1. 项目概述：从“思路”到“解题框架”的实战转化

每年九月的那个周末，对于全国几十万理工科大学生来说，都是一场没有硝烟的战争——全国大学生数学建模竞赛。2022年B题“无人机遂行编队飞行中的纯方位无源定位”，这个题目一出来，很多队伍直接就懵了。无人机、编队、纯方位、无源定位，这些词单拎出来都够呛，组合在一起更是让人头皮发麻。我当时带了几支队伍，看到题目后第一反应是：这题有得做，但关键在于思路的拆解和转化。很多人把“思路”理解为“答案”或者“标准解法”，这是最大的误区。真正的“思路”，是一个将抽象的、复杂的实际问题，转化为一系列可建模、可计算、可优化的具体步骤的思维框架。它告诉你从哪里切入，用什么工具，可能会遇到什么坑，以及如何权衡不同的方案。这篇文章，我就以2022年B题为例，彻底拆解一遍从拿到赛题到形成完整解题方案的完整思维过程，这不仅仅是复盘一道题，更是分享一套应对复杂建模问题的通用方法论。

这道题的核心场景其实很明确：若干架无人机组成编队，其中一部分（FY00）位置和方向已知，它向其他无人机发射信号，其他无人机只能接收到信号的方向（即方位角），而不知道距离。我们需要根据这些方位角信息，去反推其他无人机的具体位置。这本质上是一个非线性优化和几何定位问题。题目适合有一定数学基础（线性代数、概率论、最优化理论）和编程能力（Matlab/Python）的同学，但更重要的是问题分析和转化能力。如果你只盯着“定位”算法本身，可能会陷入复杂的数学推导出不来；但如果你先厘清问题的约束、目标和可用的信息结构，路就会清晰很多。

2. 核心问题拆解与建模思路总览

面对这种多阶段、多约束的赛题，最忌讳的就是一头扎进细节。我的习惯是，先用半小时到一小时，把题目从头到尾精读三遍，用笔划出所有已知条件、假设、目标和问题。2022年B题可以清晰地拆解为几个层次分明的子问题。

2.1 题目信息结构与关键约束提取

首先，我们必须把题目中的“物理描述”翻译成“数学语言”。这是建模的第一步，也是决定后续所有工作是否稳固的基石。

1. 编队几何描述：题目给出了一个理想化的圆形编队。FY00位于圆心，另9架无人机（FY01-FY09）均匀分布在半径为100米的圆周上。这是一个非常强的初始几何约束。但要注意，这只是“理想位置”。题目明确说明，实际位置会有偏差，我们需要去“估计”或“调整”它们的位置。所以，这里的圆形和均匀分布，是我们优化的目标几何形状，而不是已知的固定位置。

2. 观测模型：这是问题的核心。FY00发射信号，其他无人机接收。接收机（FY01-FY09）只能测量到信号来源的“方位角”。在二维平面上，方位角通常定义为与某一参考方向（如正北、FY00的机头方向）的夹角。题目中，FY00的“方向角”是已知的，这很可能就是全局的参考方向。因此，对于任意一架无人机FY0i，它观测到的FY00的方位角，实际上反映了FY0i相对于FY00连线的角度信息。关键点在于：这是一个“纯方位”信息，只含角度，不含距离。

3. 问题目标：题目分为几问，但核心目标可以归纳为：

   • 定位：在FY00位置和方向已知，且已知部分无人机（如FY01, FY02）精确位置的前提下，仅利用其他无人机对FY00的方位角观测，去估计这些无人机的位置。
   • 调整：在定位出实际位置后，如何通过调整少数无人机（如FY01）的位置，使得整个编队尽可能恢复到理想的圆形均匀分布状态。这里涉及一个“调整距离最小化”的优化目标。

4. 关键难点与隐含假设：

   • 非线性性：方位角观测方程（arctan((y_i - y_0)/(x_i - x_0))）本身就是非线性的。这直接排除了使用简单线性方程组求解的可能性，必须引入优化或几何方法。
   • 可观测性：仅凭一个角度信息，在二维平面上是无法唯一确定一个点的（它位于一条射线上）。这就是为什么题目需要额外信息：要么知道另外两架无人机（FY01, FY02）的精确位置，要么需要无人机之间的相对观测（后续问题）。这些额外信息提供了必要的“几何约束”，使得问题变得可解。
   • 误差处理：观测的方位角必然存在误差。我们的模型必须能容忍一定的观测噪声，而不是追求在噪声下完全精确的数学解。这通常意味着我们需要采用最小二乘或更鲁棒的优化框架。

注意：很多队伍在这里会犯一个错误，试图直接用方位角构造三角形，用正弦定理、余弦定理去解算位置。这在理论上对于无噪声、观测完备的情况或许可行，但一旦引入噪声和实际问题的复杂性（如多解性），这种方法会非常脆弱且难以推广。现代数学建模竞赛中，更倾向于采用具有良好抗噪性和可扩展性的数值优化框架。

2.2 整体技术路线设计

基于以上拆解，我们可以规划出一条清晰的、层层递进的技术路线。这条路线不是唯一的，但经过实践检验是稳健且高效的。

第一阶段：基础定位模型建立（对应赛题前几问）核心思想是将定位问题转化为一个非线性最小二乘优化问题。

1. 参数化：将未知无人机的位置 (x_i, y_i) 作为待优化的参数。
2. 构建目标函数：对于每一个方位角观测值，计算其理论值（根据当前估计位置和FY00位置算出）与实际观测值之间的差值。将所有这些差值的平方和作为目标函数。目标函数的值越小，说明估计位置越符合观测数据。
3. 引入约束：利用FY01、FY02的精确位置作为强约束（固定其参数），或利用它们与其他无人机的几何关系（如距离约束）作为优化问题的约束条件。
4. 求解：使用数值优化算法（如Matlab的lsqnonlin,fmincon，或Python SciPy的least_squares,minimize）求解这个带约束的非线性最小二乘问题，得到未知无人机的位置估计。

第二阶段：编队调整优化（对应赛题后几问）在获得所有无人机的估计位置后，进入调整阶段。

1. 定义“理想位置”：以FY00为圆心，半径为100米，将FY01-FY09均匀分配在圆周上，得到一组理想坐标。
2. 定义调整策略与成本：题目通常要求只调整部分无人机（如FY01）。我们需要决定调整哪些无人机，以及将它们移动到哪个新位置。调整的成本就是移动的距离。
3. 构建调整优化模型：这是一个组合优化或连续优化问题。决策变量是所选无人机的调整后位置。优化目标是：在调整后，所有无人机位置与理想编队位置的总体偏差（如距离平方和）最小，同时使得调整成本（总移动距离）最小或不超过某个上限。这通常可以构建为一个多目标优化或带约束的单目标优化问题。
4. 求解与方案输出：使用优化算法（如智能优化算法：遗传算法、粒子群算法；或混合整数规划）求解，得到具体的调整方案，并计算调整后的队形偏差。

第三阶段：模型的推广与稳健性分析（对应最后一问及论文亮点）考虑更复杂情况，如部分无人机位置缺失、观测存在系统性误差等，并测试模型在噪声增大时的表现，提出改进方案（如使用更鲁棒的损失函数、引入滤波算法等）。

3. 核心模型构建与算法实现细节

思路有了，接下来就是具体的“搭积木”过程。每一块积木怎么选、怎么用，直接决定了模型的精度和速度。

3.1 非线性最小二乘定位模型详解

这是整个赛题的基石。我们以最典型的场景为例：已知FY00坐标(0,0)，方向角α（设为0度，即指向x轴正方向），已知FY01和FY02的精确坐标，需要仅利用FY03-FY09对FY00的方位角观测，来估计FY03-FY09的位置。

1. 观测方程建立：设FY0i的估计坐标为 (x_i, y_i)，FY00坐标为 (0,0)。那么，从FY0i观测FY00的理论方位角 θ_i_theory 为：θ_i_theory = atan2(y_i, x_i) * 180 / π（注意转换为度，并与全局方向对齐，这里假设参考方向为x轴正向，所以直接用atan2）。atan2(y, x)是四象限反正切函数，能自动处理角度所在的象限，比atan(y/x)更稳定。

2. 目标函数构建：设FY03-FY09的实际方位角观测值（题目给出或根据理想位置加噪声模拟）为θ_i_obs。 则目标函数（残差平方和）为：F(X) = Σ_{i=3}^{9} [ θ_i_theory(X) - θ_i_obs ]^2其中X = [x_3, y_3, x_4, y_4, ..., x_9, y_9]是待优化的参数向量。

3. 约束处理：FY01和FY02的位置已知，设为 (x1, y1), (x2, y2)。它们不仅自身不参与优化，还可能为其他点提供间接约束。例如，FY01和FY02与FY00的相对位置是精确已知的，这实际上为整个坐标系提供了一个“基准尺”和“方向标”，解决了纯方位定位中的尺度和旋转模糊性问题。在优化中，我们不需要为它们设置约束，但在计算理论方位角时，所有点（包括FY01, FY02）都应满足与FY00的几何关系，这隐含在模型的一致性中。

4. 算法选择与实现：

• 初值设定：非线性优化对初值敏感。一个非常好的初值就是理想编队位置（均匀分布在半径为100的圆上）。因为实际位置偏差不大，从理想位置开始搜索，收敛速度快且不易陷入局部最优。
• 求解器选择：
  • Matlab：使用lsqnonlin（非线性最小二乘专用）或fmincon（通用约束优化）。lsqnonlin更高效。

  % 示例代码框架 % 定义目标函数（返回残差向量） function residual = myObjective(params, observed_angles) % params: [x3, y3, x4, y4, ...] % 计算理论角度 theoretical_angles = atan2d(params(2:2:end), params(1:2:end)); % atan2d直接返回角度 residual = theoretical_angles - observed_angles; end % 设置初值（理想位置） initial_guess = ... % 从理想位置获取FY03-FY09的坐标，拉成向量 % 调用优化器 options = optimoptions('lsqnonlin', 'Display', 'iter', 'Algorithm', 'trust-region-reflective'); [estimated_params, resnorm] = lsqnonlin(@(p) myObjective(p, obs_angles), initial_guess, [], [], options);

  • Python：使用 SciPy 的least_squares。

  import numpy as np from scipy.optimize import least_squares def objective(params, observed_angles): # params 结构同Matlab示例 x = params[::2] y = params[1::2] theoretical_angles = np.degrees(np.arctan2(y, x)) return theoretical_angles - observed_angles initial_guess = ... # 理想位置向量 result = least_squares(objective, initial_guess, args=(observed_angles,), method='trf', verbose=1) estimated_params = result.x

实操心得：atan2和atan2d（Matlab）或np.arctan2后接np.degrees（Python）的使用是关键。直接使用atan(y/x)会遇到除零和象限判断错误的问题。另外，角度的周期性（比如359度和1度相差2度，但数值差358度）需要小心处理。可以在目标函数中加入角度差值的规范化，确保差值在[-180, 180]度之间：delta = mod(theta_theory - theta_obs + 180, 360) - 180。

3.2 编队调整优化模型实现

定位完成后，我们得到一组估计位置P_est = [p0, p1, ..., p9]，其中p0是FY00。理想编队位置为P_ideal。

1. 问题建模：假设我们被允许调整K架无人机（例如K=1，调整FY01）。设调整决策为，将FY01从当前位置p1_est移动到新位置p1_new。 我们需要优化p1_new，使得调整后的整体编队形态最接近理想圆形。

2. 目标函数设计：这里有两个可能的目标：

• 目标A：最小化整体队形偏差。即最小化所有无人机位置（FY00固定，FY01用新位置，其他用估计位置）与理想位置的距离平方和。Minimize: Σ_{i=0}^{9} || p_i_adjusted - p_i_ideal ||^2其中，p_i_adjusted对于i=1是p1_new，对于其他i是p_i_est。
• 目标B：在调整量受限下，最小化队形偏差。即约束||p1_new - p1_est|| <= D_max，在此约束下最小化上述整体偏差。

题目通常要求的是目标B，即给定调整距离上限，求最优调整方案。这可以转化为一个带约束的优化问题。

3. 模型求解：由于决策变量只有两个（p1_new的x, y坐标），搜索空间不大，但问题是非凸的（因为目标函数是距离平方和）。可以采用以下方法：

• 直接使用非线性约束优化：如Matlab的fmincon，Python的minimize（method='SLSQP' 或 ‘trust-constr’）。

  from scipy.optimize import minimize, NonlinearConstraint def total_deviation(p1_new): # 计算调整后的总偏差 adjusted_positions = estimated_positions.copy() adjusted_positions[1] = p1_new # 假设索引1是FY01 return np.sum(np.linalg.norm(adjusted_positions - ideal_positions, axis=1)**2) # 约束：调整距离不超过D_max def distance_constraint(p1_new): return D_max - np.linalg.norm(p1_new - estimated_positions[1]) cons = {'type': 'ineq', 'fun': distance_constraint} # 不等式约束，要求fun>=0 result = minimize(total_deviation, x0=estimated_positions[1], constraints=cons, method='SLSQP') optimal_new_position = result.x

• 几何分析法（针对简单情况）：如果只调整一架，且目标是让编队尽可能圆，一个直观的思路是，让被调整的无人机“填补”当前编队中最破坏圆形的那个点。可以计算当前所有点到理想圆心的距离和角度，找到偏离最大的点，然后尝试将其向理想位置调整。但这种方法最优性无法保证，可作为优化算法的初值或验证。

4. 结果评估：计算调整后的队形偏差，并与调整前对比。同时，给出调整无人机的移动方向和距离。

4. 仿真验证、误差分析与模型稳健性探讨

模型建好了，代码也写了，但你怎么知道它是对的、是好的？这就需要一套完整的验证和分析流程。

4.1 数据仿真与模型验证流程

国赛题通常会提供一些数据，但为了全面测试模型，自己生成仿真数据是必不可少的。

1. 生成理想编队数据：以(0,0)为圆心，生成FY01-FY09在半径100米圆上的均匀分布坐标。
2. 加入随机位置偏差：模拟实际位置与理想的偏差。可以在径向和切向分别加入高斯随机噪声，例如径向偏差~N(0, 5^2)米，切向偏差（导致的角度变化）~N(0, (2°)^2）。
3. 生成方位角观测数据：
   • 计算每架无人机（FY01-FY09）到FY00(0,0)的真实角度（使用atan2）。
   • 在真实角度上加入观测噪声，例如高斯噪声 ~N(0, σ^2)，σ 可取0.5°, 1°, 2°等不同水平，以测试模型抗噪性。
4. 运行定位模型：将FY01, FY02的真实坐标作为已知，将FY03-FY09的带噪声方位角作为观测，输入我们的非线性最小二乘模型，估计出FY03-FY09的位置。
5. 评估定位精度：计算估计位置与真实位置（步骤2中生成的）之间的欧氏距离，统计平均误差、最大误差、均方根误差(RMSE)。

注意事项：仿真时，必须固定随机种子（如Matlab的rng(1)， Python的np.random.seed(1)）。这确保了结果可重现，便于调试和对比不同参数下的性能。这是科研和竞赛中的基本规范，但很多新手会忽略。

4.2 误差来源分析与模型敏感性测试

模型结果出现偏差，不要急着调参，先系统分析误差从哪里来。

1. 观测噪声敏感性：这是最主要的误差源。我们可以绘制一幅图：横坐标是观测噪声的标准差σ（从0.1°到5°），纵坐标是定位的RMSE。通常会发现，RMSE随着σ增大而近似线性增长。这验证了模型的基本合理性。如果曲线出现异常陡增或平台，说明模型在某个噪声阈值下崩溃了，可能需要改进（如提供更好的初值、使用鲁棒损失函数）。
2. 已知点位置误差的传播：题目假设FY01、FY02位置精确已知。但现实中可能存在误差。我们可以做一个敏感性分析：在FY01、FY02的真实坐标上加入微小误差（如1米），再看定位结果的变化。这能评估模型对“基准”精度的依赖程度。
3. 优化算法与初值依赖性：尝试不同的初值（例如，给一个偏离很远的初值），观察优化算法是否能收敛到正确解，或者陷入局部最优。这能帮助我们理解算法的稳定性，并在论文中给出“建议从理想位置附近开始迭代”的实用建议。
4. 几何构型的影响：如果FY01和FY02与FY00的夹角很小（即它们几乎在同一个方向），那么它们提供的“基线”就很短，定位精度会下降（类似于GPS中的几何精度衰减因子GDOP）。虽然本题中它们分布较开，但分析这一点能体现你对问题深度的理解。

4.3 模型稳健性提升与扩展思考

这是论文拿高分的关键，展示了你的建模不止于解题，更有思考。

1. 鲁棒损失函数：标准最小二乘对异常值（大的观测误差）非常敏感。可以考虑使用Huber损失或Cauchy损失代替平方损失。在scipy.optimize.least_squares中，可以通过设置loss参数（如loss='huber'）轻松实现。这能有效抑制个别“坏”观测数据的影响。
2. 考虑更多约束：在调整模型中，除了调整距离约束，是否可以考虑无人机之间的防碰撞约束？即调整后的任意两架无人机距离应大于某个安全值d_min。这会将问题变成一个更复杂的带不等式约束的优化问题，但更贴近实际。
3. 分布式定位思想：题目只利用了FY00发射，其他接收的模式。可以思考，如果所有无人机都能互相测量方位角（即“相对方位”），能否设计一个分布式协同定位算法？这可以引出基于图优化或一致性理论的方法，虽然竞赛时间内难以完全实现，但在模型推广部分提出这个想法，能极大提升论文的视野和深度。
4. 三维扩展：题目是二维的。但在结论中，可以简要讨论模型扩展到三维空间（无人机高度不同）需要修改哪些部分（方位角需用俯仰角和方位角两个量描述，观测方程变为球面几何关系）。这展示了模型的普适性。

5. 参赛实操中的关键技巧与避坑指南

思路和模型是骨架，真正的血肉是参赛那三天里的具体操作。这里分享一些实战中血与泪换来的经验。

5.1 论文写作与结果呈现的核心要点

数学建模竞赛，“建模”只占三分之一，“写作”和“编程”同样重要。一篇好的论文能让评委迅速抓住你们的亮点。

1. 摘要就是一切：摘要必须独立成段，控制在500-800字。采用“总-分-总”结构。开头一两句话概括问题、你们的方法和最终结论。然后，针对每一个问题，用一两句话说明你们用了什么模型、得到了什么关键结果（务必给出具体数值，如“定位平均误差为0.8米”、“在调整距离不超过30米的约束下，将队形偏差降低了75%”）。最后，总结模型的优点、特色或推广价值。摘要里不要出现公式和图表引用。
2. 模型假设要合理且明确：在模型建立章节，首先列出假设。例如：“假设一：方位角观测噪声为零均值高斯白噪声。假设二：FY00的位置和方向精确已知且无误差。假设三：无人机视为质点，忽略其尺寸。” 合理的假设能简化问题，也定义了模型的适用范围。
3. 图表专业清晰：
   • 定位结果图：画两张图并列。左图：理想编队（圆圈+均匀点）。右图：估计出的编队（用‘x’表示）与真实编队（用‘o’表示）的对比，并用线段连接每个估计点和对应的真实点，线段的长度直观表示误差。给图形加上图例、坐标轴标签。
   • 误差分析图：箱线图非常适合展示不同噪声水平下定位误差的分布。横轴是噪声水平σ，纵轴是定位误差，每个σ对应一个箱体。
   • 调整方案示意图：用箭头清晰标出哪架无人机被调整，从哪移动到哪，箭头旁标注移动距离。背景可以保留理想编队的圆圈作为参考。
   • 所有图表必须有编号和标题，如“图1 无人机编队定位结果对比”，并在正文中引用“如图1所示”。
4. 模型检验部分不可或缺：不要只说“我们用了非线性最小二乘，结果很好”。要展示敏感性分析（如5.2节所述）、稳定性分析（改变初值，结果变化不大）、以及与简单方法的对比（例如，可以尝试用几何交会法算一下，然后对比误差，凸显你们优化模型的优越性）。

5.2 编程实现与团队协作的实战细节

1. 代码模块化与版本管理：
   • 将不同功能的代码写成独立的函数或脚本文件。例如：generate_data.m,lsq_localization.m,formation_optimization.m,plot_results.m。
   • 使用Git（或至少用文件夹+日期备份）进行版本管理。每天结束前提交一次代码。这能在你们误删文件或想回溯到之前某个模型版本时救命。
2. 调试与数据检查：
   • 优化不收敛？首先打印出目标函数在初值处的值，检查观测数据和理论计算函数是否写对了。经常遇到的问题就是角度单位（弧度/度）弄混，或者atan2参数顺序写反。
   • 结果明显不对？将中间变量画出来。比如在定位迭代过程中，把每次迭代的无人机位置估计画成动画，观察优化过程是否在向合理方向移动。
3. 分工与时间管理：
   • 第一天上午：共同读题、讨论、确定基本思路和分工。一人主攻建模推导和论文大纲，一人主攻编程实现（数据生成、基础算法），一人开始撰写问题重述、模型假设等前期文字部分。
   • 第一天下午到第二天全天：核心建模与编程期。保持频繁沟通，实现者随时向建模者反馈算法遇到的问题和初步结果，建模者根据结果微调模型。论文撰写者同步整理已确定的部分。
   • 第三天上午：所有模型结果应该都已得出。开始集中进行论文写作、图表制作和结果分析。
   • 第三天下午到晚上：论文整合、修改、润色摘要、反复检查格式和错别字。务必留出至少2小时进行全文通读和格式调整。许多队伍最后因为匆忙，导致图表错位、公式编号错误、参考文献格式混乱，非常可惜。
4. 常见致命错误：
   • 忽略单位：题目中距离单位是米，角度是度。在计算中务必统一，尤其在反三角函数中，Matlab的sin、cos默认输入是弧度，而观测数据往往是度，需要转换。
   • 优化变量排列错误：lsqnonlin或least_squares的目标函数输入是一个一维参数向量。你需要清晰地定义这个向量如何与无人机的坐标对应（如[x1, y1, x2, y2, ...]），并在计算理论值时正确地索引出来。这是最容易出错的地方之一，建议写一个清晰的注释，并编写一个专门的函数来将参数向量转换为坐标矩阵。
   • 论文复制代码或中间输出：论文里不要贴大段的代码。可以贴关键的一两行算法核心代码。更不要将Matlab命令窗口的冗长迭代输出直接复制到论文里。应该整理成清晰的表格或总结性语句。

5.3 心态调整与资源利用

最后，说点务虚但同样重要的。国赛强度很大，三天时间非常紧张。

• 遇到卡点是常态：模型推不下去、程序报错、结果不合理，这些都会发生。这时候不要互相抱怨，停下来，三个人一起把问题写在白板或纸上，一步步回溯。往往是在解释给队友听的过程中，自己就发现了问题所在。
• 善用外部资源，但切忌抄袭：可以查阅优化算法手册、MATLAB/Python官方文档、经典的几何定位论文。但核心模型和求解思路必须是你们自己的。裁判组对论文重复率有检查，直接复制网上的成段代码或模型描述是高风险行为。
• 结果不完美也要全面分析：如果模型在某些极端参数下效果不好，不要试图掩盖。在论文中坦诚地指出模型的局限性，并分析原因（例如“当观测噪声超过3度时，由于问题接近不可观测，模型定位误差显著增大”），这体现了科学的严谨性，有时比一个完美的结果更能打动评委。

这道2022年的B题，就像一块试金石，检验的不仅是数学和编程能力，更是将复杂现实抽象为数学模型，并稳健求解的系统性思维能力。从“纯方位无源定位”这个具体问题中提炼出来的“问题拆解-模型转化-数值优化-仿真验证-稳健性分析”框架，对于解决绝大多数工程和科学中的反问题，都具有普遍的参考价值。