1. 项目概述：从赛题到解题框架的构建
2022年的美赛A题，题目是“Power of a Bike”，直译过来是“自行车的力量”。当时拿到这个题目，很多队伍的第一反应可能是懵的——自行车？力量？这听起来更像是一个物理或工程问题，怎么就成了数学建模竞赛的题目？这正是美赛的典型风格：它不希望你用现成的、教科书式的模型去生搬硬套，而是要求你从一个开放的、看似“不数学”的现实问题中，自己抽象、定义并构建出数学模型。
这道题的核心，是研究骑行者（Cyclist）在一条固定赛道上骑行时，如何分配自身的输出功率（Power），以最小化完成比赛的总时间。赛道有起伏（上坡、下坡、平路），骑行者的生理机能有限制（最大输出功率、疲劳恢复），自行车和空气动力学也有影响。本质上，这是一个在复杂约束条件下，对“功率-时间”这个系统进行优化控制的问题。它完美融合了物理学（运动力学）、生理学（人体能量代谢）和运筹学（最优控制理论）。
对于参赛者而言，这道题的挑战和价值在于：你不仅需要建立一个描述自行车运动的微分方程模型，更需要为“骑行者”这个核心变量建立一个符合生理学常识的“疲劳-恢复”模型，并将两者耦合。最终，你需要设计算法，求解出在整条赛道上每一时刻的最优功率输出策略。这远不止是解一道物理题，而是构建一个“人-车-环境”协同的系统仿真与优化框架。接下来，我将以一名多次参与并指导美赛的视角，拆解这道题的完整建模思路、核心细节与实操避坑点。
2. 核心思路拆解：如何将骑行问题转化为数学模型
面对“Power of a Bike”，首要任务是完成问题转化。我们不能一头扎进公式里，而要先厘清逻辑链条。整个建模过程可以分解为三个层次：系统界定、核心子模型构建、以及优化目标与策略的制定。
2.1 系统边界与核心变量定义
任何建模的第一步都是划清边界。在这个问题中，我们的系统主要包括：
- 骑行者：被视为一个“功率输出源”兼“能量储存/消耗单元”。核心属性包括：质量 ( m_r )，最大可持续功率 ( P_{max} )，基础代谢功率 ( P_{basal} )，以及表征疲劳状态的内部变量（如“体能储备” ( E ) 或“疲劳系数” ( f )）。
- 自行车：视为一个将骑行者功率转化为前进动力的传动系统，并受到各种阻力。核心参数包括：总质量 ( m_b )，传动效率 ( \eta )（通常很高，如0.95-0.98），车轮滚动阻力系数 ( C_r )，空气动力学参数（迎风面积 ( A )，风阻系数 ( C_d )）。
- 环境：主要指赛道地形，由高程剖面 ( z(s) ) 定义，其中 ( s ) 是沿赛道的距离。坡度角 ( \theta(s) = \arctan(dz/ds) )。此外，假设天气条件恒定（如无风、标准温度和气压），以简化空气密度 ( \rho ) 为常数。
核心的动态变量是：
- 位置 ( s(t) )：沿赛道的距离。
- 速度 ( v(t) = ds/dt )。
- 骑行者瞬时输出功率 ( P(t) )：这是我们可控制的决策变量，需满足 ( 0 \leq P(t) \leq P_{max} )。
- 骑行者内部状态变量 ( E(t) ) 或 ( f(t) )：用于模拟疲劳积累与恢复。
我们的目标是：给定赛道总长 ( S_{total} )，找到功率函数 ( P(t) ) 或 ( P(s) )，使得完赛时间 ( T = \int_0^{S_{total}} \frac{1}{v(s)} ds ) 最小。
2.2 运动力学模型：功率如何驱动自行车
这是整个模型的基础物理层。根据牛顿第二定律，在赛道切线方向上有： [ m_{total} \frac{dv}{dt} = F_{propulsion} - F_{gravity} - F_{rolling} - F_{drag} ] 其中：
- ( m_{total} = m_r + m_b ) 是总质量。
- 驱动力 ( F_{propulsion} )：由骑行者功率产生。考虑到传动损耗，实际作用于后轮推动自行车前进的力为 ( F_p = \frac{\eta P(t)}{v(t)} )。注意，当速度 ( v ) 很低时，这个力会很大，但受限于人体最大发力能力和轮胎摩擦力，实际上会有一个上限，不过在此题中通常用功率上限来间接约束。
- 重力分量 ( F_{gravity} )：( = m_{total} g \sin\theta(s) )。上坡时为阻力（正），下坡时为动力（负）。
- 滚动阻力 ( F_{rolling} )：( \approx m_{total} g C_r \cos\theta(s) )，通常 ( \theta ) 较小，可近似为 ( m_{total} g C_r )。
- 空气阻力 ( F_{drag} )：( = \frac{1}{2} \rho C_d A v(t)^2 )。这是速度的二次函数，是高速时的主要阻力。
将上述各项代入，我们得到关于速度 ( v(t) ) 的一阶常微分方程： [ \frac{dv}{dt} = \frac{\eta P(t)}{m_{total} v(t)} - g \sin\theta(s(t)) - g C_r \cos\theta(s(t)) - \frac{\rho C_d A}{2 m_{total}} v(t)^2 ] 同时，有另一个简单的微分方程描述位置：( \frac{ds}{dt} = v(t) )。
这个模型清晰地表明了功率 ( P(t) ) 如何影响加速度，进而影响速度和时间。但这里隐藏了一个关键简化：我们假设骑行者可以瞬间输出任意小于 ( P_{max} ) 的功率，且不会疲劳。这显然不符合实际，因此必须引入生理模型。
2.3 骑行者生理疲劳模型：核心创新点
这是本题区别于纯物理问题的精髓，也是论文能否脱颖而出的关键。美赛官方参考资料中提到了“Critical Power (CP) Model”，这是一个经典的生理学模型。其核心思想是将人体的运动能力分为两个部分：
- 无氧储备（W'）：可以理解为用于高强度、短时间输出的“快充电池”，容量有限，耗尽后功率无法维持在临界功率以上。
- 临界功率（CP）：可以近乎无限期维持的功率水平，相当于“可持续输出基线”。
基于此，一个常用且有效的建模方式是建立关于“无氧储备 ( W' )”的动态方程。定义 ( W'(t) ) 为t时刻剩余的无氧储备量（单位：焦耳）。其变化遵循： [ \frac{dW'}{dt} = - (P(t) - CP) \quad \text{当 } P(t) > CP \text{ 时} ] [ \frac{dW'}{dt} = \tau_{recovery} (W'_{max} - W'(t)) \quad \text{当 } P(t) \le CP \text{ 时} ]
约束条件：
- ( 0 \le W'(t) \le W'_{max} )。
- 当 ( W'(t) = 0 ) 时，骑行者无法输出高于 ( CP ) 的功率，即必须满足 ( P(t) \le CP )。
- 瞬时功率上限：( P(t) \le P_{max} )（一个绝对值上限，通常远高于CP）。
这个模型的生理学意义非常直观：当你拼命踩踏（( P > CP )）时，你在消耗有限的“无氧储备”；当你轻松骑行（( P \le CP )）时，你的身体在缓慢恢复这个储备。恢复速度由时间常数 ( \tau_{recovery} ) 控制。
实操心得：很多队伍直接使用一个简单的“平均功率”约束（如 ( \frac{1}{T}\int_0^T P(t) dt \le P_{avg} )），这过于粗糙，无法体现策略性。CP-W‘模型虽然增加了复杂度，但它能自然衍生出丰富的策略：何时“冲刺”消耗储备，何时“巡航”恢复储备。这正是评委希望看到的“建模洞察力”。
2.4 问题归结：一个最优控制问题
现在，我们将两个子模型耦合。系统的状态变量是：位置 ( s )、速度 ( v )、无氧储备 ( W' )。 控制变量是：瞬时功率 ( P(t) )。 动力学方程（状态方程）为： [ \begin{cases} \dfrac{ds}{dt} = v \ \dfrac{dv}{dt} = \dfrac{\eta P}{m_{total} v} - g\sin\theta(s) - g C_r\cos\theta(s) - \dfrac{\rho C_d A}{2 m_{total}} v^2 \ \dfrac{dW'}{dt} = \begin{cases} -(P - CP), & \text{if } P > CP \ \tau_{recovery}(W'_{max} - W'), & \text{if } P \le CP \end{cases} \end{cases} ]
边界条件：
- 初始：( s(0)=0, v(0)=0 )（或一个很小的初速度），( W'(0)=W'_{max} )。
- 终端：( s(T) = S_{total} )， ( v(T) ) 自由（通常要求大于0即可）。
- 路径约束：( 0 \le P(t) \le P_{max} )，且当 ( W'(t)=0 ) 时，( P(t) \le CP )。
目标函数：最小化总时间 ( T )。
这便清晰地构成了一个固定终端状态、自由终端时间的最优控制问题。我们的任务就是求解最优控制函数 ( P^*(t) )。
3. 模型求解策略：从理论到可计算的方案
理论模型建立后，如何求解是关键。直接解析求解这个非线性最优控制问题几乎不可能，我们必须借助数值方法。这里提供两种主流的、可实现的计算思路。
3.1 方法一：离散化+非线性规划（NLP）
这是最直观、最稳健，也最适合大多数队伍实现的方法。其核心思想是“先离散，后优化”。
步骤1：时间或距离离散将连续的比赛过程离散为N个阶段。由于赛道已知，按距离离散更为方便。将赛道总长 ( S_{total} ) 等分为N段，每段长度 ( \Delta s )。我们关注每个离散点 ( i ) ( ( i = 0, 1, ..., N ) ) 的状态和决策。
- 状态变量：每个点i的速度 ( v_i )、剩余无氧储备 ( W'_i )。
- 控制变量：在每个区间 ( [s_i, s_{i+1}] ) 上应用的功率 ( P_i )（假设在该区间内恒定）。
步骤2：构建离散动力学方程我们需要将连续的微分方程转化为离散的代数方程，建立 ( i ) 点和 ( i+1 ) 点状态之间的关系。 对于运动方程，可以从能量角度近似。在很短的距离 ( \Delta s ) 内，骑行者做功主要用于克服阻力增加动能： [ \eta P_i \cdot \Delta t_i = \left( \frac{1}{2}m_{total}(v_{i+1}^2 - v_i^2) + m_{total}g\Delta h_i + m_{total}g C_r \Delta s + \frac{1}{2}\rho C_d A \bar{v}i^2 \Delta s \right) ] 其中，( \Delta t_i = \frac{\Delta s}{\bar{v}i} ) 是走过该段所需时间，( \bar{v}i = (v_i + v{i+1})/2 ) 为平均速度，( \Delta h_i = z(s{i+1}) - z(s_i) ) 为高程变化。 这是一个关于 ( v{i+1} ) 的方程，需要（例如用牛顿迭代法）求解。
对于疲劳模型，离散形式更简单： [ W'_{i+1} = \begin{cases} W'i - (P_i - CP) \cdot \Delta t_i, & \text{if } P_i > CP \ W'i + \tau{recovery}(W'{max} - W'_i) \cdot \Delta t_i, & \text{if } P_i \le CP \end{cases} ]
步骤3：建立非线性规划问题决策变量：所有 ( P_i ) ( ( i=0,...,N-1 ) )，以及中间状态 ( v_i, W'i ) ( ( i=1,...,N ) )。 目标函数：最小化总时间 ( T = \sum{i=0}^{N-1} \Delta t_i )。 约束条件：
- 离散动力学方程（等式约束）。
- 功率约束：( 0 \le P_i \le P_{max} )。
- 疲劳约束：( W'_i \ge 0 )，且若 ( W'_i = 0 ) 则 ( P_i \le CP )。
- 边界条件：( v_0 = v_{start} ), ( W'0 = W'{max} ), ( s_N = S_{total} )。
步骤4：调用优化求解器将上述NLP问题输入到专业优化求解器，如 MATLAB 的fmincon，或 Python 中scipy.optimize.minimize（搭配SLSQP或trust-constr方法）。需要提供目标函数、约束函数和初值。
注意事项：初值选取非常关键。一个良好的初值策略是：假设骑行者以恒定功率 ( P_{avg} )（一个介于CP和P_max之间的值）骑行，用前向积分的方式计算出各点的速度 ( v_i ) 和储备 ( W'_i ) 作为初值。这能大大提高优化收敛的成功率和速度。
3.2 方法二：伪谱法/直接配点法
这是一种更高级、精度更高的数值最优控制方法，特别适合求解此类问题。它通过在高阶正交多项式的配点（Collocation Points）上近似状态和控制变量，将连续的最优控制问题转化为大规模NLP问题。常用的有Legendre伪谱法或Radau伪谱法。
优势：
- 精度高，特别是对光滑解。
- 软件成熟，如 MATLAB 的
GPOPS-II或开源的PSOPT、CasADi（搭配IPOPT求解器）。
劣势：
- 概念复杂，实现门槛高。
- 生成的NLP问题规模大，求解可能需要更多计算资源。
对于大部分参赛队，强烈推荐方法一（直接离散化+NLP）。它概念直观，易于编程实现和调试，足以得到令人信服的结果。方法二可以作为模型灵敏性分析或追求更高精度时的备选，但不应在基础模型未完成时好高骛远。
3.3 参数估计与数据来源
模型需要具体的参数值。题目通常会给出部分，未给出的需要基于常识或文献进行合理假设，并在论文中明确说明来源。
- 骑行者参数：( m_r \approx 70 kg ), ( P_{max} \approx 1000-1500 W )（职业选手冲刺功率），( CP \approx 250-350 W )（可持续功率），( W'{max} \approx 15000-20000 J )。恢复时间常数 ( \tau{recovery} ) 可从文献中找，例如假设半衰期为几十秒。
- 自行车参数：( m_b \approx 8 kg ), ( \eta = 0.98 ), ( C_r \approx 0.004 )（公路胎），( C_d A \approx 0.3 m^2 )（低风阻姿势）。
- 环境参数：( g = 9.8 m/s^2 ), ( \rho = 1.2 kg/m^3 )。
- 赛道数据：题目会以文件形式提供 ( (s, z) ) 数据对。需要先对其进行插值（如三次样条插值），得到任意s处的高程z和坡度 ( \theta )。
4. 建模实现与结果分析要点
在编程实现和结果分析阶段，有几个必须关注的细节，它们直接决定了你模型的可信度和论文的深度。
4.1 编程实现框架（以MATLAB为例）
一个清晰的结构化代码至关重要。建议按以下模块组织：
- 主脚本（Main.m）：定义全局参数，调用优化求解器。
- 目标函数（Objective.m）：输入决策变量向量X，解析出各 ( P_i, v_i, W'_i )，计算总时间T。
- 非线性约束函数（Constraints.m）：这是核心。输入X，计算离散动力学方程残差（等式约束）、疲劳储备非负（不等式约束）等，返回约束违反量。
- 赛道数据处理函数：读取数据，进行插值，提供查询任意s处坡度的函数。
- 初值生成函数：根据恒定功率策略，前向模拟生成初始猜测。
% 主脚本框架示例（简化版） clear; clc; % 1. 参数定义 params.m_total = 78; % kg params.CP = 300; % W params.Wmax = 18000; % J params.P_max = 1200; % W ... % 其他参数 % 2. 赛道数据加载与处理 [dist, elev] = loadTrackData('track.csv'); params.slope_func = @(s) interp1(dist, atan(gradient(elev, dist)), s, 'spline'); % 3. 离散化设置 N = 200; % 离散段数 params.ds = (dist(end) - dist(1)) / N; % 4. 构造决策变量初值 X0 [P0, P1, ..., P_{N-1}, v1, v2, ..., v_N, W1, W2, ..., W_N] X0 = generateInitialGuess(params, N); % 5. 定义优化问题边界 lb, ub lb = zeros(size(X0)); ub = inf(size(X0)); lb(1:N) = 0; ub(1:N) = params.P_max; % 功率上下界 ... % 设置其他变量边界 % 6. 调用fmincon options = optimoptions('fmincon', 'Display', 'iter', 'Algorithm', 'interior-point', 'MaxFunctionEvaluations', 1e5); [X_opt, fval] = fmincon(@(X)objectiveFunc(X, params), X0, [], [], [], [], lb, ub, @(X)nonlcon(X, params), options); % 7. 解析结果并绘图 [P_opt, v_opt, W_opt, t_opt] = parseResults(X_opt, params); plotResults(dist, P_opt, v_opt, W_opt, t_opt);4.2 结果分析与策略解读
得到最优功率曲线 ( P^(s) ) 和速度曲线 ( v^(s) ) 后，关键在于解读其背后的策略。
功率分配策略：图形上，功率曲线通常会呈现明显的“脉冲”特征。在上坡路段（尤其是陡坡），功率会接近甚至达到 ( P_{max} )，以克服重力，此时无氧储备 ( W' ) 快速消耗。在坡顶或下坡初期，功率会迅速降至CP以下甚至为零（利用重力滑行），此时身体开始恢复 ( W' )。平路路段，功率会在CP附近波动，以维持一个经济巡航速度。
速度曲线特征：速度曲线与地形高度相关。上坡减速，下坡加速。但在最优策略下，上坡的速度降幅会被高功率输出所缓解，下坡的速度增幅也可能因空气阻力（与速度平方成正比）而受到限制，并非无限加速。
无氧储备动态：( W'(s) ) 曲线应像“蓄电池”一样被策略性地使用和充电。它会在比赛前期和关键爬坡段被消耗，在恢复段缓慢回升。一个优秀的策略应确保 ( W' ) 在接近终点时恰好接近耗尽，而不是过早用完（导致后期无力）或剩余过多（说明前期过于保守）。
敏感性分析（关键！）：这是体现模型稳健性和你思考深度的部分。需要系统地改变关键参数，观察最优时间和策略的变化。
- 改变骑手能力：对比职业车手（高CP，高W‘）和业余车手（低CP，低W’）的最优策略有何不同？业余车手是否更依赖下坡恢复？
- 改变赛道难度：将赛道整体坡度增加10%，完赛时间增加的比例是否线性？功率分配策略有何变化？
- 改变空气阻力：探讨低风阻姿势（减小 ( C_dA ) ）对平路和下坡段速度的显著影响，以及对整体成绩的提升。
- 改变恢复速率 ( \tau_{recovery} )：分析恢复能力对策略的影响。恢复快的骑手是否可以采用更激进的“冲刺-恢复”循环？
实操心得：敏感性分析不要只罗列数据。要用对比图（将不同参数下的功率/速度曲线画在一起），并给出物理解释。例如：“当骑手的CP值从300W降低到250W时，我们看到其在长上坡路段无法维持较高的功率输出，导致速度下降更明显，因此总时间增加了15%。这提示我们，对于能力较弱的骑手，策略上应更早开始利用下坡恢复，并为关键爬坡保留更多储备。”
4.3 模型检验与验证
由于没有真实比赛数据对比，我们需要用其他方法来增强模型的可信度。
- 极限情况检验：设置一个完全平坦无风的赛道，且取消疲劳模型（( W'_{max} \to \infty )）。此时，理论上的最优策略是全程以最大可持续功率（即CP）匀速骑行。你的模型是否收敛到这个结果？
- 能量守恒检验：计算骑行者输出的总功 ( E_{out} = \int_0^T P(t) dt )，以及消耗在克服阻力、增加势能和动能上的总功。两者在考虑传动效率后应基本平衡。这是检查你离散化方程和数值积分是否准确的有效方法。
- 网格独立性检验：增加离散段数N（例如从100增加到200、400），观察最优时间T和功率曲线是否基本稳定。如果变化显著，说明离散精度不够，需要更细的网格。
5. 论文写作与常见陷阱规避
美赛评阅看重的是解决方案的整个过程，而不仅仅是最终答案。论文是展示这一切的唯一窗口。
5.1 论文结构建议
- 摘要：用一页篇幅，精炼地概括问题重述、建模思路、所用方法、关键结论和策略建议。必须包含最重要的数值结果（如最优完赛时间、核心策略描述）。
- 引言：清晰阐述问题背景、你们的理解、以及建模的整体思路和流程框图。
- 模型假设与符号说明：详细列出所有假设，并说明其合理性。提供完整的符号表。
- 模型建立：这是核心。分小节阐述运动学模型、骑行者生理模型、以及耦合后的最优控制问题框架。公式推导要清晰。
- 模型求解：说明离散化方法、非线性规划问题的构建、以及求解工具（如fmincon）。给出算法流程图。
- 结果分析与讨论：展示最优功率、速度、储备曲线图。结合赛道地形进行解读。进行深入的敏感性分析。
- 模型评估与推广：讨论模型的优点、局限性（如未考虑风向变化、心理因素等），以及可能的改进方向。简要说明模型在其他耐力运动（如赛艇、长跑）中的应用潜力。
- 参考文献与附录：规范引用。附录可包含核心代码片段、额外的数据图表。
5.2 必须规避的常见陷阱
- 忽视单位统一：这是最致命的低级错误。功率用瓦特（W），质量用千克（kg），距离用水（m），速度用米/秒（m/s）。在公式中和代码里务必检查所有单位，确保一致。建议全部使用国际标准单位（SI）。
- 对疲劳模型处理过于简单：切勿只用平均功率约束。必须引入动态的、有记忆效应的模型（如CP-W‘模型），这是本题的建模核心得分点。
- 未处理速度为零的奇点：运动方程中驱动力项有 ( P/v )，当初速度 ( v=0 ) 时会出现除零错误。解决方法：设定一个很小的初速度（如0.1 m/s），或者优化开始时从静止状态进行一个简化的启动阶段分析。
- 敏感性分析流于表面：不要只说“参数A变了，结果B也变了”。要分析变化的幅度、非线性程度，并给出背后的物理或生理原因。
- 图形质量低下：论文中的图表是门面。确保所有曲线清晰、有图例、坐标轴标签完整（含单位）。多曲线对比时用不同线型或颜色区分。将功率、速度、储备曲线与赛道高程剖面画在同一个图（共用横坐标距离s）中，便于对照分析。
- 代码与模型描述脱节：论文中描述的模型必须与最终求解用的代码完全对应。任何在求解时做的简化或调整（如对某些项做的线性化近似），都必须在论文中明确说明。
5.3 团队协作与时间管理
美赛是团队作战。对于A题这种连续型优化问题，合理的分工至关重要。
- 队员A（建模与算法）：负责核心数学模型推导、离散化方案设计、优化问题构建。需要较强的数学和物理功底。
- 队员B（编程与求解）：负责将模型转化为代码，调试优化求解器，生成数值结果和图表。需要熟练使用MATLAB/Python和优化工具箱。
- 队员C（写作与整合）：负责论文主体写作、图表美化、敏感性分析的设计与描述、摘要提炼。需要良好的英文科技写作能力和逻辑梳理能力。
时间上，第一天应完成题目理解、基础模型建立和参数搜集。第二天完成编程实现并得到初步结果。第三天进行深入的敏感性分析、模型检验和论文初稿撰写。第四天全力打磨论文，反复修改摘要和结论，检查全文一致性。
这道“Power of a Bike”的赛题，其魅力在于它将一个生动的体育场景，严谨地转化为一个包含微分方程、代数约束和优化目标的可计算问题。它考验的不仅是数学工具的应用，更是对现实世界进行合理简化和抽象的能力。最终胜出的论文，一定是那些在模型生理学合理性、数值求解稳健性、以及结果策略洞察力上都做得尤为出色的作品。记住，评委想看到的不是一个“标准答案”，而是一个清晰、自洽、且能讲出好故事的建模过程。
