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题号典型特征常见方向常用模型A 题偏物理/机理经常给一个真实系统热传导、飞行器、轨迹、物理过程微分方程、数值求解、参数估计B 题偏优化/决策给目标、约束和资源生产调度、路径规划、资源配置线性规划、整数规划、遗传算法、模拟退火C 题偏数据分析给表格数据和实际问题指标评价、预测、分类、统计数据预处理、回归、时间序列、评价模型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 python3.10 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读入数据后用info()和head()看类型、列名、缺失情况处理缺失值能填补就填补不能填补就做标记检查异常值用箱线图或描述性统计判断对量纲差异大的指标做标准化或归一化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, encodinggbk) 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 为例核心步骤是构造决策矩阵对指标做正向化处理数据标准化确定正理想解和负理想解计算每个方案与理想解的距离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), dpi150) plt.plot(x, y, markero, label实际值) plt.plot(x, pred, markerx, label预测值) plt.xlabel(时间) plt.ylabel(数值) plt.legend() plt.grid(alpha0.3) plt.savefig(result.png, dpi300, bbox_inchestight) 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先看现象是报错、卡住、还是结果为空再看输入文件路径、列名、编码、数据大小再看依赖库版本、函数接口是否变化再看参数缺参数、参数类型不对、维度不一致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建立坐标系定义状态变量和控制变量写出目标函数比如路径最短、能耗最小、时间最短列出约束条件比如障碍物距离、最大转角、速度范围根据模型复杂度选择求解方法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。解题框架数据清洗和描述性统计指标筛选或降维比如用主成分分析建立评价或分类模型输出排名、类别或预测结果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。解题框架从问题中找出物理量及其关系建立微分方程或差分方程通过数据估计参数用数值方法求解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。