简介：2021年华为杯F题“航空公司机组优化排班问题”的完整解题思路与可运行代码，面向参加中国研究生数学建模竞赛的研究生。压缩包共16个文件，以Python脚本为主（9个py），配套4个CSV数据文件、1个赛题Word说明、1个思路Markdown和1个注释文本，整体大小仅211KB，轻量便携。目前已有135人学习下载。内容覆盖赛题数据读取与预处理、三问建模求解及详细注释，尤其第2问和第3问代码均配有思路说明，可帮助读者复现机组排班优化方案，理解约束条件处理、目标函数构建与算法设计。这份资料适合需要备赛冲刺、快速上手组合优化建模的研究生，也可作为赛前查漏补缺与思路参考。
1. 华为杯F题：一场比算法更比「读题」的比赛
提到华为杯数学建模，很多人的第一反应是「算法难」，但真正上过赛场的人会告诉你：F题最大的坑不在模型，而在「机组排班」这类题目的约束条件读不透。2021年这届F题给的是航班、机组两套数据，让你在满足飞行任务的前提下把排班成本压到最低，表面是优化问题，实际考的是三件事：能不能把业务规则翻译成数学约束、能不能在数据量面前把求解器跑起来、能不能把结果讲成评委听得懂的方案。这篇笔记就按「考点分布 → 高频考点 → 真题拆解 → 易错点 → 答题套路」的顺序，把F题的拿分逻辑一次讲透。适合两类人：打算参加下届华为杯的研究生，以及在职想补数学建模实战能力的工程师。注意，这一题算法不是最难的，最难的是「约束条件漏一条，整个模型白建」。
2. 华为杯F题考点分布：先搞清楚评委按什么打分
2.1 六道题里的F题定位：为什么它看起来简单却最容易翻车
华为杯每年9月中旬开赛，一共6道题，F题通常是「运筹优化类」的代表。这类题的特点是：题目文字少、数据表格多、约束条件藏在附件说明里。2021年F题就是典型——给了A、B两个机组的数据文件和航班文件，让你做「航空公司机组优化排班」。听起来像标准的指派问题，但实际做起来会发现：数据里藏着航班衔接时间、机组休息期、资质匹配这些隐性约束，任何一个没建模进去，方案就是废的。
从历年获奖情况看，F题的获奖率并不低，但一等奖比例只有1.5%左右。为什么？因为大部分队伍把精力放在算法创新上，却在「约束完整度」上失分。评委看F题论文有个习惯：先看你的模型有没有覆盖题目给的所有规则，再看求解结果是否合理，最后才看算法复杂度。这意味着你花三天写一个漂亮的遗传算法，不如花一天把约束清单列全。
2.2 分值结构拆解：建模、求解、验证各占多少
根据F题历年评阅习惯，一篇能拿二等奖以上的论文通常按这个权重分配精力：问题分析约10%，模型建立约40%，求解算法约25%，结果分析与验证约20%，剩下的5%是摘要和格式。注意，摘要的分量远比你想象的大，很多评委先看摘要判断是否细读全文。
具体到2021年F题的三个子问题：第1题是基础排班，考察建模基本功，属于送分题但容易在约束上漏项；第2题加入了更多约束和较大数据量，是区分二等奖和三等奖的分水岭；第3题通常要做优化或扩展分析，难度最大，但代码注释里也写了「详细注释在第2问中」，说明第3题是在第2问基础上做延伸。这意味着你的代码结构必须模块化，第2问的函数要能直接被第3问调用。
2.3 数模竞赛通用能力模型：这题到底在考哪几种能力
F题表面上考优化算法，实际考的是四层能力。第一层是数据清洗能力：给出的CSV文件里有航班号、机组ID、时间字段，你要能快速用脚本或工具完成数据预览和异常值检查。第二层是建模能力：把排班规则变成整数规划或约束满足问题的数学表达式。第三层是求解工程能力：用MATLAB的优化工具箱或YALMIP等工具把模型跑出结果，这也就是资源里标注「matlab」关键词的原因——MATLAB在这个赛题里是绝对主流工具。第四层是论文写作能力：把算法步骤、参数设置、结果对比写到评委能直接看懂的程度。
3. 高频考点：机组排班问题的核心模型与约束条件
3.1 考点一：任务覆盖约束——每趟航班必须有人飞
机组排班问题第一类必考约束是「覆盖约束」，即每一趟航班必须分配给且只分配给一个机组。用数学模型表达就是：对每个航班任务 j，所有机组 i 的指派变量 x_ij 求和必须等于1。这是0-1整数规划最基本的约束，但考生容易忽略的是「机组人数限制」——一个机组一天能飞的航班数有上限，不能为了满足覆盖约束把某个机组排满24小时。
这类题通常这么答：先定义决策变量 x_ij（机组i是否执行航班j），再写覆盖约束的数学表达式，然后用MATLAB的intlinprog函数实现。注意不要把覆盖约束和机组休息约束混在一起写，分开列约束方程，评委看起来更清晰，排错也更容易。资源里的第1题代码就是这个套路——先建基础覆盖模型，跑通后再逐步加约束。
3.2 考点二：时间衔接约束——航班联程的间隔必须合法
第二类高频考点是时间衔接约束，这是F题区别于一般指派问题的关键。机组执行完一个航班后，要接下一个航班，中间必须有足够的过站时间。这个时间通常包括下机、等待、登机流程，一般要求不低于某个阈值（比如40分钟或1小时）。在建模时，这变成了一个带时间窗的约束：如果机组i先执行航班a再执行航班b，那么航班b的起飞时间必须晚于航班a的到达时间加上最小衔接时间。
这个考点最容易出错的地方是：题目给的时间格式可能是「HH:MM」字符串，直接用字符串比较会出问题。正确的做法是在数据预处理阶段把所有时间统一转换成分钟数，比如10:30转换成630分钟，再进行大小判断。资源里的思路文档应该是把这个转换过程写清楚了，因为代码里如果有时间比较逻辑，这一步错后面全错。
3.3 考点三：机组资源约束——休息期与工作量的平衡
第三个必考考点是机组资源约束，包括最大飞行时长、最小休息时长、机组资质匹配。2021年F题的数据文件里分开给出了A、B机组，说明不同机组可能有不同的资质或机型限制。这类约束在模型里表现为不等式约束：某机组一天累计飞行时间不超过上限，连续工作天数不超过上限，两次任务之间至少休息XX小时。
面试官或评委最想看到的是你能不能把这些规则量化。比如「机组每天飞行时间不超过8小时」翻译成约束就是 sum(飞行时长_j * x_ij) <= 480分钟。这一步是建模能力的直接体现——规则读得越细，约束列得越全，得分越高。资源中第2题的代码注释里写了「详细注释」，说明第2题已经把第1题的约束扩展成了完整约束集。
3.4 真题演练：用2021年F题第1题练手
下面用一道简化版真题演示完整答题思路。题目大意是：给定10个航班任务和5个机组，每个航班有起飞时间、到达时间、飞行时长，每个机组每天飞行时间上限为480分钟，求最优排班方案使总飞行时间均衡。
建模步骤：第一步定义决策变量 x(i,j) 表示机组i执行航班j，i=1..5，j=1..10。第二步写覆盖约束：sum_i x(i,j) = 1 对所有j成立。第三步写飞行时长约束：sum_j 飞行时长(j) * x(i,j) <= 480 对所有i成立。第四步确定目标函数——这里有两个常见选择：最小化最大飞行时长（均衡负载）或最小化总空载时间。F题通常倾向于均衡负载，因为航空排班更关注公平性。
% 简化版第1题求解代码 % 决策变量 x(i,j): 机组i执行航班j % 数据准备（示例数据，实际从CSV读取） flight_time = [90 120 60 150 80 100 110 70 130 95]; % 每个航班飞行时长（分钟） num_crew = 5; num_flight = 10; max_crew_time = 480; % 机组每日飞行上限 % 使用intlinprog求解0-1整数规划 % 目标函数：最小化最大飞行时长（通过引入辅助变量y实现） % 约束：覆盖约束 + 时长约束 + 变量0-1约束 f = [zeros(1, num_crew*num_flight), 1]; % 辅助变量y的系数为1 A = []; b = []; % 覆盖约束: 每趟航班恰好一个机组执行 Aeq_cover = kron(eye(num_flight), ones(1, num_crew)); beq_cover = ones(num_flight, 1); % 时长约束: 机组累计飞行时间 <= 上限 A_time = zeros(num_crew, num_crew*num_flight+1); for i = 1:num_crew A_time(i, (i-1)*num_flight+1 : i*num_flight) = flight_time; A_time(i, end) = -1; % y - 飞行时长 <= 0 即飞行时长 <= y end b_time = zeros(num_crew, 1); % 合并约束 Aeq = Aeq_cover; beq = beq_cover; A = [A; A_time(:, 1:end-1)]; b = [b; b_time(:, 1)]; % 整数约束 intcon = 1:num_crew*num_flight; lb = zeros(num_crew*num_flight+1, 1); ub = ones(num_crew*num_flight+1, 1); ub(end) = max_crew_time; [x, fval] = intlinprog(f, intcon, A, b, Aeq, beq, lb, ub);这段代码的逻辑说明：先用kron函数生成覆盖约束矩阵，每一行对应一个航班，确保每个航班恰好有一个机组执行。时长约束里引入辅助变量y表示「最大飞行时长」，把min-max目标线性化——这是这类题目的经典技巧。注意看A_time矩阵构造，对每个机组i，把该机组对应的航班时长放在对应位置，(end)处填-1表示「累计时长 - y <= 0」。这样求解器就能同时处理均衡目标和所有硬约束。
实际运行时要用MATLAB的intlinprog，但数据量大时计算会变慢，这时通常改用遗传算法或模拟退火做启发式求解，这也是第3题的常见扩展方向。
4. 高频考点：求解算法选择与MATLAB实现要点
4.1 精确算法 vs 启发式算法：什么情况选什么
机组排班问题本质是NP难问题，数据量小的时候用分支定界法加整数规划求解器能拿到精确解，数据量大的时候必须退而求其次用启发式算法。2021年F题第1题数据量小，直接用intlinprog没问题；第2题数据量变大，很多队伍开始卡死在求解时间上；第3题要求优化，就必须考虑遗传算法或粒子群。
评委在这类题上最反感的是「为了用算法而用算法」——明明小数据用精确解就够，非上遗传算法还收敛不到全局最优。正确的答题思路是先试精确求解，记录求解时间和结果，如果数据规模导致算不动或超时，再设计启发式算法，并在论文里写明两者的对比。这道题的采分点就在「对比」上：精确解给出小规模最优值，启发式算法给出大规模近似解和gap分析。
4.2 MATLAB工具箱选型：linprog、intlinprog还是YALMIP
F题用MATLAB求解，最常涉及三个工具：linprog（线性规划）、intlinprog（混合整数线性规划）、YALMIP（建模工具箱）。基础排班用intlinprog就够，因为决策变量是0-1整数；但如果约束里有非线性项，就需要YALMIP搭配外部求解器。
这里有个血泪经验：intlinprog对约束矩阵的稀疏性很敏感，数据量大时务必用sparse函数把矩阵转成稀疏格式，否则内存直接爆掉。另一个面试官常问的点是intlinprog的参数设置——默认的求解精度和最大迭代次数可能不够，要主动设置MaxTime和IntegerTolerance。资源代码里如果直接调intlinprog，这几个参数一般会写在注释里。
4.3 真题演练：第2题的大规模求解思路
第2题的数据量变大，继续用intlinprog暴力求解会超时。这时标准解法是设计遗传算法或模拟退火。答题思路分四步：第一步设计染色体编码，比如用一个长度为航班数的整数数组，每个位置的取值代表机组编号；第二步设计适应度函数，把覆盖约束、时长约束、衔接约束做成惩罚项加进目标；第三步设计交叉和变异算子，注意交叉后要修复非法子代；第四步设置终止条件，比如迭代200代或连续20代不改善就停止。
用遗传算法时最容易被问的问题是「惩罚系数怎么定」。通常这样答：先跑几组小实验，对比不同惩罚系数下的收敛曲线和最终目标值，选一个「恰好能保证所有硬约束满足」的最小惩罚值。这个操作在论文里要写出来，证明你的参数不是拍脑袋定的。
% 遗传算法求解机组排班问题的核心片段 % 编码: 染色体长度为航班数，基因值为机组编号(1~num_crew) % 适应度: 总飞行时长均衡度 + 约束违反惩罚 function fit = fitness(chromosome, flight_time, max_crew_time) num_flight = length(chromosome); crew_load = zeros(1, max(chromosome)); for j = 1:num_flight crew_load(chromosome(j)) = crew_load(chromosome(j)) + flight_time(j); end % 目标1: 均衡度（最大-最小） balance_penalty = max(crew_load) - min(crew_load); % 目标2: 超时惩罚 overtime_penalty = sum(max(0, crew_load - max_crew_time)) * 1000; % 目标3: 覆盖惩罚（染色体长度等于航班数时天然满足） fit = balance_penalty + overtime_penalty; end这段代码的核心是适应度函数的设计逻辑：把「均衡」和「不超时」两个目标合并成一个标量值。注意惩罚系数1000的设定，它比目标值大一个数量级，目的是让「超时方案」无论均衡度多好都被淘汰。参数说明：chromosome是一个行向量，每个位置存机组编号；flight_time对应每个航班的飞行时长，crew_load累计每个机组的总飞行时间。实际调参时，1000这个系数要根据数据规模缩放，可以先用小数据测试量级。
5. 易错点与失分点：F题考生最常见的5个致命错误
5.1 时间字段格式没统一
错在哪：直接用HH:MM字符串做比较，出现「10:30大于9:45」这类错误判断。为什么错：字符串比较按字典序，而不是按时间先后，10:30确实「大于」9:45，但9:45的航班可能已经起飞了。怎么答对：数据读取后第一件事就是写一个转换函数，把时间列统一成分钟数（小时*60+分钟），后面所有计算都用分钟。这个错误几乎每届都有队伍踩，评委看到时间处理逻辑混乱直接扣建模分。
5.2 约束条件漏掉「机组休息期」
错在哪：只写了覆盖约束和飞行时长约束，没写两次任务之间必须有休息期。为什么错：题目附件里可能在说明文档角落写了「机组执行完一个航班后至少休息30分钟再安排下一班」，但这行字不在醒目的位置。怎么答对：拿到题目后先通读全部文字，把所有「至少、不超过、不得」这类词圈出来，逐条转成约束表达式。资源里的思路.md应该就是干这个事的——把题目规则拆成清单。
5.3 数据里存在缺失值直接readtable报错
错在哪：CSV文件里有几行缺失值，直接用readtable读入后warning刷屏，后续代码连环报错。为什么错：没做数据清洗步骤。怎么答对：读入前先预览文件头部，用detectImportOptions设置VariableImportOptions，或者读入后用ismissing检查并决定删除或补全。这个操作在真实赛场上能省半小时调试时间。
5.4 遗传算法解大规模问题时跑不出可行解
错在哪：编码设计不合理，交叉和变异产生大量非法染色体，适应度惩罚导致种群全部被淘汰。为什么错：没有设计修复机制，只靠惩罚项硬拉。怎么答对：交叉后加一个修复函数，把重复的航班重新分配给未覆盖的机组；或者改用「保序交叉」这类专门针对排班问题的算子，确保子代合法性。
5.5 论文里不写参数设置和运行环境
错在哪：直接贴结果图和代码，没说运行了多久、机器配置、MATLAB版本、求解器类型。为什么错：评委无法判断你的结果是否可复现，这在竞赛评审中是严重扣分项。怎么答对：论文里加一节「实验设置」，写清楚硬件配置、软件版本、求解器名称、关键参数值、平均运行时间。这个习惯在面试讲项目时同样加分，面试官最怕听到「效果很好」但没有任何实验细节。
6. 答题技巧与押题思路：F题拿高分的三个临场动作
评委留给每篇论文的时间不超过15分钟，其中前2分钟在翻摘要、模型图、结果表。这意味着你的论文结构必须让评委在2分钟内抓住三个信息：问题是什么、模型怎么建、结果好不好。围绕这个目标，我有三个固定动作，每次做F题都强制走一遍。
第一个动作：写摘要前先列出「三个亮点」。比如第1题用了线性化技巧把min-max目标变成标准整数规划，第2题用遗传算法加惩罚函数处理大规规模数据，第3题做了参数敏感性分析。摘要里只写这三点，其余细节一律不写。这样评委看完摘要就知道这篇论文有干货，愿意继续读下去。很多队伍把摘要写成「本文研究了XX问题，建立了XX模型，求解了XX」这种流水账，等于直接放弃第一印象分。
第二个动作：模型图必须用「流程图+约束表」组合。左边一张变量关系图，右边一张约束条件列表，图里标清楚每个约束对应题目里哪句话。这个动作的杀伤力在于：评委看图就能判断你的模型完整性，不用去正文里逐行找。我自己一般控制在半小时内画完，先用纸笔理顺变量关系再画工具生成，避免边画边想浪费时间。
第三个动作：结果分析必须有「对比实验」。哪怕只是对比「有休息约束 vs 无休息约束」的目标函数值变化，也能证明你理解了约束的作用。如果是优化算法，必须对比「遗传算法 vs 精确求解（小规模）」的gap值和运行时间。F题评奖时，有对比分析的文章通常比只报一组结果的文章高一个档次，因为评审能看出你对模型和算法有深度理解。
另一个压箱底的建议：赛前一定要把MATLAB的intlinprog、ga、simulannealbnd三个函数的手写模板准备好，包括参数设置、结果提取、画图模板。2021年F题三个子问题都能用这三个函数套出来，比赛时你比对手省下的时间至少四个小时——这四个小时足够把论文润色一遍。从那以后我每次做优化类赛题，都强制自己先准备求解模板再读题，这个习惯确实帮我少熬了不少夜。希望帮到你，赛场见。
本文还有配套的精品资源，点击获取
