上微小扰动，看定位结果的变化是否连续、稳定。
   • 模型误差分析：讨论可能的误差来源（观测误差、模型线性化误差、数值计算误差等）。
6. 模型的评价与推广：客观评价自己模型的优点（定位精度高、计算速度快、鲁棒性好）和缺点（对初始值敏感、未考虑动态过程等）。提出可能的改进方向（如引入滤波算法进行动态跟踪、考虑三维空间拓展等）。
7. 参考文献与附录：规范引用参考文献。将完整的程序代码、大量的中间数据结果放在附录中。

6.2 必须避开的“天坑”

1. 坐标系统一与角度处理：全文必须使用统一的坐标系（通常是平面直角坐标系），并在开头明确定义。所有角度计算必须警惕弧度制与角度制的混淆，以及反三角函数的象限问题。这是程序能否跑出正确结果的基础。
2. 初始值的敏感性：非线性优化对初始值敏感。必须在论文中说明你如何设定或计算初始值，并可以通过展示不同初始值下算法都能收敛到同一结果（或附近）来证明你方案的鲁棒性。
3. “建模”与“编程”的平衡：论文不是代码说明书。避免大段大段地贴代码。应该用数学语言、流程图和伪代码来描述你的算法，将完整的代码置于附录。正文中只展示最关键的函数定义或一两行核心调用。
4. 结果的可视化：一图胜千言。务必精心绘制示意图，包括：无人机初始布局与方位射线图、定位结果示意图、队形调整前后对比图、误差分析图（如残差分布图）。使用MATLAB、Python的Matplotlib或专业工具如Origin、Visio绘制清晰、规范的图表。
5. 对“均匀分布”的理解：在队形调整中，“均匀分布”明确指等角度间隔分布。切勿理解为在圆周上等弧长分布（在半径固定的圆上两者等价，但概念上要清晰）。
6. 时间管理：三天时间极其紧张。建议第一天上午理解题目、查阅资料、确定基础模型；第一天下午到第二天上午完成第一、二问的建模、求解与论文初稿；第二天下午到晚上攻克拓展问题并完善论文；第三天全天用于修改摘要、打磨文字、调整格式、检查错误。摘要和图表往往需要多次修改才能定稿。

这道2022年的B题，如同一道精心设计的桥梁，连接了抽象的数学理论与生动的工程实践。它考验的不仅是微积分、线性代数和优化理论的知识储备，更是将复杂现实问题条分缕析、化繁为简的建模能力，以及利用计算工具将数学模型落地求解的实践能力。通过这道题的训练，你所收获的将远不止一个竞赛奖项，而是一套受用终身的、解决未知问题的系统性思维框架。在最后提交论文前，我总会提醒我的学生：关上电脑，从头到尾，像评委一样默读一遍你的论文。问问自己，如果我对这个领域一无所知，我能看懂这篇论文在说什么吗？逻辑是否自洽？图表是否一目了然？这个过程，往往能发现那些在紧张编程中被忽略的疏漏，而这最后的打磨，正是将一篇好论文变成一篇优秀论文的关键一跃。