P3: readme fix

README.md

@@ -44,9 +44,24 @@ Optimize a 365-day schedule with at most 2 visits per day and minimum gap constr
    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**  
+2. **候选配对生成（Manhattan 距离，基于经纬度）**  
-   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。  
+   设站点 `i` 的坐标为 `(lat_i, lon_i)`，在不使用道路网的情况下，用曼哈顿距离近似“同日可达性”。  
-   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”。
+   推荐用“纬度/经度分别折算为里程”的加权曼哈顿：  
+   ```
+   d_ij = 69.0 * |lat_i - lat_j| + 69.0 * cos(lat0) * |lon_i - lon_j|
+   ```
+   其中 `lat0` 可取所有站点纬度均值（单位：英里）。若仅需相对距离，也可用
+   `|lat_i - lat_j| + |lon_i - lon_j|` 作为无量纲近似。  
+   具体配对流程（可直接脚本化）：
+   - **距离筛选**：对每个站点 `i`，计算与所有 `j != i` 的 `d_ij`，保留 `d_ij <= d_max`
+     或取 `k` 个最近邻（如 `k=5~8`），得到近邻集合 `N(i)`。
+   - **需求均衡筛选**：对候选 `(i, j)`，要求
+     `mu_i / mu_j` 处于区间 `[r_min, r_max]`（如 `[0.5, 2.0]`），
+     或 `|mu_i - mu_j| <= delta_mu`，避免极端失衡导致第二站缺货。
+   - **波动风险筛选**：若 `sigma_i` 或 `sigma_j` 过大（如 `sigma / mu > 0.5`），
+     则优先作为第二站（或直接剔除）以降低不确定性风险。
+   - **最终候选集**：`P = {(i, j) | j in N(i) 且满足需求/波动筛选}`，
+     再去重（`(i, j)` 与 `(j, i)` 合并）并记录候选对的 `d_ij` 与需求统计。
 
 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`：