简介这份资源是2022年美国大学生数学建模竞赛MCM/ICM的完整参赛资料包面向准备参加美赛的高校学生及建模爱好者尤其适合需要参考优秀论文结构、复现代码流程的参赛者。包内共81个文件以csv数据表、png图表、pdf论文与说明文档、py脚本为主另含tex排版源文件、bib参考文献及cls模板等压缩包约7.15MB覆盖从数据处理、模型求解到论文排版的完整链路。资源中既有Problem C的论文与代码也包含夏普比率计算、敏感性分析等脚本以及mcmthesis论文模板的完整工程文件便于读者对照学习建模思路、图表绘制与LaTeX排版技巧。目前已有74人学习下载适合作为赛前模拟与论文写作的参考素材。1. 从一份“2022美赛代码及论文.zip”说起数学建模竞赛的完整交付物到底长什么样如果你手里正好有一个名为“2022美赛代码及论文.zip”的压缩包或者你正在准备下一届数学建模竞赛想搞清楚一份能拿奖的完整交付物到底包含什么那这篇笔记就是写给你的。我见过太多队伍把精力全砸在论文排版上结果代码跑不通、数据对不上、附录里的程序一运行就报错评委稍微一验证就露馅。数学建模竞赛的交付物从来不是一篇孤立的论文而是一个“论文 代码 数据 结果”的闭环系统。这个压缩包里的内容本质上是一套可复现的建模工作流从问题分析、模型假设、符号定义到算法实现、结果可视化再到灵敏度分析和模型评价。适合谁看第一次参赛的新手可以照着搭出自己的项目骨架有经验的选手可以对照检查自己的交付物有没有缺项。接下来我会把这个压缩包拆开讲清楚每一部分该怎么写、怎么跑、怎么避坑。2. 拆解压缩包论文、代码、数据三件套的目录结构与依赖关系2.1 一个能直接提交的目录树应该长什么样很多人拿到“2022美赛代码及论文.zip”之后第一反应是看论文正文但我建议你先看目录结构。因为目录结构决定了评委能不能在五分钟内找到他想验证的东西。一个经得起检查的目录树通常是这样组织的project_root/ ├── paper/ │ ├── main.tex # 论文主文件含摘要、正文、附录 │ ├── figures/ # 所有插图按图号命名 │ └── refs.bib # 参考文献 ├── code/ │ ├── preprocess.py # 数据清洗与特征工程 │ ├── model_a.py # 问题一模型求解 │ ├── model_b.py # 问题二模型求解 │ ├── sensitivity.py # 灵敏度分析 │ └── utils.py # 公共函数 ├── data/ │ ├── raw/ # 原始数据只读不改 │ └── processed/ # 清洗后的中间数据 ├── results/ │ ├── tables/ # 导出的表格 │ └── figures/ # 代码生成的图 └── README.md # 运行说明与依赖版本这个结构的关键在于data/raw只读所有中间产物写入data/processed代码从code/运行输出统一落到results/。论文里的每一张图、每一张表都能在results/里找到对应的生成脚本。评委如果怀疑某个结果可以直接定位到代码行。2.2 论文与代码的对应关系怎么建立论文和代码脱节是新手最常犯的错误。论文里写“采用改进的灰色预测模型”代码里却是一个随手写的线性回归论文里说“经过灵敏度分析参数在±10%内结果稳定”代码里根本没有灵敏度分析的脚本。正确的做法是建立一张映射表放在论文附录或 README 里论文位置对应代码文件输出结果文件图3 预测曲线code/model_a.pyresults/figures/fig3.png表2 参数估计code/model_a.pyresults/tables/table2.csv图5 灵敏度热力图code/sensitivity.pyresults/figures/fig5.png这张表不需要多复杂但它能逼着你把每一个结论都落到可执行的代码上。我一般会在写论文之前先把这张表列出来然后按表去填代码和结果这样不会出现“论文写完了发现代码还没跑”的翻车现场。2.3 数据文件的版本管理别让“最终版”害了你数学建模竞赛通常持续三到四天数据文件会被反复修改。我见过一个队伍在最后提交前把data_final.csv覆盖了结果论文里的结果全部对不上又没有后悔药可吃。常见做法是原始数据放在data/raw/并且设为只读所有清洗和变换都在代码里完成中间结果用带时间戳或版本号的文件名保存比如processed_v1.csv、processed_v2.csv。如果条件允许用 Git 做版本控制每次跑出重要结果就提交一次。这样即使最后发现某个中间步骤错了也能回滚到之前的版本重新跑。3. 论文核心模块的写作套路摘要、模型假设与符号说明的工程化写法3.1 摘要的六句话结构让评委三十秒抓住重点摘要不是正文的缩写而是一份独立的“技术简报”。我习惯用六句话结构来写第一句交代问题背景和你的整体思路第二句说明针对问题一用了什么模型、得到了什么关键数值结果第三句对应问题二第四句对应问题三第五句写灵敏度分析或模型检验的结论第六句点明模型优点与改进方向。每一句都要有具体数字比如“预测2025年产量为1.23万吨”而不是“预测效果良好”。下面是一个可套用的模板\begin{abstract} 本文针对XX问题建立了基于XX的数学模型。 针对问题一采用XX方法求得XX结果为XX。 针对问题二引入XX约束得到最优方案为XX。 针对问题三考虑XX因素模型预测XX。 灵敏度分析表明当XX参数在$\pm10\%$范围内波动时目标函数变化不超过XX\%。 本文模型具有XX优点可进一步推广至XX场景。 \end{abstract}注意摘要里不要出现“本文”“我们”这类词用被动语态或直接陈述。数字要带单位百分比要写清楚是相对什么而言。3.2 模型假设的写法每一条都要能追溯到代码里的一个开关模型假设不是凑字数用的。每一条假设都应该对应代码里的一个参数或一个条件判断。比如你假设“不考虑突发事件对供应链的冲击”那代码里就应该有一个shock_event False的开关并且在灵敏度分析里可以把它打开测试。我一般会这样组织假设# 假设1市场需求在预测期内保持稳定增长 market_growth_rate 0.05 # 年增长率5%对应假设1 # 假设2运输成本与距离成正比 transport_cost_per_km 2.5 # 元/公里对应假设2 # 假设3不考虑设备故障导致的停产 equipment_failure False # 对应假设3这样写的好处是评委如果质疑某条假设你可以直接指出它在代码里的位置并且展示如果改变这个假设结果会怎么变。假设的表述要具体不要写“假设数据真实可靠”这种废话要写“假设附件中给出的历史产量数据不含系统性测量误差”。3.3 符号说明表的自动化生成符号说明表最怕的是论文里符号和代码里变量名对不上。我的做法是在代码里用统一的命名规范然后用脚本自动生成符号表。比如symbols { r$x_{i,t}$: (第i个节点在第t期的产量, x[i][t]), r$c_{i,j}$: (从节点i到节点j的单位运输成本, cost[i][j]), r$d_t$: (第t期的市场需求量, demand[t]), } for latex, (desc, code_var) in symbols.items(): print(f{latex} {desc} \texttt{{{code_var}}} \\\\)这样生成的表格直接贴进论文符号、含义、代码变量名三列对齐。评委一看就知道你的符号不是随便编的而是有代码支撑的。4. 代码复现的关键步骤从数据清洗到模型求解的最小可运行示例4.1 数据清洗处理缺失值和异常值的三个原则数学建模竞赛的数据往往不干净缺失值和异常值是常态。我遵循三个原则第一原始数据只读清洗后的数据另存第二缺失值处理方式要在论文里写明并给出理由第三异常值要么修正要么剔除不能假装没看见。下面是一个通用的清洗脚本import pandas as pd import numpy as np # 读取原始数据保持只读 raw pd.read_csv(data/raw/input.csv) # 原则1复制一份再操作 df raw.copy() # 原则2缺失值处理——数值型用中位数填充类别型用众数填充 for col in df.columns: if df[col].dtype in [float64, int64]: median_val df[col].median() df[col] df[col].fillna(median_val) print(f{col}: 用中位数 {median_val:.2f} 填充缺失值) else: mode_val df[col].mode()[0] df[col] df[col].fillna(mode_val) print(f{col}: 用众数 {mode_val} 填充缺失值) # 原则3异常值处理——用IQR方法识别并截断 for col in df.select_dtypes(include[np.number]).columns: Q1 df[col].quantile(0.25) Q3 df[col].quantile(0.75) IQR Q3 - Q1 lower Q1 - 1.5 * IQR upper Q3 1.5 * IQR outliers ((df[col] lower) | (df[col] upper)).sum() if outliers 0: df[col] df[col].clip(lower, upper) print(f{col}: 截断 {outliers} 个异常值到 [{lower:.2f}, {upper:.2f}]) # 保存清洗后的数据 df.to_csv(data/processed/cleaned.csv, indexFalse)这段代码的逻辑是先复制原始数据避免污染然后分类型处理缺失值最后用四分位距法识别并截断异常值。参数方面1.5 * IQR是统计学上的标准阈值如果数据本身波动很大可以放宽到3 * IQR但要在论文里说明。清洗后的数据保存到processed/目录后续所有模型都从这里读取。4.2 模型求解以线性规划为例的最小可运行代码很多赛题的核心是优化问题线性规划是最常用的模型。下面是一个用scipy.optimize.linprog求解的完整示例from scipy.optimize import linprog import numpy as np # 目标函数系数最小化成本 # 假设有三个决策变量x1, x2, x3 c [4, 3, 5] # 单位成本 # 不等式约束 A_ub x b_ub # 例如2*x1 x2 3*x3 60 A_ub [ [2, 1, 3], [1, 2, 1], ] b_ub [60, 45] # 变量边界x1, x2, x3 均非负 bounds [(0, None), (0, None), (0, None)] # 求解 result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) if result.success: print(f最优成本: {result.fun:.2f}) print(f最优解: x1{result.x[0]:.2f}, x2{result.x[1]:.2f}, x3{result.x[2]:.2f}) else: print(f求解失败: {result.message})这段代码的关键参数是methodhighs这是目前scipy里最稳定的线性规划求解器。A_ub和b_ub定义不等式约束bounds定义变量范围。如果问题要求整数解需要改用pulp或ortools因为linprog只处理连续变量。求解结果要保存到results/tables/下并在论文里以表格形式呈现。4.3 结果可视化让每一张图都能在代码里找到出处论文里的图不是用绘图软件画的而是代码生成的。下面是一个生成预测曲线图的示例import matplotlib.pyplot as plt import numpy as np # 假设已有预测结果 years np.array([2020, 2021, 2022, 2023, 2024, 2025]) actual np.array([100, 110, 125, 140, 158, 180]) predicted np.array([102, 112, 123, 142, 160, 178]) plt.figure(figsize(8, 5)) plt.plot(years, actual, o-, label实际值, color#2c7fb8) plt.plot(years, predicted, s--, label预测值, color#e6550d) plt.fill_between(years, predicted*0.95, predicted*1.05, alpha0.2, color#e6550d, label±5%区间) plt.xlabel(年份) plt.ylabel(产量万吨) plt.title(2020-2025年产量预测) plt.legend() plt.grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.savefig(results/figures/fig3.png, dpi300) plt.show()这张图的关键在于实际值和预测值用不同标记区分预测区间用半透明填充坐标轴标签带单位图例清晰。保存时dpi300保证打印质量。论文里引用这张图时直接写“如图3所示”评委翻到附录代码就能看到生成逻辑。5. 避坑指南数学建模竞赛中五个高频翻车点与排查方法5.1 论文里的数字和代码输出对不上现象论文里写“最优成本为1234.56元”但运行代码输出的是1235.00元。原因通常是论文写完后代码又改了一版或者手动四舍五入时抄错了。解决方法是所有数字从results/目录下的文件直接复制不要手打。我一般会在代码里用print输出格式化的结果然后直接粘贴到论文里。如果用了 LaTeX可以用\input{}命令直接插入生成的表格文件彻底杜绝手抄错误。5.2 代码在别人电脑上跑不起来现象队友或者评委想复现你的结果结果一运行就报ModuleNotFoundError或者版本不兼容。原因是依赖没有锁定版本。解决方法是在项目根目录放一个requirements.txt用pip freeze requirements.txt生成里面记录所有包的精确版本号。README 里写清楚 Python 版本和运行顺序。如果用了特殊的数据文件路径用相对路径而不是绝对路径比如data/raw/input.csv而不是C:/Users/xxx/Desktop/input.csv。5.3 灵敏度分析做成了“摆设”现象论文里写了“进行了灵敏度分析”但只有一句话“结果稳定”没有图也没有具体数值。原因是灵敏度分析没有落到代码上。解决方法是选一到两个关键参数让它们在±10%、±20%范围内变化重新运行模型记录目标函数的变化画成折线图或热力图。下面是一个简单的灵敏度分析脚本import numpy as np import matplotlib.pyplot as plt base_param 0.05 # 基准增长率 variations np.linspace(-0.2, 0.2, 9) # -20%到20% results [] for v in variations: param base_param * (1 v) # 这里调用你的模型函数传入param得到目标值 # objective run_model(param) objective 1000 * (1 param) # 简化示例 results.append(objective) plt.figure(figsize(8, 5)) plt.plot(variations * 100, results, o-, color#31a354) plt.xlabel(参数变化幅度%) plt.ylabel(目标函数值) plt.title(灵敏度分析增长率对目标函数的影响) plt.grid(True, linestyle--, alpha0.5) plt.savefig(results/figures/sensitivity.png, dpi300) plt.show()这张图能直观展示参数变化对结果的影响程度比一句“结果稳定”有说服力得多。5.4 附录代码没有注释评委看不懂现象附录里贴了几百行代码没有任何注释变量名是a、b、c。评委想验证你的模型结果读代码比读论文还费劲。解决方法是附录代码只贴核心部分变量名用有意义的英文关键步骤加注释。比如x[i][t]要注释“第i个节点第t期的产量”。如果代码太长可以把完整代码放在压缩包的code/目录里论文附录只贴模型求解的核心函数。5.5 提交前没有做“干净环境”测试现象提交后才发现压缩包里少了某个数据文件或者代码里引用了本地才有的路径。解决方法是在提交前把整个项目复制到一个新目录按照 README 的步骤从头运行一遍。如果跑通了再打包提交。这个习惯能帮你抓住90%的低级错误。我一般会用一个简单的 shell 脚本做检查#!/bin/bash # 检查必要文件是否存在 for f in paper/main.tex code/model_a.py data/raw/input.csv README.md; do if [ ! -f $f ]; then echo 缺失文件: $f fi done # 检查是否有绝对路径 grep -r /Users/\|/home/\|C:\\\\ code/ echo 发现绝对路径请改为相对路径这个脚本能快速排查文件缺失和路径问题省去很多手动检查的时间。6. 进阶技巧用 LaTeX 模板和自动化脚本把交付效率提升一倍6.1 用 LaTeX 模板固定论文骨架数学建模竞赛的论文格式要求严格每次手动调格式很浪费时间。我习惯准备一个 LaTeX 模板把摘要、目录、章节标题、图表标题的格式全部预定义好。下面是一个最小化的模板结构\documentclass[12pt,a4paper]{article} \usepackage{ctex} \usepackage{graphicx} \usepackage{booktabs} \usepackage{amsmath} \usepackage{geometry} \geometry{left2.5cm,right2.5cm,top2.5cm,bottom2.5cm} \title{基于XX模型的XX问题研究} \author{} \date{} \begin{document} \maketitle \begin{abstract} % 摘要内容 \end{abstract} \section{问题重述} \section{问题分析} \section{模型假设} \section{符号说明} \section{模型建立与求解} \section{灵敏度分析} \section{模型评价与推广} \section{参考文献} \appendix \section{附录核心代码} \end{document}这个模板的好处是格式统一章节顺序固定图表编号自动生成。你只需要往里面填内容不用操心排版。如果学校或竞赛有特定格式要求只需要改geometry和标题样式即可。6.2 用 Makefile 一键跑通全流程如果项目里有多个脚本需要按顺序运行手动一个个执行很容易漏掉步骤。我一般会写一个Makefile把数据清洗、模型求解、灵敏度分析、绘图串起来.PHONY: all clean all: results/figures/fig3.png results/tables/table2.csv data/processed/cleaned.csv: data/raw/input.csv code/preprocess.py python code/preprocess.py results/tables/table2.csv: data/processed/cleaned.csv code/model_a.py python code/model_a.py results/figures/fig3.png: results/tables/table2.csv code/plot.py python code/plot.py clean: rm -rf data/processed/* results/tables/* results/figures/*这样只需要在终端输入make整个流程就会自动按依赖关系执行。如果某个中间文件已经存在且比依赖文件新make会跳过重复步骤节省时间。提交前运行make clean make就能在干净环境下完整复现所有结果。6.3 一个我踩过的坑别在最后一天换模型我参加过一次竞赛前三天用了一个相对简单的模型论文和代码都跑通了。最后一天上午队友觉得模型太简单临时换了一个复杂的深度学习模型。结果代码调不通论文里的结果全部要重写最后提交的版本里还有几处前后矛盾。血泪经验是模型选型要在第一天定下来后面只做参数调优和灵敏度分析不要推倒重来。如果实在想用新模型可以把它作为“模型改进”部分放在论文最后但主模型必须保持稳定。这个习惯让我在后来的比赛中再也没有出现过“最后一天翻车”的情况。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/18 23:05:56 · 阅读 1.2k 数学建模竞赛完整交付物指南：论文、代码与数据闭环实战
简介这份资源是2022年美国大学生数学建模竞赛MCM/ICM的完整参赛资料包面向准备参加美赛的高校学生及建模爱好者尤其适合需要参考优秀论文结构、复现代码流程的参赛者。包内共81个文件以csv数据表、png图表、pdf论文与说明文档、py脚本为主另含tex排版源文件、bib参考文献及cls模板等压缩包约7.15MB覆盖从数据处理、模型求解到论文排版的完整链路。资源中既有Problem C的论文与代码也包含夏普比率计算、敏感性分析等脚本以及mcmthesis论文模板的完整工程文件便于读者对照学习建模思路、图表绘制与LaTeX排版技巧。目前已有74人学习下载适合作为赛前模拟与论文写作的参考素材。1. 从一份“2022美赛代码及论文.zip”说起数学建模竞赛的完整交付物到底长什么样如果你手里正好有一个名为“2022美赛代码及论文.zip”的压缩包或者你正在准备下一届数学建模竞赛想搞清楚一份能拿奖的完整交付物到底包含什么那这篇笔记就是写给你的。我见过太多队伍把精力全砸在论文排版上结果代码跑不通、数据对不上、附录里的程序一运行就报错评委稍微一验证就露馅。数学建模竞赛的交付物从来不是一篇孤立的论文而是一个“论文 代码 数据 结果”的闭环系统。这个压缩包里的内容本质上是一套可复现的建模工作流从问题分析、模型假设、符号定义到算法实现、结果可视化再到灵敏度分析和模型评价。适合谁看第一次参赛的新手可以照着搭出自己的项目骨架有经验的选手可以对照检查自己的交付物有没有缺项。接下来我会把这个压缩包拆开讲清楚每一部分该怎么写、怎么跑、怎么避坑。2. 拆解压缩包论文、代码、数据三件套的目录结构与依赖关系2.1 一个能直接提交的目录树应该长什么样很多人拿到“2022美赛代码及论文.zip”之后第一反应是看论文正文但我建议你先看目录结构。因为目录结构决定了评委能不能在五分钟内找到他想验证的东西。一个经得起检查的目录树通常是这样组织的project_root/ ├── paper/ │ ├── main.tex # 论文主文件含摘要、正文、附录 │ ├── figures/ # 所有插图按图号命名 │ └── refs.bib # 参考文献 ├── code/ │ ├── preprocess.py # 数据清洗与特征工程 │ ├── model_a.py # 问题一模型求解 │ ├── model_b.py # 问题二模型求解 │ ├── sensitivity.py # 灵敏度分析 │ └── utils.py # 公共函数 ├── data/ │ ├── raw/ # 原始数据只读不改 │ └── processed/ # 清洗后的中间数据 ├── results/ │ ├── tables/ # 导出的表格 │ └── figures/ # 代码生成的图 └── README.md # 运行说明与依赖版本这个结构的关键在于data/raw只读所有中间产物写入data/processed代码从code/运行输出统一落到results/。论文里的每一张图、每一张表都能在results/里找到对应的生成脚本。评委如果怀疑某个结果可以直接定位到代码行。2.2 论文与代码的对应关系怎么建立论文和代码脱节是新手最常犯的错误。论文里写“采用改进的灰色预测模型”代码里却是一个随手写的线性回归论文里说“经过灵敏度分析参数在±10%内结果稳定”代码里根本没有灵敏度分析的脚本。正确的做法是建立一张映射表放在论文附录或 README 里论文位置对应代码文件输出结果文件图3 预测曲线code/model_a.pyresults/figures/fig3.png表2 参数估计code/model_a.pyresults/tables/table2.csv图5 灵敏度热力图code/sensitivity.pyresults/figures/fig5.png这张表不需要多复杂但它能逼着你把每一个结论都落到可执行的代码上。我一般会在写论文之前先把这张表列出来然后按表去填代码和结果这样不会出现“论文写完了发现代码还没跑”的翻车现场。2.3 数据文件的版本管理别让“最终版”害了你数学建模竞赛通常持续三到四天数据文件会被反复修改。我见过一个队伍在最后提交前把data_final.csv覆盖了结果论文里的结果全部对不上又没有后悔药可吃。常见做法是原始数据放在data/raw/并且设为只读所有清洗和变换都在代码里完成中间结果用带时间戳或版本号的文件名保存比如processed_v1.csv、processed_v2.csv。如果条件允许用 Git 做版本控制每次跑出重要结果就提交一次。这样即使最后发现某个中间步骤错了也能回滚到之前的版本重新跑。3. 论文核心模块的写作套路摘要、模型假设与符号说明的工程化写法3.1 摘要的六句话结构让评委三十秒抓住重点摘要不是正文的缩写而是一份独立的“技术简报”。我习惯用六句话结构来写第一句交代问题背景和你的整体思路第二句说明针对问题一用了什么模型、得到了什么关键数值结果第三句对应问题二第四句对应问题三第五句写灵敏度分析或模型检验的结论第六句点明模型优点与改进方向。每一句都要有具体数字比如“预测2025年产量为1.23万吨”而不是“预测效果良好”。下面是一个可套用的模板\begin{abstract} 本文针对XX问题建立了基于XX的数学模型。 针对问题一采用XX方法求得XX结果为XX。 针对问题二引入XX约束得到最优方案为XX。 针对问题三考虑XX因素模型预测XX。 灵敏度分析表明当XX参数在$\pm10\%$范围内波动时目标函数变化不超过XX\%。 本文模型具有XX优点可进一步推广至XX场景。 \end{abstract}注意摘要里不要出现“本文”“我们”这类词用被动语态或直接陈述。数字要带单位百分比要写清楚是相对什么而言。3.2 模型假设的写法每一条都要能追溯到代码里的一个开关模型假设不是凑字数用的。每一条假设都应该对应代码里的一个参数或一个条件判断。比如你假设“不考虑突发事件对供应链的冲击”那代码里就应该有一个shock_event False的开关并且在灵敏度分析里可以把它打开测试。我一般会这样组织假设# 假设1市场需求在预测期内保持稳定增长 market_growth_rate 0.05 # 年增长率5%对应假设1 # 假设2运输成本与距离成正比 transport_cost_per_km 2.5 # 元/公里对应假设2 # 假设3不考虑设备故障导致的停产 equipment_failure False # 对应假设3这样写的好处是评委如果质疑某条假设你可以直接指出它在代码里的位置并且展示如果改变这个假设结果会怎么变。假设的表述要具体不要写“假设数据真实可靠”这种废话要写“假设附件中给出的历史产量数据不含系统性测量误差”。3.3 符号说明表的自动化生成符号说明表最怕的是论文里符号和代码里变量名对不上。我的做法是在代码里用统一的命名规范然后用脚本自动生成符号表。比如symbols { r$x_{i,t}$: (第i个节点在第t期的产量, x[i][t]), r$c_{i,j}$: (从节点i到节点j的单位运输成本, cost[i][j]), r$d_t$: (第t期的市场需求量, demand[t]), } for latex, (desc, code_var) in symbols.items(): print(f{latex} {desc} \texttt{{{code_var}}} \\\\)这样生成的表格直接贴进论文符号、含义、代码变量名三列对齐。评委一看就知道你的符号不是随便编的而是有代码支撑的。4. 代码复现的关键步骤从数据清洗到模型求解的最小可运行示例4.1 数据清洗处理缺失值和异常值的三个原则数学建模竞赛的数据往往不干净缺失值和异常值是常态。我遵循三个原则第一原始数据只读清洗后的数据另存第二缺失值处理方式要在论文里写明并给出理由第三异常值要么修正要么剔除不能假装没看见。下面是一个通用的清洗脚本import pandas as pd import numpy as np # 读取原始数据保持只读 raw pd.read_csv(data/raw/input.csv) # 原则1复制一份再操作 df raw.copy() # 原则2缺失值处理——数值型用中位数填充类别型用众数填充 for col in df.columns: if df[col].dtype in [float64, int64]: median_val df[col].median() df[col] df[col].fillna(median_val) print(f{col}: 用中位数 {median_val:.2f} 填充缺失值) else: mode_val df[col].mode()[0] df[col] df[col].fillna(mode_val) print(f{col}: 用众数 {mode_val} 填充缺失值) # 原则3异常值处理——用IQR方法识别并截断 for col in df.select_dtypes(include[np.number]).columns: Q1 df[col].quantile(0.25) Q3 df[col].quantile(0.75) IQR Q3 - Q1 lower Q1 - 1.5 * IQR upper Q3 1.5 * IQR outliers ((df[col] lower) | (df[col] upper)).sum() if outliers 0: df[col] df[col].clip(lower, upper) print(f{col}: 截断 {outliers} 个异常值到 [{lower:.2f}, {upper:.2f}]) # 保存清洗后的数据 df.to_csv(data/processed/cleaned.csv, indexFalse)这段代码的逻辑是先复制原始数据避免污染然后分类型处理缺失值最后用四分位距法识别并截断异常值。参数方面1.5 * IQR是统计学上的标准阈值如果数据本身波动很大可以放宽到3 * IQR但要在论文里说明。清洗后的数据保存到processed/目录后续所有模型都从这里读取。4.2 模型求解以线性规划为例的最小可运行代码很多赛题的核心是优化问题线性规划是最常用的模型。下面是一个用scipy.optimize.linprog求解的完整示例from scipy.optimize import linprog import numpy as np # 目标函数系数最小化成本 # 假设有三个决策变量x1, x2, x3 c [4, 3, 5] # 单位成本 # 不等式约束 A_ub x b_ub # 例如2*x1 x2 3*x3 60 A_ub [ [2, 1, 3], [1, 2, 1], ] b_ub [60, 45] # 变量边界x1, x2, x3 均非负 bounds [(0, None), (0, None), (0, None)] # 求解 result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) if result.success: print(f最优成本: {result.fun:.2f}) print(f最优解: x1{result.x[0]:.2f}, x2{result.x[1]:.2f}, x3{result.x[2]:.2f}) else: print(f求解失败: {result.message})这段代码的关键参数是methodhighs这是目前scipy里最稳定的线性规划求解器。A_ub和b_ub定义不等式约束bounds定义变量范围。如果问题要求整数解需要改用pulp或ortools因为linprog只处理连续变量。求解结果要保存到results/tables/下并在论文里以表格形式呈现。4.3 结果可视化让每一张图都能在代码里找到出处论文里的图不是用绘图软件画的而是代码生成的。下面是一个生成预测曲线图的示例import matplotlib.pyplot as plt import numpy as np # 假设已有预测结果 years np.array([2020, 2021, 2022, 2023, 2024, 2025]) actual np.array([100, 110, 125, 140, 158, 180]) predicted np.array([102, 112, 123, 142, 160, 178]) plt.figure(figsize(8, 5)) plt.plot(years, actual, o-, label实际值, color#2c7fb8) plt.plot(years, predicted, s--, label预测值, color#e6550d) plt.fill_between(years, predicted*0.95, predicted*1.05, alpha0.2, color#e6550d, label±5%区间) plt.xlabel(年份) plt.ylabel(产量万吨) plt.title(2020-2025年产量预测) plt.legend() plt.grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.savefig(results/figures/fig3.png, dpi300) plt.show()这张图的关键在于实际值和预测值用不同标记区分预测区间用半透明填充坐标轴标签带单位图例清晰。保存时dpi300保证打印质量。论文里引用这张图时直接写“如图3所示”评委翻到附录代码就能看到生成逻辑。5. 避坑指南数学建模竞赛中五个高频翻车点与排查方法5.1 论文里的数字和代码输出对不上现象论文里写“最优成本为1234.56元”但运行代码输出的是1235.00元。原因通常是论文写完后代码又改了一版或者手动四舍五入时抄错了。解决方法是所有数字从results/目录下的文件直接复制不要手打。我一般会在代码里用print输出格式化的结果然后直接粘贴到论文里。如果用了 LaTeX可以用\input{}命令直接插入生成的表格文件彻底杜绝手抄错误。5.2 代码在别人电脑上跑不起来现象队友或者评委想复现你的结果结果一运行就报ModuleNotFoundError或者版本不兼容。原因是依赖没有锁定版本。解决方法是在项目根目录放一个requirements.txt用pip freeze requirements.txt生成里面记录所有包的精确版本号。README 里写清楚 Python 版本和运行顺序。如果用了特殊的数据文件路径用相对路径而不是绝对路径比如data/raw/input.csv而不是C:/Users/xxx/Desktop/input.csv。5.3 灵敏度分析做成了“摆设”现象论文里写了“进行了灵敏度分析”但只有一句话“结果稳定”没有图也没有具体数值。原因是灵敏度分析没有落到代码上。解决方法是选一到两个关键参数让它们在±10%、±20%范围内变化重新运行模型记录目标函数的变化画成折线图或热力图。下面是一个简单的灵敏度分析脚本import numpy as np import matplotlib.pyplot as plt base_param 0.05 # 基准增长率 variations np.linspace(-0.2, 0.2, 9) # -20%到20% results [] for v in variations: param base_param * (1 v) # 这里调用你的模型函数传入param得到目标值 # objective run_model(param) objective 1000 * (1 param) # 简化示例 results.append(objective) plt.figure(figsize(8, 5)) plt.plot(variations * 100, results, o-, color#31a354) plt.xlabel(参数变化幅度%) plt.ylabel(目标函数值) plt.title(灵敏度分析增长率对目标函数的影响) plt.grid(True, linestyle--, alpha0.5) plt.savefig(results/figures/sensitivity.png, dpi300) plt.show()这张图能直观展示参数变化对结果的影响程度比一句“结果稳定”有说服力得多。5.4 附录代码没有注释评委看不懂现象附录里贴了几百行代码没有任何注释变量名是a、b、c。评委想验证你的模型结果读代码比读论文还费劲。解决方法是附录代码只贴核心部分变量名用有意义的英文关键步骤加注释。比如x[i][t]要注释“第i个节点第t期的产量”。如果代码太长可以把完整代码放在压缩包的code/目录里论文附录只贴模型求解的核心函数。5.5 提交前没有做“干净环境”测试现象提交后才发现压缩包里少了某个数据文件或者代码里引用了本地才有的路径。解决方法是在提交前把整个项目复制到一个新目录按照 README 的步骤从头运行一遍。如果跑通了再打包提交。这个习惯能帮你抓住90%的低级错误。我一般会用一个简单的 shell 脚本做检查#!/bin/bash # 检查必要文件是否存在 for f in paper/main.tex code/model_a.py data/raw/input.csv README.md; do if [ ! -f $f ]; then echo 缺失文件: $f fi done # 检查是否有绝对路径 grep -r /Users/\|/home/\|C:\\\\ code/ echo 发现绝对路径请改为相对路径这个脚本能快速排查文件缺失和路径问题省去很多手动检查的时间。6. 进阶技巧用 LaTeX 模板和自动化脚本把交付效率提升一倍6.1 用 LaTeX 模板固定论文骨架数学建模竞赛的论文格式要求严格每次手动调格式很浪费时间。我习惯准备一个 LaTeX 模板把摘要、目录、章节标题、图表标题的格式全部预定义好。下面是一个最小化的模板结构\documentclass[12pt,a4paper]{article} \usepackage{ctex} \usepackage{graphicx} \usepackage{booktabs} \usepackage{amsmath} \usepackage{geometry} \geometry{left2.5cm,right2.5cm,top2.5cm,bottom2.5cm} \title{基于XX模型的XX问题研究} \author{} \date{} \begin{document} \maketitle \begin{abstract} % 摘要内容 \end{abstract} \section{问题重述} \section{问题分析} \section{模型假设} \section{符号说明} \section{模型建立与求解} \section{灵敏度分析} \section{模型评价与推广} \section{参考文献} \appendix \section{附录核心代码} \end{document}这个模板的好处是格式统一章节顺序固定图表编号自动生成。你只需要往里面填内容不用操心排版。如果学校或竞赛有特定格式要求只需要改geometry和标题样式即可。6.2 用 Makefile 一键跑通全流程如果项目里有多个脚本需要按顺序运行手动一个个执行很容易漏掉步骤。我一般会写一个Makefile把数据清洗、模型求解、灵敏度分析、绘图串起来.PHONY: all clean all: results/figures/fig3.png results/tables/table2.csv data/processed/cleaned.csv: data/raw/input.csv code/preprocess.py python code/preprocess.py results/tables/table2.csv: data/processed/cleaned.csv code/model_a.py python code/model_a.py results/figures/fig3.png: results/tables/table2.csv code/plot.py python code/plot.py clean: rm -rf data/processed/* results/tables/* results/figures/*这样只需要在终端输入make整个流程就会自动按依赖关系执行。如果某个中间文件已经存在且比依赖文件新make会跳过重复步骤节省时间。提交前运行make clean make就能在干净环境下完整复现所有结果。6.3 一个我踩过的坑别在最后一天换模型我参加过一次竞赛前三天用了一个相对简单的模型论文和代码都跑通了。最后一天上午队友觉得模型太简单临时换了一个复杂的深度学习模型。结果代码调不通论文里的结果全部要重写最后提交的版本里还有几处前后矛盾。血泪经验是模型选型要在第一天定下来后面只做参数调优和灵敏度分析不要推倒重来。如果实在想用新模型可以把它作为“模型改进”部分放在论文最后但主模型必须保持稳定。这个习惯让我在后来的比赛中再也没有出现过“最后一天翻车”的情况。希望帮到你。本文还有配套的精品资源点击获取