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
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。
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。
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。
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。
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。
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:
- 题目到底要求什么输出?
- 现有数据支持什么分析?
- 变量、目标和约束分别是什么?
- 模型假设能否在现实背景下成立?
- 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
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
- 这道题的核心目标和每个小问分别是什么?
- 它属于哪些常见题型?判断依据是什么?
- 候选模型有哪些?各自的假设、数据要求和局限是什么?
- 在当前背景下还需要考虑哪些现实因素和特殊情况?
- 是否存在相似案例、论文或公开数据?
- 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:
- 问题重述与核心目标。
- 问题分析与总体流程。
- 模型假设、符号和数据处理。
- 各小问的模型建立、求解和结果。
- 模型检验、灵敏度分析与对比。
- 优缺点、适用边界和改进方向。
- 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。