数学建模国赛实战指南：选题、建模、编程到论文全流程

数学建模竞赛这个圈子，每年都有一批人把大量精力花在调代码、跑结果上，最后论文却写得像实验报告，省奖都拿不到。我在里面泡了几年，带过队也当过指导，2024年高教社杯国赛题目出来后，我第一时间带着学生把A到E题全部过了一遍，从选题、建模、编程到论文排版，完整走完了整个流程。这篇内容就把我们当时从拿到题目到最终提交的实战过程，以及踩过的坑和验证过的经验，原原本本写出来，希望能帮你少走点弯路。

1. 国赛评审的底层逻辑：你的代码和结果在评委眼里只值这么多

很多参赛队有个误解，以为国赛是"代码大赛"，谁跑出来的图好看、结果数值精确，谁就拿奖。但如果你真的参加过评阅，或者仔细研究过优秀论文，会发现完全不是这么回事。

1.1 评委在有限时间里先看什么

国赛评阅的节奏非常快，一篇论文在评委手里停留的时间通常只有几分钟。在这个时间内，评委会按顺序做三件事：

• 先看摘要，判断这篇论文解决了什么问题、用了什么核心方法、得到了什么结论；
• 再看模型建立和求解过程，确认方法的合理性，是不是在"硬套"模型；
• 最后才翻代码附件和结果图表，验证可复现性。

这意味着一个问题：代码和结果是支撑你结论的"证据"，而不是评审对象本身。我见过有的队伍用非常复杂的算法，代码写了上千行，但摘要写得稀烂，评委根本看不出来他做了什么；也见过用简单方法但逻辑清晰、图表规范、摘要精炼的队伍拿了国奖。

1.2 模型、方法、结果的一致性比正确性更重要

评委最反感的情况是模型建了一个样子，求解用了另一个方法，结果分析又跳到第三个维度。三个环节对不上，会直接被判定为"拼凑"。

一致性体现在三个层面：

• 模型假设与模型建立一致：你假设了线性关系，后面就不能突然用非线性模型；你假设了数据服从正态分布，后面就不能忽略这个假设。
• 模型建立与求解方法一致：建立了优化模型，就要写清楚用什么求解器、什么算法、收敛条件是什么；建立了微分方程模型，就要说明用了什么数值方法（龙格-库塔、有限差分等）。
• 求解结果与结论分析一致：算出来的每个数值都要在结论部分有解释，不能出现"算了个寂寞"的情况。

1.3 数学建模的本质是"讲故事"

我再打个比方。数学建模竞赛本质上是"用数学语言讲一个完整的故事"，你的故事要能自圆其说。评委就是读者，他要看到的是：问题是什么、你为什么这么理解、你用了什么工具、结果说明了什么、结论能不能推广。

所以整篇论文就是一条完整的叙事线：问题重述→问题分析→模型假设→模型建立→模型求解→结果分析→模型评价。这条线断了，代码再漂亮也没用。

2. 选题决策方法：2024年A/B/C/D/E题到底该怎么挑

2024国赛五道题，从题型特征上区分非常明显。我的经验是，选题阶段花1到2小时是值得的，这个决策直接决定后面三天的走向。

2.1 五道题的真实分工

我按往年规律和2024年赛题的总体倾向，把五道题做了个分类对照：

2.2 我的三维度选型法

选题不是凭感觉，我用三个维度打分，哪个题综合分高选哪个：

• 维度一：队伍能力匹配度（40%权重）。三个人各自擅长什么？如果有物理/力学背景，A题是优势区；如果编程能力强、数据敏感度高，C题和E题更顺手；如果数学推导扎实、对概率敏感，D题有机会。
• 维度二：完成可行度（35%权重）。三天时间，我能在这个题上做到什么程度？A题可能卡在机理推导上，E题可能卡在数据获取和处理上，C题可能卡在数据清洗的体力活上。算一算留给你真正建模和求解的时间够不够。
• 维度三：区分度（25%权重）。这个题有没有可能做出差异化？通常A题和E题的区分度最高，因为题目灵活，不同队伍解法差异大；而C题这类相对固定的统计模型，大家做法容易雷同。

2.3 我踩过的选题的坑

有一年我们队伍选了一个偏数据挖掘的题目，一开始觉得数据量大、花样多，结果数据清洗整整花了一天半。后面模型虽然建出来了，但时间不够做灵敏度分析，摘要也匆匆忙忙，最后成绩很不理想。

所以我对选题的建议就一句话：选题不是选"最擅长的"，而是选"三天内能完整闭环的"。宁可方法朴素一点，也要保证每一个环节都能做完。

3. 建模环节的完整链路：从问题重述到模型验证，每一步都不能省

建模过程不是上来就写公式，而是有严格的顺序。很多队伍直接跳到模型建立，前面省略掉的东西，最后都会在论文里变成硬伤。

3.1 问题分析是给评委的第一印象

问题分析看起来是"把题目抄一遍"，实际上是在传达你理解了什么、抓住了哪些关键矛盾。我指导学生写问题分析时，会要求做到三件事：

• 把题目中散落的约束条件整理成清晰的逻辑链；
• 指出问题的核心矛盾（比如"资源有限"、"信息不完全"、"多目标冲突"）；
• 明确你要解决哪几个子问题，以及子问题之间的关系。

3.2 模型假设要"大胆假设、小心交代"

模型假设是论文里最容易被忽视却最影响评委判断的部分。你要先把问题简化到可以建模的程度，然后把简化过程明明白白写出来。比如：

• 假设数据在短期内无突变；
• 假设系统在考察时段内处于稳态；
• 假设每个决策单元的效益独立。

我见过一份作业，假设部分写"假设天气良好"，结果题目里根本没有天气相关的因素，这个假设就是无效假设，反而暴露了作者没读懂题目。

3.3 模型选择阶梯：先简单后复杂，能解释比能拟合更重要

建模最忌讳一上来就用复杂方法。正确做法是：先用简单模型跑通全流程，再根据结果决定是否升级模型。这有非常实际的好处：

• 简单模型跑得快，逻辑容易检查，能帮你快速发现数据或理解上的错误；
• 在有限时间内，完整提交的简单模型，好过没跑完的复杂模型；
• 升级模型时你能清楚地写出"因为简单模型的XX不足，所以我们引入XX方法"，这本身就是论文里的加分逻辑。

3.4 灵敏度分析是白送的加分项

很多队伍做完主模型就收工了，完全没做灵敏度分析。实际上，灵敏度分析是性价比最高的加分操作，因为它能证明你模型的稳健性。

参数变化时，结果是否在可接受范围内波动？如果你能画一张灵敏度分析图，并写"当参数在±10%范围波动时，结果变化不超过5%，说明模型对参数不敏感、结论可靠"，评委的印象会明显改观。

4. 编程实现与代码附件整理：能复现的代码才有价值

代码在国赛中的角色前面已经说了，是支撑结果的证据。所以要保证评委能看懂、能跑通。2024年我们的实践过程中，有几个点特别想单独拿出来说。

4.1 MATLAB还是Python：选型逻辑要看队友

这个问题每年都有人吵。我个人的看法是：不要纠结哪个语言更好，要看你更熟哪个、以及题目需要什么。

• 如果题目偏物理机理、微分方程求解，MATLAB的ODE系列函数、偏微分方程工具箱非常成熟，出错概率低；
• 如果题目偏数据分析、机器学习，Python的生态更完整，pandas、sklearn、statsmodels一套下来，效率高；
• 如果队伍两种语言都有基础，就按题目类型分工，一个主攻建模，一个主攻数据处理。

我们2024年C题相关的练习中，就遇到过数据量较大、格式混乱的情况。用MATLAB处理要写很多循环，换成pandas几行就搞定了；但后面做一个机理仿真时，Python的数值稳定性又不如MATLAB内置函数顺手。所以最理想的状态是两种语言都有人会用，按需分配。

4.2 代码架构与命名习惯

代码附件是评委可能翻阅的内容，整洁度直接影响"可复现性"的判断。我一般要求队伍按这个结构组织代码目录：

code/ ├── main_A.m（或main_A.py） # 主程序，一键运行得到全部结果 ├── data/ # 存放原始数据，确保路径稳定 ├── functions/ # 自定义函数/脚本 ├── figures/ # 输出图片保存位置 └── README.md # 简要说明运行环境与步骤

命名规则也要统一，比如"data_process.m"、"model_solve.py"、"result_plot.py"，不要出现"新建文档（最终版）2.py"这种命名。

4.3 代码附件里的三个隐藏细节

• 路径写法：建议用相对路径。我们见过太多代码因为绝对路径问题在别人电脑上报错，评委辛苦复制过去跑不通，直接判定不可复现。
• 随机种子：如果用了随机算法（遗传算法、蒙特卡洛、随机森林），记得设置随机种子（如np.random.seed(42)），保证结果可以复现。
• 运行时间：在代码注释里写明"单次运行约X分钟"。如果代码动辄要跑半小时，建议把中间结果以.mat或.csv保存，让评委可以直接加载结果，也能验证后处理部分。

4.4 调试排错：我们实际遇到的三类问题

第一类是数据缺失值处理不当。有次处理数据时，直接dropna()删掉了近四分之一的样本，导致结果偏差巨大。后来改成按特征维度做插值，情况明显改善。

第二类是优化求解器不收敛。用遗传算法时不设种群大小和迭代上限的默认值，结果跑了两个小时还没收敛。改成显式设置参数后，十分钟就出了稳定解。

第三类是代码版本管理混乱。三个人各写各的，后期合并时接口不一致，被迫重写了一部分。后来强制要求一人负责维护主程序、其他人以函数模块形式对接，流程才顺畅起来。

5. 论文写作与排版：把解题过程"翻译"给评委看

论文是把建模过程翻译成评委能快速理解的语言，而不是简单地"记录过程"。

5.1 摘要：全文最重要的600字

国赛评阅秘密地讲就是"先看摘要定档，再看正文调节"。摘要质量直接决定你的论文在哪个奖级区间。我总结了一个公式：

摘要 = 问题是什么（1-2句）+ 核心思路（为什么选这个方法，2-3句）+ 具体方法（模型+算法+求解，3-4句）+ 主要结果（具体数值/结论，3-4句）+ 推广价值（1-2句）

关键要求是：评委看完摘要，不需要读正文就知道你做了什么、怎么做的、结果如何。所以摘要里不能出现"本文提出了一种方法"这种空洞说法，必须说"针对XX问题，本文基于XX理论构建了XX模型，采用XX算法求解，得到XX结果"。

5.2 正文结构：每个部分的内容密度分配

正文的篇幅分配也很有讲究。我按我们通常的经验，一篇30页左右的论文大致分配如下：

不要把所有代码贴进正文，只贴少量能说明算法结构的伪代码或核心函数片段。完整代码放附件。

5.3 图表规范：清晰度是第一优先级

评委最烦的图表问题是：坐标轴没有标签、字号过小、图例和曲线颜色难以区分、图片模糊。这几个问题都是只要花五分钟就能解决的，却年年有人犯。

我的实操建议是：

• 所有插图用矢量格式（PDF或eps），至少也要高清PNG，分辨率不低于300dpi；
• 图中字号不小于小五号（9pt），坐标轴必须有物理量和单位；
• 线条宽度统一，不同曲线用线型+颜色双重区分（不要只依赖颜色，因为打印时可能变成灰度）；
• 表用三线表，不要用复杂的网格线。

5.4 参考文献与公式编号

参考文献是最容易得零分却最容易被忽略的点。国赛虽然不强制要求引用格式和数量，但一份像样的参考文献列表能体现学术规范意识。

公式必须要编号（右对齐缩进比较常见），并在正文中引用公式编号，比如"由式(3)可知……"。不编号的公式会让评委觉得你只是在堆砌，而不是在推导。

6. 最后12小时的全流程检查清单

我们每次完成正文后，会进入一遍严谨的检查流程。这部分来之不易的经验，非常适合在最后冲刺阶段用上。

6.1 个人经验中最有效的提交前自检方法

我习惯将整个检查清单分四个层级，每一项都由非负责该项的队员交叉检查：

• 内容层：问题重述是否变了原题风格？模型假设是否自洽？结果分析是否有对应图表？结论是否回答了所有问题？
• 逻辑层：摘要描述的方法和正文是否一致？公式编号是否连续？图表编号是否和正文引用对应？
• 格式层：目录页码是否准确？字体字号是否统一？页边距是否符合官方要求？页面是否有空白页？
• 代码层：代码能否从干净环境跑通？数据路径是否存在？输出图片是否和论文图表一致？随机种子是否固定？

这四层检查下来，每层大约需要30分钟，总共2小时。预算至少2小时在提交前做这个检查，是防止出现"低级错误"最有效的方案。

6.2 三天赛程的时间分配建议

最后给一个三天时间线参考，这是我自己带队后迭代了很多次的版本：

第一天（0-24小时）

• 0-2小时：三人各自独立读题，写下自己认为的核心问题和难点；
• 2-4小时：讨论选题，用前面的三维度打分法确定题目；
• 4-8小时：深入理解问题，查找资料，列出可用的模型和方法；完成问题重述与问题分析初稿；
• 8-14小时：建模主力开始搭建核心模型，编程主力同步准备数据与工具；
• 14-24小时：完成第一版模型求解，得到初步结果；写作同学开始写摘要和模型假设初稿。

第二天（24-48小时）

• 24-36小时：模型优化，补充灵敏度分析；针对第一版的缺陷做改进；
• 36-44小时：完成全部求解和结果图表绘制；
• 44-48小时：论文主体（模型建立与求解、结果分析）初稿完成。

第三天（48-72小时）

• 48-60小时：论文精修，图表规范化，参考文献整理；
• 60-66小时：交叉检查，重点检查摘要与正文的一致性；
• 66-70小时：代码整理，README编写，从零开始跑一遍全部代码；
• 70-72小时：最终检查，生成PDF，按官方要求提交。

6.3 心理建设与最后提醒

最后12小时是最容易出乱子的时候。我的经验是，队伍里必须有一个人担任"清醒角色"，他/她可以不参与最后的深度写作，但必须盯着时间线和检查清单，在大家慌成一团时喊停，提醒还剩多少时间、应该做什么。

另外提一句，如果你打算在提交前临时换模型、换算法，一定要克制。除非新方案能一次性跑通并产出全套结果，否则不要动。国赛拼的是完整度和表达清晰度，"用成熟方案拿稳分数"永远好过"赌一个新方案能惊艳评委"。

最后一周的实际体会是，那些最终成绩不错的队伍，往往不是在某个环节做得特别炫，而是做到了一点：闭环。每个问题都有解，每个解都有支撑，每个支撑都在论文里有对应表述。这才是国赛真正考察的东西。