美国大学生数学建模竞赛（UMC 2019）那年的现场气氛，估摸比看他们播放《超级玛丽》还要炸锅。主办方在那儿搞了个“最大流量、最小代价”的拓扑图优化难题，好办说就是：地图上的节点（城市或广场）两两相连，如何连让总连线数最少，与此同时把总能耗压到最低？这玩意儿看着是个图论题，实际呢，就是要把你们这帮甲方客户忽悠瘸了。 刚启动看题目，心里就俩数：一个是“大”，另一个是“奇”。图论、概率、线性规划，这些名词一出来，我就知道这比赛要搞啥了。数学建模压根儿不是考哪位脑子转得快，而是考哪位能把实际难题翻译成方程组的本事。U 2019 的难点就在于，题目给的地图数据全是现成的，但你们能不能从中抠出规律来？比如那个著名的“最短路径难题”，在图论里叫 $N$ 个点、$N$ 条边、$O(N^2)$ 的复杂度，建图得让人头昏眼花。我当时就想，要是能把那个图抽象成矩阵，再配合某种特殊的搜索策略，说不定能省下一堆算力。 不过话说回来，这图论难题别看经典，但在实际工程里难不倒计算机。
比如大量城市交通网络，点多了边也多了，直接跑 Dijkstra 算法，工夫复杂度跟 $N$ 的平方成正比，那要是城市有 100 个节点，平方就是 10000，再乘上处理工夫，结局直接爆炸。
这时候就得用剪枝要么启发式算法了。我在草稿纸上画过类似的图，发现要是先算出每个节点的度数，再用某种贪心算法去填充边，往往能收敛得更快。毕竟最短路算法本来就是为了处理稀疏图设计的，要是图全稠密了，那得先做个约简再跑。 至于能耗难题，那是纯粹的线性规划。目标函数是 $sum c_{ij} x_{ij}$，约束条件嘛，无非是两点之间连路要么有要么没有，且出行量不能超过上限。
这个模型实际上挺好办的，但如何凑出合理的数据呢？比如假设节点 $i$ 和节点 $j$ 之间的可变成本是 $p_{ij}$，固定的服务器延迟是 $s$，那总代价就是 $p_{ij} + s$。
这时候就得寻思，是不是有些边确实不该连？比如地理上忒远要么数据源断了，直接设为无穷大。最终解出来的 $x_{ij}$，就是该连不该连的终极决策。 说到数据处理，这局部最烧脑也最出戏。U 2019 的地图数据里，有些节点是重复的，有些边是反方向的。
比如 A 到 B 的连线，和 B 到 A 的连线，要是算出费用一样，那这算不算两条边？这难题拿头撞墙。我在现场纠结了老半天，后来发现要是给每个节点编号，比如 A=1, B=2，那 $x_{12}$ 和 $x_{21}$ 实际上代表的是同一个物理连接，直接设 $x_{12} = x_{21} = 1$ 就能省一半参数。再比如那个“路网聚类”，就是把地图上散乱的点强行分组，让组内两点距离近，组间距离远。
这得用 k-means 之类的聚类算法，把数据降维再建模。 有意思的是，这题实际上是个典型的“小目标，大工程”。表面上看是个拓扑优化，实际是在做网络优化。
比如 telecom 公司想给城市装基站，那就是在找那个“最短路径难题”；银行想算坏账风险，那就是在找“最大流最小切”难题。数学建模就是把现实世界里的不清楚需求，硬生生切成几个清楚的数学难题，然后解出来。 最终得提提那个数据源的难题。U 2019 的原始数据里，有些坐标是必对的，有些是估摸的。
比如地图上标了"Centennial Park"这个点，但它的实际位置可能在几百米外。
这时候就得引入误差项要么加权系数，不然模型出来的结局就是一张废纸。
另外，有些城市的交通数据是断层的，比如早上上班高峰的边突然没了，这时候得补全几条虚拟边，要么干脆把节点合并，避免模型崩溃。 总而言之，这届比赛，真就是一场人机斗智的博弈。主办方想考验你们的算法 brilliance，你们想展示你们的工程落地本事。哪位能把那个复杂的图论模型，略微改改、插插代码，就牛逼哪位。别老盯着那些 fancy 的符号看，那些才是伪命题，能真正解决难题的逻辑，才是硬道理。就像当年解那题一样，只要肯动手，哪怕是把 $x_{ij}$ 设成 0 或 1，也能把难题解得服服帖帖。