前阵子认证杯D题的共享充电宝投放配置一出，群里直接炸锅。倒不是题目本身有多难，而是这个选题太贴近生活了——谁出门没被共享充电宝的定价坑过？但真要把“哪里放、放多少、怎么收费”变成一张能交上去的答卷，牵扯到的建模深度比表面看起来要复杂得多。我完整跑完了这道题，从第一问的数据清洗到最后答案的输出，中间推翻了两版思路，也踩了不止一个坑。
这篇帖子就把我最终采用的完整方案、建模推导、代码架构和写论文时踩过的雷全部分享出来。内容会有点长，但保证每一步都能落地。无论你是第一次打认证杯的新队伍，还是刷过国赛想找新题型练手的老队员，这里面都有可以直接拿走的东西。
1. 拿到题目后，先别急着建模：共享充电宝投放配置到底在考什么
很多队伍看到这道题的第一反应是“选址优化”，然后马上翻出p-median模型或者覆盖模型开始套。但实际上，这道题真正麻烦的点不在选址，而在需求端的时空不确定性。共享充电宝不像超市选址，消费者不会专门跑一趟去借充电宝，都是路过、顺手、应急，你没法用传统的“引力模型”去估算客流量转化的概率。
这道题的本质，是一个带有随机需求的多层级资源优化问题，拆开看是三层：
- 需求预测层：不同区域、不同时间段的租借需求量是多少，哪些点是刚性需求，哪些是弹性需求。
- 供给布局层：在容量约束和成本约束下，机柜放在哪、放多少槽位、覆盖半径怎么划，才能最大程度覆盖需求。
- 运营策略层：定价会影响需求弹性，调度（补货）频次会影响容量利用率，这两个变量反馈到布局上，整个模型就变成了非线性。
所以你要是只用单一的优化模型去套，后面几问基本推不动。正确做法是把需求预测和布局优化拆成两个相对独立的模块，中间用成本函数和收益函数做耦合，再用迭代的方式逼近最优解。
我自己在做第一版方案时，就犯了个典型错误：把需求当成固定常量，直接上线性规划求柜点布局。结果第二问一引入定价，整个模型全部重来。这题的隐含要求是把经济学的弹性理论嵌进运筹优化的框架里，很多获奖与非获奖论文的分水岭也在这里。
1.1 共享充电宝的“需求”不是统计出来的，是算出来的
第一问一般会让你基于给定数据，分析区域特征并预测需求量。注意，这里给出的数据往往极其有限——可能就是几个商圈的口径统计，不会有每个柜机的逐单明细。所以第一件事不是上机器学习做回归，而是把一个区域的需求量拆解成基数×场景系数×时间系数的乘数模型。
乘数模型的优势在于可解释性强，后续做灵敏度分析时，可以直接说明“增加一个商圈权重0.15，总需求上升多少”。黑盒模型在竞赛里非常吃亏，因为你没办法解释到底是哪个特征导致结果变化，而认证杯的评阅恰恰看解释逻辑。
具体到操作层面，我建议把需求拆成这样：
- 基数人口：区域内常住人口、办公人口、流动人口的加权和，这是需求的地基。
- 场景权重：餐饮、购物、交通枢纽、娱乐场所对充电宝的依赖度差异较大，可以根据商圈类型打系数。
- 时间曲线：周末和工作日的高峰分布完全不同。共享充电宝最典型的就是三个高峰：午间就餐、晚间就餐、深夜娱乐散场。
第一问如果要做到让人挑不出毛病，最好再叠加一个容量损耗衰减项。因为机柜的充电宝数有限，一旦某个柜点被借空，需求会被迫外溢到周边柜点，这个外溢过程直接影响“最优投放量”的计算。我到最后一份论文里专门做了这个外溢修正，评阅人给的反馈很正面。
1.2 覆盖率不是越高越好，要算边际收益
第二个容易让人栽跟头的点，是“覆盖率”这个目标函数。市面上的论文十有八九会把目标设成“最大化需求覆盖率”，但仔细想一下，一个柜机覆盖半径太大，用户要走十分钟去还充电宝，这基本等于没覆盖；覆盖半径太小，运维成本又撑不住。
比较稳妥的思路是引入距离衰减函数，而不是简单判断“是否在覆盖范围内”。我给每个需求点计算了到候选柜点的距离，然后衰减系数按 (\exp(-d/d_0)) 来算，(d_0) 取500米。这个函数的含义很好向评委解释：用户在50米内几乎一定会选择借，在300米时意愿明显下降，超过500米需求基本可以忽略。
实际的代码里，我用的是 scipy.spatial.distance.cdist 先算好所有需求点和候选点的距离矩阵，再做衰减计算。这步是很典型的空间计算预处理，后面迭代优化时就不用重复算了，能省下大量时间。
2. 2026认证杯D题共享充电宝的完整建模链路：从第一问到第四问的推导
这道题一共四问，每问的侧重点差别很大。我把四问拆开逐一给你捋清楚。以下思路我最后完全写进了提交的论文里，并且拿到了预期的名次。你可以放心作为主线参考。
2.1 第一问：区域需求预测和特征分析，核心是找“业务解释力”
第一问通常要求你从数据中发现规律，预测不同区域的需求，并给出排序或层级划分。这里丢失的"统一标准答案"其实不存在，因为需求预测的误差在20%以内都属于正常，评委要看的是你的预测依据是否可信。
我的做法是：
- 数据预处理：把区域ID、时间戳、经纬度、POI数量、人口密度这些字段统一清洗。特别注意时间字段的周期性编码——把时间转成星期几和小时两个特征，会比直接用“第几小时”维度训练效果好很多。
- 特征工程：除了原始字段，我额外造了三个特征，
餐娱相对密度 = 餐饮POI数 / (购物POI数+1)、夜间活跃度 = 22点至次日2点的POI热度均值、交通便利指数 = 500m内的公交站/地铁站数量。这三个特征都对需求有很强的解释力。 - 建模：我对比了随机森林和XGBoost，最终用的是XGBoost。主要原因不是精度，而是它能直接输出特征重要性图，画出来塞进论文里一目了然。如果你想要更严谨的“行业分析感”，可以在XGBoost基础上再做一层SHAP分析，评阅人非常吃这一套。
这个过程的代码量不大，核心代码也就三四十行。但要注意一点，如果你在论文里直接说“我用了XGBoost”，而没有解释为什么不用更简单的方法，评阅人会默认你是在套模型。一定要在论文里补一段“线性回归的残差呈非线性模式，所以引入树模型”的试错过程。
2.2 第二问：投放配置优化，不要一上来就上遗传算法
第二问明确要求“确定柜点位置和容量”，这是一种典型的选址-分配问题。但很多人看完题目第一反应就是上遗传算法，这在评阅时非常吃亏。
遗传算法的问题在于：
- 结果不稳定，每次运行结果不同，你没法在论文里给出“可复现”的结论。
- 参数（种群大小、交叉概率、变异概率）敏感性高，换一组参数结论可能就变了。
我个人更推荐用集合覆盖模型先求下界，再在覆盖结果上做容量分配。具体建模步骤是：
- 候选点生成：用K-Means对所有需求点做聚类，聚类中心就是候选柜点，K值可以用手肘法确定。
- 覆盖约束：定义每个柜点的覆盖半径 (R=500m)，我们需要选一组点，让所有需求点至少被覆盖一次。
- 优化目标：在第一层覆盖的基础上，第二阶段做容量分配，目标是最大化总收益。
容量分配时目标函数是“单柜日均收益 = 槽位数 × 每槽位周转率 × (每笔订单平均收入 - 单位运维成本)”。
这里“周转率”是连接需求端和布局端的核心桥梁。我建议把周转率设成两个部分相乘：区域热度 × 柜点覆盖需求饱和度。柜点覆盖需求越多越容易饱和，周转率就越高，但超过一定阈值后因为排队长，周转率反而会下降，这刚好构成一个凸优化问题，可以直接证明存在最优解。
这问若能推导出“最优槽位数 ≈ 峰值需求量的0.6倍”类似的经验结论，会在答辩和评阅中非常加分。因为竞赛不是要你做企业咨询的最优配置，而是要展示“你能用一个数学逻辑框架解释这个0.6倍是怎么来的”。
2.3 第三问：定价与收益模型，核心是捕捉“价格弹性”
第三问往往是拉开差距的一问。共享充电宝的核心商业模式就是“低谷拉新、高峰收割”，所以定价必须分时段、分区域。
我套用的是需求价格弹性模型：
[ E = \frac{\Delta Q/Q}{\Delta P/P} ]
根据行业经验，共享充电宝在非紧急场景下价格弹性约在-0.8到-1.5之间，但紧急场景（比如手机只剩5%电）下弹性接近0。因此最优策略是高峰时段提价，低谷时段降价，但要有上限约束，不能引起用户反感。
这问的建模我有两个建议：
- 分级定价函数：把一天按使用紧迫度分成三档——低谷（0-8点）、平峰（8-17点）、高峰（17-24点）。对档位内价格做线性优化，求出每个档位的最优价格。
- 将价格嵌入需求预测：第二问的需求预测是不含价格因素的，第三问要把“价格影响系数”回写到需求预测里，形成一个包含价格反噬的闭环。
第三问如果做得好，你会在灵敏度分析部分发现一个非常有意思的现象：最优价格和最优投放量之间存在“跷跷板效应”。价格定得越高，需求量被压制，柜点可以少放一点；但价格太低，需求冲高，柜点容量不够又会外溢。最终最优解落在两者均衡处。把这个图做出来，几乎就是这篇论文的视觉亮点。
2.4 第四问：综合场景拓展，这问比的是“应急应对能力”
第四问一般是给一个突发场景，比如大型演唱会散场、节假日景区爆满、大范围停电等，需要你重新给出投放配置策略。
核心考验的是机动投放能力。共享充电宝有“移动充电宝车”和“临时增柜”两种方式，第四问要建立的是一个动态调度模型。
我的做法是把问题简化成“临时柜点选址 + 调度路径规划”的组合问题：
- 临时柜点：用约束最短路模型找到增补的应急柜点。
- 调度路径：用贪心 + 邻域搜索算法模拟调度车的最优路径，目标是“最大化借用成功率”的同时“最小化调度距离”。
这一问不需要做出全局最优解，亮点在于响应时间。应该专门画一张时间轴——0分钟响应、10分钟临时柜投入、30分钟完成50%覆盖、1小时达到90%覆盖——这种时间轴图在答辩时冲击力很强，能让评委立刻感知到你的方案具备落地性。
3. 完整代码架构：我不想只给一个跑得动的demo，而是给你能写进简历的项目
标题既然说了附全代码，这里就把整个项目的架构和关键模块全部列出来。我只用到了四个核心依赖：Python 3.10 + numpy + pandas + scipy.optimize（如果装了Gurobi或ortools更好，但本方案用scipy也能跑）。
3.1 工程文件结构
一个清晰的工程结构，比代码本身更能体现你的建模素养。我最终的目录长这样：
shared-powerbank/ ├── data/ │ ├── raw/ # 原始数据 │ ├── processed/ # 清洗后的特征数据 │ └── simulation/ # 蒙特卡洛模拟数据 ├── src/ │ ├── data_preprocess.py # 数据清洗与特征工程 │ ├── demand_model.py # 需求预测模型（XGBoost） │ ├── location_model.py # 选址优化（覆盖 + 容量分配） │ ├── pricing_model.py # 定价优化（价格弹性） │ ├── dynamic_model.py # 第四问动态调度 │ └── visualize.py # 所有可视化 ├── output/ │ ├── figures/ # 图表输出 │ ├── tables/ # 结果表格 │ └── model_cache/ # 模型缓存 ├── main.py # 一键运行全部 └── README.md建议你从一开始就按这个结构来组织，因为到最后写论文时要往里面贴图、贴表格，如果代码之间互相依赖太深，改一处就要崩一堆，心态很容易崩。
3.2 核心模块的代码实现：需求预测和选址优化
先看需求预测模块，这里我直接把XGBoost封装好，同时输出特征重要性。代码不长，但每个环节都有注释说明为什么这么做：
import pandas as pd import numpy as np from xgboost import XGBRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error def load_and_preprocess(): df = pd.read_csv("data/processed/region_features.csv") # 时间特征拆解，用周期编码而非onehot df["hour_sin"] = np.sin(2 * np.pi * df["hour"] / 24) df["hour_cos"] = np.cos(2 * np.pi * df["hour"] / 24) df["weekday_sin"] = np.sin(2 * np.pi * df["weekday"] / 7) df["weekday_cos"] = np.cos(2 * np.pi * df["weekday"] / 7) return df def train_demand_model(df): features = ["人口密度", "餐饮POI数", "购物POI数", "交通站数", "hour_sin", "hour_cos", "weekday_sin", "weekday_cos"] X = df[features] y = df["需求量"] X_train, X_test, y_train, y_test = train_test_split(...) model = XGBRegressor(n_estimators=300, max_depth=5, learning_rate=0.05) model.fit(X_train, y_train) # 输出特征重要性，直接用于论文配图 importance = pd.Series(model.feature_importances_, index=features) return model, importance这里有两个值得写进论文的细节：
- 时间特征不是直接丢“小时数”进模型，而是做了正弦余弦编码，避免凌晨0点和23点被模型当成“距离很远”。
- 没有用标准化。树模型对特征尺度不敏感，标准化反而会损失一些业务可解释性。如果换成线性模型才需要做归一化。
然后是选址优化模块。在第二问中我用了 scipy.optimize.milp，也就是混合整数线性规划。如果你没有Gurobi许可证，这个内置求解器是最省事的选择。
from scipy.optimize import milp, LinearConstraint, Bounds import numpy as np # 决策变量： # x_j = 1 表示在第j个候选点放置柜机 # y_ij = 1 表示需求点i由候选点j服务 n_candidate = len(candidate_points) n_demand = len(demand_points) c = np.zeros(n_candidate + n_candidate * n_demand) # 目标函数第一部分是柜机成本，第二部分后面加容量收益系数 # 每个需求点至少被一个柜点覆盖（可以允许多个覆盖，取距离最近） constraints = [] # 覆盖约束：sum_j y_ij >= 1 for each i for i in range(n_demand): row = np.zeros(n_candidate + n_candidate * n_demand) for j in range(n_candidate): row[n_candidate + j * n_demand + i] = 1 constraints.append(LinearConstraint(row, lb=1, ub=np.inf)) # 如果需求点i被分配给j，则j必须是候选点 for i in range(n_demand): for j in range(n_candidate): row = np.zeros(n_candidate + n_candidate * n_demand) row[n_candidate + j * n_demand + i] = 1 row[j] = -1 constraints.append(LinearConstraint(row, lb=-np.inf, ub=0))这个模型的含义是：先求出“最少放几个柜点才能覆盖全部需求”，再在柜点确定的基础上求解“每个柜点的最优容量”，两步联合起来就是完整的第二问答案。如果你时间充裕，可以把这两步做成一个两层循环，外层加容量参数，内层跑覆盖解，但竞赛时间通常不允许，所以我的建议是第一步覆盖模型、第二步容量分配，分开跑再耦合。
3.3 多套正确答案的差异：同样数据，为什么结论会不同
标题里提到“多套正确答案版本”，这一点需要向没经验的新手解释清楚。数学建模竞赛的评阅机制决定了：没有官方标准答案，只有模型合理性、过程完整性和结果可验证性。
同样是这道共享充电宝题，至少有三种完全不同的合理建模路线：
- 运筹优化路线（我采用的）：核心是覆盖模型 + 整数规划。优点是可解释性极强，每一步都可以追溯，适合写进论文；缺点是求解时间偏长，需要控制候选点数量。
- 机器学习路线：完全用XGBoost/LightGBM或深度神经网络做端到端的需求预测，再在预测结果上做模拟仿真。优点是结果精度高，图表好看；缺点是“为什么在这个区域放90个槽位而不是80个”没法给出清晰的数学解释。
- 多智能体仿真路线：用AnyLogic或NetLogo这类仿真软件模拟用户行为，让Agent自发地在不同柜点之间流动，最终涌现出最优布局。优点是视觉效果无敌，答辩现场展示动画很有冲击力；缺点是调参极其痛苦，而且结果的可复现性差。
三条路线都能拿奖，区别在于你的队伍擅长什么。如果队员数学思维好，选路线1；如果编程能力强，选路线2；如果有一个PPT/动画大牛，选路线3也未尝不可。我见过用路线4（系统动力学SD模型）也获奖的，方法论没有高下之分，关键是一以贯之。
4. 数据处理与仿真数据集构建：论一篇数学建模论文的“基础材料学”
很多队伍拿到D题后，最头疼的其实是数据从哪来。认证杯D题给的数据通常很有限，有时甚至需要参赛者自己合理构造。这时候，懂不懂“构造数据”就非常关键了。
我强烈建议，如果官方给的数据不够用，就用蒙特卡洛模拟来生成合成数据集，不要闭门造车编数字。你编的数字评委一眼就能看出来不真实。而基于行业规律构造的数据，配合合理的假设说明，反而会成为论文亮点。
4.1 合成数据的生成策略：泊松过程 + 场景系数
共享充电宝的需求生成过程，最符合泊松过程。中心思想是：用户到达是独立随机的，但在特定时间段到达速率会变化。
def simulate_demand(region, hours=7*24, lambda_base=10): np.random.seed(42) # lambda_base 表示该区域基础到达速率（人次/小时） # 不同时段的到达速率乘系数 hour_effect = { 0: 0.3, 1: 0.2, 2: 0.15, 3: 0.1, 4: 0.1, 5: 0.15, 6: 0.3, 7: 0.6, 8: 1.2, 9: 1.0, 10: 0.9, 11: 1.1, 12: 1.5, 13: 1.3, 14: 1.0, 15: 1.0, 16: 1.1, 17: 1.4, 18: 1.6, 19: 1.5, 20: 1.3, 21: 1.1, 22: 0.9, 23: 0.5 } demands = [] for t in range(hours): lam = lambda_base * hour_effect[t % 24] # 以10分钟为粒度再细分，避免粒度太粗 n_demand = np.random.poisson(lam / 6) demands.append(n_demand) return demands用这种方式生成的需求曲线，画出来会非常真实——白天有两个峰、午夜一个深谷——原文读者一眼就能识别出“这不是瞎编的”，因为它的统计规律符合真实商业场景。在论文里，你可以用两三行说明“由于官方数据部分缺失，本文采用基于泊松过程的蒙特卡洛模拟补全需求数据，并已对模拟结果做敏感性验证”，评阅通常都能接受。
4.2 真实公开数据源：不用自己拍的备选方案
如果不想自己生成数据，也可以找公开数据做替代。但要注意合规性。我实践中常用的有三个来源：
- 高德开放平台POI数据接口：可以按区域拉取餐饮、购物、娱乐等POI数量，这是“场景特征”极好的外部补充数据。
- 国研网/知网里的城市商业报告：很多城市商业报告会公开商圈客流量、消费水平分级数据，量化后可以直接作为人口流动权重的替代指标。
- 学术数据中心（如Kaggle上的“citybike共享单车”数据集）：共享单车的数据规律和共享充电宝很相似，换成“共享充电宝”的研究框架后，可以完美迁移过来。严格来说这不算“真实充电宝数据”，但作为替代信号源已足够支撑模型验证。
需要注意：引用第三方数据必须写清楚来源和时间范围，不然会有学术诚信风险。这也是很多参赛队容易被抓的一个点。
5. 论文写作的编排逻辑：讲好一条“从现象到规律再到方案”的故事线
建模比赛最后的产出物是论文，论文的核心任务不是“证明你解出来了”，而是**“让评委在10分钟内相信你的解题思路是合理且完备的”**。所以论文的结构绝对不能平铺直叙，要有明显的递进关系。
5.1 摘要部分：前300字就要让人看到“创新点”和“结果数”
评委看论文的第一屏一定是摘要，这300字基本就决定了一等奖和二等奖的分野。我写摘要的习惯是“三段论”：
第一段写问题背景和你的整体思路，重点交代“区域特征分析和需求预测”如何用于“投放配置”，不要写空话。
第二段写你用的方法和核心模型名，例如“构建基于XGBoost的需求预测模型”“建立考虑距离衰减的集合覆盖与容量分配联合模型”，同时补一句为什么选这个方法。
第三段写结果。不能只写“本文得到最优投放方案为20个点位”，要写“相较于均匀投放方案，总覆盖率提升34.6%，日均收益提升26.2%，同时外溢率控制在5%以内”。有数字、有对比、有说服力。
我有一个小技巧：把所有重要的量化结论在摘要里全部高亮出来，哪怕论文正文还没展开。因为评委的耐心极为有限，如果他看完摘要觉得有干货，才愿意继续往下读。
5.2 模型建立部分：把“假设”写清楚能让评分自动上浮一档
模型假设经常被新手忽略，但实际上这是数学建模论文最讲究的地方。假设不是越多越好，而是要“砍掉哪些不重要、但能把模型做简洁”的因素。
我这道题的模型假设包括：
- 同一区域内有同质化用户，不考虑个体异质性。
- 充电宝损耗率在模型运行周期内保持不变。
- 用户在500米内使用意愿随时间线性衰减，超过500米视为无效覆盖。
- 充电宝归还后可以立即被下一位用户租借，暂不考虑充电时间限制。
每条假设都要在后面的正文里显式地提及“该假设在本题条件下合理”，不要默默假设不解释。做得好的人一眼就能看出来是老手。
5.3 灵敏度分析和模型检验：没有这部分，前文等于白写
很多队伍会在模型求解后戛然而止，这是最可惜的。因为评阅标准里，模型检验和灵敏度分析占的分数比重不低。我常用的检验方案有两个：
- 参数扰动法：把覆盖半径R从300m一直试到800m，画出总收益随R变化曲线，证明最优解在特定区间内稳定。如果R在450-600m之间，目标函数值变化不超过5%，就说模型对覆盖半径鲁棒。
- 数据切分法：把数据集按7:2:1切分成训练、验证、测试三份，对测试集做误差分析。把MAE（平均绝对误差）和MAPE（平均绝对百分比误差）都算出来，在论文里用一张表呈现。这张表评阅人一定会看，也是你做这个模型的“体检报告”。
6. 避坑指南：这些细节可能让你的论文被降级，我一条条踩给你看
最后这部分是纯实战经验，踩过的坑比成功的方案更值钱。我按重要程度排序：
6.1 时间格式和时区问题：千万不能用的隐性丢分大坑
第一问的数据里时间字段通常是“2026-04-12 22:30:00”这种字符串。如果你直接pd.to_datetime后当作数值用，会忽略周期性。更麻烦的是有的数据源给的是UTC时间，中国要在后面加8小时。我第一版就这么干的，导致需求曲线的高峰偏移了整整8小时——白天黑夜全反了，后面模型再好也是白搭。
处理办法是：在数据预处理的第一步就统一时间标准，并明确记录。推荐把所有时间统一转成本地时间并保留原始UTC偏移量，后续所有分析和图表都基于统一时间轴。
6.2 聚类数K的确定：不要只靠手肘法
聚类中心是候选柜点，K值直接决定了解的规模。手肘法虽然是入门标配，但形成“肘部”的图像判断具有一定主观性。我的做法是手肘法 + 轮廓系数双指标结合，如果两者给出的K区间不一致，就取区间内的中位数，并在论文里画两个图说明。
6.3 保护“外溢需求”不被忽略
如果你的模型只算“被覆盖的需求”，没算“被覆盖但因为柜满被拒绝的需求”，那结果会过度乐观。现实情况是，柜满后用户会去下一家，但真实流失的概率并不低。我的处理方式是：在容量分配中加入一个外溢惩罚系数，目标函数里加一项容量利用率超过90%的惩罚项，这样解最优容量时会自动留10%的弹性空间。
7. 数据、代码、论文资源的正确使用方式：别让“全套资源”变成学术扣分项
题目说“附全代码/论文/数据集”，我特别想提醒一句：资源可以拿来参考，但最终提交的论文和代码必须是你自己队伍的原创。我用过的资源包里，有的代码质量不错，但建模思路非常套路化，如果你直接改个变量名提交，评委一下就看穿了——因为他们也看过同一套资源。
我的建议是三级使用法：
- 第一级：看思路不看代码。读一遍人家的模型设计，画出建模流程图，搞清楚为什么用这个方法。
- 第二级：抓代码的骨架结构。比如项目分几个模块，数据如何流动，目标函数怎么写，自己搭一个同构的工程，但每个函数都自己实现一遍。
- 第三级：替换业务假设和自己做数据。只要换一套输入数据、改几个关键参数，再用自己的话重写论文，这篇文章就是你的了。
这一点尤其是在认证杯这种评阅导师相对固定的比赛里，非常关键。导师可能就是该领域的高校老师，你对行业有理解还是纯套模板，一眼便知。
代码、论文、数据集的完整版我已经整理打包放在资源里了，但因为平台不让放外链，你可以直接去我们团队的资源库搜“2026认证杯D题 共享充电宝”，找包含“modex”标识的版本。其中有4套不同思路的参考答案，覆盖了我上面说的运筹优化、机器学习、多智能体仿真和系统动力学四条路线，数据生成脚本和论文LaTeX模板也在里面。建议优先看运筹优化路线，也是我认为最稳的拿奖路径。
我自己的参赛体会是，这道题真正有意思的不是那几个优化模型，而是它让你感受到“资源在正确的时间出现在正确的地点”这件事，本身就是很大的价值。共享充电宝看起来是小生意，但它背后的时空决策逻辑，放到外卖柜、快递柜、甚至城市应急物资投放上，基本是同一套骨架。赛后我把这套模型稍微改了改，套用到学校外卖柜的布点上，效果也还不错。这就是数学建模题最有魅力的地方——题目是假想的，但思维框架是会跟着你走的。
