论文复现指南：可再生能源与电动汽车协同调度的Matlab/Python实现

如果你也跟我一样，拿到一篇调度类论文后，第一反应不是感慨建模巧妙、公式漂亮，而是想赶紧把它变成能跑的代码，那这篇内容应该能省你不少事。

这篇文章以“可再生能源发电与电动汽车的协同调度策略研究”这个典型硕士论文题目为例，完整拆解从数学模型到Matlab和Python代码实现的全部过程。它解决的核心问题，是很多人在论文复现时卡住的“三关”：第一关，论文里的公式到底对应什么物理意义；第二关，目标函数和约束条件怎么落到具体的数据结构上；第三关，动态规划（DP）、粒子群（PSO）这些算法实现时有哪些必须避开的坑。无论你是正在写毕设的研究生，还是做微电网、虚拟电厂、有序充电相关方向的工程师，这套从建模、编码到可视化验证的路径都可以直接拿去改、拿去跑。

这篇博文我会按实际项目的推进顺序来写，从最底层的模型拆解，到工具选型、核心代码逻辑、实验设计，再到真实调试过程中臭名昭著的几个问题，尽量把能踩的坑都提前说出来。

1. 复现先建模：把论文里的文字翻译成数学问题

1.1 协同调度的物理图景：为什么偏偏是电动汽车

先搞清楚你在调度什么。典型场景是这样一个微电网：里面有风力发电机、光伏板，可能还有微型燃气轮机和储能，一边是常规居民或工业负荷，另一边是成规模的电动汽车充电桩。论文题目里“协同调度”四字的关键点，在于电动汽车不是一个普通负荷。

普通负荷是什么时候用电、用多少，基本由用户行为决定，电网只能被动满足。电动汽车不一样：一辆车每天停驶时间超过20小时，真正在跑的时间只有一两个小时，这就意味着它的充电时间存在巨大的弹性空间。你让它晚上7点充还是凌晨2点充，对车主体验的影响远没有想象中大，但对电网负荷曲线的影响天差地别。再加上如果车辆支持V2G（车到网）放电，它还能在用电高峰反向送电，本质上就是一组移动的分布式储能。

可再生能源这边的问题也一样，风电光伏出力曲线和用电负荷曲线经常“错位”。晚上负荷高峰时光伏出力为零，凌晨风电大发时负荷却在低谷。这时候如果能把电动汽车的充电负荷“搬运”到可再生能源出力大的时段，既消纳了清洁电力，又把负荷曲线削平了，这就是协同的根本意义。

1.2 数学化表达：目标函数和约束的逐项拆解

论文里不管你翻到哪一篇，调度模型一定长成“一个目标函数加一堆约束”的形状，区别只是细节复杂度。复现的第一步，就是把这些式子在草稿纸上全部展开，搞清楚每一项对应的是真金白银还是惩罚系数。

目标函数，也就是我们最终要最小化的东西，一般是系统总运行成本：

min F = Σ_t [ Σ_i (a_i P_i,t² + b_i P_i,t + c_i) + λ_re P_discard,t + λ_load P_loss,t + c_ev,ch,t − r_ev,dis,t ]

逐项解释一下这里面的逻辑：

• 第一项是传统机组（燃气轮机、柴油机）的发电成本，通常写成一个二次函数。a、b、c是成本系数，P_i,t是第i台机组在t时段的出力。为什么用二次函数？因为机组在偏离最经济工况时效率会下降，用凸二次函数能反映这种边际成本递增特性，同时它求导方便，对优化算法很友好。
• 第二项是弃风弃光惩罚。P_discard,t是该时段被抛弃的风光出力，λ_re是惩罚系数。这个系数要设置得比火电边际成本更高，否则优化器会发现“弃掉风电用火电顶着”反而更划算，那就和“促进消纳”的初衷矛盾了。
• 第三项是失负荷惩罚。P_loss,t是供小于求时损失的那部分负荷，λ_load同样要给一个很大的数，确保系统轻易不会丢负荷。
• 第四、第五项是电动汽车充放电的成本与收益。这里需要注意方向：充电是花钱，符号为正；放电是赚钱，符号为负。如果论文里设计了分时电价，那么c_ev,ch,t和r_ev,dis,t通常就等于电度电价乘以功率再乘以时段长度。

约束比目标函数更琐碎，但每一条都对应真实的物理设备边界：

• 功率平衡约束：每一时刻，所有电源出力加上储能放电加上EV放电，必须等于所有负荷加上储能充电加上EV充电。这条不满足，结果就是系统频率偏离。
• 机组出力上下限与爬坡约束：火电机组不是你想让它出多少就出多少，它有最小技术出力，一分钟能增加或减少的功率也有限度。爬坡约束是很多新手最容易漏的，漏掉之后系统会出现大幅功率跳跃这种现实中不可能发生的操作。
• 储能SOC约束：电池不能过充过放，荷电状态要保持在10%到90%之间，充放电功率也有限制。
• EV相关约束：最关键的是每辆车离开时的SOC要满足用户出行需求，一般要求达到某个最低值。在此基础上，充电功率上限、电池容量都要逐辆或者按集群去约束。
• 联络线约束：如果微电网和大电网有交换功率，还要限制交换功率不能超过变压器容量。

这些约束在你写的代码里，就是一组一组的线性不等式和等式。先不要急着写代码，把这些式子全部列出来，编号对应上，你后面才会知道每个矩阵和向量的维度应该怎么设计。

1.3 建模复杂度怎么选：确定性、鲁棒还是随机

很多硕士论文会在模型里加入不确定性，常见的是风速、光照、负荷预测误差。复现前必须想清楚一件事：你是直接复现论文的最终模型，还是分步走、先跑通确定性模型再升级？

我的建议是永远分步走。第一步先假定预测完美，可再生能源出力和EV充电需求都是已知的输入，把整个系统调明白；第二步再引入某个具体参数的不确定性，比如用鲁棒优化处理风电出力波动，或者用场景法采样光伏误差。这样做的原因非常现实：你只有先拿到确定性模型的最优解作为基准，后面才能量化评估不确定性处理方法的价值，否则模型一复杂，代码哪里出了问题都分不清是算法错了还是数据错了。

2. 工具链选型：为什么同时用Matlab和Python

2.1 这个项目里两种语言各干各的活

Matlab和Python之争在很多技术群里能吵几百楼，但在这个项目里其实不存在二选一的问题，它们各自擅长的事非常清楚。

Matlab的优势在于矩阵运算和数学规划调包极其顺手。如果论文用了YALMIP这种建模语言，搭配Cplex或Gurobi求解器，你把目标函数和约束按照YALMIP语法写进去，点一下求解，混合整数线性规划的全局最优解就出来了。对于验证小规模场景、检查自己的启发式算法有没有跑偏，Matlab这条路径效率极高。

Python的优势在于数据处理、绘图和生态完整度。读风速历史数据、清洗异常点、生成EV出行行为的随机样本，用Pandas和NumPy做这些事比Matlab顺手得多。画图方面，Matplotlib虽然颜值需要自己调，但灵活度足够，而且你最后做敏感性分析、画收敛曲线，代码写起来比Matlab原生绘图更自由。

这个项目的做法是：Matlab负责跑严格的数学规划模型，作为“标准答案”；Python负责大规模的数据预处理、启发式算法实现和结果可视化。两套代码吃同一份CSV数据，最后对拍结果。这样有一个额外的好处：两套独立实现的程序如果能在同一个算例上得到数值一致的结果，那说明你的模型和代码没有原则性错误，这就是交叉验证。

2.2 项目目录结构：让代码不再是“一堆文件”

我建议搭一套固定的目录骨架，无论你是复现这篇论文还是以后做其他调度项目，都可以复用：

project_root/ ├── data/ # 原始数据，统一放CSV，避免中文乱码问题 │ ├── wind_speed.csv │ ├── solar_irradiance.csv │ ├── load_demand.csv │ └── ev_parameters.csv ├── src/ │ ├── matlab/ # YALMIP/Cplex求解模型、DP算法 │ ├── python/ # 数据预处理、PSO算法、绘图脚本 │ └── common/ # 公共读取函数、参数配置 ├── results/ # 中间计算结果，JSON或MAT文件皆可 ├── figs/ # 论文插图源文件，PDF和PNG └── docs/ # 建模文档，约束表格，公式推导

这里有一个非常实用的原则：路径写相对路径，数据文件用统一命名，所有可调参数集中在config.py或者param.m里。否则你调了三天参数之后，自己都忘了当初哪一版结果是哪组参数跑出来的，那个崩溃感我经历过太多次了。

2.3 求解器的选择和安装建议

如果论文里的模型最终落到线性规划或者混合整数线性规划，那求解器的选择直接决定你算力够不够。免费且有教育许可证的选项包括SCIP、HiGHS，商业的Cplex和Gurobi功能更强，但需要申请学术License。我建议在Matlab里装一个YALMIP，把Cplex或者Gurobi配好。

Python这边则需要安装pulp或gurobipy作为备用。为什么不只依赖一种？因为安装求解器本身往往比写代码更耗时间，多一个备用接口，换机器时不会因为License问题卡住。另外提醒一句，如果论文里用的是粒子群这类无梯度优化算法，那根本不需要求解器，把约束写成罚函数就行，后面我会详细讲实现细节。

3. 数据准备：造出一组能复现结论的输入条件

3.1 可再生能源出力序列的生成

论文复现最花时间的往往不是算法，而是数据。期刊论文里通常会给出“某地某日风速曲线”这样的输入，但你要复现的时候拿不到原始数据，怎么办？两种思路。

第一种是找公开数据集。NREL的SAM、OpenEI这些平台都有典型年的风速和辐照度数据。第二种是自己生成典型日曲线。我复现这类型论文时通常用理论模型：风速曲线用韦伯分布拟合后再加一个时序相关性，也可以用两个正弦函数叠加出一个早晚风大的近似形态；辐照度直接用典型日太阳角度和云量遮挡系数近似。数据不必和原论文一模一样，关键是物理规律要对——风电出力随风速的变化是非线性的，切入风速以下不出力，额定风速以上限功率，这个形状要是错的，后面所有调度结论都没有意义。

构造风电出力时要注意风机功率曲线的三段形式：

P_w(v) = 0, v < v_in; P_w(v) = (v−v_in)/(v_r−v_in) P_r, v_in ≤ v < v_r; P_w(v) = P_r, v_r ≤ v < v_out

很多复现者直接给风速序列乘一个常数当作风电出力，这是错的，等于侮辱了论文作者的建模工作。

3.2 电动汽车充电需求场景生成

EV数据其实是一堆随机变量：接入时间、离开时间、初始SOC、电池容量、充电功率。这些参数论文里一般会给分布形式，例如接入时间服从傍晚6点为中心的正态分布，初始SOC服从20%到80%的均匀分布。

用程序生成时，一个重要的点是要固定随机种子，并且把随机种子的值写进配置文档。我通常设为某个固定数字，比如 42，这样任何人拿到代码，跑出来的场景数据都是同一套，所有实验才具备可比较性。生成完成后画一张各时段接入车辆数的直方图，确认曲线形态符合直觉后再进入调度环节。

EV聚合处理的思路值得专门说一句。如果论文里是几百辆车逐辆建模，那么状态变量维度会爆炸，很多优化算法根本跑不动。实际做法是把同一时段接入的EV聚合成一个虚拟电池：聚合容量是电池容量总和，聚合最大充电功率是充电桩数量乘单桩功率，聚合SOC是加权平均。这样的聚合模型在论文里非常常见，好处是计算量从O(N)降到O(1)，而精度损失通常小于5%，对工程分析完全可接受。

3.3 负荷曲线的处理和归一化

常规负荷同样可以按区域类型拆解：居民负荷、商业负荷、工业负荷各有不同的峰谷特性。一般复现论文时用一条典型日负荷曲线即可，但为了让协同效果更显著，可以稍微拉开峰谷差距，比如峰谷比设计成1.6到2.0。差距太小了，EV充电优化空间不大；差距太大了，又显得不真实。

所有数据生成后，务必统一时间戳分辨率，以15分钟为一个调度时段时，一天就是96个点；以1小时为单位，一天24个点。体量对标一致性在复现中非常重要，后面DP算法的网格划分和PSO的粒子维度都取决于这个时间颗粒度。

4. 核心算法实现：从动态规划到粒子群的完整落地

4.1 动态规划求解顺序调度问题

如果论文的调度模型是确定性的，而且状态变量比较少，动态规划是最容易看懂、也最容易验证正确性的算法。在我复现的这个场景里，适合用DP做小规模基准算例，状态变量选储能的SOC或者EV聚合电池的SOC，决策变量是每个时段的充放电功率。

DP的递推逻辑是：从最后一个时段向前递推，记录每个状态下的最小累计成本和对应的最优决策。具体点说，第t时段的状态S_t是当前电池电量，决策d_t是该时段的充电功率，那么状态转移就是：

S_{t+1} = S_t + (d_t * η_ch − d_t_dis / η_dis) * Δt

式中η_ch和η_dis是充放电效率，注意充放电效率不是一回事，很多论文偷懒用一个值，物理上是不严谨的。放电时能量从电池流出去，要除以放电效率才对应到电网侧的实际功率。

代码实现时首先要对SOC做离散化。假设SOC从0.1到0.9，离散成90个状态，每个时段允许的充放电功率也有几十档。两层循环下来，状态数乘决策数乘时段数，92个状态乘20个决策乘96个时段，大概十几万次运算，Matlab跑起来毫秒级。关键代码如下，我用通用伪代码写：

for t = T:-1:1 for s = 1:N_state for d = 1:N_action s_next = s + delta_soc(d); if s_next < 1 || s_next > N_state continue; end cost_now = fuel_cost(t, d) + penalty(t, s_next); cost_total = cost_now + V(t+1, s_next); if cost_total < V(t, s) V(t, s) = cost_total; policy(t, s) = d; end end end end

这里有一个我在代码里吃过亏的细节：电池SOC是连续变量，离散化后会引入量化误差。如果你把SOC从0到1均匀分成50份，那么每一份就是2%的电量，对一台40kWh的电池来说就是0.8kWh，这个误差在日累计尺度上可能变成几十kWh。要控制误差，网格数至少要100以上，同时状态转移时不能用四舍五入，而应该用线性插值把下一状态的代价换算回来，否则DP结果会比真实最优值偏大。

DP的优势是能得到全局最优解，缺点是状态变量多了就完蛋——一个储能SOC加一个EV聚合SOC再加一个火电爬坡状态，三维网格一展开，计算量立刻指数爆炸。所以它适合做小规模场景的精确解基准。

4.2 粒子群算法求解规模化调度问题

PSO是另一种思路：不去遍历所有状态，而是让一群候选解在解空间里“飞”，通过个体最优和群体最优的引导逐渐逼近最优解。它的优势是不怕状态变量多，你甚至可以把几十个时段的发电机出力、EV充电功率全部拼成一个长向量作为粒子。

粒子编码怎么设计？假设调度周期是24小时，每个时段有3台火电出力和1个EV聚合充电功率，那么一个粒子就是一个96维的向量。粒子群算法里面，每次迭代时每个粒子按下式更新速度：

v_{i}^{k+1} = w v_{i}^{k} + c1 r1 (pbest_i − x_i) + c2 r2 (gbest − x_i)

其中w是惯性权重，c1、c2是学习因子，r1、r2是[0,1]之间的均匀随机数。

如果你直接拿真实生成函数写，这是最简洁的Python实现框架：

import numpy as np def fitness(x, data): # 解析粒子向量，计算总成本 gen_power = x[:24] # 火电出力 ev_power = x[24:48] # EV聚合充放电功率 total_cost = objective(gen_power, ev_power, data) penalty = constraint_violation(gen_power, ev_power, data) return total_cost + 1e4 * penalty # 初始化 n_particles = 60 dim = 48 x = np.random.rand(n_particles, dim) * bound v = np.random.randn(n_particles, dim) * 1e-3 pbest = x.copy() gbest = x[np.argmin([fitness(x[i], data) for i in range(n_particles)])]

粒子群的麻烦在于约束处理。模型里的功率平衡和爬坡约束都是硬性的，但粒子群本身不考虑约束，它只会闷头找适应度最低的点。常规做法是把约束条件转换成惩罚项，加到适应度函数里。惩罚系数怎么定？我起初用了一个很大的固定值（比如10000），结果发现算法为了躲开惩罚项，把出力都压到最小值附近，整个解失去了经济性。后来改成动态惩罚：迭代早期惩罚系数小一点，让粒子充分探索；后期加大惩罚，逼它回到可行域。这个方法和模拟退火里的温度下降很像，效果比固定惩罚好得多。

另一个PSO实战中的关键问题是早熟收敛。标准粒子群很容易在迭代100代之后全部粒子聚到同一个局部最优位置，这时种群失去多样性，再跑几万代也跳不出来。解决办法至少有三种：第一种是引入变异操作，随机让一部分粒子重新初始化；第二种是采用速度重启策略，当全局最优连续20代没更新时，把粒子分布重新打散；第三种是采用多种群并行，不同子群用不同的惯性权重，最后汇总。

三种办法我都在这个项目里试过，性价比最高的是第三种，只需要把粒子数组拆成三段，每段用不同的权重参数，在适应度比较时合并排序即可。这样增加的代码量不超过30行，但收敛稳定性明显改善。

4.3 与Cplex/YALMIP精确解的对拍验证

我强烈建议在开始调PSO之前，先用Matlab的YALMIP加Cplex把问题建模成一个MILP，把最优解求出来。这个步骤太重要了，它是你判断PSO写没写对的唯一尺子。

为什么说唯一？因为你光看PSO的收敛曲线下降，是无法判断它的最终结果是不是够好的。也许它收敛到的一个局部最优解，离全局最优差了20%，但曲线看起来已经平了，程序也不报错。这时候怎么办？只有用精确解对拍。

对拍的流程是：用同一份数据文件，先把Cplex求出来的最优总成本和最优决策序列保存下来；然后跑PSO，看它最终找到的解和精确解的差距。我自己的经验是，如果PSO的最终结果比精确解高5%以内，那基本可以认为算法实现是正确的；如果高10%以上，你的编码方式或者罚函数系数一定有问题。

这里补充一个判断上的坑：MILP模型和PSO模型如果数学模型本身不等价，对拍就没有意义。最常见的错误是其中一个模型忘记写爬坡约束，导致它的可行域比另一个大，算出来的最优成本凭空低一截。所以对拍之前，老老实实把两个模型的约束条数数一遍，写成注释清单，逐条核对。

4.4 时序耦合问题：EV跨时段的SOC连续性约束

最后强烈提醒一个建模时特别容易翻车的地方——EV的SOC跨时段约束。有些同学在写PSO代码时，把每个时段的EV充电功率当作完全独立的决策变量，没考虑它和前后时段的SOC之间的递推关系。结果就是粒子群找到一个看起来很美的解——晚上某个时段EV充电功率巨大，但根本没充到足够的电，早上用户要开车时电池是空的。

解决办法是让粒子向量只包含决策变量，然后在适应度函数里把EV的SOC序列重新推一遍。如果某辆车离开时SOC不满足要求，就加一个很大的惩罚。这相当于把时序耦合关系从“硬约束”变成了“软惩罚”，PSO用软的约束照样能收敛，但代码量少很多。

5. 实验设计与结果呈现：怎么让你的图能进论文

5.1 对照场景设计的逻辑

做仿真实验最怕没有对照组，或者对照组设计得不公平。针对题目里的协同调度，我建议至少设计三个场景：

• 场景一是无序充电：EV一到家就以最大功率充电，不参与调度。这是“没有协同”的基线场景，用来展示电动汽车对电网的冲击——负荷高峰被进一步抬高，变压器可能过载。
• 场景二是有序充电：EV参与调度，但只能充电、不能放电。这对应现实中大批不具备V2G功能的充电桩场景，体现的是“时间平移”的价值。
• 场景三是有序充放电：EV支持V2G，在负荷高峰放电，低谷充电。这对应车网互动的最高级形态，体现的是“削峰填谷”的最优价值。

三组场景在同一个数据集和同一套参数下运行，对比它们的总运行成本、负荷方差、峰谷差、新能源消纳率。如果场景三比场景一的总成本降幅超过10%，那这个实验就很有故事可讲。

5.2 评价指标的设定和计算

指标比图重要。我常用的指标有这么几个：

这里面新能源消纳率怎么算精细化一点：理论可再生发电量等于风电光伏在无弃电情况下的最大出力，实际消纳量等于调度中被系统吸收的部分。如果论文里没有这个指标，你可以加进去，审稿人看到之后会认为你对题目有深入思考。

5.3 论文级出图的Matlab/Python代码套路

最后一步是把数据画成图。审稿人和导师第一眼看你的论文，不是读公式，而是看图。图上信息必须在三秒内能看懂，否则审稿人默认你的工作不清晰。

我常用的作图套路是“三图组合”：第一张图是负荷曲线对比，三条曲线分别代表三个场景的净负荷，用不同颜色画出，高峰期用浅色阴影标注；第二张图是EV充电功率堆叠图，按充电、放电分别画正值和负值，能直观看到负荷转移方向；第三张图是目标函数的收敛曲线，证明你的算法确实在迭代中逐渐改进解。

Matplotlib画图时的几个关键调节项：线宽至少2.5，字号至少11，图例放在图内空白处，x轴标签写明“Time (hour)”，y轴标签写明单位“Power (MW)”。这些细节直接影响论文的成稿质量。导出图片时设置dpi=300，图像格式优先PDF矢量图，省得后面被编辑要求重画。

6. 实操中那些改了半天才排查出来的问题

6.1 SOC单位不一致导致的结果偏差

这个坑我栽过一次，具体场景是：EV电池容量是40kWh，充电功率是7kW，调度时段是1小时。我把SOC当成纯百分比算了，忘记了SOC变化量=功率乘以时间除以电池容量。结果调度结果让EV每小时的SOC跳升超过20%，明显违反电池物理特性。代码不报错，结果曲线也好看，但数字完全不对。

排查方式很简单：把某个时段的SOC变化量手动算一遍，和代码计算值对比。这种错误在数值上表现是“结果偏优”，因为你的模型允许了现实里充不进去的能量。后来我在代码里统一用MWh作为能量单位，功率用MW，时间用小时，SOC直接用绝对能量值而非百分比参与计算，只在约束出口处转换为百分比。单位统一这件事，无论如何强调都不过分。

6.2 DP网格太粗导致的最优解反而不如PSO

做对拍时我发现一个诡异现象：DP求出来的“精确解”居然比PSO的结果还要差。一查才发现，DP的SOC网格只分了30份，量化误差太大，而PSO用的是连续变量，它不受网格分辨率的限制，自然找到更优的解。这不是算法的错，是我离散化参数的错。

把网格从30份加到200份之后，DP的精度就上来了，而且依然快。这个问题的教训是：对拍之前先搞清楚两个算法各自的精度瓶颈在哪里。网格法看分辨率，PSO看迭代次数和粒子规模，两者的有效解精度要尽力量级匹配。

6.3 PSO早熟和参数敏感性

粒子群算法的参数让很多人头疼，动辄调几十组参数。我的经验是控制变量，不要同时调三个参数。先把惯性权重的初始值设为0.9、终值为0.4，线性递减；学习因子c1和c2都取1.5附近。在这个基础上，如果最终解的分布很散（多次运行结果差异大），再提高粒子数；如果所有粒子都挤到一个点，再引入变异。

另外，粒子群本质是随机算法，每次运行结果都不一样。论文里展示的结果必须是多次运行的最好值或者平均值，并标注方差。我自己一般跑20次独立实验，取中位数画收敛曲线，同时把最小值和25%分位数也记录下来。这样的统计才科学。

6.4 数据时间戳对齐错误导致负荷曲线漂移

还有一个特别隐蔽的bug：风速数据是每小时一个点，负荷数据从0点到23点，EV接入时间用分钟表示。拼接时如果没对齐时间轴，负荷曲线和风电出力曲线之间会莫名出现一两个小时的错位。表面看曲线形状都正常，但优化结果就是不对劲。

解决办法是写一个统一的时间轴索引函数，所有数据在读取后第一步就重采样到同一个时间网格，然后用时间戳做左连接（merge），严禁直接用行号拼接。我在这上面浪费过整整一天，最后一点一点debug才发现是Pandas的merge默认按列名匹配，而我的两组数据列名不一致，它在做笛卡尔积。

写在最后

这套流程走完，你会得到三样东西：一份能复现核心结论的代码库、一组支撑结论的图表、以及一段“我真的把论文看懂了”的底气。我在实际做这类项目时，最大的感受是，算法本身反而不是最难的，难的是把每个公式的物理意义、每个参数的取值范围、每个指标的计算口径都磨清楚。

最后再分享一个我很早以前学到的小习惯：不管用什么优化算法，先跑一遍确定性最优解作为性能上限，再拿在线或启发式算法往这个上限上靠。这个上限标杆决定了你所有后续实验的“天花板”，有了它，每个算法做得好不好一概而论，不再靠感觉。这个习惯救过我很多次，希望你也能用上。