当前位置：首页 > news >正文

数学建模实战：基于混合整数规划的洗衣房资源调度优化

news 2026/8/26 5:48:20

1. 项目概述：从一道赛题到一套完整的解决方案

最近在整理过往的竞赛资料，翻到了去年带队参加数维杯国际赛时，关于D题“洗衣房清洁计算”的完整解题论文和程序代码。这道题当时在圈内讨论度挺高，因为它完美地结合了经典的运筹优化思想和实际的生活场景，没有特别偏门的理论，但非常考验对问题的建模能力和求解工具的熟练度。简单来说，题目模拟了一个大学或公寓社区的公共洗衣房：你有若干台不同容量、不同能耗、不同运行时间的洗衣机，每天有若干批学生带着不同脏污程度、不同紧急程度的衣物前来。你需要设计一个调度方案，决定哪批衣物在哪台洗衣机、什么时间开始清洗，目标是在满足所有衣物都被清洗的前提下，最小化总能耗（或者总等待时间，具体看题目设定）。这本质上是一个带复杂约束的资源调度与排程问题。

对于刚接触数学建模的同学，这道题是个绝佳的练手材料。它不像一些纯理论题那样抽象，你能立刻想象出洗衣房人满为患的场景；同时，它的求解又需要你动用到线性规划、整数规划、甚至是动态规划或启发式算法等“硬核”工具。我当时的团队用Python和MATLAB双线作战，最终构建了一个混合整数线性规划模型，并用Gurobi求解器得到了不错的结果。今天，我就把这道题的解题全流程，包括问题分析、模型建立、算法实现（附核心代码）以及我们踩过的那些坑，毫无保留地分享出来。无论你是正在备战数维杯、美赛、国赛，还是单纯对运筹优化感兴趣，相信这篇长文都能给你带来直接的帮助。

2. 问题核心拆解：把洗衣房问题翻译成数学语言

面对一个数学建模问题，第一步也是最关键的一步，就是抛开具体场景，抽象出核心的数学元素。我们得先搞清楚，题目到底给了我们什么，又要我们输出什么。

2.1 输入与输出定义

首先，我们明确一下题目中的“角色”：

洗衣机：有M台。每台洗衣机i有其固有属性：最大容量（比如10公斤）、单次运行的标准耗时（比如45分钟）、单次运行的标准能耗（比如1.5度电）。有些题目还会考虑洗衣机的类型（如快洗、标准洗、大件洗）。
洗衣任务：有N批。每批任务j（代表一个学生或一个宿舍的一筐衣服）也有其属性：衣物重量（必须小于等于洗衣机的容量）、脏污等级（可能影响清洗时间）、最晚完成时间（或期望完成时间）。
时间：通常以离散的时间片为单位，比如以15分钟或30分钟为一个间隔。我们假设一天从早上8点开始，到晚上10点结束，总共T个时间片。

我们的目标是生成一个调度方案。这个方案需要明确指定：每批任务j被分配到哪台洗衣机i，以及在哪个时间片t开始清洗。方案必须满足所有物理和逻辑约束，并优化某个目标函数，最常见的是总能耗最小或平均等待时间最短。

2.2 关键约束条件分析

模型之所以复杂，就在于这些约束。我们必须把它们无一遗漏地用数学等式或不等式表达出来：

容量约束：任务j的重量必须小于等于其分配到的洗衣机i的容量。
时间唯一性约束：一台洗衣机在同一时间只能执行一个任务。这是排程问题的核心。
任务完整性约束：每个任务必须被完成，且只能被完成一次。
时间窗约束：任务必须在最晚完成时间之前结束。开始时间 + 清洗耗时 <= 最晚完成时间。
顺序约束：如果一个任务在某个洗衣机上开始，它必须连续占用该洗衣机若干个时间片（等于其清洗耗时），期间不能被中断或插入其他任务。
启动能耗：有些模型会考虑洗衣机启动时的额外能耗，这会让问题更复杂，接近带设置时间的调度问题。

2.3 模型选择：为什么我们选了混合整数线性规划？

面对这个问题，常见的建模思路有好几种：

动态规划：如果任务数量N很少，且时间片T不多，理论上可以用DP求解。状态可以定义为“在时间t，各洗衣机的占用状态以及已完成的任务集合”。但“维数灾难”会使其在稍大规模下就变得不可行。M台洗衣机、N个任务的状态空间会爆炸。
启发式算法：如遗传算法、模拟退火。这类方法适合快速得到一个“还不错”的解，特别适用于比赛后期对模型进行改进和求近似最优解。但作为主模型，其解的质量和理论保证性不如精确算法。
整数规划/混合整数线性规划：这是我们最终选择的方法。它的优势在于能够精确、严谨地描述所有约束，并且利用成熟的商业或开源求解器（如Gurobi, CPLEX）找到全局最优解（对于中小规模问题）。虽然计算复杂度高，但对于数维杯这类规模适中的赛题，在合理时间内求最优解是可行的。

我们的思路是：定义0-1决策变量x[i,j,t]，其值为1当且仅当任务j在洗衣机i上于时间t开始清洗。这样，所有约束都可以转化为关于x[i,j,t]的线性表达式。目标函数（总能耗）也是这些变量的线性组合。这就构成了一个MILP模型。这个模型的建立过程，是整篇论文的基石。

注意：在比赛中，清晰地将上述思考过程写在论文的“模型假设与建立”部分至关重要。评审专家首先看的就是你的问题转化能力。

3. 混合整数线性规划模型构建详解

下面，我们来把这个思路具体化。我会给出关键的数学公式，并解释每一个公式的由来。

3.1 集合与参数定义

首先，我们定义模型的基础：

集合:
- I: 所有洗衣机的集合，i ∈ I。
- J: 所有洗衣任务的集合，j ∈ J。
- T: 所有时间片的集合，t ∈ T。
参数:
- Cap[i]: 洗衣机i的最大容量。
- Weight[j]: 任务j的衣物重量。
- Duration[j]: 任务j所需的清洗时间片数（可能根据脏污等级调整）。
- Energy[i]: 洗衣机i运行一个时间片的能耗。
- Deadline[j]: 任务j的最晚完成时间片索引。
- M: 一个很大的正数（Big-M方法中常用）。

3.2 决策变量

这是模型的核心：

x[i,j,t] ∈ {0, 1}: 二元变量。=1 表示任务j在洗衣机i上于时间t开始清洗。
（可选）C[j]: 连续变量，表示任务j的完成时间。有时为了表达时间窗约束更方便。

3.3 目标函数

假设我们的目标是最小化总能耗。总能耗等于每台洗衣机运行的时间片数乘以它的单位能耗。一个任务一旦开始，就会连续运行Duration[j]个时间片。

Minimize Z = Σ_{i∈I} Σ_{j∈J} Σ_{t∈T} (Energy[i] * Duration[j] * x[i,j,t])

这个求和意味着：遍历所有洗衣机、所有任务、所有可能的开始时间。如果x[i,j,t]=1，那么这项任务的能耗Energy[i] * Duration[j]就会被计入总能耗。

3.4 约束条件数学表达

每个任务必须被分配且仅被分配一次：
```
Σ_{i∈I} Σ_{t∈T} x[i,j,t] = 1, ∀ j ∈ J
```
对于任意一个任务j，所有洗衣机、所有可能开始时间对应的决策变量加起来必须等于1，保证了有且仅有一个开始方案。
容量约束：
```
Weight[j] <= Cap[i] + M*(1 - x[i,j,t]), ∀ i∈I, j∈J, t∈T
```
这是一个使用Big-M技巧的约束。它的逻辑是：如果x[i,j,t]=1（即任务j真的被分配给了洗衣机i），那么不等式右边的大M项为0，约束简化为Weight[j] <= Cap[i]，即必须满足容量要求。如果x[i,j,t]=0，那么右边会加上一个巨大的M，这个约束自动成立（因为Weight[j]不可能大于Cap[i]+M），相当于失效。这样就优雅地将逻辑判断转化为了线性不等式。
洗衣机同一时间片最多处理一个任务（防重叠）：这是最复杂的约束之一。对于一台给定的洗衣机i和一个给定的时间片τ，我们要确保在这个时间片τ内，最多只有一个任务正在运行。一个任务j如果在时间t开始，它会占用时间片[t, t+Duration[j]-1]。因此，对于洗衣机i和时间片τ，所有满足“开始时间t <= τ”且“结束时间 t+Duration[j]-1 >= τ”的任务j，它们的x[i,j,t]加起来不能超过1。
```
Σ_{j∈J} Σ_{t: t <= τ <= t+Duration[j]-1} x[i,j,t] <= 1, ∀ i∈I, τ∈T
```
在编程实现时，我们需要用循环来生成这个约束。
任务时间窗约束：任务j必须在Deadline[j]之前完成。
```
Σ_{i∈I} Σ_{t∈T} (t + Duration[j] - 1) * x[i,j,t] <= Deadline[j], ∀ j ∈ J
```
左边计算的是任务j的实际完成时间（开始时间+耗时-1），它必须小于等于最晚完成时间。
变量域约束：
```
x[i,j,t] ∈ {0, 1}
```

实操心得：在写论文时，不仅要列出这些公式，最好能用一两句话解释每个约束的物理意义和数学上的表达技巧（比如Big-M）。这能极大提升模型的可读性和专业性。另外，注意检查约束的索引范围，避免出现“时间片溢出”的错误，例如t+Duration[j]-1不能超过总时间T。

4. 算法实现：Python与MATLAB双核心代码解析

模型建立后，下一步就是求解。我们使用了Python的PuLP库（调用Gurobi求解器）和MATLAB的Optimization Toolbox进行实现和对比验证。这里分享最核心的Python实现部分。

4.1 Python实现（基于PuLP和Gurobi）

首先，确保安装pulp库和Gurobi求解器（学术版免费）。

pip install pulp

（Gurobi需要从其官网下载并安装，获取学术许可）

import pulp import numpy as np def solve_laundry_scheduling(num_machines, num_jobs, time_slots, capacities, weights, durations, energies, deadlines): """ 求解洗衣房调度问题 参数: num_machines (int): 洗衣机数量 M num_jobs (int): 任务数量 N time_slots (int): 时间片数量 T capacities (list): 每个洗衣机的容量 [Cap1, Cap2, ...] weights (list): 每个任务的重量 [W1, W2, ...] durations (list): 每个任务耗时 [D1, D2, ...] energies (list): 每个洗衣机单位时间能耗 [E1, E2, ...] deadlines (list): 每个任务最晚完成时间 [L1, L2, ...] """ # 创建问题实例，使用Gurobi作为求解器 prob = pulp.LpProblem("Laundry_Scheduling_MinEnergy", pulp.LpMinimize) # 1. 创建决策变量字典 x = pulp.LpVariable.dicts("x", ((i, j, t) for i in range(num_machines) for j in range(num_jobs) for t in range(time_slots - durations[j] + 1)), # 开始时间不能太晚，要保证能洗完 lowBound=0, upBound=1, cat='Binary') # 2. 设置目标函数：总能耗最小 prob += pulp.lpSum([energies[i] * durations[j] * x[i, j, t] for i in range(num_machines) for j in range(num_jobs) for t in range(time_slots - durations[j] + 1)]) # 3. 添加约束 # 3.1 每个任务必须被分配一次 for j in range(num_jobs): prob += pulp.lpSum([x[i, j, t] for i in range(num_machines) for t in range(time_slots - durations[j] + 1)]) == 1, f"Assign_Task_{j}" # 3.2 容量约束 (使用Big-M，这里M取一个较大的值，如100) M = 100 for i in range(num_machines): for j in range(num_jobs): for t in range(time_slots - durations[j] + 1): prob += weights[j] <= capacities[i] + M * (1 - x[i, j, t]), f"Capacity_M{i}_J{j}_T{t}" # 3.3 洗衣机防重叠约束（关键且计算量较大） for i in range(num_machines): for tau in range(time_slots): # 对于每一个时间片tau # 找出所有可能在这个时间片tau占用洗衣机i的任务-开始时间组合 sum_vars = [] for j in range(num_jobs): for t in range(max(0, tau - durations[j] + 1), min(time_slots - durations[j] + 1, tau + 1)): # 条件：t <= tau <= t + durations[j] - 1 # 即开始时间t在 [tau - durations[j] + 1, tau] 区间内 if t <= tau and tau <= t + durations[j] - 1: sum_vars.append(x[i, j, t]) if sum_vars: # 避免添加空约束 prob += pulp.lpSum(sum_vars) <= 1, f"NoOverlap_M{i}_T{tau}" # 3.4 时间窗约束 for j in range(num_jobs): prob += pulp.lpSum([(t + durations[j] - 1) * x[i, j, t] for i in range(num_machines) for t in range(time_slots - durations[j] + 1)]) <= deadlines[j], f"Deadline_Task_{j}" # 4. 求解问题 # 指定使用Gurobi求解器，并设置一些参数以加速 solver = pulp.GUROBI_CMD(timeLimit=300, msg=True) # 设置5分钟超时，并显示求解日志 prob.solve(solver) # 5. 输出结果 print(f"求解状态: {pulp.LpStatus[prob.status]}") print(f"最小总能耗: {pulp.value(prob.objective)}") schedule = [] for i in range(num_machines): for j in range(num_jobs): for t in range(time_slots - durations[j] + 1): if pulp.value(x[i, j, t]) > 0.5: # 判断变量是否为1（考虑浮点误差） schedule.append({ 'machine': i, 'job': j, 'start': t, 'end': t + durations[j] - 1, 'energy': energies[i] * durations[j] }) print(f"任务{j} -> 洗衣机{i}, 开始时间片: {t}, 结束时间片: {t+durations[j]-1}") return schedule, pulp.value(prob.objective) # 示例数据调用 if __name__ == "__main__": M, N, T = 3, 5, 20 # 3台洗衣机，5个任务，20个时间片 capacities = [10, 8, 12] weights = [4, 7, 9, 5, 6] durations = [3, 4, 3, 2, 4] # 每个任务需要的时间片数 energies = [1.2, 1.0, 1.5] # 每时间片能耗 deadlines = [15, 18, 12, 20, 16] # 最晚完成时间片 schedule, total_energy = solve_laundry_scheduling(M, N, T, capacities, weights, durations, energies, deadlines)

4.2 MATLAB实现要点

在MATLAB中，我们可以使用intlinprog函数来求解MILP。步骤类似，但需要将模型转化为标准形式min f'*x，满足A*x <= b,Aeq*x = beq,lb <= x <= ub，其中部分变量为整数。

定义决策变量向量：将所有x[i,j,t]按一定顺序（如按i、再按j、再按t）展开成一个长向量x。
构建目标函数向量f：f中每个元素对应一个x[i,j,t]，其值为Energy[i] * Duration[j]。
构建线性约束矩阵A, b, Aeq, beq：
- “每个任务分配一次”是等式约束，对应Aeq和beq。
- “容量约束”和“防重叠约束”是不等式约束，对应A和b。构建A矩阵是编码中最繁琐的部分，需要仔细处理索引。
定义变量上下界和整数约束：lb = zeros(...),ub = ones(...),intcon = 1:length(f)表示所有变量都是0-1整数。

调用求解器：

[x, fval, exitflag] = intlinprog(f, intcon, A, b, Aeq, beq, lb, ub);

踩坑记录：在MATLAB中构建大型稀疏约束矩阵A时，直接使用zeros预分配然后赋值效率极低，且容易内存不足。务必使用sparse函数来构建稀疏矩阵。先创建三个数组i_index,j_index,s_values分别存储非零元素的行索引、列索引和值，最后用A = sparse(i_index, j_index, s_values, num_constraints, num_variables)一次性生成。这是提升MATLAB求解效率的关键。

5. 模型求解的优化技巧与实战调参

直接求解上述MILP模型，对于稍大规模的问题（例如20台洗衣机，50个任务，48个时间片），求解时间可能会非常长，甚至无法在比赛时间内得到最优解。因此，必须采用一些优化技巧。

5.1 削减变量与约束：缩小搜索空间

时间窗剪枝：对于任务j，它可能的开始时间t必须满足t + Duration[j] - 1 <= Deadline[j]且t >= 0。因此，在创建变量x[i,j,t]时，对于每个任务j，t的循环范围可以大大缩小，而不是0到T-1。这能直接减少变量数量。
容量预过滤：在创建变量时，只对满足Weight[j] <= Cap[i]的洗衣机i-任务j组合创建变量。不满足容量要求的组合，其x[i,j,t]变量根本无需定义。这也能显著减少变量数。
对称性破缺：如果有多台容量、能耗完全相同的同质洗衣机，模型会产生很多对称解，增加求解器分支定界的负担。可以添加约束，强制要求任务按某种顺序（如任务编号）优先分配给编号小的洗衣机，来打破对称性。例如：对于两个相同的洗衣机1和2，可以添加约束，使得如果任务a分配给洗衣机2，那么编号比a小的任务不能全部分配给洗衣机1。这需要巧妙的建模，但效果显著。

5.2 求解器参数调优

以Gurobi为例，在PuLP中可以通过字典传递参数：

solver = pulp.GUROBI_CMD(timeLimit=300, msg=True, options=[('MIPGap', 0.01), ('Threads', 4)])

MIPGap: 设置最优间隙。设为0.01表示当找到的解与理论下界的差距在1%以内时，可以提前停止。在时间紧迫时，用1%或5%的Gap换求解速度是值得的。
Threads: 使用的CPU线程数。设置为你的电脑核心数。
Heuristics: 启发式算法强度，可以调高以更快找到初始可行解。
Presolve: 预求解强度，通常设为激进（Aggressive）可以简化模型。

5.3 启发式初始解（热启动）

可以先运行一个快速的启发式算法（如：按任务截止时间升序排序，然后贪心地将其分配给当前可用的、能满足容量且能耗较低的洗衣机），得到一个可行的调度方案。然后将这个方案转化为决策变量x[i,j,t]的初始赋值，传递给求解器。这能为分支定界树提供一个高质量的上界，大大加速求解过程。在PuLP中，可以在定义变量后、求解前，通过x[i,j,t].setInitialValue(1)来设置初始值。

5.4 分阶段求解

对于大规模问题，可以考虑“分而治之”：

先分配，后排程：先建立一个简化的模型，只决定“哪个任务分配给哪台洗衣机”，忽略具体的时间片。这可以是一个简单的分配问题，变量少很多。得到分配方案后，再对每台洗衣机上的任务集合，分别求解一个单机调度问题（这可以用动态规划高效求解）。虽然可能损失全局最优性，但在可接受时间内能得到优质解。
时间聚合：如果时间片划分得很细（如5分钟一片），可以先以更粗的粒度（如30分钟一片）进行求解，得到一个粗略的调度，然后再在细粒度上对每个时间段进行微调和优化。

个人体会：在数学建模比赛中，“先求可行，再求优化”的策略非常重要。不要一开始就追求完美的全局MILP模型。先用贪心等简单方法快速出一个基础解和结果，保证论文有东西可写。然后在此基础上，逐步引入更精确的模型和优化，作为模型的改进部分。这样论文结构更丰满，也更能体现你的思考过程。

6. 结果可视化与方案分析

求解得到schedule后，如何呈现结果同样重要。一个清晰的甘特图（Gantt Chart）胜过千言万语。

6.1 使用Python Matplotlib绘制调度甘特图

import matplotlib.pyplot as plt import matplotlib.patches as patches def plot_gantt_chart(schedule, num_machines, total_time_slots): """ 绘制洗衣机调度甘特图 schedule: 求解函数返回的调度列表，每个元素是包含'machine','job','start','end'的字典 """ fig, ax = plt.subplots(figsize=(12, 6)) # 为每个任务分配一个颜色 jobs = list(set([s['job'] for s in schedule])) colors = plt.cm.tab20(np.linspace(0, 1, len(jobs))) job_color_map = {job: colors[i] for i, job in enumerate(jobs)} # 绘制每个任务块 for s in schedule: machine_idx = s['machine'] job_idx = s['job'] start = s['start'] duration = s['end'] - s['start'] + 1 # 创建一个矩形块 rect = patches.Rectangle((start, machine_idx - 0.4), duration, 0.8, linewidth=1, edgecolor='black', facecolor=job_color_map[job_idx], alpha=0.7) ax.add_patch(rect) # 在块中央添加任务编号 ax.text(start + duration/2, machine_idx, f'J{job_idx}', ha='center', va='center', color='white', fontweight='bold') # 设置图表属性 ax.set_xlabel('时间片') ax.set_ylabel('洗衣机') ax.set_title('洗衣房调度甘特图') ax.set_yticks(range(num_machines)) ax.set_yticklabels([f'洗衣机 {i}' for i in range(num_machines)]) ax.set_xlim(0, total_time_slots) ax.set_ylim(-0.5, num_machines - 0.5) ax.grid(axis='x', linestyle='--', alpha=0.7) # 添加图例 from matplotlib.patches import Patch legend_elements = [Patch(facecolor=job_color_map[j], label=f'任务 {j}') for j in jobs] ax.legend(handles=legend_elements, bbox_to_anchor=(1.05, 1), loc='upper left') plt.tight_layout() plt.show() # 调用绘图函数 plot_gantt_chart(schedule, num_machines=3, total_time_slots=20)

6.2 结果分析与模型验证

得到调度方案和甘特图后，需要进行分析：

方案可行性验证：人工检查几个关键点：是否有任务未分配？同一台洗衣机的任务时间是否重叠？任务是否在截止时间前完成？容量是否满足？这是最基本的检验。
资源利用率分析：计算每台洗衣机的“忙碌时间片 / 总时间片”，得到利用率。分析是否存在洗衣机闲置过多，而其他洗衣机负载过重的情况。这可以反馈到模型，比如如果目标是平衡负载，可以在目标函数中加入负载均衡项。
灵敏度分析：这是论文的加分项。可以探讨如果某个参数变化，结果会如何改变。
- 任务量激增：如果任务数量N增加20%，我们的调度方案是否仍然可行？总能耗会增加多少？可以通过重新输入数据求解来验证。
- 洗衣机故障：模拟一台洗衣机在某个时间段不可用，我们的模型能否快速重新调度？这体现了模型的鲁棒性。
- 能耗价格变化：如果不同时间段的电费不同（峰谷电价），如何修改模型？只需将目标函数中的Energy[i]替换为与开始时间t相关的Energy[i, t]即可。
模型对比：如果时间允许，可以用贪心算法（如最早截止时间优先EDD、最短处理时间优先SPT）也求一个解，对比其总能耗和最优解的差距。这能凸显出你构建的精确模型的优越性。

7. 参赛论文写作要点与程序打包

最后，聊聊如何将以上所有工作，整合成一篇优秀的数维杯（或任何数学建模比赛）论文。

7.1 论文结构框架

摘要：重中之重！用300-500字概括整个工作：针对什么问题、建立了什么模型、采用了什么算法、得到了什么结果、有何结论与创新。务必精炼、完整、突出亮点。
问题重述与分析：用自己的话复述题目，并进行分析，指出问题的难点（资源竞争、时间约束、优化目标）和本质（组合优化、排程问题）。
模型假设与符号说明：列出所有合理的假设（如“每个任务一旦开始不能被中断”、“忽略衣物放入取出的时间”）。清晰列出所有用到的符号、集合、参数、变量。
模型的建立与求解：这是核心章节。
- 7.4.1 模型建立：详细阐述MILP模型的构建过程，包括目标函数和每一个约束条件的数学公式及其解释。
- 7.4.2 求解方法：说明使用的求解工具（Gurobi/intlinprog），以及为了加速求解采用的技巧（变量剪枝、启发式初始解等）。
- 7.4.3 算法流程：可以用流程图描述整体求解步骤。
模型求解与结果分析：
- 给出针对题目所给数据（或自己设计的标准测试数据）的求解结果。
- 展示关键数据，如总能耗、各洗衣机利用率表格。
- 必须附上甘特图，直观展示调度方案。
- 进行灵敏度分析或模型对比分析。
模型的评价与推广：客观评价模型的优点（严谨、最优解）和缺点（大规模问题求解慢）。提出模型的可能改进方向（如考虑不确定任务到达时间，改用随机规划或在线算法），以及在其他场景（如车间作业调度、计算资源分配）的应用潜力。
参考文献：规范引用。
附录：附上核心的程序代码（不必全部，关键部分即可）。

7.2 程序代码打包与提交

比赛通常要求提交可运行的源代码。

环境说明：在README.txt中详细说明运行环境（Python 3.8+ / MATLAB R2020b+）、所需库（PuLP, numpy, matplotlib）及版本、如何安装（pip install -r requirements.txt）。

代码结构：

Laundry_Optimization/ ├── data/ │ └── input_data.xlsx # 输入数据文件 ├── src/ │ ├── model.py # 主要建模与求解函数 │ ├── heuristic.py # 启发式算法（用于初始解） │ ├── visualize.py # 结果可视化函数 │ └── main.py # 主程序入口 ├── results/ │ ├── schedule.csv # 输出的调度方案 │ └── gantt_chart.png # 生成的甘特图 ├── requirements.txt # Python依赖库列表 └── README.txt # 项目说明文档

数据接口：程序最好能从外部文件（如Excel、CSV）读取输入数据，这样测试不同案例时只需修改数据文件，无需改动代码。
结果输出：程序应能将最优调度方案、目标函数值等关键结果输出到文件（如CSV或JSON），并自动生成可视化图表。

7.3 比赛中的时间管理

72小时的比赛，时间分配至关重要：

第一天上午：团队集中讨论，彻底吃透题目，确定大方向（我们用什么方法？）。完成问题分析和初步模型构思。
第一天下午至晚上：开始建模和初步编程。至少要用简单方法（贪心）跑出一个基础结果。
第二天全天：完善模型，实现精确算法（MILP），调试代码，得到优化结果。开始撰写论文的“模型建立”和“求解”部分。
第三天上午：进行结果分析、灵敏度分析、绘制图表。完成论文初稿。
第三天下午：集中精力撰写摘要、修改全文、检查格式、打包代码。摘要一定要反复打磨。
最后几小时：最终检查，提交。

这道“洗衣房清洁计算”题，从一个生活化的场景，引出了一个经典的数学优化问题。通过它，我们实践了从问题抽象、模型建立、算法实现、到求解优化的完整数学建模流程。其中关于MILP建模的Big-M技巧、防重叠约束的写法、求解加速的策略，以及结果可视化的方法，都是可以迁移到无数其他资源调度问题中的宝贵经验。希望这份超详细的拆解，能帮助你不仅搞定这道题，更能掌握解决一类问题的方法论。在数学建模的路上，多动手、多思考、多总结，每一个项目都是通向更深入理解的阶梯。

查看全文

http://www.cnnetsun.cn/news/4219969.html