企业官网建设流程全解析

题目一发下来，群里就炸了。虽然还没细看，干过几届的都心知肚明，2025年的A题又是那熟悉的配方——物理机理建模加反问题求解。今年的场景换成了二维导热平板上的热源定位与温度场重构，表面看是热传导，骨子里考的是你把“正问题”“反演”“优化布点”“稳健性分析”这一整条技术链路能不能串起来。这篇文章我按自己实战的路子，把A题1到4问从头到尾拆一遍，每问给出建模思路、关键公式、核心Python代码，最后一节专门讲怎么把代码结果落成一篇能冲奖的论文。适合正在备战国赛的队伍，也适合想系统理解“机理建模+反问题”套路的同学。

1. 拿到A题第一步：把四问翻译成四个可计算的子问题

1.1 A题为什么老是“反问题”

国赛A题有个延续了很多年的出题习惯：先给一个物理过程，再给你一批残缺的观测数据，让你反推背后的参数或状态。今年的热源定位问题，本质就是把“输入输出颠倒”过来玩。

正常的热传导正问题是这样：已知热源位置、强度、材料属性，求整个区域温度场随时间的变化。这就像你手里有菜谱和食材，掐指一算能知道出锅是啥味。反问题则是反过来：我手里只有几个温度传感器测到的零星数据，要猜热源在哪、功率多大、有几个。这相当于只给你一口菜的味道，让你把整张菜谱还原出来，这显然就难了，而且基本不保证唯一解。

理解这个“正反颠倒”，是拆解整个A题的枢纽。四问其实是在这条主线上层层递进的：第一问先老老实实把正问题算准，第二问在这个正问题的基础上做反演，第三问优化观测手段，第四问考察你的方案在噪声面前还站不站得住。

1.2 四问翻译结果

真正动手写代码前，建议把题目四问逐句翻译成“可计算的问题描述”，这一步做得好，后面每一步都不会偏。

我的翻译结果是这样的，你可以对照自己手里的题目微调：

1. 第1问：给定热源参数，用数值方法求解二维非稳态热传导方程，给出测点温度，并验证离散格式的收敛性。核心关键词是“正问题离散”“差分解法”“网格无关性”。

2. 第2问：在部分测点已知温度观测的情况下，设计反演算法来确定热源的位置坐标和发热强度。核心关键词是“病态问题”“正则化”“非线性最小二乘”。

3. 第3问：传感器数量有限，如何选择测点位置使反演精度最高。核心关键词是“实验设计”“Fisher信息矩阵”“D-最优准则”“组合优化”。

4. 第4问：叠加观测噪声和模型误差后，评估方案的反演稳健性，并给出推广方案。核心关键词是“蒙特卡洛”“灵敏度分析”“鲁棒性”。

有了这四句话，后面每问都是在解决一个明确的计算任务，而不是面对一段含糊的文字描述。

1.3 先立好假设，后续省一大半力气

建模之前必须做假设，但有个原则：假设的目的是让问题可解、可计算，不是为了把题目改得面目全非。我在这个热源定位问题里用了四条基本假设：

• 材料均匀且各向同性，热导率、比热容和密度为常数；
• 平板厚度远小于长宽，忽略z方向温度梯度，简化为二维问题；
• 初始温度均匀分布，边界与环境之间满足第三类边界条件（对流换热）；
• 热源简化为具有一定半径的圆形面热源，单位体积发热功率恒定。

这些假设在论文里要写清楚，还要加一句“在XX情况下假设近似成立”。你第四问做模型误差分析时，推翻的正是其中某条假设，所以假设立得越清晰，第四问越有的写。

2. 第1问：非稳态热传导正问题的离散与求解

2.1 控制方程与无量纲化

二维非稳态热传导的控制方程长这样：

[ \rho c_p \frac{\partial T}{\partial t} = k \left( \frac{\partial^2 T}{\partial x^2} + \frac{\partial^2 T}{\partial y^2} \right) + q(x, y, t) ]

其中 ( \rho ) 是密度，( c_p ) 是比热容，( k ) 是热导率，( q ) 是单位体积发热率。把热扩散系数提出来：

[ \frac{\partial T}{\partial t} = \alpha \nabla^2 T + \frac{q}{\rho c_p}, \quad \alpha = \frac{k}{\rho c_p} ]

热扩散系数 ( \alpha ) 的量纲是 m²/s，它决定了热量传播的快慢。计算时务必统一单位，我第一次跑的时候就是因为发热功率用了 kW/m³、比热容用了 J/(kg·K)，导出来温度场飞到几千度，差点以为代码写错了。

如果区域长宽都在米量级，材料是金属或陶瓷，( \alpha ) 大概在 ( 10^{-6} \sim 10^{-4} ) m²/s 之间。时间尺度到底取多大，要根据平板达到稳态的时间来估计，特征时间大致是 ( L^2/\alpha )，先心里有个数再设定模拟时长。

2.2 显式格式为什么容易翻车

初学热传导，最自然的离散方式是显式前向欧拉：

[ T_{i,j}^{n+1} = T_{i,j}^{n} + \frac{\alpha \Delta t}{\Delta x^2} \left( T_{i+1,j}^{n} + T_{i-1,j}^{n} + T_{i,j+1}^{n} + T_{i,j-1}^{n} - 4T_{i,j}^{n} \right) + \frac{q \Delta t}{\rho c_p} ]

代码好写，但有一个绕不过去的坎：稳定性条件。

[ F = \frac{\alpha \Delta t}{\Delta x^2} \le \frac{1}{4} ]

如果区域按 ( \Delta x = 0.01 ) m 均匀剖分，材料取 ( \alpha = 10^{-4} ) m²/s，时间步长必须满足：

[ \Delta t \le \frac{\Delta x^2}{4\alpha} = \frac{10^{-4}}{4 \times 10^{-4}} = 0.25 \text{ s} ]

模拟一小时总共3600秒，算一步0.25秒，一共要14400步，每一步还要遍历所有网格点。你当然可以硬算，但架不住后面第二问、第三问要反复调用正问题求解器几百上千次，一次正问题算十秒，几百次就是几小时。更麻烦的是，显式格式在稳定性边界附近会产生振荡，反演时目标函数会出现大量伪极小点。

所以第1问的正问题求解器，我建议直接上隐式格式。细节在下一小节。

2.3 ADI交替方向隐格式实现

全隐式格式无条件稳定，但二维问题每一步要解一个五对角大方程，代价偏高。工程和数学建模比赛里更常用的是ADI法，也就是交替方向隐格式。它的思路很好理解：把一个二维时间步劈成两个半步，第一个半步只沿x方向隐式、y方向显式，第二个半步反过来，这样每一步只需要解两个三对角方程组，计算量小，而且无条件稳定。

用Peaceman-Rachford格式写出来，第一个半步：

[ -\frac{\alpha \Delta t}{2 \Delta x^2} T_{i-1,j}^{n+1/2} + \left(1 + \frac{\alpha \Delta t}{\Delta x^2}\right) T_{i,j}^{n+1/2} - \frac{\alpha \Delta t}{2 \Delta x^2} T_{i+1,j}^{n+1/2} = f(y方向已知项) ]

第二个半步沿y方向同理。核心代码用 scipy 的三对角求解器实现，非常简洁：

import numpy as np from scipy.linalg import solve_banded def solve_adi(T, alpha, dt, dx, dy, q, rho_cp, nt): Nx, Ny = T.shape rx = alpha * dt / (2 * dx**2) ry = alpha * dt / (2 * dy**2) # 三对角矩阵以带宽格式存储，供 solve_banded 使用 ab_x = np.zeros((3, Nx)) ab_x[0, 1:] = -rx # 上对角线 ab_x[1, :] = 1 + 2 * rx # 主对角线 ab_x[2, :-1] = -rx # 下对角线 ab_y = np.zeros((3, Ny)) ab_y[0, 1:] = -ry ab_y[1, :] = 1 + 2 * ry ab_y[2, :-1] = -ry for _ in range(nt): # 第一个半步：x方向隐式 rhs = T * (1 - 2 * ry) + ry * (np.roll(T, -1, axis=1) + np.roll(T, 1, axis=1)) rhs[:, [0, -1]] = 边界条件处理 T = solve_banded((1, 1), ab_x, rhs.T).T # 第二个半步：y方向隐式 rhs = T * (1 - 2 * rx) + rx * (np.roll(T, -1, axis=0) + np.roll(T, 1, axis=0)) + q * dt / rho_cp rhs[[0, -1], :] = 边界条件处理 T = solve_banded((1, 1), ab_y, rhs) return T

真实实现还要处理热源项的位置、边界上的差分修正，但骨架就是上面这样。要提醒一句：np.roll滚动到另一端的值必须手动覆盖成边界值，不然边界会“互相串味”，算出来的云图中间正常、四边发疯。

另外，ADI虽然稳定，不代表时间步长可以无限大。步长太大会引入时间离散误差，导致温度场精度下降。所以网格无关性验证要同时包含时间步长的检验，不能只盯空间步长。

2.4 网格与时间步长的收敛性验证

收敛性验证是第1问拿分的关键，也是论文里最能体现专业度的部分。做法很简单：取三套不同密度的网格做对照。假设区域是 ( 1,\mathrm{m} \times 1,\mathrm{m} )，固定源参数，分别计算以下三组配置：

B和C的偏差已经小于0.5%，说明方案B的精度就够用了。如果继续加密网格，偏差会继续缩小但计算时间暴涨，对第二问的每次反演迭代来说不可接受。所以最终我选方案B作为正问题求解器的默认配置，并在论文里用这张表说明“网格已经收敛”。

这里有个小技巧：做网格无关性验证时，测点尽量选在温度梯度比较大的位置，比如热源边缘附近，这样不同网格间的差异容易被放大，方便你判断真实收敛情况。如果测点在远离热源的地方，测点温度几乎看不出差别，那表格做出来也就不痛不痒。

3. 第2问：从离散温度数据反演热源参数

3.1 反问题为什么难：病态性是本质

正问题算得再好，也只是个高精度“计算器”。第2问真正烧脑的地方在于：已知若干测点在不同时刻的温度，反求热源的位置坐标和强度。

直接写成一个最小二乘问题：

[ \min_{p} \quad J(p) = \frac{1}{2} | F(p) - d_{obs} |_2^2 ]

其中 ( p ) 是待反演参数向量，比如 ( (x_1, y_1, q_1, x_2, y_2, q_2) )，( F(p) ) 是正问题求解器在测点处输出的温度，( d_{obs} ) 是观测数据。

看着人畜无害，但这个问题的麻烦在于病态性。测点只有五个八个，未知参数可能六到十个，信息量不够，而且温度场是热源参数的光滑函数，两个相距很近的热源可以产生几乎一模一样的温度分布。你反演出来的结果稍微偏一点，残差几乎不变。这正是“观测量数量小于待求量复杂度”带来的本质困难。

解决办法分两头：头一头是加正则化项，另一头是增加观测信息量（第3问的布点优化就是在干这件事）。第2问我们先处理正则化。

3.2 Tikhonov正则化与L曲线选参

给目标函数加一个惩罚项：

[ \min_{p} \quad J(p) = \frac{1}{2} | F(p) - d_{obs} |2^2 + \frac{\lambda}{2} | p - p{prior} |_2^2 ]

这个 ( p_{prior} ) 是参数的先验估计，可以理解为“在没有观测数据时，根据经验或题面信息对热源参数的猜测”。惩罚项会把参数往先验位置拉，防止反演结果飘到不可能的区域。

正则化系数 ( \lambda ) 怎么选？最常用的方法是L曲线法：对一系列不同的 ( \lambda ) 分别做反演，把每次得到的残差范数和参数偏差范数画在双对数坐标里，曲线会呈一个L形，拐角处就是比较合理的 ( \lambda )。代码实现也不复杂：

def select_lambda(lambdas, F, d_obs, p_prior, bounds): residuals, penaltys = [], [] for lam in lambdas: p_opt = inverse_pipeline(F, d_obs, p_prior, lam, bounds) r = np.linalg.norm(F(p_opt) - d_obs) s = np.linalg.norm(p_opt - p_prior) residuals.append(r) penaltys.append(s) # 找曲率最大的点作为拐角 lam_star = lambdas[np.argmax(curvature(np.log(residuals), np.log(penaltys)))] return lam_star

注意，如果题目明确限定热源只在某个矩形区域内，参数必须加上边界约束，用scipy.optimize.minimize里的bounds参数或者L-BFGS-B算法就能同时处理边界和优化。

3.3 灵敏度矩阵：反演的地基

上面目标函数里要用到 ( F(p) ) 对参数 ( p ) 的导数，也就是灵敏度矩阵。如果不考虑效率，用有限差分去扰动每一个参数就行：

def numerical_jacobian(F, p, dp=1e-4): r = F(p) J = np.zeros((len(r), len(p))) for i in range(len(p)): p_perturb = p.copy() p_perturb[i] += dp * max(abs(p[i]), 1.0) r_perturb = F(p_perturb) J[:, i] = (r_perturb - r) / (p_perturb[i] - p[i]) return J

有限差分每次计算需要多跑约 ( 2N_p ) 次正问题求解器，反演迭代几十步，计算量还是不小的。想快一点，可以推导伴随方程，用一次正问题加一次伴随问题求出全部灵敏度。国赛论文里出现“伴随方法”这四个字，评委印象分会明显提升。

但如果你时间紧张，用数值差分完全够用。我的建议是：先跑通数值差分版本，保证结果正确，再决定要不要优化成伴随方法。比赛时间非常宝贵，不要一上来就追求高级算法导致bug排查困难。

3.4 Levenberg-Marquardt迭代与多起点策略

有了灵敏度和正则化项，优化就可以用高斯-牛顿类算法。实测最稳的是Levenberg-Marquardt算法（LM），它相当于在高斯-牛顿和梯度下降之间自适应切换：残差大时更像是梯度下降，靠近极小点时又转回高斯-牛顿的收敛速度。

迭代式为：

[ (J^T J + \mu I + \lambda I) \Delta p = J^T r - \lambda (p - p_{prior}) ]

其中 ( \mu ) 是LM参数，( r = d_{obs} - F(p) ) 为残差。( \mu ) 可以按误差变化动态调整：这次迭代误差变大了，就增大 ( \mu )；误差变小了，就减小 ( \mu )。

LM对初始猜测很敏感，只从一个起点跑，大概率掉进局部极小。我的做法是多起点随机搜索：随机生成20到30组初始参数（符合题目给出的先验范围），每组先用朴素梯度下降跑20步粗优化，从中挑出目标函数值最小的几组作为LM的初值。

def inverse_lm(F, d_obs, p_prior, bounds, lam, n_restart=20): candidates = [] for _ in range(n_restart): p0 = sample_within_bounds(bounds) res = scipy.optimize.least_squares( lambda p: F(p) - d_obs, p0, bounds=bounds, method='lm', max_nfev=100) candidates.append((res.cost, res.x)) candidates.sort(key=lambda t: t[0]) return candidates[0][1]

实测下来，当热源数量是2个、每个有3个参数时，多起点LM能稳定找到真实的源位置和强度。如果热源数量超过3个，多起点也不一定够，此时要考虑用遗传算法或粒子群先做全局搜索，再交棒给LM精修。

3.5 反演结果怎么评估

反演完了不能只看一张云图说“挺好”，要量化评估。我习惯做三个指标：

• 位置误差：( \sqrt{(x_{est}-x_{true})^2 + (y_{est}-y_{true})^2} )
• 强度相对误差：( |q_{est}-q_{true}| / q_{true} \times 100% )
• 温度拟合残差：( | F(p_{est}) - d_{obs} |_\infty )

好的反演结果，位置误差通常控制在网格尺度的一到两倍以内，温度拟合残差和观测噪声水平相当。如果说你这个测点数量下反演结果偏差很大，别急着调算法，先回去看看灵敏度矩阵的条件数。条件数大到 ( 10^6 ) 以上，说明这个布点方案提供的信息量本身就不够，后面第三问解决的就是这个问题。

4. 第3问：传感器布点优化——用D-最优设计选位置

4.1 布点方案决定反演上限

很多队伍做到第3问，第一反应是“把传感器放在温度最高的地方”。这其实是个误区。传感器放温度最高点，只能说明那个地方离热源近，但反演需要的是“对参数变化敏感的信息”，而不是“数值大的信息”。

举个例子：两个候选测点，一个温度高但几乎不随热源位置移动而变化，一个温度中等但热源位置稍微偏一点温度就有明显差异。反演算法更依赖的一定是后者。布点优化的本质就是：用有限数量的传感器，尽可能多地获取对未知参数敏感的信息，这样才能最大化反演精度。

4.2 Fisher信息矩阵与D-最优准则的原理

在统计里，Fisher信息矩阵刻画的是观测数据携带了多少关于未知参数的信息。在加性高斯噪声假设下，Fisher信息矩阵可以写成：

[ FIM = J^T C^{-1} J ]

其中 ( J ) 是灵敏度矩阵，( C ) 是观测噪声协方差矩阵。如果噪声独立同分布、方差为 ( \sigma^2 )，简化为 ( FIM = J^T J / \sigma^2 )。

FIM还是个矩阵，怎么衡量“信息多”或“信息少”？一个常用标量是行列式 ( \det(FIM) )。可以证明，参数估计的置信椭球体积正比于 ( \det(FIM)^{-1/2} )。行列式越大，说明参数的不确定性越小。D-最优设计的目标就是选一组测点，让FIM的行列式最大。

直观理解：FIM行列式大，意味着所有参数方向上的信息都充足，你不会出现“x方向很确定，y方向完全瞎猜”的畸形情况。

4.3 基于贪心加遗传算法的布点搜索

布点优化是个组合优化问题：从 ( N ) 个候选位置里选 ( s ) 个，使 ( \det(FIM) ) 最大。( N ) 如果到上千，穷举组合数 ( C(N, s) ) 直接爆炸，必须用启发式算法。

我的策略分两阶段：

阶段一，贪心搜索：先遍历所有候选点，选出使FIM行列式增量最大的第一个点；然后在剩余候选中继续选第二个，如此迭代。贪心不一定全局最优，但能快速得到一个不错的初始解，而且很容易写。

阶段二，局部搜索/遗传算法精修：把贪心得到的方案作为初始种群中的一员，用遗传算法继续迭代。交叉和变异操作就是交换候选点、随机替换个别点。

def greedy_d_optimal(phi_all, s, K): # phi_all: 所有候选位置对应的灵敏度向量 # K: 已选位置索引集合 for _ in range(s - len(K)): best_det, best_idx = -1, -1 for i in range(len(phi_all)): if i in K: continue K_try = K + [i] FIM = sum(np.outer(phi_all[j], phi_all[j]) for j in K_try) det_val = np.linalg.det(FIM) if det_val > best_det: best_det, best_idx = det_val, i K.append(best_idx) return K

注意，这里灵敏度向量的计算要基于一个“基准参数”，也就是对哪个热源参数求导。比赛里常见做法是在所有候选热源参数空间里采样多组，把每组求的FIM做平均，称为“平均D-最优”。这样布点方案不会只对单个热源位置最优，对一定范围内的热源位置都有鲁棒性。

4.4 布点方案对比结果

布点优化的效果，最终要落到反演精度的对比上。我做了三组对照：均匀布点、随机布点、D-最优布点，每组都用相同数量的传感器（比如8个），在相同噪声水平下做蒙特卡洛反演试验。

D-最优用8个传感器的精度，比均匀布点提高了4倍左右，甚至用5个D-最优传感器都比8个均匀布点的效果好。这说明什么？赛题里给出的传感器数量往往不是限制你精度的主要瓶颈，关键是放在哪。

从空间分布上看，D-最优选出的点不会全部紧贴在热源旁边，而是分布在热源周围梯度较大的环形区域，以及部分能区分不同热源位置的对称位置。这印证了之前的观点：传感器选的是“信息敏感点”，不是“温度最高点”。

5. 第4问：噪声下的鲁棒性分析与模型泛化

5.1 观测噪声模型怎么设置才合理

现实中的温度传感器都有噪声，题目不会明说噪声大小，这正是考察你考虑问题是否周全的地方。我通常设三种水平：低噪声 ( \sigma = 0.01 )℃、中等噪声 ( \sigma = 0.05 )℃、高噪声 ( \sigma = 0.1 )℃，分别在观测数据上加独立高斯白噪声。

这里有个容易踩的坑：加噪声的位置应该加在“实际传感器测量的温度”上，而不是加在模拟输出的精确温度上。不要先反演再加噪声，那样是作弊流程，写论文也会被评委质疑。

另外，热源参数的真实值不要设成一模一样的整数，比如位置刚好 ( (0.3, 0.3) ) 这种，不然可能因为对称性产生奇怪的巧合。加一点不对称的真实参数，测试才有说服力。

5.2 蒙特卡洛重复试验

蒙特卡洛方法很简单：对同一组真实参数，随机生成大量不同的噪声实现，每组都跑一遍完整的反演流程，最后统计反演参数的均值、标准差、偏差。重复次数 ( M ) 一般取50到100次，再多计算时间扛不住，太少统计结果没有意义。

def monte_carlo_assess(ntrials=80, noise_list=[0.01, 0.05, 0.1]): for sigma in noise_list: errors_pos, errors_q = [], [] for _ in range(ntrials): d_obs = F(p_true) + np.random.normal(0, sigma, size=len(sensor_idx)) p_est = inverse_lm(F, d_obs, p_prior, bounds) errors_pos.append(np.linalg.norm(p_est[:2] - p_true[:2])) errors_q.append(abs(p_est[2] - p_true[2]) / p_true[2]) print(f"sigma={sigma}: pos err mean={np.mean(errors_pos):.4f}, q err={np.mean(errors_q)*100:.1f}%")

统计结果通常会呈现一个规律：噪声增大一倍，位置误差差不多也增大一倍左右；而D-最优布点方案在三种噪声水平下的误差都明显小于均匀布点，且误差增长更平缓。这就能得出一个论文里很加分的结论：“D-最优布点不仅提升无噪声时的精度，也提升了噪声下的稳健性。”

5.3 模型误差的系统化处理

第4问里最考验功力的其实是模型误差。前面假设里写了“材料各向同性、热导率恒定、边界对流换热系数已知”，如果题目在第4问明确说边界条件不确定，或者材料参数有偏差，前面的假设就不成立了。此时有两种处理方式：

第一种，把不确定的模型参数并入反演参数向量，一起反演。比如让边界对流换热系数 ( h ) 作为未知量出现，参数向量从 ( (x_1, y_1, q_1) ) 变成 ( (x_1, y_1, q_1, h) )。代价是待求参数更多、病态性更强，但能直接修正系统性偏移。

第二种，做误差传播分析。先估计模型参数的不确定范围，再通过灵敏度传播估计对反演结果的影响。比如热导率 ( k ) 有 ( \pm5% ) 的不确定性，那热源位置反演结果的误差大概会被放大多少倍，这个分量要在论文里单独写一节。

做模型误差分析时，切记不要把所有误差来源一次性扔进代码里跑。控制变量法在这里最有效：只改动一个模型参数，观察反演结果的变化，这样才能定位出“哪个假设的偏差对最终结论影响最大”，论文也好写。

5.4 从二维到三维、从热场到浓度场的推广思路

第4问如果还有一问是“将模型推广到更一般的情形”，基本逃不出两类推广：维数推广和物理过程替换。

维数推广很直接：二维ADI变成三维ADI，三对角方程组变成五对角或块三对角，计算量增长一个量级，但算法的思路一模一样。论文里不需要真去跑三维模拟，给出离散格式的推导、说明计算复杂度，再给一个浅层验证即可。

物理过程替换更有趣。热传导方程和扩散方程在数学上同构：把温度 ( T ) 换成污染物浓度 ( C )，热扩散系数 ( \alpha ) 换成分子扩散系数 ( D )，热源 ( q ) 换成污染源释放速率，整个建模、反演、布点、蒙特卡洛测试的闭环流程可以原封不动迁移过去。这也是为什么 A 题训练的价值不止于热传导，它训练的是你处理“物理规律+数据反演”这类问题的方法论。

6. 从代码到论文：如何把结果整理成能拿奖的论文

6.1 论文骨架与摘要的“四段式”写法

代码跑通只是完成了四成工作，论文才是评委看到的最终成果。国赛A题论文的骨架我建议按这个顺序排：

1. 问题重述与分析；
2. 模型假设与符号说明；
3. 问题一模型的建立与求解；
4. 问题二反演算法设计与结果分析；
5. 问题三布点优化设计与对比；
6. 问题四稳健性与误差分析；
7. 模型评价、改进与推广。

摘要不要太早写，最后一晚写。摘要的四段式结构可以这样安排：第一段说清楚“针对什么问题、建立了什么模型”；第二段说“模型的关键创新点或改进在哪里”；第三段按四个问分别列出核心方法和关键数值结果；第四段说一句“模型具有良好的推广性”。摘要尽量控制在800字左右，核心数值结果比如反演误差、布点优化效果必须出现。

6.2 灵敏度分析的三个标准做法

论文里必须有灵敏度分析，评委几乎必看。我推荐这三个层次：

第一层，单参数灵敏度：在基准参数附近单独扰动每个参数，画出目标函数或测点温度的变化曲线。这个最简单，一眼能看出哪些参数对反演更关键。

第二层，正则化参数 ( \lambda ) 的灵敏度：画出L曲线，标出拐点位置。这能证明你选 ( \lambda ) 不是拍脑袋。

第三层，模型参数灵敏度：如果热导率变化 ( \pm10% )，反演结果变化多少？这个可以直接引用第4问的模型误差分析结果。

做到第三层，论文的完整度已经超过大多数参赛队。

6.3 图表规范：一图一结论

评阅老师看一篇论文的时间非常有限，图表是吸引注意力的第一道闸门。云图务必统一色标和物理单位，时间序列图不要一个图里塞十条线，图例要按重要顺序排列，最重要的曲线用最粗的线型。

每张图下面用加粗的文字写一句“最大结论”。比如温度云图写的不是“某时刻温度分布图”，而是“60秒时热源附近形成明显局部高温区，边界温度梯度达到XX℃/m”。这句话就是评委扫一眼就能抓住的重点。

6.4 附录代码的整理习惯

论文附录里的代码不需要逐行解释，但要保证别人拿到能跑。我整理了三个原则：

一是每个脚本可以独立运行，不要一个脚本依赖另一个脚本的内置变量； 二是文件命名要有序，01_forward.py、02_inverse.py、03_placement.py这种一眼就知道顺序； 三是脚本开头注释写清“本文件作用、主要输入输出、依赖库版本”。Python库版本差异很容易导致复现失败，写明numpy>=1.24能省很多沟通成本。

7. 完整代码结构与运行指南

7.1 项目文件组织与核心模块说明

整个项目我建议按模块拆开，方便第二问到第四问反复调用。目录结构大致如下：

project/ ├── main.py # 主入口，解析命令行参数 ├── config.py # 所有默认参数配置 ├── heat2d.py # 正问题求解器（ADI格式） ├── sensitivity.py # 灵敏度矩阵计算 ├── inverse.py # 反演算法（LM、多起点） ├── placement.py # D-最优布点优化 ├── monte_carlo.py # 蒙特卡洛鲁棒性测试 ├── visualization.py # 画图函数集合 ├── data/ # 生成的观测数据与结果 └── paper_figures/ # 论文用图导出

各模块的职责要单一，heat2d.py只负责从参数到温度场的计算，不要混入优化和反演逻辑。这样每次反演迭代调用的正问题求解器是一致的，不会因为某个函数里改了一个边界条件导致反演结果失真。

7.2 运行方法与关键参数调优

通过命令行参数控制核心配置，方便批量测试：

python main.py --case forward --nx 80 --ny 80 --dt 0.5 --t_end 600 python main.py --case inverse --method lm --n_sensors 8 --noise 0.05 python main.py --case placement --algo greedy+ga --n_sensors 8 python main.py --case monte_carlo --ntrials 80 --noise 0.1

关键的待调参数有这几组：

调参时记住一个原则：优先调对结果影响最大的参数。这个项目里影响最大的是布点方案和正则化系数，网格密度只要保证收敛就够了，不用追求极致的密。

7.3 踩坑记录：我实际碰到过的五个问题

第一，边界条件覆盖顺序错了。用np.roll计算空间导数后，边界行会被Roll过来的另一边数据污染。一定要在每步ADI后立刻把边界重新赋值，先算内部点，再修边界，顺序不能反。

第二，参数量级不统一。热源强度如果是 ( 1000,\mathrm{W/m^3} )，位置坐标是 ( 0.3,\mathrm{m} )，两个参数差了好几个数量级。正则化项作用在强度上，位置几乎不受约束；梯度算法也会被大数量级参数主导。解决方式是把参数做归一化，比如强度除以1000，位置乘以2，让所有参数都在 ( [0,1] ) 范围内反演。

第三，LM算法的 ( \mu ) 初值太大会陷入“原地踏步”。现象是前几步残差纹丝不动，过几十步突然下降。我实用的修改办法是：如果残差连续两步没有下降，就把 ( \mu ) 缩小一个数量级，强行让算法往高斯-牛顿方向靠。

第四，正问题求解器出现NaN，十有八九是热源项加到了边界上或者初始温度分布有奇点。排查时先把热源关了跑一遍，再逐项打开，定位到具体哪一项出问题。

第五，网格无关性和时间步长无关性分开验证。有些文章只验证了网格加密，时间步长没变，结果温度和真实值还是有偏差，评审一眼就看出来了。两个方向都验证，才能在论文里理直气壮地说“离散误差已收敛到可忽略水平”。

7.4 给参赛队的最后一点经验

按这套流程完整走下来，你的队伍其实已经把“正问题求解、反问题反演、实验设计、鲁棒性验证”这四个模块各练了一遍。这几块拼起来，正是近年来国赛A题反复出现的核心能力组合。赛场上拿到新题目，不要慌着写代码，先花几个小时把四问翻译清楚、把正问题求解器写到可以稳定复用，后面反演和优化都会顺很多。如果时间只够打磨一个环节，优先打磨第三问的布点优化，因为它在四个问题里最能体现思维深度，也最容易让论文从“正确但平庸”变成“正确且有亮点”。