数学建模竞赛供应链优化：多阶段随机规划与滚动时域控制实战

1. 项目概述：一次高强度的策略博弈实战复盘

2021年的全国大学生数学建模竞赛C题，题目是“生产企业原材料的订购与运输”。当时拿到这个题目，很多队伍的第一反应可能是“这不就是个供应链优化问题吗？”。但真正上手后才发现，它远不止于此。这道题本质上是一个在复杂约束和不确定需求下的多阶段动态决策问题，融合了运筹学、统计学、时间序列分析甚至博弈论的思维。它模拟了一个生产企业面对数百家供应商、每周波动的原材料需求和运输能力限制时，如何制定最优的订购与运输计划，以最小化成本（包括订购、库存和转运成本）。我当年作为指导老师，带着队伍完整地走了一遍解题、建模、求解到写作的全过程，踩了不少坑，也积累了一些非常实在的心得。今天，我就以从业者的视角，把这套思路、方法和避坑指南系统地拆解一遍，无论你是正在备赛的学生，还是对运筹优化感兴趣的朋友，相信都能从中获得可以直接“抄作业”的实战经验。

2. 赛题核心与解题思路总览

2.1 问题本质：带约束的多阶段随机动态规划

首先，我们必须跳出“简单优化”的思维定式。C题给出的数据，包括402家供应商过去240周的供货数据（供货量、供货量对应的周数），以及一家生产企业每周的产能上限和需求。你需要为未来24周（题目中可能是未来一段时间，具体周数需根据赛题说明确定，这里以24周为例进行阐述）制定订购与运输方案。

它的难点和核心在于：

1. 不确定性：供应商的供货量是随机的、有波动的，你无法精确预测未来每一家供应商每周能提供多少原材料。这引入了风险。
2. 多阶段性：决策不是一次性的，而是需要每周做一次（订购哪些供应商、订多少），并且本周的决策（库存）会直接影响下一周的决策空间。
3. 复杂约束：
   • 供应商能力约束：每家供应商每周有最大供应量。
   • 企业库存能力约束：企业自身的仓库有容量上限。
   • 运输能力约束：每周的运输总量有上限（这是题目中非常关键且容易忽略的约束！）。
   • 满足需求约束：每周生产消耗的原材料必须得到满足，不能缺货（通常题目要求必须满足，或允许缺货但惩罚极高）。
4. 多目标权衡：目标是最小化总成本，而成本由三部分构成：
   • 原材料成本：向供应商采购的费用。
   • 库存持有成本：原材料放在仓库里会产生资金占用和仓储费用。
   • 转运/运输成本：将原材料从供应商运到企业的费用。这部分成本可能与距离、运输量相关，题目会给出具体计算规则。

所以，这绝不是一个简单的线性规划。一个可行的总体思路是：“预测+优化+滚动调整”。即先基于历史数据预测未来各供应商的供货能力（概率分布或期望值），然后建立一个以总成本最小化为目标、以未来多周为规划期的优化模型进行求解，最后在实际执行中，采用滚动时域控制的方法，每周根据实际到货和库存情况，重新求解优化模型，更新后续计划。

2.2 解题流程框架设计

基于以上理解，一个稳健的解题流程可以设计如下：

1. 数据预处理与探索性分析（EDA）：这是所有工作的基石。清洗402家供应商240周的数据，处理缺失值、异常值。计算每家供应商供货量的基本统计特征（均值、方差、变异系数、分布形态），分析其供货稳定性。通过可视化（如时间序列图、分布直方图）发现规律，例如是否存在季节性、趋势性，或者某些供应商供货量恒为0（可能是无效供应商）。
2. 供货能力建模与预测：这是处理不确定性的核心。对于每家供应商，基于其历史供货序列，建立预测模型。常用的方法包括：
   • 简单统计法：直接使用历史均值和方差作为未来期望和波动估计。适用于数据平稳、无趋势的供应商。
   • 时间序列模型：如ARIMA、指数平滑等，适用于有明显时间依赖性的供应商序列。
   • 概率分布拟合：检验历史供货量服从何种分布（如正态分布、泊松分布、伽马分布等），用拟合的分布来描述未来供货的不确定性。
   • 分类处理：对于供货极不稳定或长期为0的供应商，可以归类为“不可靠供应商”，在模型中赋予极低的订购优先级或更高的风险成本。
3. 优化模型建立：这是解题的主体。我们需要建立一个数学规划模型。
   • 决策变量：通常是二元变量（是否选择某供应商在某周供货）和连续变量（从某供应商在某周的订购量、每周的库存量）。
   • 目标函数：最小化总成本 = Σ（原材料采购成本 + 库存持有成本 + 运输成本）。
   • 约束条件：将上述提到的供应商能力、企业库存、运输能力、需求满足等约束全部用数学公式表达。
   • 关键点：如何处理预测的不确定性？这里有两种主流思路：
     • 确定性等价模型：用预测的期望值代替随机变量，将随机规划转化为确定性规划。这是最常用、最易实现的方法，但忽略了风险。
     • 随机规划或鲁棒优化：更高级的方法。随机规划会考虑多种可能场景（Scenario），目标是最小化期望成本；鲁棒优化则考虑最坏情况下的成本最小化。这两种方法模型复杂，求解难度大，但论文中若能合理简化并实现，会是极大的亮点。
4. 模型求解与算法设计：建立的优化模型通常是一个大规模的混合整数线性/非线性规划（MILP/MINLP）。直接调用商业求解器（如Gurobi, CPLEX）或开源求解器（如SCIP, OR-Tools）可能是最直接的方式。但如果问题规模太大或模型非线性导致求解困难，就需要设计启发式算法，如：
   • 贪婪算法：每周优先选择“性价比”（单位运输成本低、供货稳定）最高的供应商，直到满足需求或耗尽运输能力。
   • 遗传算法（GA）：将订购方案编码为染色体，以总成本为适应度函数进行进化迭代。
   • 模拟退火（SA）：通过引入随机扰动来跳出局部最优，寻找全局较优解。
5. 方案评估与灵敏度分析：得到一套订购运输方案后，不能直接提交。需要用历史数据或随机模拟的方法去评估这个方案的表现。例如，用蒙特卡洛模拟，根据你预测的概率分布随机生成大量组可能的未来供货序列，然后看你的方案在这些不同情境下的平均成本和成本波动（风险）。同时，进行灵敏度分析：如果运输能力上调10%，总成本能下降多少？如果某主要供应商的供货均值下降，备用方案是什么？这部分分析能极大地提升论文的深度和说服力。

3. 核心环节深度解析与实操要点

3.1 数据预处理：别在第一步埋雷

402家供应商，240周数据，近10万条记录。第一步处理不好，后面全盘皆输。

实操要点：

• 缺失值处理：供货量为空或0？不能简单删除或填0。要结合上下文判断：如果该供应商在其他周有稳定供货，唯独这几周为0，可能是数据缺失，可用前后周均值或插值填充；如果该供应商240周里绝大部分都是0，只有零星几次供货，那它很可能就是一个“偶尔供货”的供应商，在建模时应将其供货量视为一个稀疏的随机变量（如服从0-1分布与一个供货量分布的混合）。
• 异常值识别：利用箱线图或3σ原则，找出远高于正常范围的供货量。这些点可能是记录错误，也可能是真实的“大单”。需要结合业务逻辑判断：该供应商平时供货量很小，突然有一周暴增，合理吗？如果不合理，应视为异常值并进行修正（如用盖帽法）。
• 供应商分类：这是提升模型效率的关键。不要对402家供应商一视同仁。我建议至少分为三类：
  1. 核心稳定型：历史供货均值高、方差小（变异系数低）。它们是方案的基石。
  2. 波动风险型：均值尚可，但方差很大。它们能提供潜在的低价或补充货源，但需要风险对冲。
  3. 边缘偶发型：长期供货量为0或极小。可以在模型中设置一个极低的固定订购成本，仅在极端缺货时考虑。

注意：分类的标准需要量化，并在论文中明确给出。例如，定义“稳定型”为：历史供货量大于0的周数占比超过80%，且变异系数小于0.5。

3.2 预测模型选择：在简单与复杂间权衡

预测的目的是为优化模型提供输入参数（如下一周供货量的期望值）。在这个赛题中，预测的绝对精度并非首要，预测的稳定性和可解释性更重要。

方案对比：

我的心得：在时间有限的比赛中，我强烈推荐“概率分布拟合”为主，“移动平均”为辅的策略。对于稳定型供应商，拟合正态分布；对于波动型，可以拟合伽马分布或对数正态分布；对于偶发型，直接用一个伯努利分布（有货/无货）加一个条件分布来描述。这样，你的优化模型可以直接利用这些分布参数（期望、方差）来构建目标函数或约束，逻辑上更自洽。

3.3 优化模型构建：从理想模型到可解模型

这是整个比赛最硬核的部分。我们直接构建一个理想化的多阶段随机规划模型，然后讨论如何简化求解。

1. 理想模型（多阶段随机规划）

• 决策变量：
  • ( x_{it} )：第t周向供应商i的订购量（连续变量）。
  • ( I_t )：第t周结束时的库存量（连续变量）。
  • ( y_{it} )：0-1变量，第t周是否选择供应商i（如果题目有固定订购成本或运输有固定费用）。
• 目标函数： [ \min E[\sum_{t=1}^{T} (\sum_{i=1}^{N} (c_i x_{it} + f_i y_{it} + trans_cost(x_{it})) + h I_t)] ] 其中，( c_i )是单价，( f_i )是固定订购费，( trans_cost )是运输成本函数（可能是线性或分段函数），( h )是单位库存持有成本，( E )表示数学期望（因为( x_{it} )可能受随机供货量影响）。
• 约束条件：
  • 库存平衡：( I_t = I_{t-1} + \sum_i \xi_{it} x_{it} - d_t )。这里( \xi_{it} )是随机变量，表示供应商i在第t周的实际供货率（可能≤1），这是不确定性的核心来源。
  • 需求满足：( I_{t-1} + \sum_i \xi_{it} x_{it} \ge d_t )。
  • 供应商能力：( x_{it} \le Cap_{it} )。
  • 库存容量：( I_t \le I_{max} )。
  • 运输能力：( \sum_i x_{it} \le Trans_{max} )。
  • 变量非负、整数等。

这个模型非常完美，但直接求解几乎不可能（随机变量嵌套在约束中）。

2. 可解模型：两阶段近似与滚动时域控制为了求解，我们必须简化。最实用的方法是“两阶段决策 + 滚动时域控制（Receding Horizon Control, RHC）”。

• 两阶段决策思想：将每周的决策视为两个阶段。第一阶段（“此时此地”），决定本周的订购量( x_{it} )。第二阶段（“未来”），考虑到本周订购的货物存在不确定性（实际到货是( \xi_{it} x_{it} )），我们需要有一个应对策略。在模型中，我们用一个惩罚项来近似第二阶段的成本。例如，如果到货不足导致缺货风险增加，我们就在目标函数中对订购量( x_{it} )的方差或风险值（CVaR）进行惩罚。
• 滚动时域控制流程：
  1. 在初始时刻（第1周初），基于当前库存( I_0 )和对未来24周的预测，求解一个规划周期为N周（例如N=4或8）的确定性优化模型（将随机量( \xi_{it} )用其期望值( \bar{\xi}_i )代替）。得到未来N周的订购计划。
  2. 只执行第一周（第1周）的订购决策。
  3. 进入第2周初，观测第1周的实际到货情况，更新库存( I_1 )。同时，用最新的数据（可能包括第1周的实际供货数据）更新对未来（第2周到第N+1周）的预测。
  4. 基于新的状态( I_1 )和新的预测，重新求解一个未来N周的优化模型（时间窗口向前滚动一周）。
  5. 重复步骤2-4，直至覆盖所有周。

这样做的好处：将一个复杂的多阶段随机问题，分解为一系列可求解的、较短周期的确定性规划问题。同时，RHC具有反馈机制，能根据实际情况调整计划，鲁棒性更强。

3.4 算法实现与求解：工具选型与技巧

模型建立后，需要编程求解。这里以Python生态为例。

工具链选择：

• 建模语言：PuLP或OR-Tools是Python下优秀的线性规划建模库，语法直观。对于更复杂的问题，Pyomo功能更强大。
• 求解器：
  • CBC：开源，与PuLP集成好，适合中等规模的MILP。
  • SCIP：开源，性能强劲，支持更复杂的约束类型。
  • Gurobi/CPLEX：商业求解器，性能顶尖。学生可以申请免费学术许可证。如果问题规模大，强烈建议使用它们。
• 启发式算法实现：如果需要自己写遗传算法，可以用DEAP框架；模拟退火可以自己实现，也不复杂。

一个基于PuLP和滚动时域的代码框架示例：

import pulp import numpy as np def solve_one_period(current_inventory, demand_forecast, supplier_cap_mean, cost_dict, trans_cap, horizon=4): """ 求解一个滚动窗口内的确定性优化问题 current_inventory: 当前库存 demand_forecast: 未来horizon周的需求预测列表 supplier_cap_mean: 各供应商未来horizon周的预计最大供应量矩阵 (N_suppliers x horizon) cost_dict: 包含单价、运输费率、库存成本等的字典 trans_cap: 每周运输能力 horizon: 规划周期长度 """ prob = pulp.LpProblem('Material_Ordering', pulp.LpMinimize) N_suppliers = supplier_cap_mean.shape[0] weeks = range(horizon) # 定义决策变量 order = pulp.LpVariable.dicts('order', ((i, t) for i in range(N_suppliers) for t in weeks), lowBound=0) inventory = pulp.LpVariable.dicts('inv', (t for t in weeks), lowBound=0) # 目标函数：最小化总成本（采购+库存） prob += pulp.lpSum([cost_dict['price'][i] * order[i, t] for i in range(N_suppliers) for t in weeks]) + \ pulp.lpSum([cost_dict['holding_cost'] * inventory[t] for t in weeks]) # 约束条件 # 1. 库存平衡约束 (t=0时，期初库存为current_inventory) for t in weeks: if t == 0: prob += inventory[t] == current_inventory + pulp.lpSum([order[i, t] for i in range(N_suppliers)]) - demand_forecast[t] else: prob += inventory[t] == inventory[t-1] + pulp.lpSum([order[i, t] for i in range(N_suppliers)]) - demand_forecast[t] # 2. 满足需求约束（库存非负隐含了满足需求，但更严格的写法是） for t in weeks: prob += inventory[t] >= 0 # 或 >= safety_stock # 3. 供应商能力约束 for i in range(N_suppliers): for t in weeks: prob += order[i, t] <= supplier_cap_mean[i, t] # 4. 运输能力约束 for t in weeks: prob += pulp.lpSum([order[i, t] for i in range(N_suppliers)]) <= trans_cap # 求解 prob.solve(pulp.GUROBI_CMD(msg=False)) # 使用Gurobi求解，安静模式 # prob.solve(pulp.PULP_CBC_CMD(msg=False)) # 使用CBC求解 # 提取第一周的决策 week0_order = {i: pulp.value(order[i, 0]) for i in range(N_suppliers) if pulp.value(order[i, 0]) > 1e-5} return week0_order, pulp.value(prob.objective) # 滚动时域主循环 current_inv = initial_inventory all_orders = [] total_cost = 0 for week in range(total_weeks): # 1. 获取未来N周的需求预测和供应商能力预测（基于当前时间点） demand_fcst = get_demand_forecast(week, horizon=4) supplier_cap_fcst = get_supplier_capacity_forecast(week, horizon=4) # 这里使用期望值 # 2. 求解当前窗口的优化问题 week_order, period_cost = solve_one_period(current_inv, demand_fcst, supplier_cap_fcst, cost_dict, trans_cap, horizon=4) # 3. 记录本周决策 all_orders.append(week_order) total_cost += period_cost # 注意：这是计划成本，不是实际成本 # 4. 模拟本周实际到货（根据随机性）并更新库存 actual_arrival = simulate_actual_arrival(week_order) # 一个模拟函数，根据随机供货率生成实际到货 current_inv = current_inv + actual_arrival - demand_real[week] # 5. 确保库存非负（如果模拟出现缺货，可能需要额外处理，如紧急采购，这里简化） current_inv = max(current_inv, 0)

注意事项：

• 上述代码是高度简化的框架，实际中需要处理更多细节，如运输成本函数的线性化、固定订购费用的引入（需要0-1变量）等。
• simulate_actual_arrival函数是关键，它实现了从“计划订购量”到“实际到货量”的随机映射。这里可以根据之前拟合的概率分布进行随机抽样。
• 目标函数中的period_cost是计划成本。真正的总成本需要在所有周模拟结束后，根据实际发生的订购、库存和运输情况重新计算。

4. 论文写作要点与独家心得

数学建模竞赛，三分靠模型，七分靠表达。一个清晰、严谨、美观的论文是获奖的关键。

4.1 论文结构编排

1. 摘要：重中之重！采用“问题重述-模型方法-主要结果-结论特色”的结构。用精炼的语言说明你们用了什么方法（如“基于概率预测和滚动时域随机规划”），建立了什么模型，设计了什么算法，得到了什么结果（关键数值，如总成本比基线方案降低了XX%），以及模型的优点（如鲁棒性强、能处理不确定性）。
2. 问题重述与分析：不要照抄题目。用自己的话梳理问题的要素、目标、约束和难点。画出流程图来展示你们的整体解题思路，非常加分。
3. 模型假设与符号说明：假设要合理、必要，并说明理由。符号表格要清晰、完整。
4. 模型建立与求解：这是核心章节。
   • 分节论述：4.1 数据预处理与供应商分类；4.2 供货不确定性建模（预测）；4.3 优化模型（确定性/随机）的建立；4.4 基于滚动时域的求解算法设计；4.5 可能用到的启发式算法（如遗传算法）细节。
   • 多用公式和图表：重要的约束和目标函数必须用公式列出。图表如供应商分类结果图、预测效果图、算法流程图、滚动时域示意图等，能极大提升可读性。
5. 模型求解与结果分析：
   • 给出具体方案：以表格形式展示部分周期（如前8周、后8周）的详细订购方案（供应商编号、订购量）。
   • 核心结果：报告最终的总成本，并与其他简单策略（如恒定订购策略、仅向最便宜供应商订购策略）进行对比，用数据证明你们模型的优越性。
   • 灵敏度分析：改变关键参数（如运输能力±20%，库存成本±15%），观察总成本的变化趋势，用折线图展示。分析哪个参数对结果最敏感，并给出管理启示。
   • 蒙特卡洛模拟评估：用你们得到的方案，在随机生成的大量未来场景下运行，计算平均成本、成本方差、缺货次数等风险指标。这能有力证明方案的鲁棒性。
6. 模型评价与推广：客观评价模型的优点（考虑全面、鲁棒性强、实用）和缺点（计算复杂度高、对预测精度依赖等）。提出改进方向，并简要说明模型可推广到其他类似场景（如能源调度、物流配送）。

4.2 独家避坑指南与心得

• 坑1：忽视运输能力约束。这是题目中最容易设置陷阱的地方。很多队伍只关注订购和库存，忘了每周运进来的原材料总量是有限的。一旦忽略，你的“最优解”可能根本无法实施。务必在模型和论文中突出强调对此约束的处理。
• 坑2：追求预测模型的复杂度而本末倒置。花三天时间调一个完美的LSTM预测模型，结果优化模型没时间建了，这是最常见的失败案例。记住，本题的核心是优化决策，预测是为优化服务的。一个简单稳健的预测（如指数平滑或分布拟合）结合一个考虑不确定性的优化模型，远胜于一个复杂预测加一个简单优化。
• 坑3：模型“大而全”，无法求解。一开始就想建立一个完美的24周随机规划模型，结果变量成千上万，约束复杂，任何求解器都跑不动。一定要有“简化-求解-验证-迭代”的思想。先从最简单的确定性模型、短周期开始，确保流程能跑通，得到基础解。然后再逐步增加随机性、延长周期、添加复杂约束。
• 坑4：结果分析停留在表面。只给出一个总成本数字就完了。评委想看的是：你的方案为什么好？好在哪？对比实验和灵敏度分析是展示思考深度的最好机会。设计2-3个对比策略（如“我的opic策略”、“仅选Top-10供应商策略”），用图表清晰对比成本。分析当关键参数变化时，你的方案稳定性如何。
• 坑5：论文可读性差。公式编号混乱，图表没有标题和编号，文字描述和图表脱节。写作时要时刻想着读者。每一个公式、每一张图在正文中都要有明确的引用和解释。使用专业的排版工具（LaTeX）能极大提升论文的“颜值”和专业感。
• 我的一个关键心得：引入“安全库存”概念。在库存平衡约束中，不要只满足I_t >= 0。可以设置为I_t >= safety_stock_t。安全库存量可以根据未来几周需求预测的波动性（标准差）来计算，例如safety_stock_t = z * σ_demand，其中z是服务水平系数。这简单的一步，就能将需求不确定性也纳入考虑，显著增强方案的鲁棒性，而且非常容易在模型中实现，是性价比极高的亮点。

5. 常见问题与排查技巧实录

在实际编程和调试过程中，你一定会遇到各种问题。这里记录几个典型问题及解决思路。

问题1：模型求解速度极慢，甚至无法得到可行解。

• 可能原因1：问题规模太大。402家供应商*24周，仅0-1变量就有近万个。直接求解混合整数规划确实困难。
  • 排查：先求解一个简化版（如只取前50家供应商，规划4周），看是否能快速求解。如果能，说明是规模问题。
  • 解决：
    1. 供应商聚合：将地理位置相近、供货特性相似的供应商合并为“虚拟供应商”，减少变量数。
    2. 滚动时域：这正是解决大规模多阶段问题的标准方法，将24周问题分解为多个4-8周的小问题。
    3. 启发式算法：如果必须求全局解，转向遗传算法、模拟退火等，它们能在大规模问题上找到满意解（不一定是最优）。
• 可能原因2：约束条件存在矛盾，导致无可行域。
  • 排查：逐一检查约束。最常见的是运输能力Trans_max设置得过小，即使所有供应商满负荷供货也无法满足单周需求。或者初始库存为0，而第一周的需求大于第一周的最大可能到货量（供应商总能力*运输能力上限）。
  • 解决：检查题目给出的数据，确认约束参数是否合理。如果问题本身在极端情况下就是无解的，需要在模型中引入“缺货惩罚”或“紧急采购”选项，将硬约束放松。

问题2：滚动时域控制的结果不稳定，每周计划波动很大。

• 可能原因1：预测模型波动大。如果使用的预测方法（如简单移动平均）对近期数据异常敏感，会导致每周的预测输入剧烈变化，从而影响优化结果。
  • 解决：采用更平滑的预测方法，如指数平滑（给历史数据赋予衰减权重），或使用更长期的均值。或者，在优化模型的目标函数中增加一个“计划平滑性”惩罚项，例如惩罚相邻两周订购量之和的剧烈变化。
• 可能原因2：规划周期（Horizon）太短。如果只规划未来2周，模型会非常“短视”，容易做出激进调整。延长规划周期（如到6-8周），能让模型更兼顾中长期利益，计划会更平稳。
  • 解决：尝试不同的规划周期长度，观察总成本和平稳性的 trade-off，选择一个平衡点。

问题3：蒙特卡洛模拟显示方案风险很高（成本方差大）。

• 可能原因：模型过于追求期望成本最小，而忽略了风险。确定性等价模型或只考虑期望值的随机规划都有此问题。
  • 解决：在优化模型的目标函数中引入风险度量。最常用的是条件风险价值（CVaR）。可以在目标中最小化期望成本 + λ * CVaR，其中λ是风险厌恶系数。这样得到的方案会在成本和风险之间取得平衡。在论文中实现并分析不同λ下的方案表现，是一个高级亮点。

问题4：论文中的图表很多，但看起来不专业。

• 解决：
  1. 统一风格：所有图表使用一致的配色方案（如Set2, Tab20c色系）、字体（如Times New Roman, Arial）、线型和标记点。
  2. 信息完整：每个图必须有编号、标题，坐标轴必须有清晰的标签和单位。图例要清晰。
  3. 突出重点：折线图的关键转折点可以标注数值；柱状图的数据标签可以显示具体值；热力图要选择合适的色彩映射。
  4. 工具推荐：Python的matplotlib和seaborn库可以做出出版级的图表。记得调整dpi到300以上，保存为矢量图格式（如.pdf,.svg）嵌入论文，这样放大不会模糊。

最后，再强调一点团队协作的心得：三个人一定要有明确分工，但又要紧密沟通。通常一人主攻模型与算法（编程能力强），一人主攻数据与预测（统计学好），一人主攻论文写作与整合（文字和逻辑能力强）。每天至少开两次短会同步进度，遇到卡点及时讨论。论文写作一定要尽早开始，不要等所有结果都出来再写，模型描述、假设、符号说明等部分可以提前撰写。用Git或网盘做好代码和文档的版本管理，避免最后时刻合并冲突。这场竞赛比拼的不仅是智力，更是体力、毅力和团队协作的综合能力。