P3: readme

README.md

@@ -33,3 +33,52 @@ Optimize a 365-day schedule with at most 2 visits per day and minimum gap constr
 ![schedule barcode](data/schedule_barcode_kmin6.8_gap14.png)
 
 ![schedule gap deviation](data/schedule_gap_deviation_kmin6.8_gap14.png)
+
+## Task 3: 双站点同车方案（Two-stop trips）
+
+目标：允许同一辆车在一次出车中访问两个站点，需要在**站点配对、访问日期**以及**第一站分配量**上共同决策，并评估有效性/公平性。
+
+### 算法框架（基于 Task 1/2 输出）
+
+1. **需求与频次基线**  
+   使用 `kmin_effectiveness.py` 得到各站点年度访问频次 `f_i` 与需求分布（均值、标准差）。  
+   记单车载量 `C=15000lb`（或折算为服务人数上限 `C_OPT`），每次出车总量不超过 `C`。
+
+2. **候选配对生成**  
+   基于地理距离/车程/同县等规则，生成可在同日完成的站点对 `(i, j)`；仅保留“距离阈值内 + 预期需求量不极端失衡”的组合。  
+   可直接使用数据中的经纬度（若有）或县域分组构造“近邻候选集”。
+
+3. **第一站分配量优化（核心不确定性）**  
+   假设 `D_i ~ Normal(mu_i, sigma_i)` 与 `D_j ~ Normal(mu_j, sigma_j)`，选择第一站上限 `q_i`：  
+   - 实际服务：`S_i = min(D_i, q_i)`  
+   - 剩余载量：`R = C - S_i`  
+   - 第二站服务：`S_j = min(D_j, R)`  
+   用一维搜索/网格或解析近似，选择 `q_i*` 最大化期望目标：  
+   ```
+   maximize   E[S_i + S_j]
+              - alpha * E[unmet_i + unmet_j]
+              - beta  * E[waste_i + waste_j]
+              - gamma * |E[S_i / D_i] - E[S_j / D_j]|
+   ```
+   期望可用 Monte Carlo（与 `kmin_effectiveness.py` 一致）或截断正态闭式近似；得到每个候选对的 `(q_i*, score)`。
+
+4. **排程与配对选择（CP-SAT / MIP）**  
+   在 Task 2 的日程框架上，将“单站访问”与“可配对双站访问”视作不同任务，决策变量：  
+   - 是否在某天为一辆车选择 `(i, j)`  
+   - 其他站点仍按单站访问  
+   约束：每站点访问次数 = `f_i`；每日出车数 ≤ 2；每辆车最多一条路线。  
+   目标：最大化总期望有效性得分，并在目标函数中加入公平性惩罚（如 Gini 或最低 10% 均值惩罚）。
+
+5. **有效性 & 公平性评估**  
+   复用 Task 1 指标：  
+   - 有效性：总体服务率、总未满足需求、总浪费  
+   - 公平性：基尼系数、最低 10% 站点平均服务比例、最小服务比例  
+   对双站路线进行 Monte Carlo 汇总，给出与单站方案的对比提升/退化幅度。
+
+### 直观规则（工程可用的简化版）
+
+- **配对规则**：优先将“高需求站点 + 低需求站点”或“需求相近且近邻”的站点配对，降低极端不公平。  
+- **第一站分配**：`q_i` 取 `D_i` 的 60%~80% 分位数作为保守上限，剩余量留给第二站；必要时按历史波动调整分位数。  
+- **动态修正**：若某站点连续出现“后站不足”，在后续排程中降低其作为第一站的概率或提高 `q_i` 分位数阈值。
+
+该方案与当前脚本兼容：`kmin_effectiveness.py` 提供需求统计与 Monte Carlo 框架；`scheduling_optimization.py` 的 CP-SAT 可扩展为“单站/双站二选一”的排程模型。