2026 年数模国赛备赛如果是零基础起步最怕的不是数学不好而是不知道从哪里开始、各阶段该做什么、代码写到什么程度才算达标。这篇文章直接给一套从零到参赛的完整备赛路线包含赛制说明、三类高频模型、论文写作模板、Python 代码示例、时间分配和避坑清单目标是让小白照着走就能在国赛前形成完整参赛能力。1. 国赛备赛核心信息速览在开始准备之前先把数学建模国赛这件事的基本盘弄清楚。数模国赛全称是全国大学生数学建模竞赛一般安排在每年 9 月上旬左右比赛时长通常为 72 小时左右具体时间以当年官方通知为准。赛题一般分为 A、B、C 题部分年份会有 D、E 题其中 A 题偏向物理机理建模B 题偏向优化与决策C 题通常涉及数据挖掘与统计分析。备赛要素具体说明参赛形式3 人一队跨专业组队更常见比赛时长通常 72 小时左右具体按当年通知赛题类型机理建模题、优化决策题、数据分析题评阅重点摘要、模型合理性、求解过程、论文规范性推荐工具MATLAB、Python、SPSS、LINGO、Visio 等零基础门槛不要求数学专业但需要掌握基础编程和论文写作零基础小白要认清一个事实国赛没有速成的捷径但有高效备赛的路径。只要在赛前把建模方法、编程实现、论文写作这三块能力分别补齐再通过真题模拟磨合团队完全可以在参赛时拿出合格的作品。下文按时间线和能力模块展开。2. 零基础小白的备赛路线图2.1 基础期建议赛前 4 个月基础期的主要任务是解决不会建模、不会编程、不会写论文三个问题。数学基础重点复习线性代数矩阵运算、特征值、概率统计分布、假设检验、回归分析、微积分导数、积分、极值。不需要追求证明能力重点理解概念和使用条件。编程基础至少掌握 Python 或 MATLAB 中的一种。推荐 Python因为数据科学生态更完善。需要熟悉 numpy、pandas、matplotlib、sklearn 这几个常用库。建模基础掌握最常用的三类模型优化模型、预测模型、评价模型。每类模型会 2 到 3 种经典方法即可不需要贪多。2.2 专项期赛前 2 到 3 个月专项期开始按赛题类型做针对性训练。建议把历年国赛题按物理机理题、优化决策题、数据分析题分类每组至少精做 3 道。精做的标准是自己独立完成从问题分析、模型建立、求解到论文写作的全流程而不是看一遍优秀论文就算完成。这个阶段同时要开始积累模块化代码。比如数据预处理、回归拟合、层次分析法、遗传算法、粒子群算法、灰度预测这些常见操作的代码应该整理成自己的工具箱比赛中直接调用。2.3 真题期赛前 1 个月真题期进行 2 到 3 次完整模拟。模拟时必须严格按照比赛时间要求连续 72 小时完成一整套题目。模拟的核心目的有三个检验团队分工是否合理、检验代码库是否够用、检验论文写作速度是否达标。每次模拟结束后要做复盘重点看三个东西摘要是否能在 500 字以内清楚表达模型和结论、建模过程是否有明显逻辑断层、代码计算时间是否成为瓶颈。复盘记录应该保留下来作为冲刺阶段调整的依据。2.4 冲刺期赛前 1 周冲刺期不再做新题而是做三件事完善代码工具箱、整理论文模板、调整比赛节奏。论文模板要提前设置好标题格式、图表样式、参考文献格式避免比赛时在排版上浪费时间。同时准备好模型的备用方案比如某个算法求解太慢时是否有简化版本或替代版本。3. 三大高频模型与应用场景国赛题目虽然每年都有变化但核心模型类型相对稳定。零基础阶段优先把以下三类模型练熟就能覆盖大部分赛题。3.1 优化模型优化模型解决的是在给定约束条件下找到最优解的问题。典型场景包括资源调度、路径规划、生产计划、投资组合、选址问题。常用方法包括线性规划与整数规划适合约束和目标都是线性的问题可用 pulp、scipy.optimize.linprog 求解。非线性规划适合目标或约束存在非线性关系的问题可用 scipy.optimize.minimize 求解。启发式算法包括遗传算法、粒子群算法、模拟退火适合规模大、难以精确求解的问题。优化模型的论文写法通常是先说明决策变量再写出目标函数然后列约束条件最后给出求解算法和结果。3.2 预测模型预测模型解决的是根据历史数据预测未来趋势的问题。典型场景包括销量预测、人口预测、交通流量预测、股票价格预测。常用方法包括回归分析线性回归、多项式回归、岭回归。时间序列模型ARIMA、指数平滑。机器学习模型随机森林、XGBoost、LSTM。灰色预测模型GM(1,1)适合小样本数据。零基础阶段建议优先掌握回归分析和灰色预测因为原理清晰、代码实现简单、论文中易于解释。机器学习模型可以作为进阶选学。3.3 评价模型评价模型解决的是多个方案中哪个更好的问题。典型场景包括城市宜居性评价、水质评价、企业绩效评价、方案比选。常用方法包括层次分析法AHP适合定性定量结合的评价。熵权法根据数据离散程度确定权重。TOPSIS 法通过计算与理想解的接近程度排序。模糊综合评价适合边界模糊的评价问题。评价模型的论文要点是权重确定过程要透明评价结果要可视化呈现通常用条形图或雷达图。4. 从建模到论文一次完整的赛题推进流程零基础小白拿到赛题后最常犯的错误是直接开始建模没有先做问题分析。合理的流程可以拆成以下 7 个步骤。4.1 问题重述与分析用 1 到 2 小时通读题目画出关键词明确题目要求解决哪些问题。将一个大问题拆解为若干子问题并建立子问题之间的逻辑关系。这一部分最终会写进论文的问题分析章节。4.2 数据搜集与预处理如果赛题提供附件数据先做数据清洗处理缺失值、异常值、重复值检查数据类型是否一致。如果需要外部数据注意数据来源的可靠性。数据预处理代码应在赛前提前准备好。4.3 模型假设根据问题背景提出合理假设例如忽略天气对交通流量的影响假设数据在统计意义上平稳。假设不宜过多或过强否则会被评阅专家质疑模型实用性。4.4 模型建立针对每个子问题选择合适的模型。模型不是越复杂越好而是越贴合题意越好。如果是机理模型需要明确物理或经济含义如果是数据驱动模型需要说明特征选择和参数设置。4.5 模型求解与编程实现用 Python 或 MATLAB 实现模型求解。求解过程中注意记录运行时间和中间结果方便后续写灵敏度分析时引用。如果发现计算时间过长应优先考虑简化模型或换用更高效的算法。4.6 结果分析与检验将求解结果用图表展示分析结果是否符合实际背景。将模型结果与已知数据或常识对比如果偏差过大需要回溯检查模型假设和参数设置。这一部分要体现你对结果的合理解释而不是简单贴图。4.7 论文写作论文写作应贯穿比赛全过程而不是最后 24 小时才开始写。建议分工如下时间段写作内容比赛第 1 天完成问题重述、问题分析、模型假设部分比赛第 2 天完成模型建立、求解过程、中间结果分析比赛第 3 天完成灵敏度分析、模型评价、摘要、排版和检查5. 常用编程工具与代码示例5.1 工具选择建议零基础小白不需要在工具上纠结太久。推荐组合如下编程Python 3.x配合 Jupyter Notebook 或 VS Code。数据分析pandas、numpy、scipy、statsmodels。绘图matplotlib、seaborn。优化求解scipy.optimize、pulp、geatpy。机器学习scikit-learn。文档排版Word 或 LaTeX推荐 Word因为多数参赛队仍使用 Word模板容易获取。5.2 数据预处理 Python 示例import pandas as pd import numpy as np # 读取数据 df pd.read_csv(data.csv) # 查看数据基本信息 print(df.info()) print(df.describe()) # 处理缺失值数值列用均值填充分类列用众数填充 for col in df.columns: if df[col].dtype in [float64, int64]: df[col] df[col].fillna(df[col].mean()) else: df[col] df[col].fillna(df[col].mode()[0]) # 处理异常值以 3 倍标准差为界 for col in df.select_dtypes(include[np.number]).columns: mean df[col].mean() std df[col].std() df df[(df[col] - mean).abs() 3 * std] # 保存清洗后数据 df.to_csv(data_clean.csv, indexFalse)这段代码是比赛中高频使用的数据清洗流程赛前建议运行一遍并按照实际数据格式调整。5.3 线性回归预测示例import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import matplotlib.pyplot as plt # 读取数据 df pd.read_csv(data_clean.csv) # 假设目标列为 y特征列为 X X df.drop(y, axis1) y df[y] # 分割训练集和测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 训练线性回归模型 model LinearRegression() model.fit(X_train, y_train) # 预测 y_pred model.predict(X_test) # 评估 print(RMSE:, np.sqrt(mean_squared_error(y_test, y_pred))) print(R2:, r2_score(y_test, y_pred)) # 绘制预测值与真实值对比 plt.scatter(y_test, y_pred, alpha0.6) plt.xlabel(True Value) plt.ylabel(Predicted Value) plt.title(Prediction vs True) plt.show()回归模型论文中的常见写法是先做变量相关性分析再建立回归方程然后给出拟合优度 R² 和显著性检验结果。这份代码可以完成其中核心的计算部分。5.4 层次分析法赋权示例import numpy as np def ahp_weights(matrix): 计算判断矩阵的权重向量和一致性比率 n matrix.shape[0] eigvals, eigvecs np.linalg.eig(matrix) max_eig np.max(eigvals.real) # 特征向量归一化作为权重 idx np.argmax(eigvals.real) weights eigvecs[:, idx].real weights weights / weights.sum() # 一致性指标 CI CI (max_eig - n) / (n - 1) RI_dict {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45} RI RI_dict.get(n, 1.49) CR CI / RI if RI ! 0 else 0 return weights, CR # 示例3 个指标的判断矩阵 matrix np.array([ [1, 3, 5], [1/3, 1, 3], [1/5, 1/3, 1] ]) weights, CR ahp_weights(matrix) print(权重:, weights) print(CR:, CR) if CR 0.1: print(一致性检验通过) else: print(一致性检验未通过请调整判断矩阵)层次分析法是评价类赛题中出现频率很高的方法。代码中的 RI 值对应平均随机一致性指标论文中需要说明查表依据。5.5 遗传算法求解优化问题示例import numpy as np from scipy.optimize import differential_evolution # 定义目标函数例如求解最小化 def objective(x): return (x[0] - 2) ** 2 (x[1] 3) ** 2 # 定义变量边界 bounds [(-10, 10), (-10, 10)] # 使用差分进化算法求解 result differential_evolution(objective, bounds, seed42) print(最优解:, result.x) print(最优值:, result.fun)当优化问题规模较大、传统精确算法无法求解时启发式算法是重要备选。国赛的优化题经常出现非线性、非凸的情况用遗传算法或粒子群算法往往能快速获得可行解。6. 数模论文写作规范与摘要技巧6.1 论文结构模板数模论文评阅速度很快评阅专家看重的是摘要质量、模型合理性、结果可信度和论文规范性。一篇合格论文至少包含以下部分章节写作要点摘要独立成页写清楚问题、方法、结果控制在 500 字左右问题重述用自己的话复述题目不要大段复制原题问题分析拆解问题说明采用哪些方法及原因模型假设简洁列出假设并说明合理性符号说明列出主要符号及含义模型建立与求解按子问题分别展开公式用编号图表加题注灵敏度分析检验参数变化对结果的影响模型评价说明优点和不足参考文献按标准格式引用数据来源必须标注6.2 摘要写作技巧摘要是整篇论文最重要的部分。评阅专家通常先读摘要摘要不过关正文再充实也可能被降档。摘要写作建议遵循三段式第一段说明研究问题是什么解决了什么问题。第二段分别说明每个问题采用了什么方法、得到什么关键结果配上关键数据。第三段总结模型的特点和适用范围。摘要中不要出现公式编号、图表引用、参考文献引用应该用独立可读的完整段落表达。6.3 图表要求图表是论文的亮点所在。每个图必须有图题每个表必须有表题。坐标轴需要标注变量名和单位。图表中的数据要与正文一致不能出现图上显示为 0.5正文写着 0.6这样的低级错误。建议比赛前设置好 Word 中图表的样式规范避免临时调整。7. 团队分工与赛前模拟策略7.1 组队建议3 人队伍的角色分工可以按以下方式划分角色主要任务适合人选建模手构建模型、设计算法数学基础较好能快速把问题转化为模型编程手写代码、计算结果、画图代码能力强熟悉 Python 或 MATLAB论文手论文写作、排版、图表整理文字组织能力强熟悉 Word 排版理想情况下三个人各司其职但实际操作中每个人都有交叉。编程手要能读懂建模手的公式论文手要能理解建模思路建模手也要会基本的代码调试。7.2 模拟赛流程模拟赛严格按照正式比赛时间推进建议流程如下第 0 到 2 小时三人分别读题汇总后确定选题方向。第 2 到 6 小时确定整体框架论文手开始写问题重述和问题分析建模手开始搭建第一问模型编程手开始写数据预处理代码。第 6 到 30 小时完成大部分模型的建立和求解白天每隔 4 小时同步一次进度。第 30 到 50 小时完成全部计算论文手集中完成论文主体。第 50 到 60 小时完成摘要、灵敏度分析和模型评价。第 60 到 72 小时排版、检查、打磨细节。7.3 比赛期间的时间管理72 小时很容易前松后紧。零基础队伍最容易出现的情况是第一天花大量时间讨论选题导致后面时间不够。建议第一天中午前必须确定题目。另外每 8 小时进行一次团队同步会每次同步控制在 15 分钟以内保证进度可控。8. 零基础常见问题与避坑清单问题现象可能原因解决方案选题犹豫不决对题目难度判断不足赛前读懂历年题目明确队伍擅长模型类型模型选得太复杂求解不了导致时间浪费优先选择能解释清楚、能算出结果的模型数据跑不出来数据清洗不彻底或算法参数未调提前准备数据清洗代码写好后先在小数据上试跑论文写作拖延前期没动笔第一天就写问题重述和分析后续不断补充摘要写不好没有提炼关键结果摘要至少修改 3 轮让非队友的同学试读图表格式不统一比赛时临时调整赛前设置 Word 样式统一字体、字号、行距代码运行时间过长算法复杂度高或循环效率低优先向量化计算必要时换启发式算法三个人各自为政缺乏同步机制固定时间同步使用共享文档记录进度额外强调一个常见误区在比赛中查阅资料时注意区分可用参考和违规抄袭。引用别人的模型或方法必须标注参考文献不能大段复制他人论文内容。论文查重是评阅流程中的重要环节重复率过高会导致直接被判不合格。9. 备赛期间的工具与资源管理9.1 代码与文档管理建议每位队员都使用同一个共享网盘或 Git 仓库管理比赛文件。目录结构可以参考以下模板contest/ ├── data/ # 题目附件数据 ├── code/ # 代码文件 │ ├── preprocess.py │ ├── model1.py │ ├── model2.py │ └── plot.py ├── paper/ # 论文文档 │ ├── main.docx │ ├── figures/ │ └── references.txt └── logs/ # 过程记录比赛过程中所有文件命名要带日期或版本号避免多人同时编辑同一文件导致内容覆盖。9.2 学习资源筛选零基础备赛不要什么资料都看优先选择三类资源历年国赛优秀论文重点看摘要、问题分析、模型建立三个部分。建模教材或公开课选择一本系统性教材深入学习即可。代码库与案例优先选择附带有 Python 或 MATLAB 代码的教程。10. 赛前一周的冲刺清单项目具体内容状态代码工具箱数据清洗、评价模型、优化算法、绘图脚本未完成 / 进行中 / 已完成论文模板标题、摘要、正文、参考文献样式未完成 / 进行中 / 已完成团队分工明确每人主责和备选方案未完成 / 进行中 / 已完成模拟赛复盘整理前两次模拟的问题清单未完成 / 进行中 / 已完成比赛应急预案准备算法备选方案、备用选题思路未完成 / 进行中 / 已完成11. 赛后复盘与能力延续无论比赛结果如何赛后复盘都值得认真做。建议完成三件事第一写一份比赛全过程的复盘文档记录选题过程、时间分配、模型选择、团队配合的成功与失误。这份文档是下一次参赛或参与科研项目时最直接的参考。第二把比赛代码整理成可复用的工具箱后续课程设计、毕业设计、甚至工作中的数据分析任务都能直接使用。第三继续深入掌握一两个比赛中用过的方法比如把层次分析法升级为 ANP把线性回归升级为更复杂的机器学习模型让这项能力成为自己的技术积累而不是比赛结束就丢掉。