简介：道路改造项目中碎石运输的设计课程设计，是一份面向运筹学、线性规划及数学建模课程实践的完整案例分析报告，围绕道路改造中的碎石运输总造价最小化问题展开。文档采用多目标规划方法，对比陆路运输与水路陆路联运两类方案，并分析临时道路铺设、临时码头选址、取石量分配等关键决策，帮助读者掌握从问题描述、模型建立到求解验证的完整流程。资源为单个doc文档，压缩包大小341KB，内容包含小组分工、问题描述、问题分析、模型建立、模型求解与程序设计、结果分析等完整章节；文档尾部还给出了具体参数计算与交通费用、临时道路和码头成本等公式。全文结构清晰，便于课程设计入门或备赛时参照编写报告。目前已有218人学习，适合运筹学课程设计、数学建模竞赛及交通规划方向的学生参考。通过本案例可获取较完整的碎石运输优化建模思路、lingo与matlab编程求解要点，以及如何结合现实约束检验最优方案，具有直接借鉴价值。
1. 道路改造项目中的碎石运输设计，先别急着“多拉快跑”
道路改造项目的碎石运输设计，表面看是“找几辆自卸车把石料从料场拉到工地”，实际是一道有供应上限、有需求节点、有运距成本和道路限制的最优化问题。很多课程设计交上来的第一版方案，思路都是“哪个料场近就先拉满”，结果总运费比调整后的方案高出 30% 到 40%，甚至因为某个施工段的日需求量被低估，现场断料停工。
真正值得花时间的，是把改造路段拆成若干施工段，把料场产量、碎石规格、压实方与虚方换算、运距和施工日进度一起放进一个线性规划模型里，求出“每天从哪个料场往哪个施工段运多少吨、派几辆车”。这篇笔记就沿着这条线，把从施工段划分到模型求解、再到常见坑的位置完整走一遍，适合两类人：一是要做课程设计计算书的学生，二是做初步施工组织设计的现场工程师。
2. 把改造段切到施工段：碎石“需求侧”的方量、压实与损耗
2.1 施工段划分：为什么按桩号和结构物切，而不是按里程均分
我一般会先拿到改造段的平面图、纵断面图和原路病害调查表，再把整条路按桩号切分施工段。最常见的错误是拿总里程除以计划天数，均分成等长段落。这样切出来的段，中间可能正好压着一座桥、一个平交口或者一段需要特殊处理的软基，运输组织会非常别扭。
正确做法是以结构物、道路交叉口、原路面结构变化点为自然边界。举个例子：某改造段全长约 20 公里，中间有一座跨线桥、两处平面交叉和一个铁路道口，那我就按这些节点把路线切成 6 到 8 个施工段，而不是均分成 10 段。每个施工段对应一个独立的“收货点”，也就是后面模型里的一个需求节点。
切段还有一个最低长度约束：一个施工段至少要能容纳一天的摊铺量。按基层宽度 12 米、压实厚度 0.18 米、摊铺机日进度 300 米来算，一天的摊铺方量是 648 立方米实方，换算成重量大约是 1300 吨。如果哪个段切得比这个量还小，要么摊铺机频繁转场，要么模型里出现“需求过碎”导致车辆调度困难。建议每个施工段的日需求不低于 500 吨，再小就该合并。
2.2 碎石需求量的计算口径：压实方、松方与吨位换算
施工段的需求量来自三块：路面基层与底基层的级配碎石、路基换填用的碎石、桥头或涵背的回填碎石。计算时统一用下面的公式：
Q = L × W × H × ρ × (1 + 损耗率)
其中 L 是段内施工长度，W 是摊铺宽度，H 是压实厚度，ρ 是压实后的密度。这里的体积是压实方，不能直接拿去做采购，因为料场和运输车辆按松方或吨位计量。级配碎石压实密度一般取 2.0～2.1 吨/立方米，水泥稳定碎石基层取 2.1～2.2 吨/立方米，片石回填取 1.8～2.0 吨/立方米。松方堆积密度约 1.5～1.7 吨/立方米。
损耗率这部分最容易漏。运输过程中的抛洒、摊铺时粗细集料离析被清理、卸料时车斗残留，都会让实际用量比设计方量多。我一般取 3%～6%，石料来源远、路况差就取上限。如果用的是水泥稳定碎石，还要额外考虑拌合站内的损耗，通常在 1% 左右。把这些参数列成一张表，既是课程设计的计算依据，也是后面模型的输入。
| 材料用途 | 压实密度 (t/m³) | 损耗率 | 备注 |
|---|---|---|---|
| 级配碎石基层 | 2.0～2.1 | 3%～5% | 按实方计算 |
| 水泥稳定碎石基层 | 2.1～2.2 | 4%～6% | 含拌合与运输损耗 |
| 路基换填碎石 | 1.8～2.0 | 5% | 虚方压实后体积收缩明显 |
| 桥涵台背回填 | 1.8～2.0 | 3% | 分层压实，损耗相对小 |
提示：设计图纸给的是压实方，料场报价按吨或松方。换算关系不对，算出来的需求量可能低 20% 以上，这是后面运输设计和车辆配置翻车的最大源头。
还有一个容易被忽略的抵扣项：旧路改造会产生大量铣刨料和旧基层破碎料，如果经过破碎筛分后能回填底基层或用于路基换填，这部分必须从施工段需求量里扣掉。我在做课程设计时会把每个施工段的“可利用旧料量”单独列一列，因为它直接减少了对外购碎石的需求，进而影响料场选择，甚至决定要不要新增临时料场。
3. 料场供应能力与源汇匹配：选料场不能只看直线距离
3.1 重心法初选料场：用需求量加权而不是几何中心
料场选在哪，直接决定运距矩阵，而运距矩阵是运输费用的核心。课程设计里最常见的做法是在地图上把施工段的中点连起来，找一个“看起来在中间”的位置，这是拍脑袋。我习惯先用重心法算一个初始解：把每个施工段的日需求量当作权重，对施工段坐标做加权平均。
X = Σ(D_j × x_j) / ΣD_j Y = Σ(D_j × y_j) / ΣD_j
这里 D_j 是施工段 j 的日需求吨数，x_j、y_j 是该段中点的平面坐标。算出来的重心是一个理想位置，现实中大概率落在农田、河道或者居民区里。接下来要做的是把重心位置向最近的既有料场、拌合站或公路节点靠拢，同时考虑两个现实约束：一是料场到施工段之间有没有能走重车的道路；二是道路是否有限载、限高、限行。有的点直线距离很近，但中间隔着一条不能过重车的桥，绕行之后运距反而多出 8 到 10 公里。
这一步做完，料场的候选名单就出来了。注意：候选料场可以是自有料场、附近租用的社会料场，也可以是临时设立的破碎点。每个候选料场都要记录三样东西：日均有效供应量、碎石规格种类、到每个施工段的实际运距。
3.2 供应侧约束：额定产量不是有效供应量
料场的额定产能和实际能供应的数量完全是两回事。一条碎石破碎线标称产能 300 吨/小时，扣除设备检修、堵料、换筛网、装车等待，实际有效作业率能到 85% 就算管理不错。如果每天有效作业 8 小时，日供应量大约是 300 × 8 × 0.85 ≈ 2040 吨。如果再遇上雨天、环保检查停工，还要再打折扣。
所以我在模型里用的不是“额定产量”，而是“日均有效供应量”。这个值要写进供需平衡表里，并且要考虑规格的约束：级配碎石和片石回填用的是不同规格、不同破碎线的产品，不能混在一个总量里。一个料场可能总产量够，但某一种规格的库存不足，这会导致模型算出“总量满足但规格不匹配”的方案。
还有一个时间维度上的坑：如果项目所在地有夜间禁运或者早晚高峰货车限行，料场的有效供应时间会被压缩，车辆每天的周转次数也要相应减少。这些约束看起来是后话，但会直接影响模型里运输能力上限的设定，最好在供应侧信息收集阶段就一起记下来。
3.3 供需总量平衡表：先算平衡再谈优化
在所有建模工作之前，我总会先做一张供需平衡表：行是施工段，列是可用的料场和旧料回收量，交叉格填运距，最右列填施工段日总需求，最下行填各料场日均有效供应量。这张表一摆出来，三类问题立刻现形。
第一类是总量缺口，即所有料场日均供应量之和小于所有施工段日需求之和。这种情况就要在源头解决：要么增加一个临时料场，要么把部分施工段的开工时间错开，把需求高峰削掉一部分。第二类是局部错位，总量够，但某个区域附近的料场产能不足，远处料场运距太长，经济上不划算。第三类是规格不匹配，总量和位置都没问题，但缺少某种粒径的碎石，需要增加一条破碎线或者外购。
提示：课程设计里模型无解，十有八九是因为没做供需平衡就急着跑优化。先把表填平，再谈最小运费，顺序不能反。
如果按以上方法做下来，发现某个施工段的需求由两个料场共同供应，不要觉得奇怪。第 4 章的例子里就会看到，靠近施工段的料场不一定优先供满它，因为该料场的产能可能被运距更近的其他段占用，需要全局分配。
4. 用 Python+PuLP 把碎石运输写成线性规划并求到最小运费方案
4.1 建模三要素：决策变量、目标函数与两类约束
把运输问题转成线性规划，核心是三个要素。决策变量 x_ij 表示从料场 i 运到施工段 j 的日运输量，单位是吨。目标函数是所有 x_ij 乘以对应单位运费 c_ij 的总和，单位运费由运距和吨公里单价相乘得到。约束分两类：每个施工段的需求必须被满足，也就是对每个 j，所有料场运来的量之和等于需求 D_j；每个料场的供应量不能超过其日均有效供应量 S_i。
这里用等式约束还是不等式约束，取决于场景。需求侧我用等式约束，因为施工段的摊铺计划是确定的，每天必须到够那么多吨，少了断料，多了堆料占场地。供应侧用不等式约束，因为料场产能是上限，少供一点没关系，但超了供不出来。如果某些料场有“保底供应量”的合同约定，比如每天最低采购 100 吨，那就再加一个下界约束 x_ij ≥ 100。
4.2 完整可运行的求解代码：2 个料场 × 5 个施工段
下面给一份可以直接跑通的代码，用 Python 的 PuLP 库求解。数据是我随意构造的课程设计案例：2 个料场，5 个施工段，总需求 500 吨/天，总供应也是 500 吨/天，正好平衡。运距矩阵、产量、需求都写清楚，读者可以直接替换成自己的数据。
import pulp # 施工段每日需求，单位：吨 demand = { 'S1': 80, 'S2': 120, 'S3': 100, 'S4': 90, 'S5': 110 } # 料场日均有效供应量，单位：吨 supply = { 'A': 270, 'B': 230 } # 运距矩阵，单位：公里 distance = { 'A': {'S1': 6, 'S2': 10, 'S3': 14, 'S4': 18, 'S5': 24}, 'B': {'S1': 22, 'S2': 16, 'S3': 11, 'S4': 8, 'S5': 5} } # 吨公里运费单价，单位：元/(吨·公里) cost_per_tkm = 0.4 # 构造问题：最小化总运费 prob = pulp.LpProblem("Gravel_Transport", pulp.LpMinimize) # 决策变量：从料场 i 到施工段 j 的运量 x = pulp.LpVariable.dicts("x", (supply.keys(), demand.keys()), lowBound=0, cat='Continuous') # 目标函数：单位运费 = 运距 × 吨公里单价 prob += pulp.lpSum( distance[i][j] * cost_per_tkm * x[i][j] for i in supply.keys() for j in demand.keys() ) # 约束1：每个施工段的需求必须正好满足 for j in demand.keys(): prob += pulp.lpSum(x[i][j] for i in supply.keys()) == demand[j] # 约束2：每个料场的供应量不超过日均有效供应量 for i in supply.keys(): prob += pulp.lpSum(x[i][j] for j in demand.keys()) <= supply[i] # 求解并输出状态 prob.solve() print(f"求解状态: {pulp.LpStatus[prob.status]}") print(f"最小日总运费: {pulp.value(prob.objective):.2f} 元") # 输出运量分配结果 for i in supply.keys(): for j in demand.keys(): val = pulp.value(x[i][j]) if val > 1e-6: print(f"料场 {i} -> 施工段 {j}: {val:.1f} 吨/天")这段代码的关键点有三个。第一个是LpVariable.dicts，它一次性创建了 2×5=10 个连续型决策变量，用lowBound=0保证非负。第二个是目标函数写成lpSum而不是 Python 的sum，因为 PuLP 需要表达式对象才能做线性规划求解，直接sum会出现类型错误。第三个是需求约束用==，供应约束用<=，这个区别对应前面说的“需求必须满足、供应是上限”的建模思想。
运行后能看到：S1 和 S2 段几乎全部由 A 料场供应，S4、S5 段由 B 料场供应，S3 段被两个料场按 70/30 的比例拆分。这个结果并不是“就近拉满”，因为 B 料的 5 公里优势要优先让给 S5 的 110 吨需求，B 料场产能只剩 30 吨分给 S3。全局最优解里，距离较近的料场不一定优先供满某个段，谁的产能更紧、谁占用的运距更短，才是分配逻辑。
4.3 读结果：从日运量到单车周转次数与车辆数
线性规划输出的是“每天各路径运多少吨”，但现场要回答的是“派几辆车”。这一步需要把吨位换算成车辆数：先计算每辆车一天能跑几趟，再用总吨数除以单趟载重和趟数的乘积，向上取整。
import math capacity_per_truck = 10 # 单车载重，单位：吨 avg_speed = 30 # 重车平均行驶速度，单位：公里/小时 load_time = 0.3 # 装车时间，单位：小时 unload_wait = 0.2 # 卸车及等待时间，单位：小时 work_hours = 8 # 每班有效作业时间，单位：小时 # 按路径统计每天运输趟数 route_tonnage = {} for i in supply.keys(): for j in demand.keys(): val = pulp.value(x[i][j]) if val > 1e-6: route_tonnage[(i, j)] = val # 计算每条路径所需车数 total_trucks = 0 for (i, j), tonnage in route_tonnage.items(): round_trip_h = 2 * distance[i][j] / avg_speed trips_per_truck = work_hours / (load_time + round_trip_h + unload_wait) needed = math.ceil(tonnage / (capacity_per_truck * trips_per_truck)) total_trucks += needed print(f"路径 {i}->{j}: 每天 {tonnage:.1f} 吨，需 {needed} 辆自卸车") print(f"合计需要自卸车: {total_trucks} 辆")这里有两层容易出错。第一层是平均速度，我取的是 30 公里/小时，覆盖排队、让车、弯道减速，而不是空车的经济时速。第二层是装车和卸车时间，很多课程设计直接忽略这两个时间，导致算出每车一天能跑 30 趟，实际只有 15 趟。结果不是多派几辆车的问题，而是整个进度计划都会延后。
4.4 用 Excel 规划求解复核一遍，避免对编程环境的依赖
有的同学电脑里没装 Python，或者不想折腾 PuLP 的安装，我一般建议用 Excel 的规划求解做交叉验证。方法是把 10 个决策变量排成两行五列，每个变量初始填 0；目标单元格写所有变量乘单位运费之和；再建两行约束行，分别对应各料场供应量 <= 产量和各施工段需求 = 需求列。
打开规划求解后，要勾选“采用线性模型”和“假定非负”，求解方法选“单纯线性规划”。这里必须注意：如果少了“采用线性模型”这个勾，Excel 会走非线性求解器，结果可能不收敛或者给出病态解。求解成功后，把结果和 Python 输出对照，两个口径一致再写进计算书。这一步不是多此一举，它能在交给评审前挡掉不少低级错误。
5. 碎石运输设计的 5 个常见坑：从“模型无解”到“运距倒挂”
5.1 坑一：模型无解，问题出在供需总量不平衡
现象：PuLP 求解后输出Infeasible，或者 Excel 规划求解提示“找不到可行解”。此时第一反应不要是检查代码，而是检查供需平衡表。
原因：所有料场日均供应量之和小于所有施工段日需求之和。有些课程设计为了凑模型，把某几个料场的产量调大，结果生产上根本做不到，或者把需求量悄悄改小，被评审一问就露馅。
解决：先算缺口总量，再决定方案。如果缺口不大，可以加一个虚拟料场，用很大的单位运费参与求解，跑完后看虚拟料场被分配了多少吨。这个数值就是真实缺口：
# 假设缺口 60 吨，增加虚拟料场 V supply['V'] = 60 distance['V'] = {j: 999 for j in demand.keys()} # 高单价，尽量不选 # 重新求解后统计 shortage = sum(pulp.value(x['V'][j]) for j in demand.keys()) print(f"真实供应缺口: {shortage:.1f} 吨/天")然后回到第 3 章的平衡表，选择加临时料场、调整施工顺序削峰或者让现有料场两班倒。模型本身不解决供应不足，它只负责告诉你缺口在哪。
5.2 坑二：只优化运费，漏了运输通道能力约束
现象：解出来的最优方案里，某条路径一天要跑 40 趟，但这条路上的重车实际一天只能跑 20 趟，方案落地当天就堵死。
原因：线性规划只认运距和运费，不认道路通行能力。碎石运输设计的课程设计里，这个问题最隐蔽，因为目标函数里没有通道容量这一项。
解决：在模型里给每条路径加一个容量约束。把道路每天能通过的重车趟数乘以单车载重，换算成吨位上限，写成 x_ij <= capacity_ij。如果某条路上的桥梁有轴重限制，还要把单车载重往下调，比如从 10 吨降到 8 吨。路径容量数据怎么来？现场数车流或者按交通量调查表估算，取偏保守值。
5.3 坑三：把碎石当成一种材料，忽略规格分档
现象：模型算出料场 A 给施工段 S4 送 90 吨级配碎石，但 A 料场的破碎线上只有 0-5 毫米石屑和 20-30 毫米碎石，没有现场要的 0-31.5 毫米连续级配料，等于方案白算。
原因：建模时把“碎石”简化成单一物料。实际项目中，基层和底基层用的级配碎石、路基换填用的大粒径碎石、桥背回填用的片石，是三种不同规格的产品，分别来自不同破碎线和库存堆场。
解决：把变量从 x_ij 扩展成 x_ijk，k 表示规格。每种规格有独立的供应量约束，施工段需求也按规格拆开。比如：
x = pulp.LpVariable.dicts("x", (supply.keys(), demand.keys(), specs), lowBound=0)这样模型规模变大，但结果才真正能用。课程设计如果只用一种料，一定在文档里写明“本设计仅考虑级配碎石基层用料”，避免评审质疑。
5.4 坑四：压实方、松方和吨位换算混乱，需求被低估 20%
现象：按图纸算出来某段需要 1000 立方米碎石，实际采购 1200 立方米还不够用，现场天天催料。
原因：图纸上的体积是压实方，料场发货计量用的是松方或者吨。压实密度取 2.05 吨/立方米，松方堆积密度取 1.6 吨/立方米，同样 1000 立方米压实方，重量是 2050 吨，折成松方约 1281 立方米，凭空多了 28%。这意味着需求量计算从一开始就偏低。
解决：所有进入模型的数据统一按“吨”计量。在需求计算表里加三列：压实方量、压实密度、换算吨位，模型里只出现吨。料场供应量、车辆载重、施工段需求全部用吨，这样单位一致，后面任何校验都不会出维度错误。松方密度只用于采购询价和车辆方量验证，不要混进模型。
5.5 坑五：Excel 求解器“求完就信”，把错误的解当真
现象：Excel 规划求解显示“找到一解”，但把求出的变量代回需求约束，发现某个施工段加起来只有 80 吨，离需求 100 吨差了 20 吨，残差明显。
原因：规划求解选项里没勾“采用线性模型”，走了非线性求解路径；或者变量被设成整数，导致小规模问题找不到可行整数解。还有一种情况是把目标单元格写错行，求解器优化了别的公式。
解决：用第 4 章的 Python 模型和 Excel 互相验证，两边结果一致才算过。Excel 里检查三个地方：勾选“采用线性模型”、勾选“假定非负”、求解方法选“单纯线性规划”。如果出现“求解器未找到可行解”，先回供需平衡表查总量，不要手动调个别变量硬凑。
6. 从一天静态模型到连续施工滚动计划：验证与调优的最后一公里
前面算出来的方案，本质上是“某一天的最优计划”。但道路改造项目通常要连续施工几十天，每天各施工段的需求量在变，料场的库存和产量也在波动，把一天的解直接复制到整个工期，会出大问题。
我最常用的做法是做一个敏感性分析：把关键料场的日均供应量上下调整 10%～20%，重新求解，看总运费和车辆数怎么变。如果某个料场产量降一点，总运费就大幅上涨，说明它是系统里的瓶颈资源，要重点保它的产能；如果响应平缓，说明供应侧有余量，可以适当降低订购量。用第 4 章的模型，把 supply 的值循环一遍，打印目标函数值，几分钟就能得到这样一张表：
| 料场 A 产量 (t/天) | 料场 B 产量 (t/天) | 最小日总运费 (元) | 需要自卸车 (辆) |
|---|---|---|---|
| 270 | 230 | 1704 | 16 |
| 240 | 260 | 1674 | 16 |
| 200 | 300 | 1654 | 15 |
这张表能直接回答评审最常问的问题：“为什么这个料场明明更近，却不把产量拉满？”因为把产能留给运距更短的段，全局成本更低。
第二个技巧是把静态模型改成滚动计划。每周日跑一次模型，输入下一周各施工段的计划需求量、料场可用库存、天气预报和限行通知，输出下一周的每日运输计划。如果遇到雨天，料场进料道路泥泞，有效供应量下调，模型会自动把缺料时间点暴露出来，让你提前调整工序。
第三个技巧是车辆数的整数修正。模型给出的吨位除以单车载重向上取整只是理论下限，实际派车时我习惯多加 15% 到 20% 的余量，应对装车排队、途中堵车、车辆故障。这部分余量不写进优化模型，只写进施工组织设计里的机械设备配置表。
我第一次做这类设计时，盯着 Excel 里的目标函数值以为自己找到了最优解，后来才发现漏了通道容量约束，算出来的方案在 S5 段一天要跑 35 趟，那条路根本承受不住。从那以后我养成一个习惯：每次跑完模型，先把各路径的趟数列出来看一眼，再回过去看目标和约束。方案出来的第一件事不是庆祝省钱，而是验证它能不能在真实道路上跑得动。希望帮到你。
本文还有配套的精品资源，点击获取
