港口泊位优化与多能协同的联合建模：基于Gurobi的MILP求解实践

把港口综合能源系统做成一个可求解的优化模型，这几年在项目里反复被问到。最开始很多人习惯把泊位分配和能源调度拆开做：先用一套规则把船安排到泊位，再根据固定的排船表去算用电、用冷、用热。实际跑下来会发现，泊位方案稍微变一点，岸电负荷曲线就完全不一样，储能充放电策略也跟着全乱。所以后来我在做一个沿海港口的综合能源规划项目时，直接换成了“泊位优化与多能协同”的联合建模思路，用 Gurobi 求解器求解混合整数规划，再用 Matlab 做仿真验证和结果可视化。这篇就把这个模型的搭建过程、踩过的坑、调试心得完完整整写出来，希望给后面做港口调度、综合能源优化或者刚接触 Gurobi 的人一些参考。

这个项目适合谁看？三类人最合适：一类是做港口能源规划、低碳码头改造的工程师，一类是研究综合能源系统、微电网优化调度的研究生，还有一类是对 Gurobi 和 Matlab 联合建模有需求、但还没理顺整体流程的开发同学。文章里不会回避公式和细节，但我会用尽量直白的话解释每一个关键选择，保证你能照着把模型复现出来。

1. 项目整体思路与方案选型

1.1 港口综合能源系统的基本构成

先把这个系统里有什么盘清楚。一个典型的现代化港口，能源需求不是只有电。船舶靠港后，如果要接岸电，那泊位区域会有很大的电力需求；集装箱堆场、冷藏箱区有持续的冷负荷；办公楼、仓库、候工楼有热负荷和空调负荷；岸桥、场桥、龙门吊这些大型设备也是用电大户。供应端同样复杂：港区屋顶和闲置空地通常装光伏，海边风况好的码头可以装分散式风电，储能电池现在几乎是标配，有些项目还会上电制冷机组、蓄冷罐、蓄热罐甚至柴油发电机组作为备用。

在传统方案里，这些设备和负荷都是“各自为政”：船务部门只管船舶进出港和泊位排班，能源部门只管设备出力和购电策略。两个部门的数据不互通，调度也不联动。结果就是，排船表出来了才发现某个泊位的岸电容量不够，或者船全部挤在同一时段靠港，造成负荷尖峰，储能还没充满，电网购电价格又是峰值，整体电费非常难看。

1.2 泊位分配与能源调度的耦合关系

泊位优化和能源系统并不是两个独立问题。核心耦合点在三个地方：

• 时间耦合：船什么时候靠泊、作业多长时间，直接决定岸电负荷在哪几个小时被拉起来。船舶到港时间一变，港口总负荷曲线就要重画。
• 空间耦合：船停靠的是哪个泊位，决定了它能用哪一套岸电设备。不同泊位的岸电容量、变压器裕度可能完全不同。
• 目标耦合：泊位调度追求船等时间短、泊位利用率高，能源调度追求运行成本低、碳排放少。这两个目标在某些场景下冲突，比如让所有船都尽量用岸电可以减少柴油辅机碳排放，但如果集中靠泊会抬高峰时购电，总成本不一定最优。

所以我在建模时没有分层做，而是把泊位变量和能源变量放进同一个优化模型里同时求解。这样泊位排表会主动避让电价高峰、迁就储能充放电节奏，能源策略也会反过来适应船舶靠泊偏好。两个子问题互相牵制，最后得到的方案才是全局意义上更优的。

1.3 方案整体架构与工具选型

整个项目的实现路径是这样设计的：先建立混合整数线性规划模型，把泊位分配的 0-1 变量、时间连续变量、储能荷电状态变量、各设备出力变量统一写进去；然后在 Matlab 里用 YALMIP 工具箱建模，调用 Gurobi 求解器求解；求解完成后把优化结果导出到 Matlab 工作区，做负荷曲线、SOC 曲线、泊位甘特图的可视化，再对结果做敏感性分析和仿真验证。

为什么选 Gurobi 而不是别的求解器？对于这种包含大量 0-1 变量的混合整数规划问题，Gurobi 的 branch-and-cut 实现很成熟，presolve 和割平面处理能力都强，而且有免费学术许可，在高校和研究所里普及度极高。为什么数据预处理和结果处理放在 Matlab？因为 YALMIP 这个工具箱可以做“建模和求解分离”，你只需要声明变量、写约束、写目标函数，剩下的矩阵组装、传给求解器、读回结果都由它完成，对建模型的人非常友好。加上 Matlab 本身画图、处理时间序列数据很方便，用来做仿真复现是最顺手的组合。

2. 混合整数规划模型的核心设计

2.1 集合、参数与决策变量怎么定义

模型要跑得起来，第一步是把集合和变量定义清楚，这一步含糊不得。我把单位调度周期设为 24 小时，时间步长取 1 小时，所以索引集合时间 t = 1,2,…,96，如果你希望更精细可以取 15 分钟步长，但求解规模会明显上升。

定义船舶集合 V，泊位集合 B，储能、光伏、风电、电制冷机、蓄冷罐、蓄热罐这些设备统一放进设备集合 D。基础输入参数包括：

• 每条船的预计到港时间 AT_i，作业时长 p_i（指船靠上泊位后完成装卸所需时间），最迟离港时间 DD_i。
• 每个泊位的岸电可用容量 Cap_b^shore，变压器容量 Cap_b^trans。
• 光伏、风电的预测出力曲线，电价分时曲线，燃气或柴油价格。
• 储能的容量、最大充放电功率、充放电效率、SOC 上下限。

决策变量分三类。第一类是整数变量，比如 x_{i,b} 表示船 i 是否分配到泊位 b，这是 0-1 变量；第二类是连续时间变量，比如船 i 的靠泊开始时间 t_i^start、离泊时间 t_i^end；第三类是能源系统连续变量，包括储能充电功率、放电功率、SOC、购电功率、各机组出力和冷热功率分配。

项目里最需要注意的是，船舶作业开始时间也是待优化变量，不是固定输入。你可以只优化“哪条船去哪个泊位”，把开始时间排出来；也可以像我们这样，把开始时间和分配关系一起优化，让模型有更大的自由度去调节负荷曲线形态。

2.2 目标函数：多目标怎么折算成可求解的单目标

这个模型的目标函数分两大块：能源运行成本和泊位调度质量惩罚。

能源运行成本部分包括 24 小时内的电网购电费用、柴油机燃料费用、储能充放电造成的寿命损耗折算费用、以及碳排放对应的环境成本或惩罚费用。这些成本项都是关于决策变量的线性函数，可以非常自然地加总。

泊位调度质量部分包括船舶等待时间惩罚、违反泊位偏好惩罚、超时离港惩罚。船舶等待时间定义为实际开始作业时间与预计到港时间之差，这个差值你希望尽量小，但也不能小到让所有船都刚靠上就作业——那样就需要无限多泊位。所以给它一个惩罚系数，让模型在能源成本和船舶等待之间做权衡。

多目标最简单的处理方式是线性加权求和。但有一个非常关键的问题：量纲和数量级要对齐。能源成本动辄几十上百万元，船舶等待时间惩罚如果按“每小时 100 元”折算，在整个目标函数里会被能源成本完全淹没，模型会为了省几块钱电费让船等上一天。我的做法是：先跑一版纯能源优化，拿到能源成本的大致量级；再跑一版纯泊位优化，拿到等待时间的量级；然后用这两个量级去标定惩罚系数，让两个目标在数值上处于相近数量级。这个标定过程看起来不起眼，但直接决定了求解结果是不是合理。

2.3 约束条件：泊位唯一性、容量和时间不重叠

泊位分配的约束是整数模型里最繁琐的部分。

每一条船必须分配且只能分配一个泊位，这是最基本的唯一性约束，形式是 Σ_b x_{i,b} = 1。

同一泊位上，任意两条船不能同时占用。这是一个典型的时间重叠约束，需要引入辅助二元变量或者用大 M 法表达。我给每条船配了开始时间和结束时间，对于任意两条可能分配到同一泊位的船 i 和 i'，如果它们同时被分配到了泊位 b，就必须保证时间上不重叠。用大 M 约束可以写成：t_i^start + p_i ≤ t_{i'}^start + M·(1 - x_{i,b}) + M·(1 - x_{i',b}) + M·y_{i,i'}，同时再写一个反向约束，配合 y_{i,i'} 二元变量保证只有一种先后顺序。

这个约束是模型里最容易出错的地方。你要特别小心变量之间的“3 - x - x'”结构，当且仅当两条船都分配在同一泊位时，不等式的右边才退化成正常时间约束；只要有任何一条船没有选这个泊位，右边会被大 M 顶开，约束自动失效。

岸电容量约束也要耦合泊位变量。每个泊位的岸电设备容量是有限的，任意时刻停靠在这个泊位的船舶总需求不能超过该泊位岸电容量。这条约束要把船 i 在时刻 t 是否在泊位 b 上表达出来，通常需要引入船时二元变量 z_{i,b,t}，或者通过开始结束时间的区间约束来等价转换。直接生成高维船时三维变量会迅速撑爆内存，建议只对“船可能到达的时间窗口”内生成变量，压缩稀疏性。

2.4 能量平衡与设备运行约束

能量平衡约束是综合能源系统的底盘。每个时间步，电力系统要满足：光伏出力 + 风电出力 + 储能放电 + 电网购电 + 柴油机发电 = 港口基础电负荷 + 岸电负荷 + 储能充电 + 电制冷机耗电。冷能系统要满足：电制冷产出 + 蓄冷罐放冷 = 冷负荷 + 蓄冷罐充冷。热能系统类似。

储能电池的约束是这里的技术重点。SOC 的状态转移方程是 SOC_{t+1} = SOC_t + η_ch·P_ch,t - P_dch,t/η_dch，其中 η_ch 和 η_dch 是充放电效率。同时还要限制 SOC 上下限、充放电功率上下限，并且在同一时刻不能既充电又放电。这个“不能同时充放”的约束，在 YALMIP 里可以很简单地用二进制变量加约束实现，也可以采用一些项目里常见的“大 M + 二元变量”方式。我个人的习惯是引入两个二元变量表示充放电状态，虽然会增加整数变量数，但能避免非线性互补条件带来的求解困难。

设备爬坡约束也不能忘。柴油发电机组从一个小时出力突增到下一个小时出力突增过高，实际设备是做不到的，所以要对相邻时刻出力变化量加限制。储能虽然响应速度快，但为了柔和运行也可以加爬坡限制。

2.5 非线性环节的线性化处理

模型里有两处明显的非线性来源，必须处理成线性约束，不然 Gurobi 解起来会非常吃力。

第一处是船舶作业完成时间与分配关系的耦合。实际完成时间本来是“开始时间 + 作业时长”，看起来是线性的，但如果你想表达“只有船被分配到了有这个设备能力的泊位，作业时长才能取短一些”这种条件逻辑，就需要大 M 法做线性化。

第二处是绝对值函数。船舶等待时间惩罚如果直接写 |t_i^start - AT_i|，这是一个带绝对值的非线性目标。处理方式是引入两个非负辅助变量 α_i 和 β_i，让 t_i^start - AT_i = α_i - β_i，然后把 α_i + β_i 作为目标里的惩罚项。由于模型在最小化这个惩罚，求解时 α 和 β 不会同时为正，绝对值效果自然就被表达出来了。

多能系统里的某些效率特性，比如制冷机组 COP 随负载率变化，严格说也是非线性的。工程上常用分段线性化的思路，把 COP 曲线分成若干段，每段用线性插值表达式逼近。对于港口项目这个精度够用，也能保留 MILP 结构。这块是我建议你最开始就规划好的，不要在模型快写完时才想起来，否则改起来连带目标函数一起返工。

3. Gurobi求解与Matlab仿真的联调实现

3.1 开发环境与依赖说明

我用的环境给一个参考配置，避免在联调阶段浪费太多时间：

• 求解器方面，我用 Gurobi 10.x，搭配 Matlab 2022b。注意 Gurobi 每年更新的版本对 Matlab 版本有明确的兼容性列表，装好后第一件事就是跑一遍自带的 Matlab 示例，确认gurobi命令可被识别。
• 建模工具箱用 YALMIP，我建议用 GitHub 上的最新发行版，直接用addpath添加到路径即可。老版本在某些 Matlab 新版本上会有警告或接口问题。
• 数据文件用 Excel 统一维护，光伏出力、风速、负荷曲线、电价表都放在一张总表里，Matlab 统一读取。

Gurobi 在 Matlab 中有两种调用方式。一种是纯官方接口，需要你自己组装 A 矩阵、b 向量、lb、ub、vtype、obj，这是最原始也最底层的做法，适合熟悉线性规划内部结构的人。另一种是 YALMIP，你可以直接写中文式的约束表达式，YALMIP 自动转化为 Gurobi 需要的标准形式。我推荐后者，因为模型里的约束数量有几百上千条，手写矩阵容易错而且根本没法维护。

3.2 基于YALMIP的建模与求解代码

核心建模代码框架大致是这个样子，注释都比较详细：

% 变量定义 x = binvar(V, B, 'full'); % 船 V 分配给泊位 B，0-1变量 t_start = sdpvar(V, 1); % 每条船的开始作业时间 t_end = sdpvar(V, 1); % 每条船的结束作业时间 P_ch = sdpvar(T, 1); % 储能充电功率 P_dch = sdpvar(T, 1); % 储能放电功率 SOC = sdpvar(T+1, 1); % 荷电状态，多出一个端点 P_grid = sdpvar(T, 1); % 电网购电功率 P_dg = sdpvar(T, 1); % 柴油机出力 Q_cool = sdpvar(T, 1); % 电制冷机制冷功率 % 目标函数 objective = sum(e_price .* P_grid) + sum(fuel_cost_coef * P_dg + ... om_coef * (P_ch + P_dch)) + ... sum(wait_penalty * (t_start - AT)) + ... sum(idle_penalty * violation_berth); % 约束收集 constraints = []; for i = 1:V constraints = [constraints, sum(x(i,:)) == 1]; end for b = 1:B for i = 1:V for j = 1:V if i ~= j constraints = [constraints, t_start(i) + p(i) <= ... t_start(j) + M*(3 - x(i,b) - x(j,b) - y(i,j))]; end end end end % ... 其余能量平衡约束自行补充 ... % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 2, ... 'gurobi.TimeLimit', 600, ... 'gurobi.MIPGap', 0.01); result = optimize(constraints, objective, ops);

用 YALMIP 的好处是，变量声明可读性极强，循环写约束时不容易错位。求解结束后，你可以直接用value(x)、value(t_start)把结果取回来。

3.3 求解结果回传与仿真联动

优化模型解完之后，只是拿到了一个调度方案，但“调度方案在真实系统里跑一天”会是什么效果，需要仿真来验证。我的做法是：把优化得到的泊位分配、开始时间、储能充放电计划等传递到一段仿真脚本里，按照时间步长依次推进，记录实际负荷、SOC 变化、成本和碳排放，然后和优化值做对比。

仿真脚本可以这样组织：

simT = 96; % 同样用4小时分段 SOC_sim(1) = SOC_init; for t = 1:simT load_base(t) = base_load(t) + berth_load_opt(t); % 基础负荷+岸电负荷 pv_real = pv_forecast(t) * (1 + pv_error(t)); % 加入预测误差 wind_real = wind_forecast(t) * (1 + wind_error(t)); % 按优化指令执行设备出力，储能不能违反上下限 P_grid_sim(t) = max(0, load_base(t) + P_ch_opt(t) - ... P_dch_opt(t) - pv_real - wind_real - P_dg_opt(t)); SOC_sim(t+1) = SOC_sim(t) + eta_ch * P_ch_opt(t) ... - P_dch_opt(t) / eta_dch; % 如果SOC越限，实际储能出力会被修正，记录偏差 end

这一步的典型问题在储能：优化结果里的 SOC 曲线在数学上可行，但如果仿真的时间粒度更细，比如把 1 小时再细分到 15 分钟，储能可能在某些分钟内出现过充或过放。原因很简单：1 小时步长把 SOC 变化平均摊开了，没考虑小时内波动。项目里的经验做法是，在小时级优化后加一个 15 分钟级的滚动修正仿真，让储能动作更接近真实约束。

3.4 Gurobi求解参数调优

Gurobi 求解 MILP 不是扔进去就一定能快速出解的，参数配置很影响实际体验。我常用的几个参数和调优策略分享给大家：

• TimeLimit：设一个硬上限，尤其在做仿真算例时非常必要。我通常给 300~600 秒。
• MIPGap：官方叫 MIP gap，表示当前解与最优解之间相对差距上限。工程应用不需要死磕 0%，我一般设 1% 左右就能接受。设成 0.02 甚至 0.01 之后，求解时间往往会下降一大截。
• Presolve：保持默认的自动模式，Gurobi 的 presolve 对这个模型非常有效。
• Threads：多核机器上可以设成 4 或 8。要注意的是，线程数增加虽然能加速大多数算例，但某些小规模算例反而因为线程切换开销变慢，所以默认自动即可。
• MIPFocus：如果你确定模型里整数决策部分很重，而可行解发现不是难点，可以调 MIPFocus = 1 让求解器更关注可行解；如果下界提升很困难，可以试试 MIPFocus = 3。

我还建议打开 Gurobi 的计算日志，看每一轮节点数和上界下界的收敛趋势。如果 60 秒后 gap 基本不动，就是模型本身结构的问题，仅靠调参救不回来，需要回去检查约束松紧度或者大 M 的取值。

4. 算例设计、仿真结果与分析

4.1 算例参数配置

为了验证模型逻辑，我设计了一个中等规模算例，参数如下表所示：

这里的船舶到港时间故意设置了集聚现象：上午阶段有 6 条船同时到达，下午阶段有 4 条船同时到达，剩下 2 条分散在夜间。就是为了考验模型在泊位紧张时是否还能合理安排岸电使用和储能充放电。

4.2 结果对比与分析

我把三种方案做了对比。方案一是不做优化，船舶按先到先服务分配泊位，储能用固定规则运行。方案二只优化泊位分配，能源系统按当日实际负荷再优化。方案三是本项目的泊位优化与多能协同联合优化。结果对比如下：

联合优化比独立优化成本降低了大约 15%，碳排放降低了约 14%，这是比较典型的结果。这里面有个值得注意的点：纯泊位优化虽然成本比先到先服务低，但船舶平均等待时间反而变长了，因为模型为了避开峰电把部分船往后拖，拖到了下午。而联合优化在成本和等待时间之间找到了更好的平衡点，等待时间虽然比先到先服务略长，但换来的是大幅度的成本下降。

再看储能 SOC 曲线，联合优化下储能会在凌晨谷电时段充满，在上午 10 点到下午 15 点的高峰时段放电。泊位分配上，模型把大功率岸电需求的船尽量安排在夜间靠泊，把小功率船舶安排在白天电价高但港口用电相对温和的时段。这种协同效果，在独立优化框架下是出不来的。

4.3 灵敏度分析与扩展方向

做完基准算例之后，我又做了两类灵敏度分析。第一类是岸电容量变化的影响：把四个泊位岸电容量统一提升到 1200 kW 后，联合优化的成本又下降了 6%，船舶等待时间也缩短了。这说明港口岸电扩容的投资在本文模型下可以量化回报周期。第二类是光伏渗透率上升：当光伏容量从 2 MW 提高到 3 MW 时，白天购电大幅减少，储能充放电策略也从“谷充峰放”转向“午间光伏多充、晚峰再放”，模式切换很清晰。这些分析对实际工程的设备容量规划特别有用。

这个模型要往更实际的方向扩展，可以考虑加入不确定性优化，比如船舶到港时间服从概率分布，光伏出力不是确定值，此时可以把模型升级为两阶段随机规划或鲁棒优化。Gurobi 也能处理这类带概率场景的大规模 MILP，只是求解规模会增加一个量级。另外也可以把泊位作业时长做成泊位和设备的函数，靠泊不同泊位时装卸效率不同，会让模型更贴近实际码头运营。

5. 工程化遇到的高频问题与排查技巧实录

5.1 Gurobi 报“模型不可行”的排查路径

模型不可行是 MILP 新手最崩溃的时刻，但这种问题通常有非常固定的排查逻辑。我的排查顺序是这样的：

第一，解除整数约束，把 0-1 变量全改成 [0,1] 之间的连续变量，跑一版线性松弛问题。如果松弛问题仍然不可行，说明是连续约束之间本身就矛盾，比如能量平衡等式左右不平衡、某个负荷永远无法被满足。这时去查参数边界最有效。

第二，如果松弛问题可行但整数问题不可行，基本都是整数约束和连续约束之间的耦合出了问题。最常见的错误就是时间重叠约束里大 M 写法不对，导致两艘船明明分在不同的泊位，却因为约束结构问题在数学上产生了阻塞。

第三，善用 Gurobi 的 IIS（不可行子系统）检测。在 YALMIP 里可以用ops.gurobi.IIS = 1让 Gurobi 输出一组不可行约束的最小集合，然后一步步注释掉这些约束，定位到具体是哪些参数互相挤兑。

5.2 大 M 取值导致的数值病态问题

我见过太多人在大 M 上栽跟头。大 M 的本质是“一个足够大的数，让约束在某种条件下失效”，但很多人直接把 M 设成 1e6 甚至 1e9，觉得越大越保险。这是一个严重的误区。

大 M 过大的直接后果是：约束矩阵条件数恶化，Gurobi 内部处理浮点误差时容易把原本无效的约束误判为有效，导致解不稳定，或者出现精度警告。正确做法是给每个约束取“恰好够大”的 M。比如时间跨度最长也就 24 小时，那么时间重叠约束里 M = 48 就绰绰有余；又比如功率约束里，岸电容量上限是 1200 kW，那 M 取 2000 就够了。按物理量纲上下限定 M，比拍脑袋取大数靠谱得多。

如果问题规模较大，还可以考虑不用大 M，而用 Gurobi 自带的一般约束或指示约束来显式表达逻辑关系。指示约束对数值稳定性更友好，代价是求解性能可能略有下降，你可以针对具体模型测试对比。

5.3 MILP 求解时间太长的处理出路

港口综合能源模型如果做全年 8760 小时，整数变量数量会非常恐怖。我的经验是不要一味加大求解时长。这里分享几条亲测有效的手段。

第一，压缩时间粒度。全年算例先用 4 小时步长跑月尺度，找到典型周，再用 15 分钟步长精细优化典型周。两级接力比一口气跑全年快得多。第二，剪掉不必要的整数变量。船舶只能停靠在物理尺寸匹配的泊位，这个条件在建模前就通过参数过滤掉，不要把所有船和泊位的组合都生成变量。第三，给能耗设备添加运行状态约束，剔掉明显不合理的充放电切换，提高可行解质量。除此之外，还可以给 Gurobi 一个“热启动解”，把你的经验调度结果作为初始解喂给它，求解时间经常能下降 30% 以上。YALMIP 里设置assign(x, x0)就能提供初始值。

5.4 Matlab 与 Gurobi 联调时的兼容性细节

Matlab 和 Gurobi 的联调，最大的坑其实在版本匹配上。Gurobi 的安装向导会自己找 Matlab 目录，但如果你的 Matlab 是通过某种自定义路径安装的，向导可能识别不到，需要手动设置环境变量GUROBI_HOME和PATH，并在 Matlab 里执行addpath(genpath('gurobi/matlab'))。装好之后，第一行测试命令我建议运行：

model.obj = 1; model.A = sparse(1,1,1); model.rhs = 1; model.sense = '='; model.vtype = 'C'; params.outputflag = 0; result = gurobi(model, params);

如果能正常返回result.objval = 1，说明接上了。另一个常见问题是 YALMIP 缓存了旧的求解器路径，更改 Gurobi 版本后必须执行yalmip('clear')清缓存，不然会报“找不到 solver”或者干脆静默使用默认求解器。

5.5 目标函数权重标定与结果解释的几条心得

最后聊一个模型之外但非常影响结果实用性的经验。多目标加权时，很多同学把惩罚系数拍脑袋定，导致出来的方案偏向其中一边。我的做法是先把单目标极限算出来：只优化成本，得到成本下限和对应的等待时间；只优化等待时间，得到时间下限和对应的成本；然后在两个极端之间取折中。这个“先算极限、再定折中”的办法比直接设权重科学得多，而且在向领导、向业主汇报时，你可以很清楚地解释为什么最后选了这个折中点——不是拍脑袋，而是在帕累托曲线上做出的选择。

这个思路在港口项目中已经验证过多次：无论模型规模怎么变，数据和目标怎么调，只要沿着“解耦分析、联合求解、极限标定、折中决策”的路径走，最后做出来的方案在成本和运营友好性上都能站得住脚。我在后续做二级港口能源调度系统的时候，也沿用了这套框架，只是把确定性模型换成了滚动时域控制，逐时段刷新优化。只要把这里面的约束结构吃透，往滚动优化、随机优化、多阶段扩展都不是难事。