数学建模竞赛四大模型选型与答题模板实战解析

简介：面向高校数学建模竞赛参赛者的模型方法速查资料，围绕预测、分类、优化与评价四大常考模型梳理知识框架、使用条件与适用场景，适合本科及研究生赛前系统复习、竞赛选题时比对方案与论文方法章节写作参考。压缩包内为1个PDF文件，约225KB，目录按模型类别组织，涵盖神经网络、灰色预测、时间序列、马尔科夫链、支持向量机、聚类分析、主成分分析、线性与非线性规划、动态规划、遗传算法、模拟退火、禁忌搜索、模糊综合评价、层次分析法、熵权法等内容，并对部分方法的优缺点、数据要求和总结作了提示。已有801人学习，便于快速查找模型依据、比较不同方法的适用边界，也能为方法选择与表述提供可借鉴的模板素材。

1. 四大模型不是四个知识点：先搞清评阅老师在找什么

数学建模竞赛里最反直觉的一件事：预测模型、分类模型、优化模型、评价模型这四类背得再熟，也不等于能直接换分。真正拉开差距的是同一道题里，你有没有说清“为什么是它”。见过太多队，题目只给了九个年度的数据，上来就搭三层神经网络，输入输出没交代，超参数写成“默认”，评阅老师翻两页就放下了。这场竞赛考的是选型判断和交代能力：数据形态决定模型，模型决定检验指标，检验指标决定结论可信度。第一次参赛、代码能跑但正文不知道写什么的人，把下面四类题的答题模板各练一遍，比再多学一个算法划算得多。

2. 预测模型：数据形态决定选哪个模型，不是模型越新越好

预测题最常见的错，是把“我学过什么”当成“题目需要什么”。预测和分类在数学上本来就是一回事——都是找一个函数把输入映到输出，所以能做预测的模型多半也能做分类。区别在于预测题对数据形态极其敏感：样本量、是否等间距、前后是否强相关，这三件事直接决定你该写哪一个。判分时评阅老师看得很快，先看你有没有做数据描述，再看你选模型的理由能不能自圆其说，最后才看你算出来的数对不对。所以这一章的重点不是推公式，而是把“什么数据配什么模型”写成一条条能直接抄进正文的判断句。

2.1 三问定模型：样本量、等间距、变化关系

拿到预测题，别急着开软件，先在草稿纸上把三个问题答完。第一问，样本量多少。只有四到十五个点，神经网络连训练集都凑不出来，这时候灰色预测和拟合才是合理选择；样本上百条，才轮得到神经网络和多因素回归。第二问，数据是否等间距。时间序列预测要求数据等间距，隔一年一个点和隔三个月一个点混在一起，序列模型直接失效，这时候要么重采样成等间距，要么换模型。第三问，前后是否强相关。马尔科夫链适合前后传递很弱、随机性强的序列，比如用今天和昨天的温度趋势推后天，那种“只能从趋势判断”的题面就是它的地盘；反过来，如果前后强相关，用马尔科夫链就是把信息全扔了。

还有一类题面很特别：找不到数据之间直接的关系，但能找到变化量之间的关系，比如增长速度与当前存量有关。这种时候微分方程预测才是正解，因为它建模的是变化率而不是数值本身。把这四问的回答写进正文的第一段，本身就是加分项——它证明你不是碰巧选对，而是有判断过程。下面的表可以直接当作选型素材背下来，考场上对着题面逐行排查。

2.2 神经网络预测必须写清的五件事

神经网络是预测题里最容易拿分也最容易失分的模型，因为它没有显式的数学模型，评阅老师只能靠你的文字判断你到底懂不懂。第一，交代清楚输入和输出分别是什么：输入是几个指标、每个指标的单位和量纲、输出是单值还是向量、输出代表哪一年的什么量。这一步不写，后面所有结果都没法验证。第二，数据预处理要写出来，包括异常值怎么判、缺失值怎么补，并且说明为什么不直接删除——直接删掉缺失样本在评阅老师眼里就是偷懒，用插值、均值填充或者模型预测填充，再补一句“删除会损失样本量并引入偏差”，这段就立住了。

第三，网络结构要写清层数和每层结点数，并给出理由，比如“输入层 6 个结点对应 6 个指标，隐层取 12 个结点约为输入的 2 倍，输出层 1 个结点对应预测年份的量”。第四，超参数要写明迭代次数、学习率、批大小，更重要的是写清怎么调的，比如“学习率在 0.001 到 0.1 之间做网格搜索，取验证集损失最小的 0.01”，这句话比任何漂亮结果都有说服力。第五，评价标准要齐：准确率、损失函数、稳定性指标（多次运行的均值与方差）最好都给，公式也写出来，别只丢一个 RMSE 数字。

提示：神经网络没有可解释的数学表达式，所以“评价指标”就是你的论证，缺了它，结果再好在评阅老师眼里也只是跑通了一次代码。

2.3 灰色预测：能不用就不用，但用的时候要有检验

灰色预测在竞赛里的定位很明确：数据量极少、趋势近似单调时用它，其他情况尽量别碰。原因不难理解，它本质上是用一条指数曲线去逼近累加序列，理论推导空间很小，写不出太多论证，一旦题面数据有波动，误差会非常难看。但反过来，当题目只给五六个年度的总量数据时，灰色预测反而是最稳的选择，因为别的模型根本没有样本可训。用的时候一定要补上两步检验，否则结果站不住。

第一步是级比检验，用来判断原始序列适不适合建 GM(1,1)：把相邻两项的比值算出来，看是否都落在区间 $[e^{-2/(n+1)},\ e^{2/(n+1)}]$ 内，全部落入才说明可以做累加生成。第二步是残差检验，用后验差比 C 和小误差概率 P 判断精度，C 越小、P 越大越好，一般 C 小于 0.35 认为精度较好。这两步写进正文，灰色预测就从“套公式”变成了“有检验的建模”。

% 灰色预测 GM(1,1)：x0 为原始序列（行向量，长度 n 不少于 4） x0 = [12.1 13.4 15.0 16.8 19.2]; n = numel(x0); % 级比检验：相邻两项比值需落在可行区间内 lambda = x0(1:end-1) ./ x0(2:end); low = exp(-2/(n+1)); high = exp(2/(n+1)); disp([low high]); disp(lambda); % 有任何一个越界就换模型 x1 = cumsum(x0); % 一次累加生成，弱化随机波动 z1 = 0.5 * (x1(1:end-1) + x1(2:end));% 紧邻均值序列，即背景值 B = [-z1(:), ones(n-1, 1)]; % 数据矩阵 Y = x0(2:end)'; % 数据向量 ab = (B' * B) \ (B' * Y); % 最小二乘估计发展系数与灰作用量 a = ab(1); b = ab(2); k = 0:n-1; x1_hat = (x0(1) - b/a) * exp(-a * k) + b/a; % 时间响应函数 x0_hat = [x1_hat(1), diff(x1_hat)]; % 累减还原成预测值 resid = x0 - x0_hat; % 残差 rel_err = abs(resid) ./ x0; % 相对残差 C = std(resid) / std(x0); % 后验差比，小于 0.35 精度较好 P = mean(abs(resid - mean(resid)) < 0.6745 * std(x0)); % 小误差概率

这段代码里，a是发展系数，决定曲线增长或衰减的快慢，绝对值越小说明序列越平缓；b是灰作用量，相当于常数驱动项，两者一起决定指数曲线的形状。z1用前后两项均值做背景值，是为了把离散的累加序列近似成连续的微分方程。C和P是必须落到正文的两个检验量，rel_err的分布可以画成一张图，说明误差没有随年份明显放大，这样的论证比只报一个平均误差扎实得多。如果级比检验就失败了，别硬撑，换成拟合或者直接说明数据不适合灰色预测并给出替代方案，这种“及时换模型”的判断同样是得分点。

2.4 真题演练：人口预测与污染预测的落笔顺序

人口预测类题目的典型结构是：给出若干年度的总量数据，要求预测未来若干年。落笔顺序建议固定成六段——数据描述（年份跨度、量纲、有无缺失）、选型理由（样本少、近似单调，因此灰色预测，同时用拟合做对照）、建模过程（累加生成、最小二乘、响应函数）、参数与检验（发展系数、后验差比、相对残差图）、结果（未来三年预测值和区间）、局限（未考虑政策变动等外部冲击）。注意第六段不能省，主动写局限是加分项，硬说自己的模型完美才是减分项。

污染预测类题目通常给的是多指标面板数据，比如多个监测点的多种污染物浓度。这时候神经网络或者多因素回归更合适，因为样本量够、影响因素多、机理不清。落笔时把“数据清洗”单列一段：异常值用箱线图或者三倍标准差识别，缺失值用同一监测点相邻时段的插值补，并在正文里写一句“未采用直接删除，以避免样本量下降和时间序列断裂”。这句话几乎每次都能得分。结果部分除了预测值，再补一张误差对比表，把神经网络和线性回归放在一起比，误差小的那个作为主模型，另一个作为对照，论证就闭合了。

3. 分类模型：先判有没有标签，再谈算法

分类题的岔路口只有一个：数据有没有标签。有标签就是有监督，SVM、贝叶斯、决策树、Logistic 回归轮着上；没有标签就是无监督，聚类、主成分分析、典型相关分析才是工具。判断错这一步，后面写得再花哨也是白费。有监督的题面一般会给出“已知类别的样本”或者“训练集”，无监督的题面通常只说“请对这些对象进行分组”“请对指标进行降维”。还有一个容易被忽略的点：分类和预测共用同一批函数，所以上一章讲的神经网络，在这一章同样能出现，只是输出从数值变成了类别。

3.1 有监督还是无监督：判据与模型分工

有监督里，SVM 的核心思想是找一个超平面，让两类样本尽可能正确分开，同时让离超平面最近的样本点到超平面的距离最大。它的优点是适合高维数据、能处理非线性特征之间的相互作用、占用内存小、泛化能力好；缺点也明确：样本量很大时效率不高，核函数和参数的选择比较敏感，原始形式只擅长二分类。答题时把“核函数选择”单独写一句，说明试了线性核和径向基核，用交叉验证比较后取后者，这段就有含金量。

贝叶斯分类靠先验概率和条件概率做判别，适合特征条件独立性假设大致成立的场景，样本少也能跑，但独立性假设不成立时要主动说明这是局限。决策树的优点是计算简单、可解释性强、能处理缺失属性和不相关特征，缺点是容易过拟合；补救办法就是提随机森林，减少过拟合。Logistic 回归用来分析一个因变量与多个自变量的关系，最经典的场景是多个指标共同评价品质这一类问题，但它有硬条件：自变量之间相关性要小，样本数要大于自变量个数的三倍，否则容易欠拟合、准确度上不去。

3.2 四种聚类算法对比与“先划分再模糊”的组合

聚类是竞赛里出镜率最高的无监督方法，四种常见算法各有各的脾气。k-means 收敛快、准确度高、对数据没有分布假设，但不是凸的数据集难收敛，K 值不好定，迭代只能保证局部最优，对噪音和异常点敏感。层次聚类可解释性好，能直接画出树状图，不需要预先确定分类数，还能处理 k-means 搞不定的非球形簇，代价是时间复杂度高，而且是贪心式的，一步错步步错，合并或分裂执行之后无法修正。SOM 用概率形式表现“类”的划分，每一类的特征可以用参数表达，但执行效率不高，数据量少而分布数量多的时候尤其明显。FCM 模糊聚类对满足正态分布的数据效果不错，问题是对初始聚类中心敏感、需要人为确定聚类数、容易陷入局部最优，速度也比 k-means 慢。

组合套路在原文里说得很直白：先用一种聚类得到中心点，再用 FCM 细化。原因在于 FCM 的性能严重依赖初始聚类中心，随机初始化跑十次能出十个结果，而 k-means 虽然也随机，但收敛快、多次重启取稳定解的成本低，把它的簇心交给 FCM 当起点，既保留了模糊隶属度的表达能力，又避开了初始化带来的抖动。对比四种算法还能得出一个结论：运行时间和准确度综合看，k-means 与 FCM 相对更优，但 k-means 的初始点选择不稳定会让结果不稳定，所以正文里必须写“多次运行取平均”，否则评阅老师一问就露馅。

3.3 真题演练：葡萄酒品质分级的模型排序

这类题面通常给出一批样品的多个理化指标，以及由专家打分得到的品质等级，问哪些指标影响品质、能不能自动分级。正确的模型顺序是：先用决策树筛影响指标，再考虑降维，最后上分类器。原因是 Logistic 回归要求自变量之间相关性小，而理化指标之间往往高度相关，直接扔进去结果会很差；决策树不受这个约束，能处理不相关特征和缺失值，先跑一遍拿到特征重要性排序，把明显无关的指标剔掉，后面的模型就干净了。

如果指标之间相关性仍然很强，就上降维：主成分分析要求数据线性相关、变量是连续型、尽量服从正态分布，三个条件在正文里逐条说明；典型相关分析更适合分析两组特征之间的关系，计算量大，当题目问“哪一组指标和品质更相关”时可以用，也可以用它降维，把相关性更大的成分作为输入，或者用它筛掉不相关特征，让效率更高的 Logistic 回归能跑起来。最后分级可以用聚类，把样品聚成若干档，再和专家打分做交叉表，看吻合程度。

答题话术可以固定成三句：第一句说清为什么不用 Logistic 打头（自变量相关性高、样本数不足以支撑三倍自变量），第二句说清决策树起的作用（筛指标、处理缺失、给出重要性排序），第三句说清降维的检验（主成分累计贡献率达到多少、保留几个主成分）。这三句写完，模型顺序就不是随意排列，而是有因果链的。

3.4 代码：k-means 打底、FCM 细化的完整实现

下面这段先标准化，再用轮廓系数选 K，然后用 k-means 的簇心作为 FCM 的初始中心。参数含义写在注释里，改的时候只需要动数据文件路径和 K 的搜索范围。

import numpy as np from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler from sklearn.metrics import silhouette_score # 每行一个样品，每列一个指标；量纲不同的指标必须先标准化 X = np.loadtxt("sample_features.csv", delimiter=",") X = StandardScaler().fit_transform(X) # 第一步：k-means 粗分，用轮廓系数在候选 K 中挑一个稳定的 best_k, best_s = 2, -1.0 for k in range(2, 8): km = KMeans(n_clusters=k, n_init=20, random_state=0).fit(X) s = silhouette_score(X, km.labels_) # 轮廓系数越接近 1 越好 if s > best_s: best_k, best_s = k, s print("K =", best_k, "轮廓系数 =", round(best_s, 3)) km = KMeans(n_clusters=best_k, n_init=20, random_state=0).fit(X) centers = km.cluster_centers_.copy() # 作为 FCM 的初始中心 def fcm(X, centers, m=2.0, iters=200, tol=1e-6): """m 为模糊指数常取 2；iters 最大迭代次数；tol 簇心变化阈值""" U = None for _ in range(iters): # 每个样本到每个中心的欧氏距离，加极小量防止除零 d = np.linalg.norm(X[:, None, :] - centers[None, :, :], axis=2) + 1e-12 # 隶属度矩阵：距离越近隶属度越大 U = 1.0 / np.sum((d[:, :, None] / d[:, None, :]) ** (2 / (m - 1)), axis=2) new_c = (U ** m).T @ X / np.sum(U ** m, axis=0)[:, None] if np.linalg.norm(new_c - centers) < tol: centers = new_c break centers = new_c return centers, U centers, U = fcm(X, centers) labels = U.argmax(axis=1) # 取隶属度最大的类作为硬划分结果 print("各类样本数:", np.bincount(labels))

StandardScaler那一步不能省，指标量纲差一个数量级，距离计算就完全被大量纲的指标主导。n_init=20表示每个 K 重启二十次取最优，这是应对 k-means 初始点随机、结果不稳定的直接办法，正文里要写出来。silhouette_score衡量簇内紧凑与簇间分离，取值在 -1 到 1 之间，接近 1 说明分得好，用它选 K 比画肘部图更客观。FCM 里的m是模糊指数，取 2 是惯例，取值越大隶属度越平均、类越模糊；tol控制迭代停止，簇心变化小于它就结束，避免无谓计算。最后用argmax把隶属度转成硬标签，是为了和专家分级做交叉表比对，模糊隶属度本身可以作为“样品属于某一档的程度”写进结论，比硬分类更有信息量。

4. 优化与评价：一个求最优，一个排优劣

优化和评价放在同一章，是因为它们的答题骨架几乎一样：都要先把“人话”翻译成数学语言，再用一个可检验的量收尾。优化题翻译的是决策变量、目标函数、约束条件，评价题翻译的是指标、权重、评价值。区别在于优化题要给出一个方案，评价题要给出一个排序。竞赛里这两类题的共同失分点是“只给结果不给论证”：优化题给出最优解却不说约束是否紧、参数变了结果稳不稳；评价题给出排序却说不清权重从哪来、方法之间是否互相印证。

4.1 规划模型的三件套：变量、目标、约束

规划类模型按目标函数和约束的形式分成几支：线性规划要求目标和约束都是线性的；非线性规划允许出现平方项、乘积项；整数规划要求部分或全部变量取整；目标规划处理的是多个目标互相冲突、只能求“尽量接近”的情况；动态规划处理多阶段决策，难度高一些，但一旦识别出“分阶段做决策”的结构，写起来非常规整。

把题面翻译成规划模型，固定走三步。第一步定义决策变量，写清每个变量的含义、单位、取值范围，比如“设第 i 个原料段是否被选入为 0-1 变量”。第二步写目标函数，最大化还是最小化、单位是什么。第三步写约束，把题面里每一句限制翻译成一条不等式或等式，包括资源上限、需求下限、逻辑互斥。三步之后再用一句话说明模型类型，比如“该模型含 0-1 变量与线性约束，属于混合整数线性规划”，评阅老师立刻知道你的定位。

4.2 动态规划：切割损耗题的递推写法

切割类题目的典型问法是：给定长度的原料和不同长度的成品需求，怎么切使损耗最低。它的结构是“每切一刀就是一次决策，切完剩下的部分还是同一个子问题”，这正是动态规划的地盘。定义状态dp[i]为长度 i 的原料能带来的最大收益，转移就是枚举第一刀切多长，剩下的部分继续用最优策略。最短路径问题同理，只是状态从长度变成了结点编号。

def cut_rod(price, n): """price[j] 表示长度 j 的成品价值，price[0] 占位为 0；n 为原料总长""" dp = [0] * (n + 1) # dp[i]：长度 i 的最大收益 cut = [0] * (n + 1) # cut[i]：长度 i 的第一刀长度，用于回溯方案 for i in range(1, n + 1): best, best_j = -1, 0 for j in range(1, i + 1): if price[j] + dp[i - j] > best: best, best_j = price[j] + dp[i - j], j dp[i], cut[i] = best, best_j plan, rest = [], n while rest > 0: # 回溯出具体切割方案 plan.append(cut[rest]) rest -= cut[rest] return dp[n], plan price = [0, 1, 5, 8, 9, 10, 17, 17, 20] print(cut_rod(price, 8))

dp数组存的是子问题的最优值，这是动态规划能避免重复计算的关键；cut数组存的是决策，没有它只能报一个最优值，报不出方案，而竞赛题几乎都要求给出具体方案。两层循环的复杂度是 $O(n^2)$，原料长度不大时完全够用。如果题目升级成二维切割（板材排版），状态要改成二维坐标，转移枚举横切和竖切的位置，思路不变但计算量上一个量级，这时候才需要提“启发式方法做近似”。

把损耗写进目标函数时要小心：最小化损耗等价于最大化成品价值，因为原料总长固定，两者只差一个常数。这一点在正文里点一句，能体现你对模型结构的理解，而不是机械套模板。

4.3 现代优化算法什么时候值得上

遗传算法、模拟退火、禁忌搜索、蚁群算法这四个，属于“常规规划解不动”时的备选。判据有三条：变量维度高导致组合爆炸、目标函数不可导或写不出解析式、约束多到难以用标准形式表达。三条中任意一条成立，就可以考虑启发式；如果题目规模很小、结构清晰，老老实实写线性规划或者枚举更好，硬上遗传算法反而显得炫技。

参数要写清楚，这是这类题唯一能被检验的部分。遗传算法至少交代种群规模、交叉概率、变异概率、迭代代数、选择策略；模拟退火要交代初温、降温系数、每个温度下的迭代次数、终止温度；禁忌搜索要交代禁忌表长度、邻域结构、藐视准则；蚁群算法要交代信息素挥发系数、启发式因子、蚂蚁数量。这些数字不必“最优”，但必须写出来，并说明是怎么定的——试了几组取稳定解，就是合格的回答。

原文里有个很实用的技巧：在假设成某一种函数形式并找到最优解之后，如果还要与其他函数形式的结果比较，可以先把其他函数与当前最优解做拟合，再在拟合结果附近继续优化，而不是从头再来一遍。因为已经优化过一次，准确曲线大概率就在这条线附近，这样能省掉大量计算量。这个思路写进“模型改进”一段，比单纯堆算法名称有价值。

4.4 评价模型：主观赋权与客观赋权的两条路

评价题的骨架只有三步：指标正向化和标准化、确定权重、合成评价值。真正决定分数的是第二步——权重从哪来。层次分析法属于主观赋权，靠判断矩阵把专家偏好量化，用 1 到 9 标度两两比较，算出特征向量作为权重，必须做一致性检验，一致性比率小于 0.1 才通过，通不过就要回去改判断矩阵。熵权法属于客观赋权，逻辑是指标变异程度越小、包含的信息量越少、权重越低，完全从数据出发，缺点也在这里：不考虑问题的实际背景，可能出现与常识相悖的权重。

模糊综合评价适合指标边界不清、评价语言本身模糊的题面，步骤是先建指标集和评语集，再构造隶属度矩阵，然后用权重向量做合成，最后按最大隶属度或者加权得分定级。灰色关联评价用曲线形状的接近程度衡量关联度，样本多少、有无规律都适用，计算量小，而且不容易出现量化结果与定性结论相反的情况，步骤是先画统计图看趋势，再确定母序列（相当于因变量）和子序列（相当于自变量），预处理后算关联系数和关联度。主成分分析评价用少数新变量解释原来数据的大部分变异，要求数据量大、变量之间线性相关、尽量服从正态分布，计算相关系数矩阵、特征值和特征向量，再按累计贡献率选主成分算综合评价值。包络分析和协方差分析属于补充工具，用来做效率评价和组间差异分析。

实战里的稳妥做法是：以模糊综合评价打底出主结果，再用熵权法或者灰色关联做一组对照，两组排序大体一致就说明结论稳健，不一致就分析原因。这比只跑一个方法然后写“结果合理”强得多。

4.5 真题演练：评价结果怎么自证

评价题最怕的是“我给你排了个序，你爱信不信”。自证需要三样东西：权重表、方法对照、稳定性说明。权重表列清每个指标的权重和来源（判断矩阵、数据变异还是等权），方法对照给出至少两种方法的排序结果和秩相关系数，稳定性说明做一次扰动——把某个指标权重上下浮动百分之十，看排序是否大幅变化。下面这段用熵权法算出权重和得分，可以直接作为主结果或对照结果。

import numpy as np # X：m 个评价对象 × n 个指标，已完成正向化（全部越大越好） X = np.array([[85, 3.2, 120], [92, 2.8, 150], [78, 3.9, 90], [88, 3.0, 135]], dtype=float) m, n = X.shape p = np.clip(X / X.sum(axis=0), 1e-12, None) # 各指标下样本所占比重 e = -np.sum(p * np.log(p), axis=0) / np.log(m) # 信息熵，越接近 1 信息越少 d = 1 - e # 信息效用值 w = d / d.sum() # 归一化得到权重 Xn = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0)) # 极差标准化用于打分 score = Xn @ w # 加权综合得分 print("权重:", np.round(w, 4)) print("得分:", np.round(score, 4), "排序:", np.argsort(-score) + 1)

np.clip那一步是为了防止比重为 0 时取对数得到负无穷，这是熵权法代码最常见的报错来源。e的公式里除以np.log(m)，作用是让信息熵落在 0 到 1 之间，便于跨指标比较。d是信息效用值，w归一化后就是权重向量，三者相加为 1。打分用的是极差标准化后的矩阵，避免量纲差异把得分拉偏，这一点在正文里要说明，否则评阅老师会怀疑你的得分被某个大量纲指标主导。把权重表和得分排序放进正文，再补一句“与模糊综合评价的排序基本一致”，这段评价就完整了。

5. 易错点：五类最常见的失分题与补救答法

这一章按“错在哪、为什么错、怎么答对”逐条拆，每一条都在阅卷现场反复出现。看的时候别只当清单扫过去，把“怎么答对”那半句抄到自己的模板里，上场直接套。

5.1 数据不洗直接喂模型

错在哪：拿到数据直接读入，缺失值和异常值都不处理，模型跑出来误差很大就改参数，越改越偏。为什么错：异常值会把均值、方差、距离计算全部带偏，缺失值会让部分样本在计算中被静默丢弃，模型看到的样本和题目给的样本根本不是一批。怎么答对：在正文单列“数据预处理”一段，写清异常值识别方法（箱线图、三倍标准差）和处理方式（修正、插值、按异常处理但不直接删除），缺失值写清填补方法（同一样本相邻时段插值、同类均值），并补一句为什么不直接删除——删除会让样本量下降、时间序列断裂。这一段写出来，评阅老师就知道你动过脑子。

5.2 灰色预测当成万能预测

错在哪：任何预测题都先上 GM(1,1)，数据波动很大也硬跑，跑完只报一个预测值，级比检验和后验差检验都不做。为什么错：灰色预测本质是用指数曲线逼近累加序列，只适合数据量少、趋势近似单调的场景，波动序列用它误差会失控；不做检验，结果就无法判断可信度，等于把结论建立在沙子上。怎么答对：先用级比检验判断可行性，越界就换模型；可行则补上后验差比和小误差概率，误差随年份明显放大的要主动说明并给出修正方案（比如只用最近几期数据建模）。

5.3 聚类只跑一次，K 值随手定

错在哪：K 值凭感觉定，代码跑一次就交结果，换台机器或者换个随机种子结果就变。为什么错：k-means 是随机初始化，不同初始点会收敛到不同局部最优，只跑一次的结果不稳定；FCM 对初始聚类中心更敏感，随机初始化几乎必然出现结果漂移。怎么答对：K 值用轮廓系数或者肘部法在候选范围内选，写清选择依据；运行上写“多次重启取平均或取稳定解”，n_init设大一些；FCM 用 k-means 的簇心做初值。三步写进正文，聚类结果才敢下结论。

5.4 评价模型只给排序，权重来源说不清

错在哪：权重直接写“取 0.3、0.3、0.4”或者干脆等权，不做一致性检验，不换方法验证。为什么错：评价题的分数几乎全在权重上，权重没有来源，排序就没有说服力；层次分析法不做一致性检验，判断矩阵本身自相矛盾，权重算出来是废的；只跑一种方法，结论无法交叉验证。怎么答对：主观赋权写清标度、判断矩阵、一致性比率（小于 0.1）和修正过程；客观赋权写清熵权或者变异系数的计算步骤；最后用另一种方法做对照，排序大体一致就写“结论稳健”，不一致就分析差异来源。

5.5 优化模型只报最优解，不报约束与灵敏度

错在哪：解出最优方案就收笔，约束是否取等、参数变动后方案是否还成立，一概不写。为什么错：优化题的价值在于方案可用，约束不紧说明还有资源闲置，参数稍变方案就翻盘说明结果脆弱，这两种情况在评阅老师眼里都是硬伤。怎么答对：给出最优解后补一段“结果分析”，说明哪些约束是紧约束（取等号）、哪些资源有剩余；再做一次灵敏度分析，把关键参数上下浮动百分之十，看最优解和最优值的变化幅度，幅度小就说明方案稳定。这一段不占多少篇幅，但能明显拉开档次。

6. 答题技巧：拿到赛题后的四十分钟选型流程

竞赛现场最贵的不是算力，是开头那四十分钟。我的习惯是把它拆成四段，每段十分钟，全部在纸上完成，不碰电脑。

第三段是核心。选主模型的理由必须能写成“因为数据只有九个年度观测值，所以选灰色预测而不是神经网络”，而不是“因为神经网络效果好”。对照模型的作用不是凑数，是给结论上一个保险：主模型算出的结果，对照模型大致支持，正文里就有了“结果稳健”的底气；两个结果差得远，就回去检查预处理和参数，而不是硬写一个漂亮的数。

具体到四类题的起手式，我总结成四句话。预测题先问样本量和等间距，答不上来就别选时间序列；分类题先问有没有标签，没标签就别写 SVM；优化题先把决策变量写出来，变量定义不清后面全是空话；评价题先问权重怎么定，答不出权重来源就先别动笔。这四句我在草稿纸最上面固定写一遍，写完才允许自己打开软件。

还有一个血泪经验：摘要和正文的第一段必须出现模型名称和选型理由，不要藏到最后。评阅老师看一篇论文的时间很短，前面全是背景铺垫、翻到第三页才见到模型，基本就定性了。把“本文”这种词删掉，直接写“针对该题数据量少、趋势近似单调的特点，选用灰色预测模型，并用多项式拟合作对照”，一句话顶三段废话。

这份按四大模型整理的资料，目录就是沿着预测、分类、优化、评价四条线铺开的，每一节基本对应上面练过的一个考点：灰色预测、时间序列、马尔科夫链在预测那条线，聚类四算法对比和决策树在分类那条线，规划模型和四种现代优化算法在优化那条线，模糊综合评价、层次分析法、熵权法在评价那条线。它适合当模板素材用——先照着目录把每类题的固定段落背下来，再拿两道真题往里填，填不顺的地方就是你的薄弱点。需要拿去对着练的，按文末方式自取即可。

从那以后我每次带队或者自己上场，都强制先花四十分钟把“数据形态—主模型—对照模型—检验指标”四行写在草稿纸最上面，写不出来就不许开电脑。这个习惯救过我不止一次，也让我少写了很多看起来很努力其实没用的段落。希望帮到你。

本文还有配套的精品资源，点击获取