1. 从零到一我的五一数学建模初体验五一假期当朋友圈被旅行和美食刷屏时我和两位队友选择了一种截然不同的“度假”方式——把自己关在实验室里与数据、模型和论文鏖战了整整三天。这就是我第一次参加五一数学建模竞赛的真实写照。对于很多理工科学生尤其是数学、计算机、经管等相关专业的同学来说数学建模竞赛是大学生涯中绕不开的“硬核”挑战。它不像期末考试有标准答案更像是一次模拟的科研实战考验的是将实际问题抽象为数学模型并利用编程和数据分析工具求解的综合能力。五一赛作为国内规模大、认可度高的赛事之一其题目往往紧扣社会热点极具开放性。如果你也对数学建模感兴趣或者正准备参加类似的比赛那么我这篇从“小白”视角出发的复盘笔记或许能给你提供一些避开弯路、直击核心的实战参考。2. 赛前准备不打无准备之仗很多人以为数学建模竞赛就是比赛那几天的临时发挥实则不然。充分的赛前准备是决定你能否在高压的72小时内从容应对的关键。我们的准备周期大约持续了一个月主要围绕知识储备、工具磨合和团队协作三个方面展开。2.1 知识体系构建从“知道”到“会用”数学建模涉及的知识面非常广赛前我们梳理了三个核心板块第一模型库的建立与理解。我们并没有去死记硬背每一个模型的数学推导而是采用“问题-模型”对应的方法进行归类。例如预测类问题时间序列分析ARIMA、指数平滑、回归分析线性、非线性、机器学习随机森林、XGBoost用于预测。评价类问题层次分析法AHP、熵权法、TOPSIS法、模糊综合评价。优化类问题线性规划、整数规划、非线性规划常用Lingo或MATLAB优化工具箱、动态规划、图论模型最短路径、最小生成树。分类与判别问题聚类分析K-means、DBSCAN、判别分析、支持向量机SVM、神经网络。我们的策略是每个类别精读1-2个最常用模型的原理、适用假设和软件实现代码确保在赛题出现时能快速匹配。比如对于层次分析法我们不仅理解了其构建判断矩阵、计算权重和一致性检验的步骤还准备好了MATLAB和Python两种语言的实现脚本。第二编程与软件工具链的熟练。工欲善其事必先利其器。我们团队明确了分工MATLAB负责核心的数学计算、算法实现特别是优化和信号处理、以及绘制高质量的专业图表。我们提前封装了一些常用函数如数据标准化、灰色预测GM(1,1)模型、蒙特卡洛模拟等。PythonJupyter Notebook负责数据清洗、爬虫如果赛题需要自行获取数据、复杂的机器学习模型Scikit-learn库以及自然语言处理NLP。Pandas, NumPy, Matplotlib/Seaborn是必须熟练的库。LaTeX论文排版的唯一选择。我们赛前用Overleaf协作平台创建了一个模板包含了标准的章节结构、图表插入、公式编写和参考文献引用格式。赛前每人至少练习过撰写两页包含复杂公式和表格的LaTeX文档。Visio / PPT / Draw.io用于绘制技术路线图、模型框架图等让论文逻辑更可视化。第三数据获取与处理能力。赛题数据可能是结构化的Excel表格也可能是需要从网络爬取的文本。我们练习了使用Python的requests和BeautifulSoup4进行简单的网页数据抓取以及用Pandas处理缺失值、异常值和数据转换。注意不要在赛前试图掌握所有模型。深度优先于广度确保对几个核心模型吃得透、用得熟远比泛泛了解几十个模型有效。比赛时往往一个用得精妙的模型比堆砌多个半生不熟的模型得分更高。2.2 团队协作与角色定位三人团队是最常见的配置清晰的角色定位能极大提升效率。我们采用的是经典的“建模-编程-写作”三角分工但强调交叉协作建模手我负责审题、问题分析、模型构建与理论推导。需要具备较强的数学功底和逻辑思维能将实际问题转化为数学语言。同时我需要向编程手清晰地解释模型算法并向写作手阐述模型逻辑以供成文。编程手负责将模型转化为可运行的代码进行数据计算、仿真模拟和结果可视化。他不仅要精通编程还要能理解模型甚至能发现模型假设中的编程实现难点反馈给建模手进行调整。写作手负责论文的撰写、排版和最终整合。这是最关键的角色因为评审专家只看论文。写作手需要文笔流畅逻辑清晰能将建模思想和结果以学术化、规范化的语言呈现出来。他必须深度参与讨论理解每一个细节而不是最后进行简单的文字誊抄。我们赛前进行了两次模拟演练用往年的赛题进行24小时限时训练重点磨合沟通流程和应急反应。例如当建模思路卡壳时如何快速启动“头脑风暴”当编程出现bug时如何分工排查是模型逻辑问题还是代码语法问题。3. 赛中实战72小时高强度攻坚实录比赛在5月1日上午准时开始题目公布。我们遇到的是一道关于“城市低碳交通发展水平评价与优化”的题目典型的综合评价优化预测混合题型。下面我以时间线的方式复盘我们的实战过程。3.1 第一天审题破题与整体规划上午8:00 - 晚上10:00核心任务彻底理解题目确定技术路线。拿到题目后我们没有急于动手而是花了整整两个小时三个人一起逐字逐句地阅读题目、附录和数据。用白板列出题目的所有问题A、B、C…小题明确每个问题要求我们输出什么评价结果、排序、预测数值、优化方案等。接下来是最关键的问题分析阶段界定系统边界题目中的“城市低碳交通”包含哪些要素我们梳理出交通工具公交、地铁、共享单车、新能源车、基础设施充电桩、公交站点、运营管理发车频率、线路优化、政策影响限行、补贴等。识别数据类型提供的数据包括历年各类交通工具的客运量、能耗数据、城市经济人口数据等均为结构化数据。但题目要求考虑“未来五年”的发展这涉及到预测。确定模型选型对于“发展水平评价”A题这是一个多指标综合评价问题。我们决定采用组合赋权法主观的AHP客观的熵权法来确定各指标权重再用TOPSIS法计算各年份的贴近度进行排序。这样既能体现专家经验又能反映数据本身的信息量。对于“关键因素分析”B题我们计划在评价模型的基础上利用灰色关联分析法计算各评价指标与最终评价结果贴近度的关联度找出影响最大的关键指标。对于“未来发展预测与优化”C题这需要先预测后优化。我们决定采用GM(1,1)灰色预测模型对关键指标进行预测因为数据量较少然后构建一个以“碳排放最小化”和“交通效率最大化”为目标的多目标优化模型并考虑引入粒子群算法PSO进行求解。确定大方向后我们绘制了详细的技术路线图并开始分工我建模手开始细化AHP的层次结构设计判断矩阵的调查问卷我们三人先独立填写再综合。编程手开始用Python进行数据预处理并编写熵权法、TOPSIS和灰色关联分析的基础函数。写作手开始在Overleaf上搭建论文框架撰写“问题重述”和“模型假设”部分。实操心得第一天切忌盲目编程或写作。把至少1/4的时间用在审题和规划上磨刀不误砍柴工。技术路线图一旦确定中途不要轻易推翻除非发现致命错误。团队要频繁同步进度确保三人对模型的理解始终一致。3.2 第二天模型实现与中期攻坚全天核心任务完成核心模型的代码实现并得出初步结果。这是最紧张、最容易出问题的一天。上午编程手成功实现了熵权法-TOPSIS综合评价模型跑出了历年城市低碳交通发展水平的评分和排序。我则和写作手一起将AHP的层次结构和计算过程整理成文并开始撰写模型建立部分。下午我们遇到了第一个重大挑战。在实现灰色预测GM(1,1)模型时发现对部分指标的未来预测值出现了剧烈增长或下降明显不符合常识。我们立即暂停进行排查检查数据是否进行了足够平滑的处理数据本身是否有异常点检查模型GM(1,1)适用于具有指数趋势的少量数据我们的数据是否满足“准指数规律”我们通过计算序列的级比发现部分指标数据确实不严格满足GM(1,1)的适用条件。应对策略我们迅速启动预案决定采用时间序列分解法STL结合ARIMA模型进行预测。虽然模型更复杂但更稳健。编程手紧急学习并调整代码我则修改论文中的模型原理阐述。这个“坑”让我们损失了近三个小时。晚上我们完成了大部分模型的求解得到了评价结果、关键因素列表以及初步的预测数据。写作手已经将论文填充了大半包括模型建立、求解和部分结果分析。我们召开了简短的“中期评审会”对照赛题要求逐一检查是否所有问题都已解答结果是否合理。3.3 第三天论文打磨与最终冲刺全天至截止前最后一刻核心任务整合所有结果完成论文撰写、润色与排版。最后一天重心完全转移到论文上。结果整合与可视化将编程手生成的所有结果数据表格、图表导入论文。我们特别注重图表的专业性折线图清晰展示发展趋势热力图展示指标关联度雷达图对比不同年份的发展维度。所有图表都有编号、标题和必要的图例说明。模型检验与灵敏度分析这是提升论文档次的关键。我们对主要模型进行了检验TOPSIS模型改变了权重组合方式例如仅用熵权法观察排序结果是否发生剧烈变化鲁棒性检验。预测模型用历史数据回测计算预测误差MAPE证明模型精度。优化模型调整了目标函数的权重系数观察优化方案的变化进行灵敏度分析。论文润色摘要我们花了整整两个小时反复打磨摘要。摘要必须独立成篇包含“针对什么问题、用了什么方法、建立了什么模型、得到了什么结论”所有要素并且突出创新点和亮点。逻辑流畅性写作手通读全文确保从问题分析到模型假设再到建立与求解最后到结果分析逻辑链条严密环环相扣。语言学术化避免口语化表达使用“本文”、“笔者”、“所述模型”等学术用语公式书写规范。最终检查在提交前两小时我们三人分工一人检查格式参考文献、图表编号、字体一人检查数学公式和符号是否统一、正确一人通读全文检查有无错别字和语病。最后将论文导出为PDF并按照要求命名提交。踩坑实录最后时刻切忌进行大的模型改动。第三天的主要任务是“呈现”而不是“创新”。遇到小问题以解释和补充分析为主。比如某个次要结果不太理想就在论文中客观分析可能的原因数据局限、模型假设等这反而体现了严谨的科学态度。4. 核心模型与技术要点深度解析以我们比赛中使用的“组合赋权-TOPSIS”评价模型为例详细拆解其原理和实现中的要点。4.1 熵权法让数据自己“说话”熵权法是一种客观赋权法基于信息熵理论。指标的离散程度越大熵值越小说明该指标提供的信息量越大权重也应越大。实现步骤数据标准化假设有m个年份n个评价指标构成原始矩阵。为消除量纲影响我们采用极差标准化法。对于正向指标越大越好和负向指标越小越好分别处理。# Python 示例代码片段 import numpy as np import pandas as pd def normalize_matrix(data, positive_indices, negative_indices): 极差标准化 data: m*n 的原始数据矩阵 positive_indices: 正向指标列索引列表 negative_indices: 负向指标列索引列表 normalized np.zeros_like(data, dtypefloat) for j in range(data.shape[1]): col data[:, j] max_val, min_val col.max(), col.min() if max_val min_val: # 避免除零 normalized[:, j] 1 else: if j in positive_indices: normalized[:, j] (col - min_val) / (max_val - min_val) elif j in negative_indices: normalized[:, j] (max_val - col) / (max_val - min_val) return normalized计算熵值计算第j个指标的熵值。其中为避免取对数时出现零值通常将标准化后的数据平移一个极小值。def calculate_entropy(normalized_data): m normalized_data.shape[0] # 计算比重 p normalized_data / normalized_data.sum(axis0, keepdimsTrue) # 计算熵值 1e-12用于防止log(0) e -1 / np.log(m) * np.sum(p * np.log(p 1e-12), axis0) return e计算权重根据熵值计算权重。熵值越小权重越大。def calculate_entropy_weight(e): d 1 - e # 计算信息效用值 w d / d.sum() # 归一化得到权重 return w注意事项熵权法完全依赖数据分布。如果某个指标在所有评价对象上数值几乎相同离散度极小其熵值会接近1权重将接近0。这有时是合理的该指标无区分度但有时可能与实际重要性不符。因此纯客观赋权需要谨慎结合主观赋权是更优解。4.2 层次分析法AHP融入专家经验AHP通过构造判断矩阵将决策者的主观判断进行量化。我们通过查阅文献和团队讨论确定了“目标层-准则层-指标层”的结构。关键难点在于判断矩阵的一致性检验。我们采用1-9标度法进行两两比较。构建矩阵后必须计算一致性比率CR。计算最大特征值 λ_max 及其对应的特征向量即权重向量。计算一致性指标 CI (λ_max - n) / (n - 1)。查询平均随机一致性指标 RI有标准表。计算 CR CI / RI。当且仅当 CR 0.1 时判断矩阵的一致性可以接受。否则需要调整判断矩阵。我们最初构建的矩阵CR0.12经过两轮调整重新讨论指标间相对重要性后才达到0.08符合要求。4.3 组合赋权与TOPSIS逼近得到熵权法权重w_obj和 AHP权重w_sub后我们采用线性加权进行组合w_comb α * w_sub (1-α) * w_obj其中α是主观偏好系数我们通过专家咨询实际是团队讨论和参考类似文献设定为0.4略偏向客观数据。随后使用组合权重对标准化后的矩阵进行加权得到加权决策矩阵。接着计算正理想解各指标最大值和负理想解各指标最小值最后计算各评价对象与正负理想解的欧氏距离并得到相对贴近度C。C值越大说明该对象越接近最优水平。这个模型的优势在于它平衡了主观经验与客观数据使得评价结果既不失专业性又有数据支撑说服力强。在论文中我们将整个计算流程用清晰的公式和步骤图展示出来并附上了核心代码的伪代码或简短片段。5. 常见问题与避坑指南根据我们的实战和赛后交流总结出以下几个新手最容易踩的“坑”1. 选题与审题失误问题看到题目后没有深入理解背景直接套用熟悉的模型导致文不对题。对策花足时间审题用思维导图梳理题目中的所有要求、条件和数据。确保你们建立的每一个模型、求解的每一个问题都直接对应题目的设问。2. 模型堆砌与滥用问题为了显示工作量在一个问题中使用了多个复杂模型但模型之间逻辑断裂甚至结论矛盾。对策“少即是多”。用一个恰当的、解释清楚的模型远比堆砌多个不合适的模型要好。模型的选取一定要有明确的理由并在论文中阐述“为什么选择这个模型”。模型之间要有逻辑递进关系例如先用A模型评价再基于评价结果用B模型预测。3. 数据处理不当问题拿到数据直接导入模型忽略缺失值、异常值、量纲不统一等问题导致结果失真。对策在论文中单列“数据预处理”一节。描述你们如何处理缺失值删除、均值填充、插值、如何识别和处理异常值箱线图、3σ原则、如何进行标准化/归一化。这体现了工作的严谨性。4. 论文写作“头重脚轻”问题摘要写得草率模型介绍长篇大论但最重要的“结果分析”和“模型检验”部分却一笔带过。对策摘要和结果分析是评委最关注的部分。摘要要精炼、完整、有亮点。结果分析不能只说“由图1可知…”而要深入解读这个趋势说明了什么这个异常点可能是什么原因我们的结果与常识或预期是否相符为什么5. 编程与论文脱节问题编程手埋头苦干写论文的队友却不清楚代码具体在算什么导致论文描述与实际情况不符。对策建模手和写作手必须深度参与核心代码的讨论。重要的算法流程可以用流程图在论文中展示。关键的参数设置和计算结果必须在论文中明确写出。提交时通常需要提交代码附录确保代码整洁、有注释。6. 时间管理失控问题前期过于纠结细节后期论文仓促完成格式混乱甚至来不及做灵敏度分析。对策制定严格的阶段性计划。例如第一天中午前必须确定模型第二天晚上前必须完成所有计算和初步图表第三天全天用于论文写作和打磨。预留至少3小时进行最终检查和格式调整。6. 工具、资源与备赛建议推荐工具链协作平台OverleafLaTeX论文、GitHub/Gitee代码版本管理、腾讯会议/钉钉随时沟通。思维导图XMind或幕布用于审题和梳理思路。文献检索知网、谷歌学术需合法网络环境、arXiv用于赛前积累和赛中查找相关模型。备赛建议研读优秀论文在官网或平台找到往年特等奖、一等奖论文不是看他们的结果而是学习其行文结构、逻辑表达、图表呈现和模型阐述方式。建立代码工具箱将常用的模型代码如评价、预测、优化类封装成函数并写好注释和示例。比赛时直接调用或微调能节省大量时间。模拟训练至少进行1-2次完整的48或72小时模拟赛暴露问题磨合团队。积累素材准备一些通用的“模型优缺点分析”、“灵敏度分析话术”、“政策建议模板”等在写作时可以快速组织语言。第一次参加五一数学建模过程无疑是煎熬的三天睡眠不足十小时但收获是巨大的。它逼着你把书本上的知识串联起来解决一个真实、复杂的问题。最大的体会是数学建模竞赛比拼的不仅仅是数学和编程能力更是信息检索、团队协作、快速学习和抗压能力的综合体现。那些在实验室里争吵、调试、一起迎接黎明的时刻以及最终提交论文时的那份成就感远比一个奖项本身更有价值。对于准备参赛的同学我的最后一条建议是大胆去试错认真去复盘享受这个“烧脑”的过程你收获的将远超预期。 
长河君 · 2026/8/24 8:52:54 · 阅读 1.2k 数学建模竞赛实战：从模型构建到论文撰写的全流程指南
1. 从零到一我的五一数学建模初体验五一假期当朋友圈被旅行和美食刷屏时我和两位队友选择了一种截然不同的“度假”方式——把自己关在实验室里与数据、模型和论文鏖战了整整三天。这就是我第一次参加五一数学建模竞赛的真实写照。对于很多理工科学生尤其是数学、计算机、经管等相关专业的同学来说数学建模竞赛是大学生涯中绕不开的“硬核”挑战。它不像期末考试有标准答案更像是一次模拟的科研实战考验的是将实际问题抽象为数学模型并利用编程和数据分析工具求解的综合能力。五一赛作为国内规模大、认可度高的赛事之一其题目往往紧扣社会热点极具开放性。如果你也对数学建模感兴趣或者正准备参加类似的比赛那么我这篇从“小白”视角出发的复盘笔记或许能给你提供一些避开弯路、直击核心的实战参考。2. 赛前准备不打无准备之仗很多人以为数学建模竞赛就是比赛那几天的临时发挥实则不然。充分的赛前准备是决定你能否在高压的72小时内从容应对的关键。我们的准备周期大约持续了一个月主要围绕知识储备、工具磨合和团队协作三个方面展开。2.1 知识体系构建从“知道”到“会用”数学建模涉及的知识面非常广赛前我们梳理了三个核心板块第一模型库的建立与理解。我们并没有去死记硬背每一个模型的数学推导而是采用“问题-模型”对应的方法进行归类。例如预测类问题时间序列分析ARIMA、指数平滑、回归分析线性、非线性、机器学习随机森林、XGBoost用于预测。评价类问题层次分析法AHP、熵权法、TOPSIS法、模糊综合评价。优化类问题线性规划、整数规划、非线性规划常用Lingo或MATLAB优化工具箱、动态规划、图论模型最短路径、最小生成树。分类与判别问题聚类分析K-means、DBSCAN、判别分析、支持向量机SVM、神经网络。我们的策略是每个类别精读1-2个最常用模型的原理、适用假设和软件实现代码确保在赛题出现时能快速匹配。比如对于层次分析法我们不仅理解了其构建判断矩阵、计算权重和一致性检验的步骤还准备好了MATLAB和Python两种语言的实现脚本。第二编程与软件工具链的熟练。工欲善其事必先利其器。我们团队明确了分工MATLAB负责核心的数学计算、算法实现特别是优化和信号处理、以及绘制高质量的专业图表。我们提前封装了一些常用函数如数据标准化、灰色预测GM(1,1)模型、蒙特卡洛模拟等。PythonJupyter Notebook负责数据清洗、爬虫如果赛题需要自行获取数据、复杂的机器学习模型Scikit-learn库以及自然语言处理NLP。Pandas, NumPy, Matplotlib/Seaborn是必须熟练的库。LaTeX论文排版的唯一选择。我们赛前用Overleaf协作平台创建了一个模板包含了标准的章节结构、图表插入、公式编写和参考文献引用格式。赛前每人至少练习过撰写两页包含复杂公式和表格的LaTeX文档。Visio / PPT / Draw.io用于绘制技术路线图、模型框架图等让论文逻辑更可视化。第三数据获取与处理能力。赛题数据可能是结构化的Excel表格也可能是需要从网络爬取的文本。我们练习了使用Python的requests和BeautifulSoup4进行简单的网页数据抓取以及用Pandas处理缺失值、异常值和数据转换。注意不要在赛前试图掌握所有模型。深度优先于广度确保对几个核心模型吃得透、用得熟远比泛泛了解几十个模型有效。比赛时往往一个用得精妙的模型比堆砌多个半生不熟的模型得分更高。2.2 团队协作与角色定位三人团队是最常见的配置清晰的角色定位能极大提升效率。我们采用的是经典的“建模-编程-写作”三角分工但强调交叉协作建模手我负责审题、问题分析、模型构建与理论推导。需要具备较强的数学功底和逻辑思维能将实际问题转化为数学语言。同时我需要向编程手清晰地解释模型算法并向写作手阐述模型逻辑以供成文。编程手负责将模型转化为可运行的代码进行数据计算、仿真模拟和结果可视化。他不仅要精通编程还要能理解模型甚至能发现模型假设中的编程实现难点反馈给建模手进行调整。写作手负责论文的撰写、排版和最终整合。这是最关键的角色因为评审专家只看论文。写作手需要文笔流畅逻辑清晰能将建模思想和结果以学术化、规范化的语言呈现出来。他必须深度参与讨论理解每一个细节而不是最后进行简单的文字誊抄。我们赛前进行了两次模拟演练用往年的赛题进行24小时限时训练重点磨合沟通流程和应急反应。例如当建模思路卡壳时如何快速启动“头脑风暴”当编程出现bug时如何分工排查是模型逻辑问题还是代码语法问题。3. 赛中实战72小时高强度攻坚实录比赛在5月1日上午准时开始题目公布。我们遇到的是一道关于“城市低碳交通发展水平评价与优化”的题目典型的综合评价优化预测混合题型。下面我以时间线的方式复盘我们的实战过程。3.1 第一天审题破题与整体规划上午8:00 - 晚上10:00核心任务彻底理解题目确定技术路线。拿到题目后我们没有急于动手而是花了整整两个小时三个人一起逐字逐句地阅读题目、附录和数据。用白板列出题目的所有问题A、B、C…小题明确每个问题要求我们输出什么评价结果、排序、预测数值、优化方案等。接下来是最关键的问题分析阶段界定系统边界题目中的“城市低碳交通”包含哪些要素我们梳理出交通工具公交、地铁、共享单车、新能源车、基础设施充电桩、公交站点、运营管理发车频率、线路优化、政策影响限行、补贴等。识别数据类型提供的数据包括历年各类交通工具的客运量、能耗数据、城市经济人口数据等均为结构化数据。但题目要求考虑“未来五年”的发展这涉及到预测。确定模型选型对于“发展水平评价”A题这是一个多指标综合评价问题。我们决定采用组合赋权法主观的AHP客观的熵权法来确定各指标权重再用TOPSIS法计算各年份的贴近度进行排序。这样既能体现专家经验又能反映数据本身的信息量。对于“关键因素分析”B题我们计划在评价模型的基础上利用灰色关联分析法计算各评价指标与最终评价结果贴近度的关联度找出影响最大的关键指标。对于“未来发展预测与优化”C题这需要先预测后优化。我们决定采用GM(1,1)灰色预测模型对关键指标进行预测因为数据量较少然后构建一个以“碳排放最小化”和“交通效率最大化”为目标的多目标优化模型并考虑引入粒子群算法PSO进行求解。确定大方向后我们绘制了详细的技术路线图并开始分工我建模手开始细化AHP的层次结构设计判断矩阵的调查问卷我们三人先独立填写再综合。编程手开始用Python进行数据预处理并编写熵权法、TOPSIS和灰色关联分析的基础函数。写作手开始在Overleaf上搭建论文框架撰写“问题重述”和“模型假设”部分。实操心得第一天切忌盲目编程或写作。把至少1/4的时间用在审题和规划上磨刀不误砍柴工。技术路线图一旦确定中途不要轻易推翻除非发现致命错误。团队要频繁同步进度确保三人对模型的理解始终一致。3.2 第二天模型实现与中期攻坚全天核心任务完成核心模型的代码实现并得出初步结果。这是最紧张、最容易出问题的一天。上午编程手成功实现了熵权法-TOPSIS综合评价模型跑出了历年城市低碳交通发展水平的评分和排序。我则和写作手一起将AHP的层次结构和计算过程整理成文并开始撰写模型建立部分。下午我们遇到了第一个重大挑战。在实现灰色预测GM(1,1)模型时发现对部分指标的未来预测值出现了剧烈增长或下降明显不符合常识。我们立即暂停进行排查检查数据是否进行了足够平滑的处理数据本身是否有异常点检查模型GM(1,1)适用于具有指数趋势的少量数据我们的数据是否满足“准指数规律”我们通过计算序列的级比发现部分指标数据确实不严格满足GM(1,1)的适用条件。应对策略我们迅速启动预案决定采用时间序列分解法STL结合ARIMA模型进行预测。虽然模型更复杂但更稳健。编程手紧急学习并调整代码我则修改论文中的模型原理阐述。这个“坑”让我们损失了近三个小时。晚上我们完成了大部分模型的求解得到了评价结果、关键因素列表以及初步的预测数据。写作手已经将论文填充了大半包括模型建立、求解和部分结果分析。我们召开了简短的“中期评审会”对照赛题要求逐一检查是否所有问题都已解答结果是否合理。3.3 第三天论文打磨与最终冲刺全天至截止前最后一刻核心任务整合所有结果完成论文撰写、润色与排版。最后一天重心完全转移到论文上。结果整合与可视化将编程手生成的所有结果数据表格、图表导入论文。我们特别注重图表的专业性折线图清晰展示发展趋势热力图展示指标关联度雷达图对比不同年份的发展维度。所有图表都有编号、标题和必要的图例说明。模型检验与灵敏度分析这是提升论文档次的关键。我们对主要模型进行了检验TOPSIS模型改变了权重组合方式例如仅用熵权法观察排序结果是否发生剧烈变化鲁棒性检验。预测模型用历史数据回测计算预测误差MAPE证明模型精度。优化模型调整了目标函数的权重系数观察优化方案的变化进行灵敏度分析。论文润色摘要我们花了整整两个小时反复打磨摘要。摘要必须独立成篇包含“针对什么问题、用了什么方法、建立了什么模型、得到了什么结论”所有要素并且突出创新点和亮点。逻辑流畅性写作手通读全文确保从问题分析到模型假设再到建立与求解最后到结果分析逻辑链条严密环环相扣。语言学术化避免口语化表达使用“本文”、“笔者”、“所述模型”等学术用语公式书写规范。最终检查在提交前两小时我们三人分工一人检查格式参考文献、图表编号、字体一人检查数学公式和符号是否统一、正确一人通读全文检查有无错别字和语病。最后将论文导出为PDF并按照要求命名提交。踩坑实录最后时刻切忌进行大的模型改动。第三天的主要任务是“呈现”而不是“创新”。遇到小问题以解释和补充分析为主。比如某个次要结果不太理想就在论文中客观分析可能的原因数据局限、模型假设等这反而体现了严谨的科学态度。4. 核心模型与技术要点深度解析以我们比赛中使用的“组合赋权-TOPSIS”评价模型为例详细拆解其原理和实现中的要点。4.1 熵权法让数据自己“说话”熵权法是一种客观赋权法基于信息熵理论。指标的离散程度越大熵值越小说明该指标提供的信息量越大权重也应越大。实现步骤数据标准化假设有m个年份n个评价指标构成原始矩阵。为消除量纲影响我们采用极差标准化法。对于正向指标越大越好和负向指标越小越好分别处理。# Python 示例代码片段 import numpy as np import pandas as pd def normalize_matrix(data, positive_indices, negative_indices): 极差标准化 data: m*n 的原始数据矩阵 positive_indices: 正向指标列索引列表 negative_indices: 负向指标列索引列表 normalized np.zeros_like(data, dtypefloat) for j in range(data.shape[1]): col data[:, j] max_val, min_val col.max(), col.min() if max_val min_val: # 避免除零 normalized[:, j] 1 else: if j in positive_indices: normalized[:, j] (col - min_val) / (max_val - min_val) elif j in negative_indices: normalized[:, j] (max_val - col) / (max_val - min_val) return normalized计算熵值计算第j个指标的熵值。其中为避免取对数时出现零值通常将标准化后的数据平移一个极小值。def calculate_entropy(normalized_data): m normalized_data.shape[0] # 计算比重 p normalized_data / normalized_data.sum(axis0, keepdimsTrue) # 计算熵值 1e-12用于防止log(0) e -1 / np.log(m) * np.sum(p * np.log(p 1e-12), axis0) return e计算权重根据熵值计算权重。熵值越小权重越大。def calculate_entropy_weight(e): d 1 - e # 计算信息效用值 w d / d.sum() # 归一化得到权重 return w注意事项熵权法完全依赖数据分布。如果某个指标在所有评价对象上数值几乎相同离散度极小其熵值会接近1权重将接近0。这有时是合理的该指标无区分度但有时可能与实际重要性不符。因此纯客观赋权需要谨慎结合主观赋权是更优解。4.2 层次分析法AHP融入专家经验AHP通过构造判断矩阵将决策者的主观判断进行量化。我们通过查阅文献和团队讨论确定了“目标层-准则层-指标层”的结构。关键难点在于判断矩阵的一致性检验。我们采用1-9标度法进行两两比较。构建矩阵后必须计算一致性比率CR。计算最大特征值 λ_max 及其对应的特征向量即权重向量。计算一致性指标 CI (λ_max - n) / (n - 1)。查询平均随机一致性指标 RI有标准表。计算 CR CI / RI。当且仅当 CR 0.1 时判断矩阵的一致性可以接受。否则需要调整判断矩阵。我们最初构建的矩阵CR0.12经过两轮调整重新讨论指标间相对重要性后才达到0.08符合要求。4.3 组合赋权与TOPSIS逼近得到熵权法权重w_obj和 AHP权重w_sub后我们采用线性加权进行组合w_comb α * w_sub (1-α) * w_obj其中α是主观偏好系数我们通过专家咨询实际是团队讨论和参考类似文献设定为0.4略偏向客观数据。随后使用组合权重对标准化后的矩阵进行加权得到加权决策矩阵。接着计算正理想解各指标最大值和负理想解各指标最小值最后计算各评价对象与正负理想解的欧氏距离并得到相对贴近度C。C值越大说明该对象越接近最优水平。这个模型的优势在于它平衡了主观经验与客观数据使得评价结果既不失专业性又有数据支撑说服力强。在论文中我们将整个计算流程用清晰的公式和步骤图展示出来并附上了核心代码的伪代码或简短片段。5. 常见问题与避坑指南根据我们的实战和赛后交流总结出以下几个新手最容易踩的“坑”1. 选题与审题失误问题看到题目后没有深入理解背景直接套用熟悉的模型导致文不对题。对策花足时间审题用思维导图梳理题目中的所有要求、条件和数据。确保你们建立的每一个模型、求解的每一个问题都直接对应题目的设问。2. 模型堆砌与滥用问题为了显示工作量在一个问题中使用了多个复杂模型但模型之间逻辑断裂甚至结论矛盾。对策“少即是多”。用一个恰当的、解释清楚的模型远比堆砌多个不合适的模型要好。模型的选取一定要有明确的理由并在论文中阐述“为什么选择这个模型”。模型之间要有逻辑递进关系例如先用A模型评价再基于评价结果用B模型预测。3. 数据处理不当问题拿到数据直接导入模型忽略缺失值、异常值、量纲不统一等问题导致结果失真。对策在论文中单列“数据预处理”一节。描述你们如何处理缺失值删除、均值填充、插值、如何识别和处理异常值箱线图、3σ原则、如何进行标准化/归一化。这体现了工作的严谨性。4. 论文写作“头重脚轻”问题摘要写得草率模型介绍长篇大论但最重要的“结果分析”和“模型检验”部分却一笔带过。对策摘要和结果分析是评委最关注的部分。摘要要精炼、完整、有亮点。结果分析不能只说“由图1可知…”而要深入解读这个趋势说明了什么这个异常点可能是什么原因我们的结果与常识或预期是否相符为什么5. 编程与论文脱节问题编程手埋头苦干写论文的队友却不清楚代码具体在算什么导致论文描述与实际情况不符。对策建模手和写作手必须深度参与核心代码的讨论。重要的算法流程可以用流程图在论文中展示。关键的参数设置和计算结果必须在论文中明确写出。提交时通常需要提交代码附录确保代码整洁、有注释。6. 时间管理失控问题前期过于纠结细节后期论文仓促完成格式混乱甚至来不及做灵敏度分析。对策制定严格的阶段性计划。例如第一天中午前必须确定模型第二天晚上前必须完成所有计算和初步图表第三天全天用于论文写作和打磨。预留至少3小时进行最终检查和格式调整。6. 工具、资源与备赛建议推荐工具链协作平台OverleafLaTeX论文、GitHub/Gitee代码版本管理、腾讯会议/钉钉随时沟通。思维导图XMind或幕布用于审题和梳理思路。文献检索知网、谷歌学术需合法网络环境、arXiv用于赛前积累和赛中查找相关模型。备赛建议研读优秀论文在官网或平台找到往年特等奖、一等奖论文不是看他们的结果而是学习其行文结构、逻辑表达、图表呈现和模型阐述方式。建立代码工具箱将常用的模型代码如评价、预测、优化类封装成函数并写好注释和示例。比赛时直接调用或微调能节省大量时间。模拟训练至少进行1-2次完整的48或72小时模拟赛暴露问题磨合团队。积累素材准备一些通用的“模型优缺点分析”、“灵敏度分析话术”、“政策建议模板”等在写作时可以快速组织语言。第一次参加五一数学建模过程无疑是煎熬的三天睡眠不足十小时但收获是巨大的。它逼着你把书本上的知识串联起来解决一个真实、复杂的问题。最大的体会是数学建模竞赛比拼的不仅仅是数学和编程能力更是信息检索、团队协作、快速学习和抗压能力的综合体现。那些在实验室里争吵、调试、一起迎接黎明的时刻以及最终提交论文时的那份成就感远比一个奖项本身更有价值。对于准备参赛的同学我的最后一条建议是大胆去试错认真去复盘享受这个“烧脑”的过程你收获的将远超预期。