数学建模竞赛经验与备赛指南

返回

数学建模竞赛经验与备赛指南 ​

说明:现在这些经验用处都不大了,AI 太强大了,模式完全变了,当初我参赛的时候,还专门学了建模,花时间学了那些模型的原理。我也没拿过比较高名次的奖项,就当是记录一下,证明自己有过经历吧。

全是踩坑。尽管已经十分尽力了,但结果却不尽如意。反正我自己是真的燃尽了,至于队友燃没燃尽,我不清楚。无论是建模、代码、论文,我都能够应付下来,最大的感受就是,要不是报名费贵,我肯定一个人参赛了,1 + 1 + 1 < 3。

现在 AI 能力这么强,一个人参赛也应该是绰绰有余吧,不过,拿奖的门槛应该也对应的提高了。

队友真的是非常重要的一个因素。队友的上限会影响整个队伍的上限,木桶原理,上限包括 “思维 + 工具使用 + 协作”。协作不好,很容易产生分歧,各有各的想法,最终畏手畏脚,放不开,因为多个方法都行得通,但是作为队长又实在是不好意思直接独裁,应该硬气一点的,可能是队友之间不太熟吧,还有一点约束。

队友要找那种:积极性非常高的,效率高的,能听话的。一个队伍里面有一个人做判断就够了,提建议可以,做判断只能一个人,不要反复拉扯,做了再说。

正式比赛之前,必须了解队友情况,打一场模拟赛,没有真正试过水,根本感受不到正式比赛的痛点,以为很简单,实际上坑很多。队友不行,达不到预期,果断放弃,要不然,只会白白花时间,非常难受,本来就很煎熬。别什么了解都没有就随意组队,尤其是大一的时候,基本都不熟悉情况,必须打模拟赛试试水,或者自己队伍中花 4 天时间模拟真实比赛。

一、先理解数学建模到底在做什么 ​

数学建模的最终目的不是展示复杂公式,而是解决现实问题。面对一个真实背景,需要完成从问题理解、数学抽象、模型求解、结果验证到决策解释的完整闭环。

评价一个方案时,首先要看它是否真正回答了题目、是否符合实际约束,以及结果能否被解释和验证。模型复杂并不等于模型优秀;简单模型如果适配问题、论证充分、结果稳定,同样可能比复杂模型更有效。

数学建模与纯数学的区别 ​

  • 纯数学通常追求严格推导和相对确定的答案。
  • 数学建模面对开放的现实问题,答案往往不唯一。
  • 数学建模更关注假设是否合理、数据是否可靠、模型是否适用、结果是否具有实际意义。
  • 经典模型只是工具,真正重要的是为什么选择它、如何使用它,以及它解决了什么问题。

美赛与国赛的侧重点 ​

  • 美赛更像完成一篇完整的论证文章:模型是文章的逻辑骨架,求解结果是论据,图表和实验是证据。需要围绕核心问题讲清一个完整故事。
  • 国赛更强调问题求解与结果质量:不仅要有完整过程,也要关注模型结论和题目要求的对应关系。
  • “美赛看图、国赛看结果”只能作为粗略提醒,不能理解为只做排版或只给答案。图表得分的根本原因通常是过程展示充分、逻辑容易验证,而不是图本身好看。

二、赛事特点与常见题型 ​

常见赛事 ​

赛事常见特点备赛重点
全国大学生数学建模竞赛优化、机理分析、评价和预测问题较多数学抽象、模型求解、结果准确性
MCM/ICM连续、离散、数据、环境和政策问题均可能出现英文论文、论证逻辑、可视化、开放问题分析
MathorCup企业实际问题和数据驱动问题较多数据清洗、商业逻辑、优化与决策
数维杯题型接近国赛,常见跨学科和数据问题快速建模、模型实用性、完整交付

题型与模型速查 ​

  1. 优化类

    • 典型问题:资源分配、路径规划、任务调度、库存管理、多目标决策。
    • 常用模型:线性规划、整数规划、非线性规划、多目标规划、动态规划、图论、网络流。
    • 复杂问题可考虑遗传算法、模拟退火等启发式算法,但要说明为什么需要它。
  2. 机理分析类

    • 典型问题:传热、流体、生态变化、传播过程和物理系统演化。
    • 常用模型:微分方程、偏微分方程、系统动力学和基于规律的仿真。
    • 重点是解释变量关系和模型假设,而不是单纯套公式。
  3. 评价类

    • 典型问题:城市发展水平、服务质量、可持续性、企业绩效。
    • 常用模型:层次分析法、熵权法、模糊综合评价、主成分分析、数据包络分析。
    • 重点是指标体系、权重来源和评价结果的解释性。
  4. 预测类

    • 典型问题:人口、经济指标、交通流量、能源需求和气象趋势。
    • 常用模型:回归、指数平滑、ARIMA、灰色预测、神经网络。
    • 小样本不必强行使用深度学习,应根据数据量、时间结构和解释要求选型。
  5. 数据驱动类

    • 典型问题:分类、聚类、用户画像、信用评分和高维数据分析。
    • 常用模型:随机森林、支持向量机、K-means、集成学习、降维和特征工程。
    • 重点是数据质量、特征构造、训练验证划分和泛化能力。
  6. 跨学科与政策类

    • 典型问题:环境治理、教育公平、资源竞争和政策效果。
    • 常用模型:系统动力学、博弈论、多目标优化和多个模型组合。
    • 重点是因果逻辑、利益相关者、现实约束和建议的可执行性。

模型选择时不要只问“哪个模型更高级”,而要依次确认:

  1. 题目到底要求什么输出?
  2. 现有数据支持什么分析?
  3. 变量、目标和约束分别是什么?
  4. 模型假设能否在现实背景下成立?
  5. 结果能否检验、解释和复现?

三、赛前准备 ​

知识与资料准备 ​

  • 了解比赛时间、题目数量、提交要求、评分偏好和常见题型。
  • 收集历年题目、优秀论文、题目解析和比赛复盘。
  • 建立常用模型、算法、数据处理和可视化的索引,不必把所有材料背下来。
  • 准备可靠的数据来源、论文检索渠道、代码案例和图表参考。
  • 对常用模型至少完成一次从输入数据到结果解释的完整实践。

工具与模板准备 ​

  • 提前确定论文使用 Word、LaTeX 还是在线协作文档。
  • 统一资料共享、会议沟通、文件命名和版本管理方式。
  • 准备论文框架、代码模板、符号表、参考文献格式和图表样式。
  • 提前安装并测试 Python、MATLAB、Lingo 或其他实际会用到的软件。
  • 工具不求多,确保比赛时真正会用;非必要且学习成本高的工具不要临时引入。

完整模拟 ​

赛前至少完成一次限时模拟。即使已经看过往届题目,也应该按正式比赛流程走完选题、建模、编程、论文和提交。很多问题只有真正写代码、画图和整理论文时才会暴露。

准备时间有限时,应优先做到:

  • 见过主要题型和常用模型。
  • 跑通过典型案例。
  • 熟悉比赛完整流程。
  • 知道遇到问题去哪里查资料。

四、比赛中的完整工作流 ​

1. 独立阅读题目 ​

三个人先分别逐字阅读题目,标出:

  • 背景与核心目标。
  • 每个小问的输入、输出和约束。
  • 已知数据、缺失数据和数据类型。
  • 可能涉及的理论、模型与现实因素。
  • 题目中容易被忽略的限定词。

独立思考可以避免所有人过早受到同一个思路引导。先记录变量、数据、模型和特殊情况,再交流和删减。

2. 讨论并完成选题 ​

选题时同时考虑:

  • 团队对问题背景的理解程度。
  • 数据是否可获得、可处理。
  • 模型和代码是否能在限定时间内落地。
  • 论文是否容易形成清晰主线。
  • 风险点和兜底方案是否明确。

讨论必须形成决策。观点可以充分表达,但不能无限争论。建议确定一名主要负责人;其他成员如果不能用更完整的方案推翻当前方案,就先按已确定方向推进,在结果和证据出现后再调整。

3. 拆分问题并画出流程 ​

  • 把总问题拆成相互衔接的小问题。
  • 画出从数据到结论的总体流程图。
  • 再为每个小问细化输入、处理、模型、输出和验证步骤。
  • 明确小问之间的数据依赖,避免各自完成后无法拼接。
  • 完成一个小问的基本闭环后,再推进下一个小问。

流程图既是团队的任务地图,也是论文问题分析部分的重要材料。

4. 建模与求解 ​

  • 定义变量、参数、符号、目标函数和约束条件。
  • 写清模型假设以及假设成立的条件。
  • 先建立可运行的基线模型,再决定是否引入更复杂的方法。
  • 代码分小块编写和验证,不要一次性堆出完整程序。
  • 每个小问都要保存输入、过程结果、最终结果和解释。

5. 结果验证 ​

  • 检查输出的数量级、边界和现实合理性。
  • 使用残差、误差指标、交叉验证或对照实验评价模型。
  • 进行灵敏度分析,观察关键参数变化是否导致结论失稳。
  • 与基线方案或其他模型比较,而不是只展示单一结果。
  • 主动说明模型的适用范围、局限和可能的改进方向。

6. 论文整合与提交 ​

  • 边建模边写论文,不要把所有写作工作拖到最后一天。
  • 每个结果都要能追溯到数据、代码、图表和参考来源。
  • 完成格式检查、语法检查、公式检查、引用检查和附件检查。
  • 保存阶段版本和最终备份,提交前由不同成员交叉检查。

五、团队分工与协作 ​

常见角色包括建模、编程和论文,但角色不能成为信息隔离的理由。

  • 建模手通常负责把控主线、变量关系和模型选择,可以兼任队长。
  • 编程手负责数据处理、模型实现、调试、实验和图表输出。
  • 论文手负责结构、表达、排版、图表整合和最终交付。
  • 所有人都应理解题目和核心模型,也都应具备基本的论文编辑能力。

协作原则 ​

  • 权责清晰,承担角色就承担对应交付责任。
  • 使用统一的 TODO 清单同步进度、依赖和阻塞问题。
  • 及时共享代码、结果、网址、截图和阶段性文档。
  • 所有资料和思路都要亲自查、亲自写、亲自运行,不能只停留在口头讨论。
  • 对方案进行批判,不对人进行批判;不要把工作分歧带入人际关系。
  • 减少无意义争论,把讨论集中在证据、成本、风险和交付上。

六、数据、参数与编程 ​

数据要求 ​

  • 数据来源必须真实、可追溯,优先查找政府、机构、论文和项目官网。
  • 使用二手文章中的国外数据时,应继续追溯到原始报告。
  • 记录下载地址、访问日期、字段含义、单位和处理方法。
  • 没有官方数据的题目风险较高,需要提前评估数据搜集成本。

参数与调参 ​

  • 不要凭感觉随意确定参数。
  • 参数应来自数据估计、文献依据、现实规则或可解释的实验结果。
  • 调参过程需要保留基线、变化范围和评价指标。
  • 模型成立与不成立的条件都要写清楚。

Python 常用流程 ​

Text
读取数据
  → 数据清洗与类型检查
  → 缺失值和异常值处理
  → 标准化或归一化
  → 建模与参数设置
  → 结果验证与灵敏度分析
  → 可视化
  → 导出论文所需数据和图表
已折叠代码,点击展开

常用工具:

  • pandas:表格数据读取与处理。
  • NumPy:数组和数值计算。
  • Matplotlib:数据可视化。
  • scikit-learn:机器学习、预处理和模型评价。
  • CVXPY:凸优化建模。
  • SciPy:科学计算与优化。

七、如何使用 AI 辅助数学建模 ​

AI 可以提高资料整理、思路发散和代码调试效率,但不能替代选手做模型选择和真实性判断。

适合交给 AI 的工作 ​

  • 提取题目关键信息并拆分小问。
  • 判断可能的题型,列出候选模型和适用条件。
  • 补充需要考虑的变量、约束和特殊情况。
  • 提供代码框架、调试建议和异常排查方向。
  • 分析数据类型、分布、相关性和可视化方式。
  • 生成论文提纲、符号表初稿和语言修改建议。
  • 协助设计残差分析、灵敏度分析和对照实验。
  • 对阶段结果提出反例、风险和改进意见。

推荐提问顺序 ​

  1. 这道题的核心目标和每个小问分别是什么?
  2. 它属于哪些常见题型?判断依据是什么?
  3. 候选模型有哪些?各自的假设、数据要求和局限是什么?
  4. 在当前背景下还需要考虑哪些现实因素和特殊情况?
  5. 是否存在相似案例、论文或公开数据?
  6. 如何验证模型,什么结果可以推翻当前方案?

使用边界 ​

  • 先把题目原文、数据说明和已有材料提供给 AI,再讨论细节。
  • AI 给出的思路必须由人判断是否满足实际约束。
  • AI 产生的公式、代码、数据和参考文献必须逐项验证。
  • AI 出现幻觉是常态,语气自信不代表内容正确。
  • 多个 AI 的意见只能作为候选方案,最终必须由团队做决定。
  • 直接生成的文本往往带有固定表达特征,应基于真实分析重新组织,不能不加约束地粘贴进论文。

八、论文写作与表达 ​

用一条主线讲清问题 ​

论文不是模型和图表的堆积。全文应围绕一个清晰主线展开:为什么提出这个问题、如何抽象、为什么选择这个模型、结果说明什么、结论在什么范围内成立。

推荐结构:

  1. 问题重述与核心目标。
  2. 问题分析与总体流程。
  3. 模型假设、符号和数据处理。
  4. 各小问的模型建立、求解和结果。
  5. 模型检验、灵敏度分析与对比。
  6. 优缺点、适用边界和改进方向。
  7. 结论、建议与实际意义。

图表与排版 ​

  • 图表用于展示论证过程,不是单纯装饰。
  • 图中字号可以略小于正文,但必须保证可读性。
  • 图题、表题、坐标、单位和图例要完整。
  • 流程图应与实际建模过程一致。
  • 公式、变量和符号保持统一,避免同一概念反复换名。
  • 严格检查语法、拼写、引用和 LaTeX 报错。

参考与复用 ​

  • 可以参考优秀论文和专业人士的思路,但必须理解并适配当前题目。
  • 保存引用网址、截图、数据文件和代码来源,保证能够溯源。
  • 论文末尾列出真实使用的参考文献和工具来源。
  • 代码应按自己的逻辑重新组织并补充必要注释;只修改变量名没有实际意义。

九、创新与质量控制 ​

创新不一定意味着创造全新模型,可以从以下位置切入:

  • 从新的角度重新定义变量或目标。
  • 引入更符合背景的约束和机制。
  • 将不同领域的方法组合起来。
  • 在基线模型上增加可解释的改进。
  • 使用多组对比实验说明改进为什么有效。
  • 将结果转化为更具体、可执行的决策建议。

不要为了显得高级而堆叠模型。模型质量应体现在:

  • 问题与模型匹配。
  • 假设透明且合理。
  • 数据可靠且处理规范。
  • 结果经过检验。
  • 结论可以解释。
  • 局限得到诚实说明。

十、比赛检查清单 ​

赛前 ​

  • 比赛规则、时间和提交要求已经确认。
  • 团队角色、负责人和决策方式已经明确。
  • 协作、会议、共享和版本管理工具已经测试。
  • 常用模型、代码和论文模板可以正常使用。
  • 数据源、优秀论文和历年题目已经建立索引。
  • 至少完成一次完整模拟并形成复盘。

比赛中 ​

  • 三名成员都独立阅读并理解题目。
  • 选题过程考虑了数据、模型、实现、论文和时间风险。
  • 总体流程图和小问依赖已经明确。
  • 每个模型都写清变量、假设、目标和约束。
  • 数据和参数来源可以追溯。
  • 代码、结果和图表按阶段保存。
  • 当前方案有基线、检验和兜底方案。
  • 团队定时同步 TODO、成果和阻塞问题。

提交前 ​

  • 每个小问都得到明确回答。
  • 摘要包含问题、方法、主要结果和结论。
  • 图表、公式、符号、单位和编号保持一致。
  • 结果经过合理性、误差和灵敏度检查。
  • 参考文献、数据和工具来源真实完整。
  • 附录、代码和最终文件符合提交要求。
  • 已保存最终备份,并由不同成员交叉检查。

十一、后续复盘 ​

比赛结束后,不要只关注获奖结果。应分别复盘:

  • 选题判断是否合理。
  • 哪个阶段消耗时间最多。
  • 哪些争论没有产生有效结果。
  • 数据、模型、代码和论文分别出现了什么问题。
  • 哪些工具和模板真正有用。
  • 哪些经验可以沉淀为下一次直接复用的流程。

数学建模能力不是靠背模型形成的,而是在一次次完整实践中,逐步建立从现实问题到可信结论的解决能力。