数学建模国赛零基础备赛：从读题到论文的完整闭环

数学建模国赛备赛，最怕的不是零基础，而是方向乱。有人觉得必须先背完几十个模型，有人以为要把 Python 学完才能动手，结果准备了两个月，连一道完整的赛题都没走通过。其实零基础冲国奖，关键不是知道多少模型名字，而是能快速走完一条完整闭环：读题、选模型、写代码、出论文。这篇内容就按这条闭环拆开讲，覆盖基础内容、模型选用、代码实操、论文撰写和高频题型框架，适合第一次参加国赛的同学，也适合参加过但一直卡在“过程能做、论文不像样”的队伍。

先说结论：如果目标定在 2026 年国赛，现在动手并不算早，但也不必焦虑。备赛的正确顺序不是从模型清单开始，而是从一道两年前的真题开始。先完整跑一遍，再回来补基础，远比先学一大堆理论再找题试用更高效。

1. 零基础备赛先拆清三件事：方向、资料、第一条闭环

1.1 数学基础补到什么程度就够了

数学建模确实需要数学，但不需要你达到数学竞赛水平。真正高频用到的数学知识，集中在三块：

• 高等数学里的导数、积分、微分方程、多元函数极值；
• 线性代数里的矩阵运算、特征值、秩、线性方程组求解；
• 概率统计里的均值方差、正态分布、回归分析、假设检验。

很多题目最终落脚在“建立目标函数 + 写出约束条件 + 求解”，这三块基础能帮你读懂模型推导，也能帮你和队友讨论。尤其要注意微分方程，它在物理类、机理类题目里出现频率很高。如果你看到题目只给出了物体运动的速度、加速度或某种变化率，不要犹豫，大概率要用到微分方程或差分方程建模。

不推荐的做法是花两三个月刷高数题。数学建模里的数学是“用出来的”，不是“算出来的”。遇到不懂的定理，先查它在模型里起什么作用，再决定要不要深入。

1.2 编程选择：Python 优先，但队伍水平要一致

编程语言建议优先选 Python。原因很直接：库全、免费、网上资料多、报错信息容易搜索。numpy、pandas、matplotlib、scipy、scikit-learn 这几个库覆盖了国赛绝大多数需求。部分学校还在用 MATLAB，如果你的队友更熟 MATLAB，也可以用，但三人队伍里至少要保证两人能独立写代码，否则比赛第三天会很被动。

还有一个容易忽略的问题：队伍里三个人都会一点 Python，但每个人的写法差异很大，最后合并代码时非常痛苦。建议赛前统一一套代码风格，比如统一用 pandas 读数据、统一结果输出格式、统一图片保存路径。很多队伍代码没跑通，不是模型问题，而是三个人写出来的脚本互相不兼容。

1.3 资料准备不是收藏，是分类

网上能找到大量数学建模优秀论文、历年赛题和代码。但很多人的资料越存越多，比赛时一个都用不上。问题在于没有做分类。

建议建一个本地文件夹，按这样分类：

• 历年赛题与数据：按年份和题目编号保存；
• 优秀论文：按题目类型保存，评价类、预测类、优化类、物理机理类分开；
• 模型代码：不要只保存完整项目，要保存可以直接复用的核心脚本；
• 写作模板：摘要、问题分析、模型假设、模型检验这几个部分的通用写法。

资料的价值不在数量，在于比赛期间能不能快速找到。比如 2021 年国赛 E 题和中药材有关，题目里包含大量中药属性和数据，如果你之前整理过数据预处理代码，开赛后两个小时就能把数据清理干净；如果没整理过，就可能在这里卡住一晚上。

1.4 赛制、MD5码和提交细节提前弄明白

很多队伍在最后一天手忙脚乱，不是因为题难，而是因为不清楚赛务流程。

国赛一般是三天时间，第一天上午发题，最后一天截止。论文需要通过赛区系统上传，部分赛区要求先生成论文 MD5 码，确定好最终版本后再提交。这里有个很关键的细节：MD5 码本质上是对论文文件做一次“数字指纹”校验，一旦提交了这个码，就不能再修改论文文件，否则校验对不上。所以操作顺序应该是：先确定最终版本，生成 MD5 码，再上传论文，而不是先上传再反复改文件。

具体赛务入口和开放时间，以当年官方通知为准。但你现在就可以把“提交流程”“文件命名要求”“PDF 导出方式”“附录是否允许放代码”这几件事查清楚并记到备赛文档里。这些细节不会花太多时间，却能避免最后一天出现低级失误。

2. 模型选用：先读题，再判断题型，最后定模型

2.1 国赛 A/B/C 三类题近年大致在考什么

国赛通常有三道题，虽然每年有变化，但长期看有一个大致分布：

但注意，这个分布不是绝对的。有的年份 B 题也带很强的数据分析，有的 C 题也会要求你做一个优化方案。所以不能只看题号就套模型，而是把“题目给的数据形态”作为第一判断依据：给物理过程描述，走机理建模；给一堆资源和约束，走优化；给大量表格数据，走数据分析。

2.2 评价类题目：从层次分析法到 TOPSIS 怎么选

评价类题目在 C 题里非常高频，常见问法是“对若干方案、对象或城市进行综合评价排序”。

零基础同学最熟悉的通常是层次分析法。它适合指标较少、数据不完整、需要主观判断时的场景。做法是先构造判断矩阵，再算权重，最后做一致性检验。但这里有个常见坑：层次分析法的判断矩阵如果拍脑袋填，一致性比例很大概率过不了。所以用这个方法时要认真理解它为什么需要一致性检验，不要只抄代码。

如果数据已经给出大量客观指标，更适合用熵权法确定权重，再用 TOPSIS 计算每个对象与理想解的接近程度。这个组合的优点是客观性强、代码简单、图表效果好，是目前很多国奖论文里的常见做法。

选模型的核心标准不是“哪个更难”，而是“哪个能解释得通”。你选择的模型必须回答三个问题：输入数据是什么？计算过程得到什么？输出结果如何解释？如果你自己都说不清，评委更容易发现漏洞。

2.3 预测类题目：回归和时间序列比深度学习更容易起步

预测类问题也是常客，比如预测未来销量、水位、交通流量等。

零基础队伍建议从线性回归、多项式回归、ARIMA 这类模型开始。它们解释性强，代码成熟，结果容易写成论文。深度学习模型比如 LSTM，虽然听起来更高级，但需要大量数据、调参和训练时间，国赛三天时间里很容易踩坑。

具体选择时可以参考几个判断标准：

• 样本量小，先试回归；
• 数据是时间序列，先做平稳性检验，再试 ARIMA 或指数平滑；
• 特征多且关系复杂，可以尝试随机森林或 XGBoost，但要保留特征重要性图，方便在论文里解释；
• 神经网络可以作为对比模型，不要一上来就让它当主角。

预测模型不能只算预测值。论文里必须写模型评价指标，比如均方误差、平均绝对误差、R 方。评委看到预测结果，第一反应是问“你这个误差多少”，而不是“你这个模型名字好不好看”。

2.4 优化类题目：约束条件比算法本身更关键

优化类题目喜欢考“怎么安排、怎么调度、怎么路径规划”。常见模型包括线性规划、整数规划、动态规划，以及智能优化算法如遗传算法、模拟退火、粒子群算法。

很多队伍卡在智能优化算法上，觉得代码难写。实际上对国赛来说，更重要的是把目标函数和约束条件写清楚。一个目标函数列得不完整、约束条件漏掉一个变量范围，后面再好的算法也是白搭。

拿无人机避障航迹规划这类题来说，你要先定义坐标系、无人机的位置和速度，再列出障碍物表达式，然后构造路径长度或能耗目标，最后加入转弯角、安全距离等约束。前两步做完，模型已经完成一半，后面用算法求一组可行解只是工具问题。

2.5 AI 工具能用，但不能替代模型判断

近两年很多队伍开始用 AI 辅助建模，比如让 AI 解释模型概念、转换数据格式、排查代码报错、润色摘要。这些都是合理的用法，能明显提升效率。

但要注意边界。AI 容易把“看起来合理”的模型推荐给你，但它不理解你这道题的具体数据，也不清楚你们团队的计算能力。如果你直接把 AI 给出的模型分析和代码原样抄进论文，风险很大。一方面代码可能跑不通，另一方面论文内容可能和其他参赛者高度重合，到时候查重和相似度检查会非常麻烦。

现在很多赛区对 AI 使用有明确要求。正确的做法是：把 AI 当作“讨论伙伴”，让它帮你理思路，但最终模型选择、公式推导、数据论证都要由队员完成，并按官方要求如实声明使用情况。

3. 代码实操：先把典型模型跑通，再谈批量套路

3.1 环境准备：用一套固定环境避免依赖问题

赛前建议统一 Python 环境。最简单的方式是装一个 Anaconda 或者 Miniconda，再安装核心库：

conda create -n mathmodel python=3.10 conda activate mathmodel pip install numpy pandas matplotlib scipy scikit-learn networkx

这几个库已经覆盖大部分需求。如果做优化，可以按需装 pulp 或 scipy.optimize。不需要把环境搞得太复杂，库版本也不是越新越好。比赛开始后尽量不要再升级依赖，否则可能出现“上午还能跑，下午装了个新包就报错”的情况。

3.2 数据预处理是第一道关卡

数据类题目里，预处理的时间往往占整个建模时间的三分之一。省略这一步，模型精度和稳定性都会受影响。

通用流程可以先记下来：

1. 读入数据后用info()和head()看类型、列名、缺失情况；
2. 处理缺失值，能填补就填补，不能填补就做标记；
3. 检查异常值，用箱线图或描述性统计判断；
4. 对量纲差异大的指标做标准化或归一化；
5. 查看字段类型，分类变量要编码。

示例：

import pandas as pd df = pd.read_csv("data.csv", encoding="gbk") print(df.info()) print(df.describe()) # 缺失值统计 print(df.isnull().sum()) # 数值列归一化 from sklearn.preprocessing import MinMaxScaler cols = ["value1", "value2"] df[cols] = MinMaxScaler().fit_transform(df[cols])

很多队伍报“模型结果很差”，查到最后发现是数据里有缺失值或重复行没清理。不要急着建模，先看数据。

3.3 用固定套路模板减少临场翻车

评价、预测、优化三类题，赛前各准备一个“最小可用模板”非常有效。

以 TOPSIS 为例，核心步骤是：

1. 构造决策矩阵；
2. 对指标做正向化处理；
3. 数据标准化；
4. 确定正理想解和负理想解；
5. 计算每个方案与理想解的距离；
6. 计算相对贴近度并排序。

代码不需要复杂，但输入输出要清晰。训练时可以用小样本跑通，比赛时再换真实数据。很多全国奖论文使用的不是新奇模型，而是把经典模型用得很规范、解释得很清楚。

3.4 可视化要给论文直接可用

图表是论文的重要部分。绘图时注意几个细节：

• 图片分辨率至少保存为 300dpi；
• 坐标轴要有明确名称和单位；
• 标题和图例要包含必要信息；
• 不要用默认配色的 matplotlib 直接贴，稍微调整一下字体和样式。

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False plt.figure(figsize=(6, 4), dpi=150) plt.plot(x, y, marker="o", label="实际值") plt.plot(x, pred, marker="x", label="预测值") plt.xlabel("时间") plt.ylabel("数值") plt.legend() plt.grid(alpha=0.3) plt.savefig("result.png", dpi=300, bbox_inches="tight") plt.show()

图表不是装饰，它要能证明模型有效。一张清晰的结果对比图，可能比大段文字解释更有说服力。

3.5 代码跑不通时按顺序排查

代码报错时，不要盯着报错信息发呆，按这个顺序查：

1. 先看现象：是报错、卡住、还是结果为空；
2. 再看输入：文件路径、列名、编码、数据大小；
3. 再看依赖：库版本、函数接口是否变化；
4. 再看参数：缺参数、参数类型不对、维度不一致；
5. 最后看逻辑：循环边界、索引是否越界。

我遇到过很多队伍卡了一晚上，最后发现是文件名写错或路径里有中文导致读不进来。这类问题听起来低级，但在比赛压力下非常常见。所以赛前一定要约定好：代码文件和数据文件放同一个目录，使用相对路径，输出结果统一放在output/文件夹里。

4. 论文撰写：摘要决定第一观感，规范决定最终分数

4.1 摘要：写人话，给结论，不给公式堆砌

摘要是一篇数学建模论文里最重要的部分。评委先看摘要，再决定要不要细看正文。如果摘要写得乱，正文再漂亮也可能被低估。

好的摘要应该包含四层信息：

• 问题是什么；
• 你用了什么模型；
• 得到什么数值或结论；
• 结果有什么意义或改进空间。

摘要不是把正文目录复制一遍。不要写成“本文先用层次分析法，再用 TOPSIS，最后进行灵敏度分析”，而要写“针对某指标评价问题，建立基于熵权 TOPSIS 的评价模型，得到某方案综合得分最高，敏感性分析显示结果稳定”。字数控制在半页到一页之间。

4.2 正文结构：不追求固定模板，只追求逻辑闭环

国赛论文没有强制模板，但有一套被广泛认可的结构：

• 问题重述；
• 问题分析；
• 模型假设；
• 符号说明；
• 模型建立与求解；
• 模型检验；
• 模型评价与推广；
• 参考文献；
• 附录。

很多队伍的问题分析写得很空，只说“本题是一个规划问题，我们用遗传算法求解”。更好的写法是把题目条件逐条转化：哪些是决策变量，哪些是约束条件，哪些数据需要预处理，哪些结果需要对比。这个部分不要抄题目，要体现你的解题思路。

4.3 公式、图表和排版规范

公式和图表是最容易扣分也最容易提升的地方。

公式统一用 LaTeX 或 Word 公式编辑器，变量符号全文保持一致。比如用x_i表示第 i 个方案，就不能有的地方写xi，有的地方写X_i。变量定义要第一次出现时说明。

图表必须有编号和标题，表格用三线表格式，图片清晰度要高。不要放手机拍摄的照片，也不要把代码截图贴进正文。流程图和模型框架图建议用绘图软件重画。

4.4 查重、MD5 码和文件提交细节

国赛对论文相似度比较敏感，所以参考文献要规范，直接复制别人论文里的句子、段落，以及整段复制 AI 生成内容，都有风险。写论文时尽量用自己的语言重新表述模型原理和算法流程。

提交前检查顺序：

• MD5 码是否在最终版本基础上生成；
• PDF 转换后公式和图片是否乱码；
• 文件命名是否符合要求；
• 附录是否完整；
• 是否提交了题目要求的所有结果文件。

最后一个小时不要大改模型，只做排版和完整性检查。很多队伍因为最后十分钟修改了正文，导致 MD5 码失效，这个教训非常常见。

4.5 从国奖论文里学什么，不该学什么

网上可以找到大量“国一论文”“优秀论文”，建议找近两年的题目和优秀论文来读，比如 2024 年国赛 B 题、C 题，2021 年 E 题中药材相关题目，都是很好的训练素材。

读优秀论文时注意顺序：先看摘要，再看问题分析，再看模型建立过程，最后看代码和附录。学的是它怎么把问题转化为模型、怎么解释结果、怎么组织图表，而不是只收藏它的代码。也不要迷信“国奖论文完美无缺”，很多论文里也存在假设过强、数据不足的问题，你要学习的是它能自圆其说的能力。

5. 高频题型解题框架：把真题拆成可执行动作

5.1 优化调度类：无人机协同避障、机器人定位任务

近几年出现较多的高频题包括无人机协同避障航迹规划、多源融合机器人定位与任务优化等。这类题目的共同点是：有一个系统状态，有多个任务目标，有约束条件，需要给出具体方案。

解题框架可以这样定：

1. 建立坐标系，定义状态变量和控制变量；
2. 写出目标函数，比如路径最短、能耗最小、时间最短；
3. 列出约束条件，比如障碍物距离、最大转角、速度范围；
4. 根据模型复杂度选择求解方法；
5. 输出轨迹坐标或调度表，并用图展示。

这类题很容易陷入“算法炫技”。但要记住，评委更关心你的方案是否可行、约束是否合理、结果是否可验证。先用简单场景跑通，再逐步增加复杂性。

5.2 数据评价/分类类：中药材、企业财务、城市指标

这类题给你一张或多张表，要求对样本进行分类、评价或预测。典型代表是中药材质量评价、城市发展水平评估、企业财务风险分析等。

解题框架：

1. 数据清洗和描述性统计；
2. 指标筛选或降维，比如用主成分分析；
3. 建立评价或分类模型；
4. 输出排名、类别或预测结果；
5. 加入模型稳定性检验，比如随机去掉部分数据重新计算。

这类题目拿奖的关键在于“每一步都有合理的业务解释”。不要只给一个得分排名，还要分析指标权重体现了什么、哪些指标对结果影响最大、模型是否对数据扰动敏感。

5.3 物理机理类：物理过程、热传导、运动轨迹

物理机理类题通常给一个现象或一张实验数据表，要求建立数学模型并解释规律。这类题阅读门槛高，但一旦模型建立起来，论文结构会很清晰。

解题框架：

1. 从问题中找出物理量及其关系；
2. 建立微分方程或差分方程；
3. 通过数据估计参数；
4. 用数值方法求解；
5. 做敏感性分析和误差分析。

零基础队伍遇到这类题，不要直接放弃。先看数据是否给全，再看是否可以用相对简单的经验模型替代。有时候用插值、拟合也能得到合理结果，同时用简化机理做定性分析，比完全不做要强很多。

5.4 比赛开始后前 12 个小时怎么最不亏

国赛时间紧张，节奏非常重要。前 3 个小时建议只做一件事：三个人各自快速阅读三道题，记下关键条件、数据规模、可能用到的模型，然后汇总讨论。

第一晚结束前，应该完成：

• 定题；
• 明确问题和目标；
• 初步模型框架；
• 数据读取和预处理脚本已经跑通。

第二天白天写模型，第二天晚上开始写论文初稿，第三天上午完成求解和图表，第三天下午统一修改摘要和排版。最忌讳的是前 12 个小时反复换题，第二天上午发现第一题做不下去再换，第三天发现论文来不及写。

6. 三种备赛节奏，以及最容易翻车的四个细节

6.1 三个月备赛版本

如果距离比赛还有三个月，建议这样安排：

• 第一个月：用两周补齐基础概念，用两周读 5 篇优秀论文并复现其中 2 道题；
• 第二个月：分模块训练，分别练评价、预测、优化和物理机理四类题；
• 第三个月：每周完整模拟一次，至少完整提交两篇论文。

模拟不是简单地做题，而是严格按照比赛时间，从发题到提交论文都走完整流程。模拟完还要复盘：哪个环节耗时最长？哪位队友的进度没跟上？摘要用了多久？只有模拟才能暴露这些真实问题。

6.2 一个月备赛版本

时间只剩一个月时，不要贪多，只做这几件事：

• 第一周：掌握数据预处理、评价模型、回归模型的固定套路；
• 第二周：跑通 2 道真题的代码并整理成模板；
• 第三、四周：每周完整模拟一道题，重点练论文写作和提交流程。

一个月版本要接受一个现实：你不大可能把所有模型学完，但可以把一套流程练熟。评委打分看的是完整度和逻辑性，一个“完整、清晰、合理”的普通模型，往往比一个“没做完、解释不清”的高级模型得分更高。

6.3 一周冲刺版本

如果只剩一周，那就不要再看新模型了。选一道经典 C 题或 B 题，从读题开始，到最终输出一篇完整论文结束。这一周的目标是“把流程走通”，而不是“把分数刷高”。

准备一份自己的模板库，里面包括：数据清洗代码、评价模型代码、回归预测代码、绘图代码、论文结构模板。现场比赛时根据题目快速套用并调整。

一周冲刺虽然不太可能冲国奖，但至少可以保证不陪跑。很多第一次参赛的队伍最后没能提交有效论文，不是不会做，而是流程不熟。

6.4 最容易翻车的四个细节

备赛和比赛过程中，有几个细节比模型更能决定结果：

第一，分工不均。常见组合是一个人在写代码，两个人看着；或者三个人都在写代码，没人管论文。建议从一开始就确定：至少一人在比赛第三天之前开始写论文，而且是边做边写，而不是等模型全部跑完再写。

第二，不重视摘要。很多队伍把摘要放到最后半小时写，结果仓促之间字数不够、逻辑混乱。摘要应该提前一天出初稿，最后再润色。

第三，代码和结果没有留档。比赛第三天下午还在改模型，导致最终结果图片、数据和论文对不上。建议每次模型改动后，把输出结果和版本号保存下来。

第四，忽略提交细节。MD5 码、文件命名、PDF 导出、参考文献格式，任何一个出错都可能影响提交。赛前一定要把赛务规则逐条确认。

最后一点个人感受：零基础备赛，最值得投入的不是收藏更多资料，而是把第一次完整闭环尽快跑完。先找一道两年前的真题，哪怕模型很简单，也要坚持写到论文、导出 PDF、完成提交演练。在这个过程中，你会真正知道自己缺什么，再回头补基础，效率会高很多。国赛冲奖不是靠最后三天熬夜堆出来的，而是靠赛前把每个环节都踩稳。