企业官网建设流程全解析

大家做电力系统调度优化，尤其是把梯级水电和火电捏在一起做多目标调度的时候，最容易遇到的困境是：目标函数互相打架，约束条件盘根错节，用传统的权重法或者约束法转换，结果往往受主观因素影响太大，而且难以兼顾解的分布性。这两年NSGA-III（基于参考点的非支配排序遗传算法）在学术界和工程界的热度一直不减，正好是处理这类高维多目标问题的利器。这篇博文就把我实际用Matlab实现"基于NSGA-Ⅲ优化算法的梯级水电和火电机组联合多目标调度"的完整思路、建模过程、代码框架和调试心得一次性讲透，适合刚接触多目标优化、或者已经在做水火电调度但想引入更强优化器的研究生和工程师参考。

1. 为什么要用NSGA-Ⅲ来做水火电联合调度：问题本质与算法选型逻辑

1.1 联合调度问题到底难在哪里

梯级水电和火电联合调度，本质上是一个多时段、多电站、多目标的动态优化问题。先说目标，通常我们要同时优化两个甚至三个目标，比如：系统总发电成本最小化、梯级水电总发电量最大化（或者弃水量最小化）、火电机组污染物排放量最小化。这三个目标之间有强烈的冲突关系。水电发得多，火电就可以少发，成本降低但可能带来水库水位波动和下游生态流量压力；火电发得多，调节灵活但燃料成本和排放上升。更麻烦的是梯级水电，上下游电站之间存在水力联系和时间延迟，上游出库流量经过一段时间才到达下游水库，这就形成了所谓的时间耦合约束。

从数学上看，这是个高维、非线性、强约束的优化问题。决策变量可能包括：每个时段每台火电机组的出力、每座水电站的发电流量、水库蓄水量甚至泄洪流量。如果调度周期是24小时，梯级电站有3座，火电机组有4台，那决策变量维度轻松超过100。这种规模下，传统线性规划、非线性规划要么建模困难，要么求解效率低下，而且多目标之间的权衡关系难以一次性拿到完整的Pareto解集。

1.2 NSGA-II的瓶颈与NSGA-III的改进动机

很多做过电力调度的朋友对NSGA-II比较熟悉，它的核心机制是非支配排序加拥挤度距离。拥挤度距离在处理两个目标时表现不错，Pareto前沿上的解能够比较均匀地分布，但一旦目标个数增加到3个或以上，拥挤度距离的失效就很明显。高维空间中解之间的距离计算变得模糊，算法很容易在局部区域聚集，导致解的多样性严重下降。

NSGA-III最核心的改进，就是把拥挤度距离替换成了参考点机制。算法预先在目标空间里生成一组分布均匀的参考点，然后通过关联操作把每个个体映射到最近的参考点上，再根据每个参考点周围的个体数量来维持种群多样性。简单理解：参考点就像是把高维目标空间划分成了一个个网格，算法努力在每个网格里都保留解，从而保证解集在Pareto前沿上的均匀覆盖，而不是像NSGA-II那样挤成一团。对于水火电联合调度这种典型的三目标问题，NSGA-III在保持解的分布性上优势非常明显。

1.3 用Matlab而不是Python/C++的理由

其实用Python做优化的人越来越多，库也很全。但在这个场景下我依然推荐Matlab，原因有三点。第一，Matlab的矩阵运算语法非常契合电力系统调度问题的表达习惯，水电站出力计算、火电煤耗特性曲线这些公式写起来接近数学公式本身，不容易出错。第二，Matlab的绘图功能极其方便，Pareto前沿三维图、收敛曲线、水位过程线、出力过程线，一套代码全部搞定，对于需要出图写论文的场景效率极高。第三，Matlab的全局优化工具箱虽然不直接提供NSGA-III，但提供了ga函数和particleswarm等基础算法，可以作为验证基线，而NSGA-III的Matlab实现代码网上有多个成熟的版本，稍加改造就能嵌入自己的调度模型。

2. 梯级水电与火电联合调度的数学模型构建：目标函数与约束条件的工程化处理

2.1 决策变量与时段的划分

在做任何优化之前，先要把问题的边界划清楚。我针对的是日调度级别，以1小时为一个时段，共24个时段。决策变量按照实际工程需要可以分成两大部分：

• 火电部分：每台火电机组在每个时段的出力，记作P_tj，其中t代表时段（1到24），j代表火电机组编号。
• 水电部分：每座水电站在每个时段的发电流量Q_ti，以及每座水电站的库容变化（通过水量平衡方程隐式表达出来）。

水库的蓄水量通常不直接作为独立决策变量，因为一旦发电流量确定了，结合入流预报和水量平衡方程，库容状态就跟着确定了。把发电流量作为决策变量可以减少维度，同时保证物理一致性。不过这里有一个隐含前提：下游水位-库容曲线和尾水位-流量关系已经提前拟合成多项式了。

2.2 三个核心目标函数的建模细节

先说最常规的第一个目标：系统总运行成本最小化。火电成本是主要构成，通常用二次函数拟合煤耗特性：F_j = a_j × P_tj² + b_j × P_tj + c_j，电厂自己提供的煤耗系数一般是每小时每台机组的标煤消耗量。水电部分我们一般忽略发电成本，但需要加上一个惩罚项，比如弃水惩罚和生态流量偏离惩罚。整体目标函数设计成：

Min f1 = Σ_t Σ_j F_j(P_tj) + λ_弃水 × Σ_t Σ_i Max(0, Q_泄_i(t) - Q_泄_max_threshold)²

第二个目标：梯级水电总发电量最大化。水电站出力计算采用经典公式：P_hydro_i(t) = K_i × Q_发_i(t) × H_i(t)，其中K_i是综合出力系数，Q_发是发电流量，H是净水头。净水头的计算要考虑到水头损失和尾水位变化：

H_i(t) = Z_上_i(t) - Z_尾_i(Q_出_i(t)) - h_损(Q_发_i(t))²

这里Z_上依赖于库容水位关系曲线，Z_尾依赖于出库流量，整个计算链是耦合的。所以目标函数：

Max f2 = Σ_t Σ_i P_hydro_i(t)

第三个目标：火电污染物排放量最小化。排放量和发电量之间也有一个函数关系，常见的是用二次函数近似：E_j = α_j × P_tj² + β_j × P_tj + γ_j，α、β、γ是排放系数。目标函数：

Min f3 = Σ_t Σ_j E_j(P_tj)

2.3 约束条件的分类与等式约束消除技巧

约束条件是这类问题真正的难点，我梳理一下主要约束类型：

• 负荷平衡约束：这是等式约束，Σ火电出力 + Σ水电出力 = 系统负荷 + 网损（网损可以粗略地用负荷的百分比表示）。

• 火电机组运行约束：最小出力、最大出力、爬坡速率限制。爬坡约束是时段间的耦合约束，处理起来要特别小心。

• 梯级水电站的水量平衡约束：V_i(t+1) = V_i(t) + (入流_i(t) + 上游出库_i-1(t - τ) - 出库_i(t)) × Δt，其中τ是水流到达延迟时间。

• 库容约束：V_i_min ≤ V_i(t) ≤ V_i_max。

• 出库流量约束：Q_出_i_min ≤ Q_出_i(t) ≤ Q_出_i_max。

• 最小技术出力与最大过机流量约束。

等式约束直接用NSGA-III处理比较麻烦，因为遗传算法本身不擅长硬性约束。我的做法是消去法加惩罚法：负荷平衡约束不单独设置决策变量，而是让最后一台火电机组自动平衡。具体操作是，决策变量只编码前N-1台火电机组出力加上全部水电站发电流量，最后一台火电的出力通过负荷减去所有其他出力反算出来。这样负荷平衡约束天然满足，但要注意反算出来的P可能越界，这时就需要对该个体施加惩罚。

对于库容约束、爬坡约束这一类不等式约束，采用外点罚函数法统一整合到目标函数里。做法是构造一个总惩罚项，把违反约束的程度平方加权加到每个目标函数上。惩罚系数怎么选，后面在调参部分专门讲。

2.4 约束处理对算法收敛性的影响

这里我重点提醒一个坑：罚函数系数如果设置不当，会出现伪Pareto前沿。系数太大，算法根本没有探索违反约束解的空间，容易收敛到局部；系数太小，大量不可行解进入种群，最后得到的"最优解"实际上可能有明显的物理越界。一个比较靠谱的经验法则是，先做一次不考虑约束的快速运行，统计各目标函数的量级，然后让惩罚项的量级和目标函数保持相近。比如发电成本量级是10^6元，弃水惩罚系数就可以设为10^4到10^5，这样单个时段的小幅越界带来的惩罚和正常成本波动是同一数量级的。

3. NSGA-III算法的Matlab实现框架：参考点机制、归一化与选择算子

3.1 算法的总体流程

NSGA-III的Matlab代码框架并不复杂，核心循环就那几步：种群初始化、非支配排序、生成子代（交叉变异）、归一化、参考点关联、环境选择，然后迭代。我接下来的代码框架是从公开版本改编而来的，一行一行读清楚再动手改造自己模型，比直接抄过来填数据靠谱得多。

初始化阶段，先要确定参考点。参考点的数量H和种群大小N有关系，通常取N ≈ H。参考点生成用的是Das-Dennis方法，比如三目标问题将每个目标轴划分成p份，参考点数量H = C(p + M - 1, M - 1)，M是目标数量。p = 12时，三目标参考点数量是C(14, 2) = 91个，种群大小就可以设成92左右。如果想让种群数量更灵活，还可以用两层参考点方法生成两个不同p值的参考点集合再合并。

参考点生成有现成的函数，核心思路是把单纯形上的规范参考点转换成目标空间中的超平面。代码实现时注意：参考点只需要生成一次，整个迭代过程中保持不变。

3.2 自适应归一化与关联操作

NSGA-III和NSGA-II在环境选择部分最大的技术差异就是归一化和关联操作。每一代拿到种群之后，要先找到当前种群在每个目标维度上的理想点（最小值），然后通过计算极值点构造超平面，做目标空间的归一化自适应处理。这一步的目的是让三个目标函数的量纲差异消失，比如发电成本是10^6量级，发电量是10^4量级，排放量是10^3量级，不归一化的话参考点机制直接就失效了。

归一化之后，每个个体要找到离它最近的参考线（参考点和原点连线）。这个计算非常简单，就是向量投影：把个体目标向量投影到参考点方向向量上，计算垂直距离，距离最小的那个参考点就是个体的关联参考点。这个过程用Matlab矩阵运算可以一次性算完，效率非常高。

3.3 小生境选择与种群维持的关键代码

小生境保留策略的环境选择是NSGA-III的灵魂。具体的保留逻辑是：

• 找出在当前前沿面中关联参考点个体最少的那一个参考点（记为j）。
• 如果参考点j关联的个体数大于0，从当前前沿面中选一个距离参考点j最近的个体进入下一代；如果关联数为0，就选一个归一化距离最小的个体。
• 重复这个步骤直到下一代种群填满。

这段逻辑实际上就是"每个参考点都要有人占位"的博弈过程。种群多样性由此得到保障。

我为了方便阶段对比，顺手写了三种方法来调MEX编译，但强烈不推荐普通用户去搞MEX，因为混合编程会造成代码不便于修改和跨平台运行，性能上NSGA-III这种种群规模几百、迭代几千次的场景，纯Matlab运行时间完全在可接受范围内，不需要MEX加速。

3.4 遗传算子的选择与参数配置

NSGA-III默认采用模拟二进制交叉（SBX）和多项式变异。SBX中有一个分布指数eta_c，默认取值15到20，控制子代与父代的相似程度。eta_c越大，子代越接近父代，收敛性好但探索性弱。多项式变异的分布指数eta_m一般取20，变异概率取1 / 决策变量总数。

实测下来，水火电调度问题的决策变量大多是连续变量，用模拟二进制交叉就够用了。但有些场景下如果想提高解的分布性，可以试试混合使用均匀交叉，不过会牺牲部分收敛速度。保持默认的SBX + 多项式变异组合，配合合适的种群规模和进化代数，就已经能获得质量不错的Pareto前沿。

4. 从目标函数到可运行的Matlab代码：数据结构设计与关键函数拆解

4.1 需要预先准备的数据表与初始化代码

写代码前，把基础数据整理干净非常重要。我一般建几个结构体或者矩阵：

• ThermalData：火电基础数据，包含每台机组的a、b、c煤耗系数，α、β、γ排放系数，P_min、P_max、爬坡速率。
• HydroData：水电基础数据，包含每座水电站的综合出力系数K、最小最大库容、最小最大出库流量、库容-水位曲线多项式系数、尾水位-流量曲线系数、每时段天然入流。
• LoadProfile：24小时的系统负荷曲线。
• NetworkData：网损率、水流延迟时间矩阵等。

梯级水力联系我单独用一个矩阵存储一下游关系。比如Upstream{i}是水电站i的直接上游电站编号集合，上库出库的一部分流量经过延迟后加入到本库的入流。

初始化种群时特别要注意取值范围的合理性。火电决策变量直接约束在P_min到P_max范围内生成，水电发电流量约束在最小发电流量到最大过机流量范围内生成。这里我踩过坑：如果初始化解完全没有考虑最后平衡机组P_N的反算约束，初期种群不可行率会奇高，算法收敛速度极慢。所以我的初始化函数里加了一步后处理，检查P_N是否越界，如果越界就把该个体的目标值设定为极大值，让自然选择尽早淘汰。

4.2 核心计算函数：目标函数评估模块

目标函数评估模块是整个代码中最核心的部分，它的输入是一个个体（决策变量向量），输出是三个目标函数值和一个约束违反总量。这一步的逻辑顺序是这样的：

第一步，从决策变量向量中拆出火电前N-1台的各时段出力P_tj（矩阵维度24 × (N-1)），以及水电站各时段的发电流量Q_发（24 × 水电站数）。

第二步，根据负荷平衡反算P_N：P_N(t) = Load(t) × (1 + 网损率) - Σ前N-1台P_tj - Σ水电站出力P_hydro(t)。注意这里P_hydro的计算需要调用水电站出力计算子函数，里面包含水位库容查表和水头损失修正。

第三步，调用约束检查子函数，检查P_N是否在爬坡约束和上下限范围内，检查库容是否越界，检查出库流量是否越界。统计总体违约束程度。

第四步，根据目标函数公式计算f1、f2、f3，并把约束违反惩罚加到三个目标上。

这一步有个性能优化点：虽然只评估一个个体很直观，但在Matlab里写循环逐个体评估是性能杀手。我的做法是写成向量化评估，一次传入整个种群的所有个体，用维度为(种群个体数 × 24 × 机组数)的三维矩阵批量计算，运行速度能提升一个数量级。这个向量化的改造稍微有点烧脑，但值得做。

4.3 整体运行脚本的时序组织

主脚本的运行流程：

1. 加载基础数据到工作区。
2. 初始化参考点，设置算法参数（种群大小、最大进化代数、目标函数个数、变量上下界）。
3. 调用种群初始化函数，生成初始种群。
4. 运行主循环：对每代执行交叉变异生成子代，合并父代和子代，非支配排序，归一化，参考点关联，环境选择生成下一代。
5. 迭代结束后，输出Pareto最优解集，绘制前沿面图和调度结果图。
6. 从Pareto前沿中挑选折中解，展示详细的机组出力和水库水位过程曲线。

4.4 一个典型的关键代码片段示例

很多读者会关心NSGA-III核心选择部分怎么写成代码，我在这里贴一段关键的归一化和关联操作的骨架示例（示意版代码，不是完整可运行文件）：

function [niche_count, dist_to_ref_line] = associate_with_reference_points(pop_obj, ref_points) % 归一化：使用理想点和极值点构造超平面 z_min = min(pop_obj, [], 1); z_max_candidates = zeros(size(ref_points, 1), size(pop_obj, 2)); for r = 1:size(ref_points, 1) extremes = pop_obj - repmat(z_min, size(pop_obj, 1), 1); t = max(extremes ./ repmat(ref_points(r, :), size(pop_obj, 1), 1), [], 2); [~, idx] = min(t); z_max_candidates(r, :) = pop_obj(idx, :); end intercepts = max(z_max_candidates, [], 1) - z_min; if any(intercepts <= 0) intercepts(intercepts <= 0) = 1e-6; end norm_pop = (pop_obj - repmat(z_min, size(pop_obj, 1), 1)) ... ./ repmat(intercepts, size(pop_obj, 1), 1); % 计算每个个体到每个参考线的垂直距离 for i = 1:size(norm_pop, 1) distances = sqrt(sum((repmat(norm_pop(i, :), size(ref_points, 1), 1) - ref_points).^2, 2)); [dist_to_ref_line(i), ~] = min(distances); end end

这只是非常简化的示例，实际运行要考虑参考点方向向量的写法（参考点除以自身模长）。我当时的代码里还有极值点ASF计算和超平面截距计算这两步，用代码理解报错中心的思想才把它理顺的。关键点在于：归一化必须用同一代全部个体的信息，不能对每个个体单独归一化，否则参考点机制就失去全局意义了。

5. 参数敏感性分析与调试经验：种群规模、惩罚系数与进化代数怎么定

5.1 种群规模与参考点数量的匹配关系

很多读者第一反应是种群越大越好，但在NSGA-III里，种群规模受参考点数量强约束。参考点数量H确定了，种群大小N最好维持在和H接近的水平。如果N远大于H，环境选择阶段每个参考点关联多个个体，选择过程会退化，多样性优势削弱；如果N远小于H，很多参考点抢不到人，种群的均匀覆盖也谈不上。

我用的方案是：目标数M=3，分段数p=13，则H = C(13+3-1, 3-1) = C(15, 2) = 105，种群大小N直接设为104。进化代数取500代。这个规模下每次运行大约需要40秒到一分钟（取决于机组数量），在Matlab里属于可以接受的范畴。如果你的问题决策变量特别多，比如超过150个，建议把代数降到300代，然后通过多跑几次取稳定解集的方式来提升可信度。

5.2 罚函数系数与目标量级的关系

前面提过惩罚系数要和目标量级匹配，这里给出一个具体的调参流程。先运行一次完全不考虑约束的版本，把每个个体的无约束目标函数值输出，统计三个目标的均值和标准差。然后把惩罚项的量级调整到目标标准差的0.5到2倍之间。具体数值上，比如成本目标的标准差在3×10^5左右，那约束惩罚系数可以取2×10^4到1×10^5。要注意的是，每个个体往往同时违反多个约束，惩罚项之间是叠加关系，总和不要压过主目标。如果算法运行结束后发现存活的解仍有明显越界，说明惩罚太轻，增大系数重新来。

5.3 收敛判断与运行验证

NSGA-III没有像单目标那样明确的收敛判据，我用的替代方案是跟踪每一代的超体积指标（HV）。HV可以理解为Pareto前沿和参考点之间的空间体积，HV越大说明解集整体越好。不需要每代都算，每20代算一次就行。当HV在连续60代以内变化量小于1%的时候，基本可以判定算法稳定了。

我实测下来，500代对这个模型是够用的，到400代以后HV曲线基本就拉平了。如果发现你的问题里爬坡约束特别严格，收敛速度会慢一些，可以适当加大代数。

5.4 随机种子与结果可复现性

NSGA-III是随机算法，这意味着每次运行结果都会略有不同。为了写论文和对比算法，随机种子的统一管理必不可少。我在主脚本开头用rng(2024)固定全局随机种子，然后在种群初始化、交叉变异过程中使用的所有随机函数都基于这个全局种子。这样每次运行结果完全一致，方便不同参数条件下的对比实验。另外，我建议每次运行之后保存完整的Pareto解集到mat文件中，同时保存对应的决策变量和目标值，后面做后处理和画图就不用重新跑算法了。

6. 调度结果的可视化与分析：从Pareto前沿到可落地的调度方案

6.1 三维Pareto前沿的画法与解读

三目标问题最直观的可视化方式是画三维散点图。我用Matlab的scatter3把优化得到的Pareto解集在三个目标维度上展示出来。一个好的NSGA-III运行结果会呈现一个清晰的非凸曲面形状，解点均匀分布在曲面上，边缘处有少量过于极端的点。

解读这个Pareto曲面有一个关键技巧：曲面上的点并不是"哪个比哪个更好"的关系，而是三个目标之间的权衡关系。比如曲面的某一侧，火电成本明显低但排放高、水电发电量也偏低，这个区域对应的调度策略是让火电高负荷运行承担基荷；另一侧火电成本高但排放低，对应的策略是尽可能让水电多发。做决策的时候，决策者要根据电网的实际需求（比如当天是否环保压力大、是否水电来水充足）在曲面上选一个折中解。

6.2 折中解的选取方法

从Pareto前沿中挑一个解来落地，我常用的方法是带熵权的TOPSIS法。三目标情况下，先计算每个目标的熵权，权重反映了各目标在解集中的差异程度，再做TOPSIS排序选出距离理想解最近、距离负理想解最远的那个解。这个方法的优点是客观，不凭主观感觉拍脑袋。当然也可以直接在三维图上手动选一个点，满足某些具体偏好。

选好折中解后，把对应的调度方案还原成实际可执行的调度表：每个时段每台火电机组出力、每座水电站的发电流量和出库流量、水库水位变化过程。重点检查这个方案的所有约束是否真正满足，因为NSGA-III采用的是罚函数法，个体在优化过程中可能仍然带一点轻微的约束违反，落地前必须做修正校验。

6.3 水位变化过程线和机组出力曲线的展示

可视化的第二块内容是过程曲线。我习惯画两组图：第一组是24小时系统负荷分配图，用堆叠面积图展示每台机组和水电站分别承担了多少负荷；第二组是梯级电站水位和库容过程线，可以直观看到上下游电站之间的联动关系——上游电站泄水后，下游电站的入流出现几小时延迟，水位相应抬升。

这种图在论文中说服力很强。比如你可以直接看到，在NSGA-III的优化结果下，上游电站在白天负荷高峰前适当蓄水，在下游需要生态流量同时电网处于晚高峰时加大泄流，火电在夜间低谷期压低出力，整体调度节奏合理。

6.4 与NSGA-II的对比实验设计

论文里光说自己算法好没有说服力，必须做对比。我的建议是设置一组严格的对照实验：同样的目标函数、同样的约束条件、同样的种群规模和进化代数，分别用NSGA-II和NSGA-III跑20次，取平均结果对比。指标上用三个：HV值，反映整体解集质量；IGD值（反世代距离），反映解集的收敛性和分布性；目标函数最小值，反映单目标最优能力。

从我实际跑的结果来看，NSGA-III在HV和IGD上都要优于NSGA-II，尤其是分布性方面优势显著。这跟文献报道的结论一致——高阶多目标问题用参考点机制确实比拥挤度距离更稳健。但值得说明的是，对于只有两目标的调度问题，NSGA-II的拥挤度距离表现并不差，NSGA-III的优势主要体现在三目标及以上场景。

7. 代码封装思路与进阶扩展方向：从单次优化到业务级工具

7.1 把核心求解器封装成函数类

如果只是写一次性脚本，那用上面的思路就够了。但如果你要做多组数据对比、不同来水情景下的分析，建议把算法核心封装成类或者至少封装成函数。输入参数包括：水电站基础数据、火电基础数据、负荷曲线、搜索参数（种群、代数、目标函数个数）。输出是Pareto解集和对应的决策变量。这样每次换一组数据，只需要调一个函数，不需要动主循环。

我自己的工程实践是把整个NSGA-III写成了一个名为nsga3_scheduler的类，内部包含run方法、evaluate_population方法、plot_results方法。外层只需要创建一个实例，传入参数，调用run，然后调用plot_results出图。这个封装方式看起来是基本要求，但确实能大幅提高多情景分析的效率。

7.2 引入动态调度与滚动优化

日调度的基础上，常见的扩展方向是滚动调度：每跑完当天调度，用实测的来水和负荷数据更新预报，然后滚动优化未来24小时。这种模式下NSGA-III要逐时段滚动反复调用，对运行速度的要求更高。纯Matlab版本计算量会明显上升，可以考虑把目标函数评估部分用并行计算优化（Matlab的parfor），或者对种群评估做向量化处理。我实测并行化之后，4核CPU上加速比约2.5倍，还算能用。

7.3 中长期调度与短期调度的嵌套

另外一个进阶方向是把日调度结果作为关键输入，嵌套到中长期（月度、年度）调度模型中。中长期调度确定水库的旬月水位控制策略，日调度模型在水位边界约束下优化日内出力过程。这种嵌套优化计算规模会非常大，NSGA-III可以只用于日调度层，中长期层用动态规划或者逐步优化算法来做。

扩展到这里必须提醒一句：模型复杂度增加的同时，参数标定难度也会成倍上升。不要一上来就追求过热的大而全系统，先把日调度模型做扎实、验证合理，再逐步嵌套到更大的时间尺度。

7.4 代码可读性与注释习惯

最后聊聊代码习惯。NSGA-III涉及大量矩阵运算，变量命名稍有不慎就会让人看不懂。我的习惯是：所有配置参数用结构体统一管理，比如params.population_size、params.max_generation；所有目标函数和约束函数单独写成独立函数文件，并用注释标明对应论文公式编号。因为做研究的时间跨度往往很长，几个月后回头再看代码，如果没有清晰的注释，重新上手成本很高。函数级注释至少要写清楚：输入输出是什么、对应哪个约束条件、采用什么处理方式。

我在第一版调试代码时没有加详细的注释，结果跑出异常结果后排查了两天才定位到是水头损失计算中尾水位公式用错了参数。从那之后我给自己定了个规矩：任何公式相关代码必须对照参考文献逐行核对，并在代码注释里写明公式来源。