这两年做配电网韧性课题的人越来越多，打开任何一本电力系统方向的期刊，十篇里至少有两三篇在谈极端事件下的供电恢复。但真正动手把论文里的方法变成可运行的代码，你会发现里面全是坑。你准备复现的这个课题——面向配电网韧性提升的移动储能预布局与动态调度策略，基于IEEE33节点系统用Matlab实现，恰好卡在了“理论好懂、实现难做”的位置上。
一句话说清楚这个课题在干什么：台风或冰灾来临前，根据气象预测和故障概率信息，把有限数量的移动储能车提前放到最关键的位置；故障实际发生后，再根据实时故障信息动态调度它们向哪些节点供电、以多大功率放电、后续要不要转移位置。这是一套典型的两阶段决策问题，第一阶段是“预布局”，第二阶段是“动态调度”。放在IEEE33节点配电网系统上跑通，再用Matlab把建模与求解过程串起来，就形成了一套在学术研究和工程预研里可以反复复用的完整框架。
这篇文章我会把整个项目从头拆到尾，包括问题建模时的目标函数怎么定、约束条件有哪些坑、为什么选用Yalmip加Cplex这套组合而不是直接手写求解器，以及IEEE33节点系统的参数设置、场景生成方法和结果分析思路，最后再把我自己复现时踩过的坑和排查经验一并整理出来。无论你是刚接触配电网韧性的研究生，还是想用移动储能做应急供电方案的工程师，这套内容应该都能帮你省下不少调试时间。
1. 项目背景与核心问题拆解
1.1 配电网韧性到底在解决什么问题
配电网韧性，简单说就是配电网在面对极端小概率事件时的抵御能力、响应速度和恢复水平。这个“韧性”和平时常说的“可靠性”不是一回事。可靠性应对的是日常设备故障、线路过载这类概率相对较高的常规事件，而韧性针对的是台风、冰灾、暴雨、地震这类发生概率低但破坏力极大、影响范围极广的极端事件。这类事件一旦发生，往往是多条线路同时故障、变电站失压、大面积用户停电，传统的故障处理手段根本忙不过来。
韧性研究中有一个经典概念叫“韧性曲线”，横轴是时间，纵轴是系统功能水平，通常用可用负荷比例或恢复供电的用户数来衡量。曲线大致分为三个阶段：事件发生前的预防阶段，系统功能保持在正常水平；事件发生后的降级阶段，功能水平急剧下降；故障修复后的恢复阶段，功能水平逐步回到正常值。曲线与时间轴围成的面积越小，说明系统在极端事件中损失的供电能力越少，韧性越好。
移动储能在这里扮演的角色非常特殊。它不像固定储能那样只能安装在某个节点，而是可以装车移动，在灾前预置到重要负荷附近，在灾中根据网络拓扑变化调整位置，相当于一支可以灵活调度的“电力救援队”。用数学语言描述，这就是一个包含时间、空间和功率三个维度的联合优化问题，远比单纯的储能容量配置复杂得多。
1.2 移动储能：为什么是韧性提升的关键载体
移动储能车这几年在电力系统里受到重视，核心优势就一个字：动。固定储能建在哪儿，就只能服务哪个片区的负荷，可极端天气下故障点是不确定的，你今天把储能建在这个片区，结果明天台风在另一个片区登陆，储能设备就只能在原地干瞪眼。移动储能则不同，它可以跟着预测的灾害路径走，提前在风险最高的区域“蹲守”，灾后再根据实际故障情况机动转移。
当然，移动储能也不是万能药。它有几个天然的物理限制：一是容量和功率相对有限，一台储能车通常配备几百千瓦时到几兆瓦时的电池容量，只能保障重要负荷的短时供电，不可能像变电站那样支撑大范围供电；二是移动需要时间，在交通可能受阻的灾害场景下，移动时间可能比正常情况长很多，这些时间成本必须显式建模；三是数量有限，配电网有几十个节点，但移动储能车可能只有两三台，怎么把有限资源放到最需要的位置，这就是预布局优化的价值所在。
所以在建模时，移动储能不能被简单等效成普通储能，它需要同时处理储能自身的充放电约束、荷电状态（SOC）连续变化的时序约束，以及车辆在不同节点之间转移的时空耦合约束。这些约束交织在一起，就构成了一个规模不小且结构复杂的混合整数规划问题。
1.3 预布局与动态调度：一个典型的两阶段决策问题
这类问题在运筹学里叫两阶段随机规划。第一阶段发生在灾害事件之前，故障信息还不确定，只能根据气象预警和线路的历史故障概率，决定移动储能初始放在哪些节点、部署几台。这个阶段的决策变量是离散的，因为储能的布点属于“是与否”的逻辑选择。
第二阶段发生在灾害事件之后，故障场景已经部分或完全确定，此时要决定的是：移动储能车是否从初始位置移动到其他节点、在哪个时段移动、移动到目标节点后以什么功率放电、SOC如何变化、是否在某些时段充电以便后续继续供电。这些变量既包含连续量（功率、SOC），又包含离散量（移动或不移动、何时移动），是典型的混合整数问题。
两阶段问题的难点在于两个阶段之间的耦合关系。第一阶段的布点方案直接影响第二阶段能调度的空间范围，而第二阶段所有场景的期望代价又反过来决定了第一阶段布点方案的好坏。换句话说，第一阶段决策必须对所有可能的故障场景都“鲁棒”，不能只对某一个场景友好而害了其他场景。严谨的建模思路是对多个故障场景进行遍历或抽样，目标函数取所有场景下的期望负荷损失最小。
2. 数学模型与求解方案选型
2.1 目标函数：负荷损失最小化与权重设计
目标函数直接决定了优化出来的策略合不合理。常用的目标设定是让系统在整个灾害时间域内的负荷损失最小。具体可以写成所有节点在不同时段的失负荷量乘以对应的权重系数再累加求和。权重系数不是随便拍的，在韧性研究里通常要区分负荷等级：医院、政府应急中心、通信基站这类一级负荷权重最高，商业用户等二级负荷次之，普通居民负荷权重相对最低。
数学上目标函数可以写成如下形式：
% 目标函数示意：总加权失负荷量最小 Objective = 0; for t = 1:T for i = 1:33 Objective = Objective + alpha(i) * load_shed(i, t) * dt; end end其中alpha(i)是节点i的负荷权重系数，load_shed(i,t)是在t时段节点i的切负荷量，dt是步长。这里有个容易忽略的细节：如果采用权重系数但不加归一化，一级负荷权重设为100、三级负荷设为1，优化器会优先保证一级负荷恢复，但代价可能是三级负荷大面积切除，这在一些极端场景下未必是“韧性最优”。很多论文会在目标函数里同时加一项“总恢复时间最短”或“储能利用效率最大”，形成多目标，但多目标处理起来复杂，大多数实际复现会把它转成加权单目标，我建议你先把单目标跑通，再考虑扩展。
2.2 约束体系：潮流、储能、移动与修复约束
约束是建模的主体，也是最容易出错的地方。一个完整的移动储能预布局与动态调度模型，至少包含四大类约束。
第一类是节点功率平衡约束。每个节点的注入功率加上外部输入功率，要等于该节点的负荷功率与切负荷量之差。这一条保证任意时刻系统功率守恒。
第二类是潮流约束。在配电网辐射状运行的假设下，通常采用DistFlow方程来描述支路有功、无功与节点电压的关系。原问题是非线性的，但绝大多数复现工作会利用“电压偏差较小”的假设做线性化处理，把潮流约束变成线性等式约束，这样整个问题就从非线性规划（NLP）变成了混合整数线性规划（MILP），求解难度大幅下降。
第三类是储能约束。包括充放电功率上限约束、SOC递推方程即SOC(t+1)=SOC(t)+充电功率×效率-放电功率/放电效率、SOC上下限约束、不能同时充放电的互斥约束等。移动储能还有一个特殊约束：在运输过程中储能既不能充电也不能放电，这相当于增加了一个“移动时段不运行”的状态约束，这个约束极易被漏掉但非常重要。
第四类是移动约束。包括储能车从节点i移动到节点j需要的转移时间约束、移动后储能所在节点与放电功率的耦合关系约束等。实际系统中还需要考虑路网信息和车辆行驶速度，但在IEEE33节点的学术模型中，通常用节点间的最短路径距离除以速度来计算转移时间。
2.3 求解算法对比：从C&CG到启发式
两阶段随机规划的精确求解方法主要有两类：一类是Benders分解，另一类是列与约束生成算法，工程圈通常叫C&CG算法。C&CG的思路是把问题拆成主问题和子问题。主问题包含第一阶段决策变量和第二阶段的有限个场景约束，每次迭代时求解主问题得到一个预布局方案，然后把这个方案代入子问题，找到被违反最严重的那个场景约束，再把该场景对应的第二层变量和约束“列生成”进主问题，直到子问题的目标函数值收敛到主问题的下界附近。
相比Benders分解，C&CG在高维场景下的收敛速度快得多，这也是为什么近几年做韧性相关的两阶段优化几乎标配C&CG。但C&CG也不是银弹，如果场景数量特别大，比如生成了几百个故障场景，主问题里的约束规模会非常膨胀，求解时间可能从几十秒暴涨到几个小时。实际工程中需要对场景做削减处理，比如用k-means聚类或者同步回代消除法，把几百个场景压缩到几十个代表性场景。如果做偏工程的项目，只要模型规模不算太大，用确定性等价格式一把梭跑完也是可行的。
2.4 为什么选择Matlab+Yalmip+Cplex这套工具链
如果你在学术圈混过一段时间，一定知道Matlab配Yalmip加Cplex这套组合在电力系统优化中的统治地位。Yalmip是Matlab上一个非常成熟的建模语言，它最大的价值是帮你省掉了手写约束矩阵的过程。你想加一个约束，直接写一行代码就行，Yalmip会自动把它转换成求解器能读的标准形式。万一后来想把Cplex换成Gurobi或者SCIP，只需要改一行求解器设置代码，不需要动模型主体，这一点做科研时特别方便，因为你经常需要在多个问题变体之间快速切换。
Cplex的优势是混合整数线性规划求解能力极其成熟稳定，尤其在线性松弛、割平面和启发式分支这三块做得很扎实。IEEE33节点系统两阶段优化问题，规模大概在几百个整数变量和几千个约束的量级，Cplex基本上可以在秒级或分钟级解决。编译器版本上，建议用Matlab 2018b以上的版本配合Yalmip的较新版本，我在实际使用中遇到过老版本Matlab加载mex求解器失败的情况，换成新版本后一次通过。需要说明的是，Matlab版本高低在目前这类建模优化任务中影响不大，安装好Yalmip工具包并正确配置求解器路径才是关键。
3. IEEE33节点系统与灾害场景设定
3.1 测试系统参数与网络拓扑
IEEE33节点系统是配电网优化研究里最经典的测试系统之一。它是一个辐射状网络，基准电压为12.66千伏，系统总负荷约为3715千瓦、2300千乏，一共有33个节点、32条支路。1号节点通常是变电站母线，看作松弛节点，其余32个节点接有负荷和一些分布式电源接入点。系统还有一些联络开关，正常运行时处于断开状态，在故障恢复时闭合可以重构网络、转移负荷到其他馈线。
第一次用这个系统时，我建议你先画一个拓扑图出来。不是用Visio画得漂漂亮亮，而是在Matlab里用plot把节点编号和支路连接关系画出来，标注每个节点的负荷功率。这一步看起来简单，却能在后续建模时帮你避免大量低级错误。比如写功率平衡约束时需要确定每个节点的父节点和子节点，没有一个直观的拓扑图，改约束时很容易把节点的上下关系弄混。
系统的基础数据在很多公开文献里都能找到，绝大多数的复现代码也内置了这些数据。需要留意的是，部分论文在使用IEEE33节点时会做一些改动，比如把某些负荷提高30%、或者加装分布式电源，读论文时记得先核对它用的负荷数据是否与原版一致，否则你的复现结果会和论文对不上。
3.2 极端事件场景生成：故障率建模与场景削减
预布局策略的优势直接取决于故障场景的生成是否合理。如果场景太理想，比如只假设一条线路断开，那移动储能几乎是“杀鸡用牛刀”，看不出预布局的差异性；如果场景太极端，比如假设一半线路同时断开，那任何策略都救不回来，模型会直接求解不可行。
常用做法是先把极端事件里的故障概率模型建起来。以台风为例，可以根据台风路径和各线路相对于风向的夹角，计算每条线路的故障概率。学术上对这一块的要求没有那么高，最简单的做法是假设每条线路的故障概率服从某个分布，然后利用蒙特卡洛方法抽样生成海量故障场景。抽样时要注意，故障线路条数通常被设置成一个随机数，太少和太多的极端情况都要做截断处理，否则场景分布会失真。
场景削减是下一步的关键。一百个随机场景跑两阶段优化的求解时间，可能让你等到怀疑人生。常用的削减方法是同步回代消除法，基本思想是计算所有场景之间的距离，每次把最接近的多个场景合并成一个代表性场景，直到场景数量降到可接受范围。我曾经直接把两百个场景削减到三十个，求解时间从四个多小时降到了十分钟以内，而目标函数值只变化了不到百分之二，这个性价比非常可观。
3.3 移动储能关键参数与预布局候选点选择
移动储能的参数设置，决定了优化结果是否具有实际意义。容量、最大充放电功率、初始SOC、移动速度这四项是最基本的参数。我复现时常用如下设置：单台移动储能容量500千瓦时，最大充放电功率200千瓦，初始SOC为100%，移动速度为20公里/小时。这些参数来自行业中常见移动储能车的水平，既能保证计算上有意义，也不会显得太离谱。
预布局候选点的选择也很有讲究。实践中不可能所有33个节点都允许布点，因为很多节点位于街道小巷，移动储能车根本进不去。合理的做法是根据节点的重要程度、负荷大小和物理可进入性，预先筛选出若干个可能布点的候选节点。常见的筛选方式是选出负荷排名前10到15位的节点，其中优先保留负荷等级高的节点。候选点数量直接影响整数变量规模，候选点设得越多求解越慢，一般控制在10到15个就够用了。
4. Matlab代码实现全流程
4.1 代码架构与模块划分
代码写得好不好，不在于能跑，而在于能不能迭代。一个清晰的模块化结构，能让你在改约束、换场景、调参数时不会陷入“改了一行代码结果到处报错”的泥潭。我建议把整个项目按功能拆分成五个模块。
数据模块负责加载IEEE33节点系统参数、负荷数据和移动储能参数。构建模块负责形成网络拓�扑邻接矩阵，计算各支路阻抗和对地导纳，为潮流约束做准备。场景生成模块负责基于故障概率模型生成故障场景，并执行场景削减。模型构建与求解模块是核心主体，用Yalmip定义决策变量、目标函数和约束，调用Cplex求解。结果分析模块把求解结果整理成表格和曲线，计算韧性指标并输出预布局方案和动态调度策略。
这种模块化设计还有一个好处：调试时可以只对某一个模块单独做测试。比如场景生成模块可以单独运行，检查生成的场景分布是否合理；模型模块可以先用一个单场景的小算例调试，确认约束没写错后再放入完整场景集。一次性把所有模块全部跑通再调试，出错时根本定位不了问题出在哪里。
4.2 核心建模代码精读
Yalmip建模过程的关键，是要理解它“先声明变量、再写约束、最后求解”这三个阶段。下面是一个简化的代码框架，展示了预布局主问题的建模思路。
% 决策变量声明 x_pre = binvar(n_node, 1, 'full'); % n_node为节点数，x_pre(i)=1表示在节点i预置移动储能 p_dch = sdpvar(n_mess, n_node, T, 'full'); % 移动储能在各时段各节点的放电功率 soc = sdpvar(n_mess, T+1, 'full'); % 荷电状态，初始时段为T+1方便递推 % 约束条件 Constraints = []; % 移动储能数量限制 Constraints = [Constraints, sum(x_pre) <= N_mess]; % 储能SOC递推与上下限 for k = 1:n_mess Constraints = [Constraints, soc(k,1) == SOC_init(k)]; for t = 1:T Constraints = [Constraints, soc(k,t+1) == soc(k,t) - p_dch(k,:,t)/eta * dt]; Constraints = [Constraints, 0 <= p_dch(k,:,t) <= P_max * x_pre]; Constraints = [Constraints, SOC_min <= soc(k,t+1) <= SOC_max]; end end % 节点功率平衡 for t = 1:T Constraints = [Constraints, sum(p_dch(:, :, t), 1) + P_fix == P_load - load_shed(:, t)']; end % 目标函数 Objective = sum(sum(alpha .* load_shed * dt)); % 求解 ops = sdpsettings('solver', 'cplex', 'showprogress', 1); Optimize = optimize(Constraints, Objective, ops);注意代码里我用了binvar和sdpvar来区分二进制变量和连续变量，这是Yalmip建模的基本规范。还有一个容易忽略的点：p_dch被定义为三维变量，但约束里对x_pre的关联只用了一个简单相乘，这种方式在Yalmip里可以正常处理，因为二进制变量与连续变量相乘是非线性项，Yalmip会自动做线性化。不过如果场景规模变大，这种自动线性化会引入大量辅助变量，这时手动实现大M法更可控。
4.3 参数配置与运行流程
参数配置建议单独写一个脚本文件，把所有可调参数集中管理。我在实际项目中把参数分成三组。第一组是系统参数，包括IEEE33节点的线路数据、负荷数据和基准功率。第二组是灾害场景参数，包括每条线路的故障概率、故障场景数量、场景削减后的目标数量。第三组是移动储能参数，包括储能车的容量、功率、SOC上下限、移动速度和候选布点节点编号。
运行流程是这样的：先运行数据模块载入所有参数，然后运行场景生成模块生成并削减场景，接着进入主模型模块用Cplex求解，最后用结果分析模块输出图表。整个流程用一个大脚本串起来，中间每一步都在命令行打印当前耗时。有次我在跑了四十分钟后想看看中间结果，发现前面的模块数据覆盖了，从那以后我习惯把每个模块的输出保存成.mat文件，这样后续可以跳过某些重复计算，单独调试后续环节。
5. 仿真结果与韧性提升效果分析
5.1 结果可视化与韧性曲线解读
求解完成后，第一件事不是急着分析数字，而是把结果画出来。至少需要画三张图：预布局方案图、负荷恢复曲线图、移动储能SOC变化图。
预布局方案图在IEEE33节点拓扑图上标注储能车的初始位置和候选点。恢复曲线图以时间为横轴、可用负荷比例为纵轴，对比接入移动储能前后的曲线差异。SOC变化图展示每台移动储能在整个灾害周期内的能量状态演变。这三张图合在一起，基本能回答“储能布在了哪里”“恢复了多少负荷”“储能电量是怎么消耗的”这三个问题。
看恢复曲线时，要注意区分两条曲线：一条是不接移动储能的天然恢复曲线，故障后负荷一直掉，直到线路修复后才回升；另一条是接了移动储能并优化调度后的恢复曲线，故障发生后部分重要负荷被移动储能直接兜住，曲线下降幅度明显减小。两条曲线之间的面积差，就是移动储能带来的韧性提升量，也是你论文里最核心的一张图。
5.2 预布局策略对比：布不布局、布哪里差距有多大
为了验证预布局策略的价值，我建议做三组对比实验。第一组是无移动储能，作为基准。第二组是随机布点加动态调度，即储能车随机放在几个节点，但灾后调度仍然优化。第三组就是完整的预布局加动态调度。三组实验用同一个故障场景集，保证公平。
从实际运行结果看，第三组和第一组的负荷损失差距非常明显，在两级负荷占比高的节点上尤为突出。第二组和第三组的差距则取决于随机放置的运气，运气好时和预布局结果接近，运气差时损失显著增大。这个对比说明了两件事：一是移动储能确实能提升韧性，二是预布局不是锦上添花，而是决定储能价值是否兑现的关键环节。
我还做过一组稍微深入的实验：把预布局候选点从“仅高负荷节点”改成“高负荷加网络关键连接节点”，结果负荷损失进一步降低。原因在于，某些关键联络节点虽然自身负荷不大，但一旦失电会影响一大片下级节点，预布局在这些节点上可以通过移动储能支撑该片区负荷，效果比直接放在大负荷节点上更好。这个发现对工程实践很有参考意义，布点不能只看负荷大小，还要考虑网络结构。
5.3 关键参数敏感性分析
敏感性分析是提升论文深度和工程说服力的万能手段。在移动储能这个项目里，最值得做的敏感性分析有三项。
第一项是储能容量对韧性提升的影响。分别设500、750、1000千瓦时，观察负荷损失的边际改善。通常容量增加时负荷损失会下降，但边际效益递减，找到一个“拐点”容量，对实际配置决策非常有价值。第二项是储能数量影响，模拟一台、两台、三台储能车的场景，看多一台车能多恢复多少负荷，这个结果直接对应投资回报分析。第三项是故障率变化的影响，把线路故障概率整体提高或降低百分之二十，观察预布局方案是否发生大的变化，这能检验策略的鲁棒性。
做敏感性分析时有个操作细节：只改变目标参数，其他所有参数保持完全一致。看似简单的道理，现实中很容易踩坑，比如改了场景数量却忘了把随机种子固定，导致不同容量下的故障场景不是同一套数据，比较就失去了意义。所以我在做这类实验时，都是在同一组预先生成并保存好的场景集上进行，确保唯一变量就是被测参数。
6. 常见问题与调试技巧实录
6.1 Yalmip/Cplex求解不收敛怎么办
我在复现这个课题时遇到的第一个拦路虎就是求解器提示“Infeasible problem”，模型不可行。第一次看到这个报错时整个人是懵的，因为约束看起来都合理，怎么就不行了？排查思路是先用check(Constraints)找出哪些约束的残差接近无穷大，这一步能快速定位不可行的约束来源。
最常见的不可行原因有两个：一个是储能初始SOC设置得太低，而要求它在第一时段就带大负荷，导致能量约束直接冲突；另一个是预布局数量限制太紧，比如只允许布一台车，却要求它同时支撑三个必须恢复的一级负荷节点，这本身就做不到。解决办法要么放宽储能容量和数量约束，要么在目标函数里增加负荷损失的惩罚项，允许优化器在“无法完全满足”时选择性切负荷，这样问题就从硬约束变成了带惩罚项的软约束，求解成功率会大幅提升。
另一个常见问题是求解时间过长。如果Cplex跑了几十分钟还在输出节点数增加，说明整数变量的分支空间太大。解决办法是增加求解器时间限制，用sdpsettings('cplex.timelimit', 600)设置十分钟上限，并在Gap达到一定阈值时就接受当前解。对工程项目而言，5%以内的最优性间隙完全够用。
6.2 建模阶段最容易被忽略的三个坑
第一个坑是联络开关的初始状态。IEEE33节点系统有五条联络线，正常运行时是断开的，很多人在建模时忘了设置联络开关的初始断开状态，结果优化器直接把联络线当成可用线路，计算出来的恢复方案在现实中根本无法实现。这个问题排查起来很隐蔽，因为潮流计算还是会收敛，只是结果里的“可用拓扑”和实际系统完全不符。
第二个坑是移动时间的处理。有些实现把储能车的转移时间简化成一个常量，只要移动就扣一个固定时长的电量，这种做法本质上忽视了节点间的距离差异，导致有些节点间的转移路线被错误估计。正确做法是根据节点间的最短路径距离除以移动速度来动态计算转移时间，同时加上一个安全裕量，因为灾害期间道路拥堵是不确定的。
第三个坑是负荷权重系数没归一化。如果目标函数里的权重系数数值跨度过大，比如一级负荷权重为1000、三级负荷为1，Cplex在求解时会因为数值差异过大出现数值稳定性问题，收敛速度会显著变慢。解决方案是所有权重统一除以最大权重，使其落在0到1之间，再乘以一个统一的比例因子。
6.3 复现论文时的高效工作流
复现这类论文时，最忌讳的就是“边读边写边猜”。我的建议是严格按照“通读、复现数据、简化搭建、扩展复现”四个步骤来。先把论文里的目标函数和约束条件读透，用自己的语言逐条写下理解，然后再对照IEEE33节点参数把所有数据整理成Matlab可读的表格。这一步看着慢，但能避免后面返工。
搭建模型时，先不要追求一次性复现出论文的全部内容。先用一个故障场景、一台储能车的最小配置跑通整个流程，确认目标函数值、约束都检查通过，然后逐步增加场景数量和储能车数量。每增加一个要素就运行一次并记录结果，这样一旦出现异常就能快速定位到是新增的哪个环节出了问题。
等到基本复现成功后，建议把论文里的结果和你的复现结果放在一起对比，找出偏差来源。大多数偏差来自场景设置的细节，比如线路故障数量、储能初始SOC、时间步长这些参数不一致。如果差异依然存在，再去检查论文是否有实现上的细节没有披露。我遇到过不少论文，其核心模型和公开描述之间存在微妙的差异，这种时候就只能靠自己的工程判断来补齐。
另外，关于运行环境多说一句。Yalmip和Cplex的版本兼容性偶尔会给人添堵，但只要你用的是相对较新的Matlab版本、Yalmip的Release版本和Cplex的对应加载方式正确，基本不会有大问题。网上很多“安装失败”的报错案例，多半是求解器路径没有正确添加到Matlab路径里，或者License文件没有放置到位，跟代码本身没关系。
我个人做完这个课题最大的体会是：一个看似“论文里公式很完整”的两阶段优化问题，从公式到可用代码之间的距离远比你想象得大。数学上的完美需要和工程实现中的每一个细节去碰撞，那些没写进论文的假设和简化，往往才是代码能不能跑通的胜负手。如果你正在复现类似课题，从最小可行性模型开始迭代，多设置几组对照实验验证，这条路会走得比预期顺利得多。
