从自行车能量规划到资源受限序列决策：数学建模的通用框架解析

1. 从一道赛题到一套方法论：自行车手的“能量规划”模型

如果你是一个骑行爱好者，或者哪怕只是偶尔骑共享单车通勤，可能都遇到过这样的窘境：在一个长上坡路段，你一开始猛踩几脚，感觉体力充沛，但没过多久就双腿发软，心率飙升，不得不停下来推车。又或者，在一次长途骑行中，前半程过于兴奋，消耗了过多体力，导致后半程完全“撞墙”，只能龟速前进。这背后，其实是一个典型的能量分配与功率输出的优化问题——如何在有限的体能储备下，规划你的踩踏功率，以最短的时间、最省力的方式，或者最稳定的状态完成一段有起伏的路线？

这正是2022年美国大学生数学建模竞赛（MCM）A题的核心。题目要求参赛者为一位计划在六天内穿越科罗拉多州落基山脉的自行车手建立一个“能量规划模型”。这绝不仅仅是一道数学题，它是对现实世界中一个普遍存在的决策问题的抽象：在资源（体力）有限、环境（地形、天气）多变、目标（时间、体验）多元的约束下，如何做出最优的序列决策。当年，那些优秀的获奖论文并没有停留在解出几道微分方程，而是构建了一套从问题理解、模型建立、算法求解到结果分析的完整方法论。今天，我们就来深入拆解这道赛题背后的“魔力”，看看顶尖的数学建模思维是如何将“骑车爬坡”这件小事，变成一个精妙的系统工程，并提炼出对我们解决各类复杂问题都极具启发的“通用武器”。

2. 赛题深度拆解：不止于骑行的多目标约束优化

要构建一个有效的模型，首先必须像外科手术一样精准地解剖问题。2022年MCM A题描述了一个非常具体的场景：一位自行车手计划用6天时间，骑行一条总长约560公里、总爬升约4300米的山地路线。每天骑行约5-6小时，路线数据（距离、海拔）已知。车手有初始的“体能储备”，骑行时消耗体能，休息时（夜晚和午餐）恢复体能。体能过低会导致速度下降，甚至无法完成当日行程。目标是为车手规划每天、甚至每段路的“功率输出策略”，以最小化总骑行时间，或最大化完成全程的概率，亦或是让骑行体验更平稳。

2.1 核心变量与关系的识别

任何建模的第一步都是定义“是什么在变”以及“它们如何相互影响”。在这个问题中，核心变量包括：

1. 状态变量：这是描述系统在某一时刻“状态”的量，是模型的记忆。

   • 体能水平：这是最核心的状态。它不是一个简单的“体力值”，而是一个动态变化的函数。通常，我们可以将其建模为一个“疲劳”与“恢复”相互博弈的存量。骑行时，输出功率越高、时间越长，疲劳累积越快，体能下降；休息时，身体进行修复，体能以某种速率恢复。
   • 位置：车手在路线上的位置，决定了当前的海拔、坡度，从而直接影响骑行阻力。
   • 时间：总耗时和每日耗时，是核心的优化目标之一。

2. 控制变量：这是车手可以主动决策、调整的量，是模型的“输入”。

   • 输出功率：这是最直接的控制变量。车手可以在任何时刻决定用多大的力气踩踏板。功率直接决定了瞬时速度，也直接决定了体能的消耗速率。模型的核心任务就是为整个行程规划一个最优的功率函数P(t)或P(s)（功率随时间或位置变化）。
   • 休息策略：虽然题目规定了每日大致的骑行时段，但在长上坡途中是否短暂休息、午餐休息多久，这些微调也可能成为优化变量。

3. 外部参数与约束：这是系统给定的、车手无法改变的条件和限制。

   • 路线数据：距离-海拔剖面图。这是所有计算的基础。坡度grade = Δ海拔 / Δ水平距离是一个关键衍生参数。
   • 物理定律：
     • 运动方程：功率用于克服哪些阻力？主要包括：空气阻力（与速度平方成正比）、滚动阻力（与重量和路面相关）、重力分量（爬坡时的主要敌人，与重量和坡度正弦值成正比）。基本公式可简化为：P = (F_air + F_roll + F_gravity) * v。其中，F_gravity = m*g*sin(arctan(grade))是爬坡时的大头。
     • 能量守恒：车手输出的机械功率来源于其生理代谢。这中间存在一个转换效率（通常约为20-25%）。因此，生理能耗E_physiological = P_mechanical / η。
   • 生理约束：
     • 体能上限与下限：体能不可能无限高，也不可能为零（否则意味着完全力竭）。通常设定一个初始值、一个最大值，以及一个“危险阈值”，低于该阈值则速度急剧下降或无法继续。
     • 恢复函数：休息时体能如何恢复？这是一个动力学过程。简单的模型可以假设为指数恢复：dF/dt = k*(F_max - F)，其中F是疲劳度（与体能负相关），k是恢复速率常数。更复杂的模型会考虑超量恢复、恢复速率随疲劳深度变化等。
   • 目标函数：需要优化什么？是总时间最短？还是全程体能波动最小（最舒适的骑行体验）？或者是完赛概率最高？有时这些目标相互冲突，需要权衡，这就引出了多目标优化。

2.2 优秀论文的建模范式演进

阅读优秀论文，你会发现模型复杂度是层层递进的，这反映了建模思维的成熟度：

• Level 1: 静态平均功率模型：最简单的想法是，假设车手全程以一个恒定功率骑行。然后根据路线计算每段的速度和耗时，再根据一个简单的线性消耗模型计算体能变化。如果某天结束时体能低于阈值，则说明恒定功率不可行，需要调整。这个模型过于理想化，但可以作为基准和初始分析。
• Level 2: 分段恒定功率模型：将每天或每个具有相似坡度特征的路段（如上坡、下坡、平路）分开，在每个路段内采用不同的恒定功率。例如，上坡用较高功率以保证速度不过慢，下坡用低功率甚至滑行以恢复体能。这引入了“决策”的概念，优化变量变成了每个路段的功率值。
• Level 3: 动态最优控制模型：这是顶级论文采用的思路。将问题形式化为一个连续时间的最优控制问题。
  • 状态方程：dx/dt = f(x, u, t)。其中状态向量x可能包含[位置 s, 体能 E, 时间 t]，控制变量u就是功率P。
  • 路径约束：E_min ≤ E(t) ≤ E_max（体能约束），0 ≤ P(t) ≤ P_max（功率约束）。
  • 边界条件：s(0)=0, s(T)=S_total（总距离），E(0)=E_initial。
  • 目标函数：最小化总时间J = T， 或最小化体能波动J = ∫(E - E_desired)^2 dt。
  • 求解这类问题需要使用庞特里亚金最小值原理或直接数值方法（如伪谱法）。这能解出一个理论上全局最优的功率曲线P*(t)，它会告诉车手在每一个位置应该用多大劲——可能是在坡底提前加速储备动能，在坡顶适当放松。

3. 模型核心引擎：从物理原理到生理方程的构建

有了问题框架，下一步就是为每一个关系找到合适的数学表达式。这是模型从概念走向可计算的关键。

3.1 骑行速度与功率的物理桥接

功率如何转化为速度？这是整个模型的驱动引擎。我们基于牛顿第二定律建立动力学方程：

假设自行车和骑手的总质量为m，速度为v，受到的合力为F_total，那么有：P = F_total * v

其中，F_total是各种阻力的总和：F_total = F_gravity + F_air + F_rolling + F_inertia

1. 重力分量：F_gravity = m * g * sin(θ)。其中θ是坡度角，tan(θ) ≈ grade（坡度百分比/100）。对于小坡度，sin(θ) ≈ tan(θ) = grade。所以这是爬坡时最主要的阻力，与质量成正比。
2. 空气阻力：F_air = 0.5 * ρ * CdA * v^2。其中ρ是空气密度，CdA是风阻系数与迎风面积的乘积，是一个关键参数。风阻与速度的平方成正比，这意味着高速骑行时，大部分功率都用来“劈开”空气了。
3. 滚动阻力：F_rolling = Crr * m * g * cos(θ) ≈ Crr * m * g。Crr是滚动阻力系数，取决于轮胎和路面。通常是一个较小的常数。
4. 惯性力：F_inertia = m * a（加速度）。在变速时需要考虑。

将上述公式代入，我们得到一个关于速度v的方程：P = (m*g*grade + 0.5*ρ*CdA*v^2 + Crr*m*g + m*a) * v

当匀速骑行时 (a=0)，这变成了一个关于v的三次方程：0.5*ρ*CdA*v^3 + (m*g*grade + Crr*m*g)*v - P = 0。对于给定的功率P和坡度grade，我们可以数值求解出对应的稳定速度v。这个计算是模型中最频繁调用的核心函数。

注意：在实际编程中，需要处理grade为负（下坡）的情况。此时F_gravity变为助力。当助力大于其他阻力时，即使功率为零，自行车也会加速，直到阻力与助力平衡（终端速度）。模型需要能处理这种“滑行”状态。

3.2 体能动力学：消耗与恢复的博弈

体能模型是连接物理表现和生理限制的纽带。一个常见且有效的建模方式是将“体能”视为一个“疲劳度”F的互补量，或者直接使用一个“能量储备”R的概念。

消耗模型： 骑行时，生理能耗率Ė_consumption（单位时间的能量消耗）与输出机械功率P成正比，并可能随疲劳累积而效率降低。Ė_consumption = α * P + β * F或更常见的dR/dt = - (P / η + γ * R)。 其中η是代谢效率（~0.25），γ是一个衰减系数，表示随着能量储备降低，单位功率消耗带来的疲劳感更强（非线性消耗）。

恢复模型： 休息时，身体恢复。恢复速率通常与“恢复潜力”（最大储备与当前储备之差）成正比，且可能随时间递减。dR/dt = λ * (R_max - R)， 其中λ是恢复速率常数。 更精细的模型会区分不同类型的休息：短时间休息（如午餐）恢复速率快，但恢复总量有限；夜间睡眠恢复更彻底，且能重置某些深层疲劳。

约束： 必须设定0 ≤ R ≤ R_max。当R低于某个阈值R_critical（如20%的R_max）时，车手的最大可持续功率P_max会下降，或者速度计算中引入一个惩罚因子，模拟“力竭”状态。这避免了模型给出“榨干最后一丝体力”的不切实际策略。

3.3 离散化与数值求解策略

连续的最优控制问题需要离散化才能在计算机上求解。优秀论文通常会采用以下步骤：

1. 路线离散化：将连续的路线按距离或时间切成N个小段（如每100米一段）。假设在每个小段内，坡度grade恒定，车手功率P_i恒定。
2. 建立离散时间状态空间模型：
   • 状态转移：s_{i+1} = s_i + v_i * Δt_i

   • `R_{i+1} = R_i - (P_i/η + γ*R_i) * Δt_i` （骑行段）

   • `R_{i+1} = R_i + λ*(R_max - R_i)*Δt_i` （休息段）

   • 其中，v_i是通过求解P_i = f(v_i, grade_i)的物理方程得到的。
   • Δt_i = Δs_i / v_i是通过该段所需时间。
3. 构建优化问题：
   • 决策变量：所有段落的功率P_1, P_2, ..., P_N， 可能还包括休息时长。
   • 目标函数：最小化总时间∑ Δt_i。
   • 约束：0 ≤ P_i ≤ P_max(R_i)（功率上限随体能下降），R_critical ≤ R_i ≤ R_max（体能边界），R_N ≥ R_min_finish（终点体能要求）。
4. 选择求解器：这变成了一个大规模、非线性、有约束的优化问题。常用方法包括：
   • 序列二次规划：适用于中小规模问题，能处理非线性约束。
   • 动态规划：将路线视为多阶段决策过程。定义每个位置和体能状态下的“最优剩余时间”，从终点倒推回起点。这种方法能天然处理约束，但“维数灾难”使得当状态网格精细时计算量巨大。
   • 直接转录法：将整个连续问题离散化为一个大型非线性规划问题，然后用IPOPT等求解器求解。这是处理复杂最优控制问题的强大工具。
   • 启发式算法：如遗传算法、模拟退火。当问题过于复杂、传统方法难以求解时，可以用这些方法来寻找满意解。优秀论文往往会对比不同算法的结果。

4. 从模型输出到骑行策略：解读与可视化

求解器输出了一串数字：每个路段的最优功率。但这并不是最终答案。如何将这些数字翻译成车手能理解的、可执行的策略，并验证其合理性，是建模的最后一步，也是体现洞察力的关键。

4.1 策略解读：功率曲线的故事

将最优功率按位置或时间绘制出来，你会看到一条起伏的曲线。分析这条曲线，可以总结出高阶策略：

• “提前支付”策略：在长上坡开始前或坡度较缓的阶段，模型可能会建议输出略高于平均的功率，稍微多消耗一点体能，以换取更高的速度，为后面更陡的坡段争取时间。这类似于金融中的“投资”。
• “下坡恢复”策略：在下坡路段，模型给出的功率通常极低，甚至为零（滑行）。这不仅节省体力，更重要的是利用重力势能转化为动能，同时让身体进入恢复期。这里有一个关键细节：如果下坡弯急，存在安全速度限制，模型需要加入约束v_i ≤ v_safe(grade_i, curvature_i)，这会改变功率策略。
• “节奏控制”策略：全程的功率曲线不会大起大落，而是围绕一个“可持续功率”上下波动。模型会避免出现将体能瞬间榨干的“冲刺-崩溃”模式，而是追求一种稳定的输出。这反映了优化模型对“可持续性”的追求。
• 休息点的敏感性分析：模型可以用于测试不同休息策略的影响。例如，将午餐休息从1小时延长到1.5小时，总时间会增加0.5小时，但终点体能水平可能从30%提升到50%，大大降低了后半程的风险。这种权衡分析对于实际骑行计划非常有价值。

4.2 灵敏度分析与鲁棒性检验

一个模型是否可靠，要看它对输入参数变化的稳健程度。优秀论文一定会进行灵敏度分析：

1. 关键参数扰动：改变车手的体重m、风阻系数CdA、最大体能R_max、恢复速率λ等，比如±10%。观察总时间和最优策略的变化。
   • 发现：体重和风阻对平路和缓坡速度影响大，而对陡坡速度影响最大的是功率-体重比。恢复速率对多日骑行的影响巨大。
2. 路线不确定性：实际海拔数据可能有误差，或者当天有逆风。可以在模型中引入随机扰动（如坡度增加一个小的随机变量），然后进行蒙特卡洛模拟，统计完赛概率。
3. 目标权重分析：如果是多目标优化（如同时最小化时间和体能波动），改变两个目标的权重，观察帕累托前沿。这能告诉车手：“如果你想快10分钟，你的平均疲劳度需要增加多少？”

4.3 可视化：让结果自己说话

一图胜千言。优秀的论文会包含精心设计的图表：

• 综合行程图：用上下两个子图。上图是路线海拔剖面，并用颜色条或线宽在路线上叠加显示功率输出或速度。下图显示体能的动态变化曲线。一眼就能看出在哪个坡耗尽了体力，又在哪段路得到了恢复。
• 策略对比图：将“恒定功率策略”、“分段策略”和“最优控制策略”的结果放在一起对比。用柱状图比较总耗时，用曲线图对比体能变化，清晰展示优化带来的收益。
• 灵敏度热图：以某个参数（如体重）和另一个参数（如风阻）为轴，用颜色表示总时间，形成热图。可以直观看出哪些参数组合是“致命”的，哪些影响不大。

5. 超越赛题：能量规划模型的通用“魔力”

至此，我们已经完整地走完了一个数学建模流程。但它的价值远不止于解决一次自行车比赛。这个“能量规划模型”本质上是一个资源受限下的序列决策优化框架，其“魔力”在于它的可迁移性。

5.1 框架抽象：核心要素是什么？

抛开骑行的外衣，这个模型包含几个通用模块：

1. 一个可量化的“资源”存量：体能R。在其他场景可以是电池电量、项目预算、团队精力、时间窗口。
2. 一个受资源影响的“生产力”函数：速度v = f(P, R, environment)。在其他场景可以是开发速度= f(人力投入, 技术债, 需求复杂度)， 或销售产出= f(营销投入, 客户关系, 市场环境)。
3. 资源的“流入”和“流出”动力学：消耗dR/dt = -g(P, R)， 恢复/补充dR/dt = +h(R)。这是系统的核心动力学。
4. 一个需要完成的任务序列：带有“阻力”（成本）的路线。在其他场景可以是带有不同难度的项目里程碑、市场拓展的各个地区。
5. 一个或多个优化目标：最小化总时间、最大化成功率、最小化资源波动。

5.2 在其他领域的应用联想

• 项目管理与团队精力管理：将一个长期项目视为一段有起伏的路线。团队精力是资源。高难度任务（技术攻关）就像陡坡，消耗大；常规开发像平路；休整和团建像下坡，用于恢复。模型可以帮助项目经理规划：何时投入“冲刺”（高功率），何时安排“缓冲”（恢复期），以避免团队 burnout，在截止日期前以最可持续的方式完成任务。
• 电动汽车行程规划：这与自行车问题几乎同构。电池电量是资源，电机功率是控制变量，路线海拔和充电站位置是外部条件。目标是在最短时间内到达终点，或最小化总能耗。需要优化的是何时加速、何时滑行、何时何地充电、充多久。
• 个人学习与复习计划：备考一门考试，你的“认知精力”是资源。不同章节的难度不同（坡度）。高强度的学习消耗精力，睡眠和休息恢复精力。模型可以帮助规划每天学习不同科目的时间和强度，避免考前精力枯竭，实现长期记忆效果最大化。
• 投资组合的动态管理：投资者的风险承受能力（或“心理资本”）是资源。市场波动如同路线起伏。激进的投资策略（高功率）可能带来高回报（高速度），但也消耗风险承受能力。模型可以用于在给定风险预算下，动态调整资产配置，追求长期收益的最大化。

5.3 从建模中提炼的思维习惯

最后，这道赛题带给我们的，与其说是一个具体的模型，不如说是一套宝贵的思维习惯：

1. 定义清晰的状态与控制：面对复杂问题，首先问“哪些量是描述现状的（状态）？哪些量是我可以操作的（控制）？”这能立刻厘清思路。
2. 寻找底层的第一性原理：无论是物理定律（牛顿力学、能量守恒）还是生理规律、经济规律，尽力用最基本的原理去构建变量间的关系，而不是依赖经验公式。这使模型更具解释性和外推能力。
3. 拥抱计算与迭代：现代复杂问题几乎无法手算解析解。要熟练地将问题离散化、公式化，并利用计算工具（Python/MATLAB + 优化库）进行求解和模拟。模型是在“计算-分析-调整”的迭代中完善的。
4. 从输出中讲故事：不要只给出一堆数字和图表。要像分析师一样，解读数据背后的模式、策略和权衡，并将其翻译成决策者能听懂的语言和建议。
5. 思考模型的边界：永远清楚模型的假设在哪里（如恒定效率、确定性的路线）。通过灵敏度分析、鲁棒性测试和情景模拟，来理解模型的局限性和适用范围。

回过头看，那道关于自行车爬坡的赛题，就像一颗棱镜。透过数学建模的方法，它将一束普通的日光，分解成物理、生理、优化、计算等多彩的光谱。而掌握这套方法，你就拥有了一种将现实中纷繁复杂的约束优化问题，转化为可计算、可分析、可优化模型的“魔力武器”。无论你未来是去设计更高效的物流系统，规划更合理的城市交通，还是管理一个团队的创新项目，这种结构化、量化、基于优化的思维方式，都将是你应对挑战的利器。下次当你再遇到一个“资源有限、前路坎坷”的难题时，不妨想想那位穿越落基山脉的自行车手，以及为了帮助他而诞生的那个精妙模型——答案，或许就藏在同样的思考框架里。