企业官网建设流程全解析

接到微网日前优化调度任务的时候，我一开始想的特别简单：把风电、光伏、负荷、储能几条曲线凑齐，目标函数设成运行成本最小，再用现成求解器算一遍。但真正把V2G考虑进去之后，问题一下子变得很难受。电动汽车不是一个纯负荷，它既能充电又能放电，还受出行需求约束，等于往原本就捉襟见肘的日调度模型里又塞进了几十个可调度单元。更头疼的是，调度目标不止一个——省钱、减排、保供电可靠，这三件事经常互相打架。后来我在这类问题上改用改进多目标灰狼优化算法，才算是把风、光、荷、储和电动汽车群真正拧到了一根轴上。如果你也在做微网日前优化调度、V2G策略研究，或者纠结多目标进化算法到底怎么落地，这篇内容应该能帮你省下大量试错时间。下面我会从模型搭建、算法改进思路、Matlab实现细节、实测效果四个维度把整套流程拆开讲。

1. 为什么"风、光、荷、储"再加V2G会让传统调度方案失效

1.1 日前调度的本质不只是"省钱"，而是处理一堆不确定性的博弈

微网日前优化调度，简单说就是在未来24小时的时间尺度上，提前决定每一个可控单元的出力计划。风电和光伏的出力曲线可以基于预测数据提前给出，但预测总有误差，负荷侧也在波动。储能和电动汽车是当前微网里少数能够主动双向调节的资源，所以它们的调度策略直接影响整个系统的经济性和可靠性。

我早期做这类课题的时候，喜欢把问题简化成"一个单目标的最小化问题"，把所有成本折算成钱就完事。这种做法在算例里跑得很顺，但拿到实际场景里会暴露出一个大问题：电网对碳排放、电压质量、供电可靠性同样有硬性要求，你不能为了省一块钱让电压偏差超出允许范围，更不能为了降低弃风率让储能电池在一个周期内反复深充深放。所以多目标优化不是论文里的华丽包装，而是实际调度里绕不开的需求。

风、光、荷、储这四个字看起来简单，实际上每个单元都有自己特有的时间尺度。风电的波动是分钟级的，光伏受天气影响有小时级的波动，负荷有日周期，储能需要在SOC上下限之间做长时间尺度的能量搬运。如果只用确定性调度方法，比如把预测值当成真值去做线性规划，一旦实际出力偏离预测，整个调度计划就会失效。这也是为什么进化算法在微网调度里这么流行——它能够处理非线性和非凸约束，而且天然支持多个目标函数同时优化。

1.2 V2G接入后，调度维度和约束数量都变了

把电动汽车接入微网调度后，问题复杂度会突然翻倍，原因有两个：

第一，电动汽车不是简单的储能电池。传统储能电池是微网运营商直接控制的，SOC上下限、充放电功率、循环次数都是全局变量。电动汽车则不一样，车主有出行需求，每辆车有固定的接入时间段，你只能在停靠的时候调度它。如果调度结果显示某辆车在某个时段应该放电，但车主的实际出行时间变了，那这个调度指令就执行不了。

第二，V2G可以双向馈电，但这带来一个建模细节：充放电功率的表达式、效率、电池寿命损耗都不一样。很多初学者把电动汽车当成"会跑的储能电池"，直接套用储能的模型，把充放电效率设成对称的。实际上，电动汽车充电效率通常在90%到95%，放电效率可能只有85%到90%，而且频繁放电会加速电池循环老化，这部分经济成本也要折算进目标函数里。

在日前调度模型里加入V2G后，决策变量至少会增加三维：每辆电动汽车在每个时段的充电功率、放电功率、充放电状态。如果系统里有30辆电动汽车、24个调度时段，光电动汽车相关的变量数量就接近1500到2000个。在这种规模下，传统数学模型求解很容易出现维数爆炸，而灰狼优化这类群体智能算法在可扩展性方面确实更占优势。

1.3 为什么灰狼优化算法适合作为求解器

灰狼优化算法（Grey Wolf Optimizer, GWO）是2014年前后提出的一种群体智能优化算法，模拟灰狼群体在捕猎过程中的包围、追踪、攻击行为。相比粒子群算法和遗传算法，GWO的代码结构非常简单，收敛速度也比较快，这是它在电力系统优化里被广泛使用的原因。

但标准的GWO有一个致命问题：它原本是为单目标连续优化设计的。用于多目标微网调度时，你需要额外解决两件事：一是如何让种群在多个目标函数之间同时逼近帕累托前沿，二是如何保持种群的多样性，不能让所有个体都挤在某个目标的极端解附近。

改进多目标灰狼优化算法（IMOGWO）的思路，本质上是保留了GWO的包围-攻击机制，再加入多目标处理策略，比如外部存档（external archive）、拥挤距离排序、自适应权重调整。这些内容我会在第三部分详细展开。现在先回到更重要的问题：模型本身怎么搭。

2. 多目标模型搭建：运行成本、环保性和可靠性三者的冲突

2.1 目标函数到底应该选几个、怎么定义

我在调研这类问题时发现，绝大多数文献都会选择两到三个目标函数，最常见的组合是"运行成本最小"和"碳排放最小"，有些研究会加一个"电压偏差最小"或"切负荷量最小"。目标函数数量不是越多越好，目标太多会导致帕累托前沿的可视化和决策解释都变得困难。一般建议控制在3个以内。

我自己在这类项目里用的目标函数组合是：

第一个目标：系统总运行成本最小化。包含：

• 从主网购电费用（或者向上级电网售电的收入）
• 微型燃气轮机/柴油发电机的燃料成本
• 储能电池的充放电损耗成本
• 电动汽车电池循环老化成本
• 弃风弃光惩罚费用

第二个目标：碳排放量最小化。主要来源是向主网购电对应的高碳排放电源，以及微网内部燃气轮机的燃料消耗。如果要细算，还包括储能和电动汽车全生命周期的间接碳排放，但日前调度通常只看运行阶段的排放。

第三个目标：供电可靠性目标，我用切负荷量来表征。在微网孤岛运行场景下，如果系统发电能力不足，可能需要切掉一部分负荷。这个目标在并网模式下通常为0，但如果考虑极端场景，也应该放进模型里。

这里有一个容易被忽略的问题：目标函数之间的量纲差异极大。运行成本的数量级可能是10的4次方到10的5次方元，碳排放可能是几百千克，切负荷量可能只有几十千瓦时。如果直接做多目标优化，算法会天然偏向数值量级大的目标，导致帕累托前沿严重偏向某一端。处理办法是对三个目标做归一化处理，或者采用模糊隶属度函数把各目标映射到0到1之间。

2.2 约束条件里的"隐藏陷阱"：从功率平衡到电动汽车SOC

任何优化调度模型都离不开等式约束和不等式约束。功率平衡是等式约束中最核心的一条，每个调度时段，微网内部的发电功率加上从主网购电功率，必须等于负荷功率加上储能和电动汽车的充放电功率。这个约束看起来简单，但在代码实现里特别容易出错，尤其是电动汽车既充电又放电时，符号很容易搞反。

不等式约束才是真正考验建模深度的部分。储能电池需要考虑的约束包括：

• 充放电功率上下限
• SOC上下限，通常不允许低于20%或高于95%
• 充放电状态互斥约束，也就是同一时刻不能既充电又放电
• 连续性约束，相邻时段之间SOC变化必须符合能量守恒

电动汽车的约束比储能更加复杂。除了以上类似项，还需要额外考虑车主出行约束。最简单的做法是假设每辆电动汽车在接入微网的时间里都可以参与调度，但需要保证次日出行时SOC不低于某个阈值，比如80%。

另一个容易踩坑的细节是弃风弃光约束。光伏和风电属于不可控电源，当系统出力过剩时，有两种处理方式：要求必须全消纳，或者允许一定比例的弃风弃光但设置惩罚成本。前者会让可行域变窄，导致算法在寻优过程中频繁违反约束；后者则会让目标函数多一个惩罚项，实现起来更灵活。我一般选择后者，因为实际调度中弃风弃光是客观存在且合理的操作。

2.3 模型化简里值得注意的几个参数

参数设置会直接决定模型能不能在合理时间内收敛。以下是我在实际测试中比较稳定的经验值：

这些参数不一定是物理系统里的真实值，但它们是算法调参的重要基准。如果你用了一套完全不符合实际量纲的参数，比如把储能容量设置成100 kWh，把电动汽车数量设置成200辆，那么算出来的调度方案在实际系统中没有任何参考价值。

我在项目里还有一个体验：不要追求把所有可调度单元都做成独立决策变量。很多论文把每辆电动汽车单独建模，导致决策变量爆炸。实际工程里可以把同一时段接入的电动汽车聚合成一个"虚拟储能池"，用总充放电功率和总SOC作为决策变量。这样变量数量会大幅下降，而且调度的可执行性更好。

3. 改进多目标灰狼优化算法：保留简单结构，补三个短板

3.1 先回顾一下原始GWO的狩猎机制

灰狼优化算法的灵感来自狼群捕猎。在算法里，每只灰狼代表一个候选解，种群中最优的三个个体被定义为alpha、beta、delta狼，其余个体是omega狼。每次迭代中，所有omega狼根据alpha、beta、delta的位置更新自己的位置，模拟的是狼群在头狼带领下逐步逼近猎物的过程。

具体的位置更新公式可以表述为：

d_alpha = |C1 * X_alpha - X(t)|，X(t+1) = X_alpha(t) - A1 * d_alpha

类似地，对beta和delta分别计算候选位置，最后取三个候选位置的平均值作为更新后的位置。A和C是系数向量，其中A随着迭代次数从2线性递减到0，这个线性递减是GWO收敛性的关键——它模拟了狼群从全局搜索到局部开发的过渡过程。

原始GWO的优势是简单、快速，不需要太多的控制参数，主要就是种群大小和最大迭代次数。但它在多目标问题上有三个明显短板。这也是"改进"二字的切入点。

3.2 三个短板决定了改进方向

第一个短板是初始种群敏感度。标准GWO初始种群是完全随机的，如果初始解离真实帕累托前沿很远，收敛会非常慢，甚至收敛到局部最优。这个在微网调度问题里尤其致命，因为决策变量多，可行域形状复杂，随机初始化的种群很容易大量落在约束违反区域。

第二个短板是线性递减系数A缺乏自适应能力。A从2线性减到0，无论当前种群离最优区域有多远，搜索能力都按固定节奏变化。实际调度问题中，目标函数有不同的平坦区或陡峭区，需要算法在不同阶段自适应切换搜索力度。

第三个短板是多目标处理缺失。标准GWO只能输出一个解，而我们需要一整条帕累托前沿。要让单目标算法变多目标，必须在每一代中评价解的"非支配等级"和"拥挤距离"，再据此选择下一代种群。这和原始GWO的更新机制是两种不同逻辑。

我把这三个短板对应的改进策略概括如下：

3.3 混沌初始化与非线性收敛因子

混沌初始化是我在做这类改进时最先尝到甜头的部分。我把它理解为"用确定性系统生成伪随机序列，但比完全随机更均匀"。常用的Tent映射可以写成：x_{k+1} = x_k / 0.7，当x_k < 0.7；x_{k+1} = (1 - x_k) / 0.3，当x_k >= 0.7。把映射生成的序列映射到决策变量的上下界，就得到了初始种群。

实测下来，混沌初始化对最终结果的影响主要体现在稳定性上。随机初始化跑10次，每次的帕累托前沿差异很大；混沌初始化跑10次，结果基本稳定在一个较窄的范围内。对于需要复现结果的学术课题，这个改进几乎是必须的。

非线性收敛因子的公式我用的是一种常见的指数衰减表达式：a(t) = 2 * exp(-t / max_iter)。相比原始线性递减，它在前期衰减更快，让种群快速收敛到有希望的区域；后期衰减变慢，保留局部搜索能力。这个改进的效果在目标函数数量越多时越显著。但要注意，收敛因子不能衰减太快，否则种群在前期还没有充分覆盖搜索空间，就已经陷入局部最优。

3.4 外部存档和拥挤距离维护帕累托前沿

多目标优化的核心是找到帕累托前沿，也就是一组解，它们之间不存在某一个目标全部优于其他目标的支配关系。以运行成本和碳排放两个目标为例，前沿上的每个解都代表一个调度方案：有的省钱但排放大，有的减排但成本高。调度员可以根据实际需求从中选一套。

外部存档的作用就是保存算法迭代过程中发现的所有非支配解，每次迭代后把当前种群中的非支配解并入存档，再剔除被新解支配的旧解。这个逻辑很简单，但难点在于：如果非支配解数量超过存档容量，应该淘汰哪些解？

解决方法是拥挤距离。在目标空间里，对每个存档解计算它相邻解之间的欧氏距离和，距离越小的解说明它越是窝在密集区域，优先被淘汰。这个做法和NSGA-II里的拥挤度排序本质上是一个思路。正确实现拥挤距离后，存档里的解能均匀分布在帕累托前沿上，不会出现所有解都挤在成本最低那一端的情况。

我做多目标灰狼算法时还有一个体会：如果只靠外部存档记录最优解，种群自身在迭代中可能会逐渐丢失多样性。所以不能只在存档里做非支配排序，种群更新时也要引入非支配排序和拥挤距离，筛选出质量更高的个体进入下一代，同时保留一定比例的边界解。

3.5 改进策略的取舍与适用场景

改进算法不是招式越多越好。每加一个机制，就多一两个参数需要调。比如混沌初始化只影响迭代前的种群生成，不改参数也能稳定运行；但自适应选择策略引入了选择压力参数，设置不当反而可能让算法退化成随机搜索。我的建议是：先实现混沌初始化和外部存档，这是性价比最高的两个改进；如果收敛速度还不行，再加非线性收敛因子；如果前沿分布还不够均匀，说明拥挤距离的计算逻辑可能有问题，优先检查这一步。

另外值得提醒的是，改进算法的效果和应用场景高度相关。对于目标函数平滑、可行域简单的测试问题，原始GWO就已经够用；但对于微网日前调度这种带大量约束、变量多、目标冲突强的工程问题，改进算法带来的增益才会充分体现出来。

4. 用Matlab实现这套调度的全程要点

4.1 代码结构：从数据准备到结果输出

Matlab实现这类算法时，代码结构直接决定后期排查问题的效率。我会把整套代码分为六个模块：数据读取、模型参数设置、种群初始化、适应度计算、算法主循环、结果输出。

数据读取部分需要整理的时间序列数据包括：

• 24小时风电预测出力
• 24小时光伏预测出力
• 24小时基础负荷预测
• 电动汽车接入时间、接入容量、初始SOC
• 分时电价和碳排放系数

模型参数设置是一个独立脚本，所有可变参数都集中在这个脚本里，不要散落在主程序各处。我的习惯是定义一个结构体，比如params.pop_size、params.max_iter、params.num_obj、params.t_span，这样后期批量跑参数扫描时只需要循环修改结构体字段。

种群初始化模块里，每只灰狼是一个向量，长度为所有时段决策变量的总数。以24时段、30辆电动汽车、1个储能单元为例，如果每辆车的充放电功率单独作为决策变量，向量长度会达到24乘以30乘以2再加上储能相关变量，非常臃肿。实际我建议对电动汽车做聚合建模，把所有汽车视为一个总充放电功率池，变量数量就会缩减到24乘以2加24乘以2，也就是储能两套和EV两套，总共约96个变量加状态变量。这个缩减不会改变问题本质，但能显著提升算法收敛速度。

4.2 V2G建模时最容易写错的方向和效率问题

电动汽车充放电方向是最容易出错的环节。如果变量定义为正数表示放电，负数表示充电，那么在功率平衡约束里，"电动汽车放电功率"这一项应该是加号；但如果变量定义为正数表示充电，负数表示放电，约束方程里就要变成减号。看似只是符号差别，实测中多种约束耦合时非常容易出现结果逻辑混乱，所以我在代码里会单独写一个函数，明确注释充放电方向约定，并在计算功率平衡后立即做合理性校验。

充放电效率的处理也有讲究。电动汽车充电时，电网侧输入的电能并不是全部进入电池，大约有5%到10%损耗在变换器和电池内阻上；放电时同样有损耗。因此，SOC的变化量不是简单的功率乘以时间除以容量，而是要考虑效率和方向的非对称性。很多初步实现里把效率设为对称值，这虽然简化了计算，但会让调度偏向某个方向，经济性分析也会偏差。

在Matlab代码里，我会这样处理SOC更新：

soc_next = soc_current + (charge_eff * p_charge * delta_t - p_discharge * delta_t / discharge_eff) / capacity;

这个公式里，充电效率乘在充电功率上，放电效率除在放电功率上。意思是交流侧充入1 kWh，电池只增加约0.9 kWh；电池放出0.9 kWh，交流侧输出约1 kWh。这类细节如果不注意，优化出来的调度计划在真实系统里根本无法执行。

4.3 适应度函数和约束处理的实现技巧

多目标优化里，适应度函数的输出是一个向量，长度等于目标函数数量。Matlab里可以返回一个行向量，例如： fit = [total_cost, total_emission, total_curtailment]; 在算法主循环里，每一代计算所有灰狼个体的适应度向量，然后根据非支配关系更新外部存档。

约束处理是多目标进化算法里最容易被忽视的重灾区。常见做法有三种：

• 拒绝不可行解：直接淘汰违反约束的个体，适合可行域较宽的问题；
• 惩罚函数法：把违反约束的量乘以一个较大的惩罚系数加到目标函数里，适合约束较少的问题；
• 修复机制：对违反约束的个体执行小幅修正，让它回到可行域内。

微网调度问题的约束非常多，纯惩罚函数法容易让算法把精力浪费在寻找惩罚系数上，纯拒绝法又会让种群快速退化。我采用的是组合策略：对功率平衡这一强约束，在计算完调度计划后做一次修复操作，把功率差额按比例分配到最近的储能单元；对SOC上下限等软约束，采用惩罚函数法，违反程度越大惩罚越大。这种做法在测试里能保持较好的收敛性和种群多样性。

4.4 帕累托前沿提取和决策者偏好选择

算法跑完后，外部存档里的每个非支配解都是一套调度方案。直接从存档里画图可能看不出规律，需要做一步Pareto前沿提取。Matlab里可以用逻辑判断选出非支配解：对任意两个解，如果某个解在所有目标上都不差于另一个，且至少在一个目标上严格更优，则后者被支配剔除。

这一步做完，你会得到一条散布在目标空间里的前沿曲线。根据我的实测，运行成本和碳排放这对目标的关系几乎都是反相关的——成本降低时，碳排放一定上升。这是一条单调递减的曲线，说明两个目标本质上存在强冲突。这时候调度员需要引入偏好，比如使用模糊隶属度函数，为每个目标确定权重，从帕累托前沿里选出一个折中最优解。

Matlab里实现模糊隶属度选择的思路是：对前沿上的每个解，对每个目标计算其隶属度，取值在0到1之间，越接近1代表该目标越小或越优秀。然后把所有目标的隶属度加总，选择总和最大的解作为折中解。这个方法虽然简单，但在实际工程中可以给出一个明确的最终调度方案，方便后续出报告。

4.5 参数调节的经验规律

种群大小和迭代次数的搭配要讲究。不同论文里的参数设置差别很大，但有一个经验规律：当决策变量个数在100左右时，种群规模设置100到200，迭代次数300到500，结果是相对稳定且不需要太长的计算时间。如果决策变量超过1000，比如每辆电动汽车独立建模的情况，种群规模需要增加到300到500，迭代次数也要相应增加，否则很难收敛到理想前沿。Matlab的向量化计算只能解决一部分性能问题，变量规模大的时候建议在算法里做并行计算，使用parfor替代for循环可以明显减少计算时间。

外部存档容量也很关键。容量太小，帕累托前沿会稀疏，丢失大量中间调度方案；容量太大，算法每轮排序的计算开销变大。我用过的经验值是100到200个存档解，在画出前沿曲线时已经足够密，判断折中解也不会产生压力。

5. 实测效果、收敛性对比与踩坑记录

5.1 三种算法跑的对比结果

我拿一个典型的微网算例做过一组对比实验：同样的风、光、荷、储数据，同样30辆电动汽车聚合成虚拟储能池，分别用标准GWO、带外部存档的多目标GWO（MOGWO）和改进多目标GWO（IMOGWO）跑相同迭代次数。结果为：

从表格可以看出，单解GWO虽然运行时间最短，但它只能给出一个目标权重下的解，无法提供多个候选方案；MOGWO能输出前沿，但解分布不够均匀；IMOGWO在成本和碳排两个指标上都更优，前沿覆盖也更全面。运行时间略有增加，考虑到调度周期是以小时为单位的，25秒的计算时间完全在可接受范围内。

5.2 实际运行中的典型坑：粉饰性能与局部收敛的伪装

我第一次跑通代码时，看到适应度收敛曲线一路下降，心里还挺高兴。后来画帕累托前沿，却发现里面大量解挤在一个小区域里。仔细检查发现，问题出在存档更新逻辑写得不正确：非支配排序在Matlab里用循环实现时，如果误用了"小于等于"而不是"严格小于"，就会把一些被支配的解也放进存档里，导致前沿出现大量冗余点。排查这类问题的方法很简单，就是在每次存档更新后，写一个测试断言，随机抽取两两解做支配关系检查，如果发现违反，就说明归档逻辑有bug。

另一个更隐蔽的问题是局部收敛的伪装。种群迭代到后期，所有个体可能都已经聚集到某个局部前沿附近，算法会早早陷入停滞。这时候帕累托前沿看起来形状完整，但实际覆盖范围远小于全局前沿。判断方法是做两次重复实验，如果两次得到的帕累托前沿重合度很高，可能不是算法鲁棒性好，而是因为种群失去了探索能力。一个实用对策是在迭代后期手动将比例不高的个体重新引入混沌扰动，让它们跳出局部区域重新寻优。

5.3 效率优化：向量化计算与并行评估

Matlab的for循环在遇到大种群、多时段、多约束的适应度计算时，速度会让人很着急。我后来做了大量向量化改造，把多只灰狼的适应度计算改成矩阵运算，速度提升非常明显。

向量化的核心是把种群中所有个体堆叠成一个大矩阵，每一行是一只灰狼，然后对整个矩阵用Matlab的矩阵运算符计算功率平衡、SOC更新和目标函数。矩阵运算虽然不容易理解和调式，但对于加速这类无状态计算模型非常有效。如果矩阵运算的代码写得比较复杂，建议先写一个串行循环版跑通结果，再逐步改造为向量化版本，两边结果做差分对比，确认一致后再用向量化版本做大规模实验。

并行评估是另一条提升效率的路径。Matlab的parfor可以将每个个体的目标函数计算分配到不同worker上。需要注意的一点是，并行环境下不能直接读写外部存档里的变量，否则会出现数据竞争。我之前就踩过这个坑，解决办法是把parfor里需要独立计算的适应度函数写成子函数，外部存档的更新放到parfor结束后统一处理。

5.4 针对微网调度的结果解释建议

算法输出帕累托前沿后，最终还是要回到"选哪一套调度方案"的问题上。这一步其实很考验对实际系统的理解。如果微网并网运行，分时电价在低谷时段非常便宜，折中解往往倾向于在低谷时段充电，在高峰时段放电；如果微网处于孤岛模式，折中解会优先保证负荷供应，可能允许一定程度的弃风弃光。

我在实际项目里总结出来的习惯是，输出三套方案：经济最优方案、环保最优方案和折中最优方案。分别生成对应的调度计划表，包括每个时段的储能功率、电动汽车总充放电功率、燃气轮机出力、向上级电网购电功率。这样无论是写报告还是向项目组汇报，都能够大幅度减少解释成本。另外，把每套方案对应的碳排放、运行成本、可靠性指标列成对照表，也是一种非常直观的做法。

6. 最后三件容易被忽略的小事

先从参数调试说起。改进多目标灰狼算法涉及的非线性收敛因子其实不止一种写法，不同公式对收敛速度和前沿质量的影响差异很大。我在测试阶段会把多个公式都跑一遍，画出帕累托前沿对比图之后再选择最合适的一种。千万不能只凭一个公式的结果就判定算法优劣。

其次是关于结果可复现性。Matlab的随机数生成器默认状态会让每次实验得到不同结果。比如你已经确定了一套最终调度参数，希望后续复现实验时结果一致，必须在程序开头设置rng(固定种子)，并把所有使用随机数的模块统一改用这个种子对应的随机流。这样在论文或者项目报告里贴出来的数据就能稳定复现，不会出现"上次跑出来是这样，这次跑出来完全不一样"的尴尬情况。

最后分享一点个人体会：V2G与微网调度结合的课题，算法创新很重要，但如果你能把模型细节做扎实——比如电动汽车出行约束、电池老化成本、充放电效率不对称这几个点——论文的实用价值比简单叠加一个新算法要高得多。改进算法只是求解工具，真正让结果有说服力的，是模型是否贴近真实运行场景。建议所有刚接触这个方向的读者，先把模型里的物理量含义理清楚，再着手优化算法，这样整个项目推进起来会顺畅很多。