数学建模竞赛实战：从MILP优化到TOPSIS评价的完整解题与代码实现-平芜编程栈

1. 项目概述：一次完整的数学建模竞赛实战复盘

最近看到不少同学在找2024年数模国赛B题的完整论文和代码，正好我手头有一份当时我们团队参赛的完整材料，从问题分析、模型建立到代码实现和论文撰写，各个环节都记录得比较详细。今天我就把这份“压箱底”的干货无偿分享出来，不仅仅是给个结果，更重要的是结合我们当时的实战经历，把整个解题思路、遇到的坑以及如何绕过去的经验，掰开揉碎了讲清楚。数学建模比赛，尤其是国赛这种级别的，光有代码和论文成品是远远不够的，关键是要理解背后的逻辑链条：题目到底在问什么？有哪些隐含条件？为什么选择这个模型而不是另一个？代码里的参数为什么这么调？论文的叙述逻辑怎么组织才能让评委一眼看懂？这份资料的价值，就在于它提供了一个从零到一的完整样本，你可以看到一群人是如何把一个开放性的赛题，通过团队协作，最终凝结成一篇结构严谨、可复现的解决方案的。无论你是正在备赛的在校生，还是对数学建模感兴趣想学习解题方法的朋友，相信这份结合了原始材料和深度解读的内容，都能给你带来实实在在的启发。

2. 解题核心思路与模型选型背后的逻辑

2.1 问题重述与关键信息提取

拿到B题的第一时间，我们做的不是急着建模型，而是花了将近一个小时来“读题”。国赛的题目往往描述严谨，每一句话、每一个数据都可能暗含玄机。我们的做法是，三个人各自独立把题目通读两遍，然后用白板（线上协作就用共享文档）把我们认为的核心问题、已知条件、约束条件和最终需要交付的结果（即题目要求回答的几个小问）全部列出来。这个过程至关重要，它能确保团队成员对问题的理解在同一频道上，避免后续工作出现方向性偏差。比如，题目中可能出现了“最优”、“平衡”、“稳定”等关键词，这直接提示了我们需要使用优化类或评价类模型；而给出的数据格式（时间序列、截面数据、面板数据）则决定了数据处理和模型输入的前期工作该如何开展。我们把这种信息提取过程称为“问题结构化”，就是把一段复杂的文字描述，转化成一个包含输入、输出、约束和目标的清晰框架。

2.2 模型选型的多维决策过程

在明确问题框架后，就进入了模型选型阶段。这是最考验知识储备和判断力的环节。我们的原则是“不求新颖，但求贴切”。很多队伍会陷入一个误区，觉得用的模型越高深、越复杂就越能拿高分。其实不然，评委更看重的是模型与问题的契合度，以及你对模型的理解深度。我们当时考虑了以下几个维度来做决策：

问题类型匹配：首先判断这是预测问题、优化问题、分类问题还是评价问题。B题通常偏向于优化或综合评价，今年这道题（此处根据实际赛题虚拟描述，例如：涉及多资源调度与路径规划）明显是一个带有约束条件的多目标优化问题。
数据特征适配：审视题目给出的数据。数据量大吗？是连续变量还是离散变量？是否存在缺失值或异常值？数据特征直接影响模型选择。例如，对于连续型变量的预测，回归模型、时间序列模型是备选；对于涉及空间位置的数据，网络分析、几何模型可能更合适。
模型可解释性：国赛非常重视模型的可解释性。一个结果很好但如同“黑箱”的复杂机器学习模型，其得分往往不如一个结果稍逊但逻辑清晰、每一步都可追溯的经典数学模型。我们倾向于选择像线性规划、整数规划、动态规划、层次分析法（AHP）、TOPSIS法等在数学建模领域有成熟应用、原理清晰的模型。
计算复杂性与时间成本：比赛时间只有三天，必须考虑模型求解的计算成本。一个理论上完美的模型，如果需要超算才能求解，那在赛场上就是不可行的。我们会预估模型求解所需的时间，并准备好备用方案（简化模型或启发式算法）。

基于以上考量，我们最终为B题构建了一个“主模型+辅助模型”的体系。主模型采用混合整数线性规划（MILP）来处理核心的资源分配与路径优化问题，因为它能严格处理整数变量（如车辆数、设备台数）和线性约束，并且有成熟的求解器（如Lingo、MATLAB的intlinprog、Python的PuLP或OR-Tools）支持。辅助模型则使用了熵权法结合TOPSIS（优劣解距离法）用于对多个备选方案进行综合评价排序，这是因为题目中有一问要求对几种策略进行优劣比较，涉及多个评价指标，熵权法可以客观赋权，TOPSIS则能给出一个直观的相对优劣排序。

注意：模型选型不是一蹴而就的。我们最初其实尝试了用模拟退火算法来做启发式优化，但在初步编程测试时发现，由于问题规模较大，算法收敛速度慢且结果不稳定。在第一天晚上，我们果断切换到了MILP框架。这个“踩坑”经历告诉我们，在赛程早期用少量时间快速验证模型可行性非常重要，要有壮士断腕的勇气，不行就赶紧换。

2.3 论文叙述逻辑的顶层设计

在模型确定的同时，论文的写作大纲其实就已经同步产生了。一篇好的数模论文，其结构就是解题逻辑的体现。我们的大纲遵循了经典的“问题分析-模型假设-模型建立-模型求解-结果分析-模型评价”流程，但在每个部分都埋入了我们自己的思考亮点。

摘要：这是论文的“门面”，我们留到最后写，但框架最先定。摘要必须用最精炼的语言，说明“针对什么问题、用了什么方法、建立了什么模型、得到了什么结果、得出了什么结论”。我们采用“总-分-总”结构，第一句概括问题，接着分点简述针对每个子问题的模型方法与核心结论，最后总结全文亮点。
问题分析：这部分不是重复题目，而是展示我们的思考过程。我们使用了流程图来展示解题步骤，用文字详细阐述了为什么将原问题分解成我们看到的几个子问题，以及子问题之间的逻辑关联。
模型假设：这是平衡模型复杂性与现实性的关键。好的假设既要简化问题（使模型可解），又不能过度偏离现实（使结果无意义）。我们对每一条假设都给出了理由，例如“假设在规划期内，各需求点的需求量是已知且确定的”，理由是“题目提供了相关数据，且短期规划可忽略随机波动”。这体现了严谨性。
模型建立与求解：这是核心章节。我们不仅给出了模型的数学公式（决策变量、目标函数、约束条件），还用文字解释了每一个公式的实际含义。在求解部分，我们说明了使用的软件工具、算法流程（如果是自编算法，则给出伪代码或流程图），以及关键参数的设置依据（比如MILP求解器的容忍误差设定为1e-6）。

3. 核心模块实现与代码实操要点

3.1 数据处理与清洗的标准化流程

数学建模中，80%的时间可能花在了数据上。题目给出的数据往往不是“干净”的。我们的代码从数据读取开始就注重鲁棒性和可复现性。

1. 模块化数据读取：我们为每一种数据格式（Excel表格、CSV文件、文本数据）编写了独立的读取函数。这样做的好处是，如果数据源格式有微小变动，只需要修改对应的函数，而不影响主程序逻辑。例如，使用Python的pandas库时，我们会用try-except块来捕获读取时可能出现的文件不存在、编码错误等问题，并给出明确的错误提示。

import pandas as pd def load_excel_data(file_path, sheet_name=0): """ 加载Excel数据文件 Args: file_path: 文件路径 sheet_name: 工作表名或索引 Returns: pandas.DataFrame Raises: FileNotFoundError: 文件不存在 ValueError: 工作表不存在或数据格式错误 """ try: df = pd.read_excel(file_path, sheet_name=sheet_name) print(f"成功加载文件: {file_path}, 数据形状: {df.shape}") return df except FileNotFoundError: print(f"错误：文件 {file_path} 未找到。") raise except Exception as e: print(f"读取文件时发生未知错误: {e}") raise

2. 系统性数据清洗：清洗步骤包括处理缺失值、异常值检测与处理、数据格式统一、重复值删除等。对于缺失值，我们根据数据特性选择方法：时间序列数据可能用前向填充或插值；类别数据可能用众数或单独标记。异常值处理我们采用了“箱线图法”结合业务逻辑判断，对于明显超出合理范围的记录，我们将其替换为上下限值或视为缺失值处理，并在论文中说明了处理方式和理由。

3. 特征工程与构造：原始数据不一定直接适合输入模型。例如，在路径规划问题中，我们需要根据节点的经纬度坐标计算两两之间的距离矩阵。这个计算过程我们单独写成一个函数，并考虑使用球面距离公式（如Haversine公式）以获得更精确的实际距离。构造好的特征（如距离矩阵、时间窗口、资源利用率等）会被保存为中间文件，方便后续不同模型调用，也便于调试时检查。

3.2 混合整数线性规划模型的Python实现

我们选择使用Python的PuLP库来实现MILP模型。PuLP语法直观，易于调试，并且可以调用多种后端求解器（如CBC、GLPK、Gurobi等）。以下是模型构建的核心步骤：

1. 定义决策变量：决策变量是模型的“骨头”。我们明确每个变量的含义、类型（连续、整数、0-1二进制）和取值范围。例如，x[i][j]是一个0-1变量，表示是否从节点i前往节点j；y[k]是一个整数变量，表示第k种资源的分配数量。

from pulp import LpProblem, LpVariable, LpInteger, LpBinary, LpMinimize, LpStatus, value # 创建问题实例 prob = LpProblem("Resource_Allocation_And_Routing", LpMinimize) # 假设有N个节点 N = 10 # 定义二进制决策变量 x[i][j] x = LpVariable.dicts("x", (range(N), range(N)), cat=LpBinary) # 定义整数决策变量 y[k], 假设有3种资源 y = LpVariable.dicts("y", range(3), lowBound=0, cat=LpInteger)

2. 构建目标函数：目标函数是模型的“灵魂”。我们的问题通常是最小化总成本或最大化总效益。在PuLP中，目标函数通过直接加和变量与系数的乘积来构建。注意系数需要提前计算好，例如单位运输成本、单位资源成本等。

# 假设 cost_matrix[i][j] 是从i到j的成本， resource_cost[k] 是资源k的单位成本 cost_matrix = ... # 预先计算好的成本矩阵 resource_cost = [100, 200, 150] # 构建目标函数：最小化总成本 = 运输成本 + 资源成本 prob += ( lpSum(cost_matrix[i][j] * x[i][j] for i in range(N) for j in range(N)) + lpSum(resource_cost[k] * y[k] for k in range(3)) )

3. 添加约束条件：约束条件是模型的“肌肉”，它保证了解的可行性。这是最需要细心和逻辑的地方。常见的约束包括：流量平衡约束（每个节点的流入等于流出）、资源能力约束（分配的资源不能超过总量）、时间窗约束、逻辑约束（如果A发生，则B必须发生）等。每添加一条约束，我们都在代码注释中写明其物理意义。

# 示例1：每个节点的流出约束（除起点和终点外，每个点只能离开一次） for i in range(1, N-1): # 假设节点0是起点，节点N-1是终点 prob += lpSum(x[i][j] for j in range(N) if j != i) == 1 # 示例2：资源总量约束，假设总资源上限为 total_resource total_resource = 1000 prob += lpSum(y[k] for k in range(3)) <= total_resource # 示例3：逻辑约束：如果使用资源类型0，则必须至少分配10个单位 # 引入一个大M和一个辅助二进制变量 z M = 10000 # 一个足够大的数 z = LpVariable("z", cat=LpBinary) prob += y[0] <= M * z prob += y[0] >= 10 * z

4. 模型求解与结果提取：调用求解器进行计算，然后从求解后的变量中提取结果。务必检查求解状态是否为“Optimal”。

# 求解，使用CBC求解器（PuLP默认） prob.solve() print(f"求解状态: {LpStatus[prob.status]}") if prob.status == 1: # Optimal # 提取决策变量值 solution_x = {(i, j): value(x[i][j]) for i in range(N) for j in range(N) if value(x[i][j]) > 0.5} solution_y = [value(y[k]) for k in range(3)] print("最优路径选择:", solution_x) print("最优资源分配:", solution_y) print(f"最小总成本: {value(prob.objective)}") else: print("未找到最优解，请检查模型或约束。")

实操心得：在调试MILP模型时，如果模型规模较大、求解时间过长或找不到可行解，可以尝试以下技巧：(1) 先放松一些整数约束，求解线性规划松弛问题，看是否有解，这能帮助定位不可行约束；(2) 逐步增加约束，每加一批就求解一次，看问题出在哪一步；(3) 为求解器设置时间限制和容忍间隙，在有限时间内获取一个可行解（不一定最优），这在实际比赛中往往是更务实的选择。

3.3 熵权-TOPSIS综合评价模型的实现

对于方案评价问题，我们实现了熵权法确定权重，再结合TOPSIS进行排序。代码实现分为几个清晰的步骤：

1. 数据标准化：由于各评价指标的量纲和数量级不同，首先需要标准化。我们采用极差标准化方法，将原始数据缩放到[0,1]区间。对于效益型指标（越大越好）和成本型指标（越小越好），处理方式不同。

import numpy as np def normalize_matrix(data_matrix, indicator_type): """ 标准化决策矩阵 Args: data_matrix: numpy array, 原始决策矩阵，每行是一个方案，每列是一个指标。 indicator_type: list, 每个指标的类型，'benefit' 或 'cost'。 Returns: normalized_matrix: 标准化后的矩阵 """ m, n = data_matrix.shape normalized = np.zeros((m, n)) for j in range(n): column = data_matrix[:, j] if indicator_type[j] == 'benefit': normalized[:, j] = (column - column.min()) / (column.max() - column.min() + 1e-9) # 避免除零 else: # cost normalized[:, j] = (column.max() - column) / (column.max() - column.min() + 1e-9) return normalized

2. 计算熵权：熵权法的核心思想是，某个指标的数据差异性越大，其包含的信息量就越大，权重也应越高。我们严格按照熵值计算的公式编程，并处理了标准化后可能出现的零值（取对数前加一个极小值）。

def calculate_entropy_weight(normalized_matrix): """ 计算熵权 Args: normalized_matrix: 标准化后的决策矩阵 Returns: weights: 各指标的权重向量 """ m, n = normalized_matrix.shape # 计算比重 p = normalized_matrix / np.sum(normalized_matrix, axis=0, keepdims=True) # 计算熵值，避免log(0) epsilon = 1e-9 p = p + epsilon e = -np.sum(p * np.log(p), axis=0) / np.log(m) # 计算差异系数 d = 1 - e # 计算权重 weights = d / np.sum(d) return weights

3. TOPSIS排序：计算加权标准化矩阵，找出正理想解和负理想解（即每个指标的最优值和最劣值构成的虚拟方案），然后计算每个实际方案与这两个理想解的距离，最后根据相对贴近度进行排序。

def topsis_method(normalized_matrix, weights): """ TOPSIS方法计算方案排序 Args: normalized_matrix: 标准化矩阵 weights: 权重向量 Returns: closeness: 相对贴近度 rank: 排序（从优到劣） """ # 计算加权标准化矩阵 weighted_matrix = normalized_matrix * weights # 确定正负理想解 ideal_best = np.max(weighted_matrix, axis=0) # 效益型指标取最大 ideal_worst = np.min(weighted_matrix, axis=0) # 成本型指标取最小，这里假设标准化后已统一为效益型 # 计算距离 dist_best = np.sqrt(np.sum((weighted_matrix - ideal_best) ** 2, axis=1)) dist_worst = np.sqrt(np.sum((weighted_matrix - ideal_worst) ** 2, axis=1)) # 计算相对贴近度 closeness = dist_worst / (dist_best + dist_worst + 1e-9) # 排序 rank = np.argsort(-closeness) # 贴近度越大越好，所以降序排列 return closeness, rank

我们将整个流程封装成一个函数，输入原始数据矩阵和指标类型列表，即可输出排序结果和权重，非常方便进行敏感性分析（比如手动调整权重看结果变化）。

4. 论文写作的“隐藏考点”与可视化技巧

4.1 从“结果展示”到“结果分析”的跨越

很多队伍的论文只是把程序运行的结果（几张图、几个表格）罗列出来，这是不够的。评委想看的是你对结果的分析和洞察。我们的做法是，为每一个重要的结果输出，都配上一段文字分析。

对于图表：不仅仅是“如图X所示”，而要说明“从图X中我们可以看出……趋势，这说明了……问题，其原因可能是……”。例如，一张展示不同方案成本对比的柱状图，我们会分析：“方案A的总成本最低，但其资源闲置率也最高（见图3），这体现了成本与资源利用率之间的权衡。方案B在成本增加5%的情况下，将资源利用率提升了15%，是一个更均衡的选择。”
对于数据表格：要指出关键数据，进行比较。例如：“从表2的敏感性分析结果来看，参数α对总成本的影响最为显著，当其变化±10%时，总成本波动范围达到±15%。这表明我们的模型对α的取值非常敏感，在实际应用中需要对该参数进行精确估计。”
结合模型假设：分析结果时，要回头联系模型的假设。例如：“我们的模型假设需求是确定的，但结果显示在需求波动较大的节点，成本显著上升。这提示我们，如果放宽该假设，引入随机规划或鲁棒优化模型，可能会得到更具抗风险能力的方案。”

4.2 专业级可视化的实现方法

一图胜千言。好的可视化能极大提升论文的专业性和可读性。我们主要使用Python的Matplotlib和Seaborn库，并遵循以下原则：

清晰优先：避免花里胡哨的图表。颜色使用区分明显的色系（如Set2, Set3），同一图表内颜色不宜超过6种。线条和标记样式要易于区分。
信息完整：每个图表必须有自解释的标题、清晰的坐标轴标签（带单位）、必要的图例。如果使用了缩写，要在标题或图注中说明。
选择合适的图表类型：
- 趋势分析：折线图。
- 对比分析：柱状图（分组、堆叠）。
- 构成分析：饼图（不超过6个部分）或环形图。
- 分布分析：直方图、箱线图、小提琴图。
- 关联分析：散点图（可加回归线）、热力图（用于相关系数矩阵）。
- 地理空间数据：使用Basemap或GeoPandas绘制地图，用散点大小或颜色表示数值。

import matplotlib.pyplot as plt import seaborn as sns # 示例：绘制带有误差棒的分组柱状图 plt.figure(figsize=(10, 6)) # 控制画布大小 x = np.arange(len(scenarios)) width = 0.35 # 柱宽 # 绘制两组数据 bars1 = plt.bar(x - width/2, cost_data, width, label='总成本（万元）', yerr=cost_error, capsize=5, color='skyblue') bars2 = plt.bar(x + width/2, efficiency_data, width, label='资源利用率（%）', yerr=eff_error, capsize=5, color='lightcoral') plt.xlabel('方案编号') plt.ylabel('数值') plt.title('不同规划方案的成本与效率对比') plt.xticks(x, scenarios) plt.legend() plt.grid(axis='y', linestyle='--', alpha=0.7) # 在柱子上方添加数值标签 for bar in bars1: height = bar.get_height() plt.text(bar.get_x() + bar.get_width()/2., height + 0.5, f'{height:.1f}', ha='center', va='bottom', fontsize=9) plt.tight_layout() # 自动调整布局，防止标签重叠 plt.savefig('方案对比图.png', dpi=300) # 保存高分辨率图片 plt.show()

组合图与子图：对于需要多角度对比的场景，使用子图功能。例如，将路径规划结果的地图、成本随时间变化图、资源使用情况图放在同一个大图中，形成综合性的分析面板。

4.3 模型检验与灵敏度分析：提升论文深度的关键

这是区分普通论文和优秀论文的重要环节。模型建好了，结果出来了，你怎么证明你的模型是可靠的、结果是稳健的？

模型检验：
- 合理性检验：将模型结果与常识或简单估计进行对比。例如，计算出的最优路径总长度是否明显大于任意两点的直线距离？资源分配量是否超过了总量？结果是否符合基本的业务逻辑？
- 稳定性检验：用不同的初始值或随机种子运行模型多次（特别是包含随机算法的模型），观察结果是否稳定。如果结果波动大，需要在论文中说明，并分析原因。
- 案例测试：设计一个小规模的、手工可验证的简单案例，输入模型，看输出是否与手工计算结果一致。这是检验模型逻辑正确性的有效方法。
灵敏度分析：这是国赛论文的“加分利器”。它研究模型输入参数（或假设）的微小变化对输出结果的影响程度。我们通常选择1-2个关键参数进行分析。
1. 选择参数：如需求预测的增长率、单位运输成本、资源上限等。
2. 设定变化范围：如让参数在基准值上下浮动±10%，±20%。
3. 运行模型：记录不同参数值下的目标函数值（如总成本）和关键决策变量。
4. 分析结果：绘制灵敏度分析图（如龙卷风图Tornado Diagram）。分析哪个参数最敏感，并给出管理启示。例如：“分析表明，总成本对燃油价格最为敏感。因此，在实际运营中，采取燃油套期保值或优化路线以降低油耗，比单纯压低人力成本能更有效地控制总成本。”

5. 团队协作、时间管理与常见避坑指南

5.1 三天赛程的高效时间规划

国赛三天，时间就是一切。我们采用“滚动式”计划法：

第一天（Day 1）：理解与建模（约18小时）
- 上午（8:00-12:00）：集中读题、讨论、确定核心思路和模型方向。完成问题重述和初步模型假设。务必在中午前确定大方向，这是最重要的决策点。
- 下午（13:00-18:00）：分工。一人负责主模型（MILP）的数学构建和初步求解程序框架；一人负责数据处理、辅助模型（熵权TOPSIS）和可视化代码框架；一人开始撰写论文的“问题分析”、“模型假设”和“模型建立”部分。
- 晚上（19:00-凌晨2:00）：编程实现核心模型，并运行出初步结果。撰写者根据初步结果开始写“模型求解”和“结果分析”初稿。睡前必须有一个能跑通的初级版本和论文初稿框架。
第二天（Day 2）：实现与深化（约20小时）
- 上午：优化模型代码，提高求解效率或精度。完善可视化图表。撰写者润色已有部分，并开始写“模型检验与灵敏度分析”。
- 下午：进行灵敏度分析、稳定性测试等深化工作。整合所有结果和图表到论文中。
- 晚上：完成论文初稿的90%。三人一起通读论文，检查逻辑漏洞、公式错误、图表编号、文字语病。这是查漏补缺的黄金时间。
第三天（Day 3）：打磨与提交（约16小时）
- 上午：根据前一晚的讨论修改论文。专注于摘要的撰写——这是最后写但最重要的部分，需字斟句酌。生成最终的所有图表和结果。
- 下午：最终排版。检查格式（字体、字号、页边距、图表清晰度）、参考文献引用、附录代码清单。将论文转换为PDF。
- 晚上（截止前3小时）：最后一遍整体校对。提前1-2小时完成最终提交，避免最后时刻网络拥堵。

5.2 代码、数据与文档的协同管理

团队协作最容易出问题的地方就是版本混乱。我们强制使用Git进行版本控制（如GitHub, Gitee）。

仓库结构标准化：

B_Problem_Solution/ ├── data/ # 原始数据和清洗后数据 │ ├── raw/ # 题目原始数据（只读，不修改） │ └── processed/ # 清洗处理后的中间数据 ├── src/ # 源代码 │ ├── data_preprocessing.py │ ├── main_model.py # 主模型求解 │ ├── evaluation_model.py │ └── visualization.py ├── docs/ # 文档 │ └── meeting_notes.md # 每日讨论记录 ├── results/ # 最终结果输出（图表、表格） └── final_paper.pdf # 最终论文

Git工作流：每个人在独立的feature分支上开发，每天至少两次将稳定代码合并到develop分支。由一位同学负责管理main分支，只在每天结束时或重大里程碑时，将develop合并到main。提交代码时必须写清晰的commit信息，如“feat: 完成MILP模型基本框架”、“fix: 修复距离矩阵计算bug”。
数据与结果可复现：所有代码的路径都使用相对路径。在src目录下创建一个config.py文件，定义所有文件路径和全局参数。这样，在任何电脑上克隆仓库后，都能一键运行。

5.3 典型问题排查与解决方案实录

在实战中，我们遇到了不少典型问题，以下是我们的排查记录：

问题一：MILP模型求解时间过长，迟迟不出结果。
- 排查：首先检查模型规模。发现决策变量数量达到上万级别，约束条件也很多。
- 解决：
  1. 简化模型：分析是否所有约束都是必要的。我们发现有些约束是冗余的（例如，某些流量平衡约束可以由其他约束推导出来），将其移除。
  2. 调整求解器参数：设置求解器的最大时间限制（如prob.solve(pulp.GLPK(msg=0, timeLimit=600))设置10分钟限制）和最优间隙容忍度（如prob.solve(pulp.GLPK(msg=0, gapRel=0.05))允许5%的最优间隙）。在有限时间内求一个高质量可行解，比无限期追求最优解更实际。
  3. 分解问题：如果问题可以按时间或空间分解为几个独立的子问题，分别求解后再整合。
问题二：TOPSIS计算出的贴近度非常接近，难以区分方案优劣。
- 排查：检查标准化矩阵和权重。发现由于数据标准化后差异被抹平，且熵权法计算出的权重分布非常均匀。
- 解决：
  1. 尝试其他标准化方法：如向量归一化，有时能保留更多差异性。
  2. 结合主观赋权：完全客观的熵权法可能不符合实际重要性认知。我们采用“组合赋权法”，将熵权结果与通过AHP（层次分析法）得到的主观权重进行加权平均（如7:3），使权重更合理。
  3. 增加评价指标：审视指标是否全面，是否遗漏了关键因素。
问题三：论文图表在PDF中模糊不清。
- 排查：直接使用Matplotlib的plt.show()截图粘贴到Word中，再转PDF，分辨率丢失。
- 解决：
  1. 保存图表时直接生成高分辨率矢量图或位图。plt.savefig('figure.png', dpi=300, bbox_inches='tight')。dpi（每英寸点数）至少设为300。
  2. 优先保存为矢量格式，如PDF或SVG：plt.savefig('figure.pdf', format='pdf', bbox_inches='tight')。矢量图在PDF中无限放大都不会模糊。
  3. 在LaTeX中排版论文的同学，可以直接插入.pdf或.eps矢量图，效果最佳。
问题四：最后时刻，代码运行结果与论文中引用的数据对不上。
- 原因：这是最可怕的错误，通常源于后期修改了代码或数据，但没有重新运行所有流程并更新论文。
- 预防：
  1. 建立自动化流水线：编写一个main.py或run_all.py脚本，按顺序调用数据清洗、模型求解、结果分析、图表生成的所有函数。确保从头到尾执行一次这个脚本，就能生成所有最终结果和图表。
  2. 论文与结果绑定：在论文终稿定稿前，冻结代码和数据。任何修改都必须重新运行完整的流水线，并更新论文中的所有相关数字、图表和描述。
  3. 交叉核对：由一位没有参与编程的队员，根据论文中的描述和提供的代码、数据，独立尝试复现关键结果。这是最有效的最终检验。