每年到了数学建模竞赛季群里总会冒出“赛题已出参考思路”“大佬完整代码私聊发你”之类的消息。很多第一次参赛的同学看到这些心里都会犯嘀咕要不要买一份买了能保奖吗不买是不是就吃亏了作为一个参加过多次数学建模竞赛、也做过几年赛题解析的老选手我想先说一句实话现成的“参考思路”和“大佬代码”绝大多数情况下不会帮你拿奖反而会让你失去一次真正锻炼能力的机会。而且绝大多数数学建模竞赛的赛题在比赛期间是禁止外部协作的这也是所有参赛者必须遵守的底线。这篇文章不打算给任何“现成答案”而是从底层方法论出发梳理一套拿到赛题后自己完成问题解析、难度评估、选题决策、模型搭建和论文写作的完整流程。2026年的赛题风格可能有变化但只要这套方法论在手任何一道新题你都能快速拆解。本文适合准备参加华数杯、国赛、美赛以及同类数学建模竞赛的同学涵盖了赛题类型划分、选题评估方法、常用建模工具、Python 代码实现、论文写作规范和避坑清单读完你会掌握一套不依赖外部资料、靠自己完成一次完整建模竞赛的方法。1. 华数杯数学建模竞赛基本情况1.1 华数杯是什么华数杯数学建模竞赛是由中国未来研究会大数据与数学模型专业委员会等机构主办的面向全国大学生的数学建模竞赛。竞赛分为 A、B、C 三个题目参赛队伍一般由 1 到 3 名同学组成要求在限定时间内完成选题、建立模型、求解、验证和论文写作的全流程。与国赛和美赛类似华数杯的赛题通常覆盖多个应用领域有的偏工程优化有的偏数据分析有的偏经济社会问题。不同题目对数学功底、编程能力、写作能力的要求各不相同这也就决定了“选对题”往往比“拼命肝”更重要。1.2 赛题为什么每年都不一样数学建模竞赛的题目来源是真实世界中的实际问题。出题人会把一个复杂的现实问题抽象成可以数学化描述的赛题。因此你不可能靠“背模型”来应对所有题目——但你可以靠“拆模型”的方式来应对任何题目。这也是本篇文章的核心观点拿到赛题后比“这个模型怎么套”更重要的问题是“这道题到底在问什么”。只有回答好这个问题后面的建模、求解和写作才不会走弯路。1.3 竞赛的考察核心从评阅专家的视角来看一份优秀的参赛论文需要同时满足三个层面的要求层面考察内容常见问题数学建模层能否把实际问题转化为数学问题直接套模型不做任何适配算法求解层能否用代码实现模型并得到结果程序跑不通或者结果不解释论文写作层能否把思路和结果表达清楚逻辑混乱、图表不规范、摘要不吸引人这三个层面缺一不可。只建模不会编程论文会变成“纸上谈兵”只会编程不懂建模论文会变成“代码堆砌”两者都行但不会写作评阅人很难看懂你的亮点在哪里。2. 赛题类型解析A、B、C 题到底在考察什么虽然不同年份的赛题主题不同但从题目结构来看数学建模竞赛通常可以划分为三类优化决策类、数据分析类和机理建模类。华数杯的 A、B、C 题也基本遵循这个规律。2.1 A 类优化决策与工程问题A 类题目往往是偏工程应用的优化问题。典型特征包括场景具体涉及设备、物流、资源分配、生产调度等有明确的约束条件和优化目标题目中给出的数据相对完整但实际可用的数据可能需要筛选和预处理最终需要给出一个“最优方案”例如最优路线、最优排产计划、最优资源配置等。这类题目的核心方法是运筹优化与启发式算法。如果赛题规模较小可以直接使用线性规划、整数规划如果规模较大例如几十个节点的路径优化就需要考虑遗传算法、模拟退火、粒子群等启发式算法。2.2 B 类数据分析与统计建模B 类题目通常以一份或多份数据集为依托要求参赛者从数据中发现规律、建立预测或分类模型。典型特征包括题目会提供 CSV、Excel 或数据库形式的数据问题通常包括数据预处理、描述性分析、模型训练与验证可能需要做回归预测、时间序列预测、分类、聚类等任务最终需要给出模型精度评价和结果解释。这类题目的核心方法是统计学与机器学习。Python 中的 Pandas、Scikit-learn、Statsmodels 是主要工具。数据清洗的质量往往直接决定模型效果因此这类题目对细心程度要求较高。2.3 C 类综合评价与决策分析C 类题目往往是综合评价问题例如评价城市发展质量、评选最优方案、评估项目风险等。典型特征包括题目中可能没有完整的数据需要参赛者自己定义指标评价对象通常有多项指标各指标的量纲和方向不一致需要确定权重并计算综合得分结果往往需要做敏感性分析或一致性检验。这类题目的核心方法是综合评价模型。常用的有层次分析法AHP、熵权法、TOPSIS、灰色关联分析、模糊综合评价等。关键是“指标体系的构建要有依据权重的确定要能解释”。2.4 难易对比与特征总结题目类型数学要求编程要求写作要求典型耗时A 优化决策高中高中较长B 数据分析中高中高中等C 综合评价中低低中高较短这里要特别说明一点所谓“难易”不是绝对的。如果你所在的队伍擅长算法和代码选 A 题会很有优势如果擅长统计分析选 B 题会更顺手如果写作和逻辑能力强选 C 题更容易在有限时间内完成一篇完整的论文。3. 选题决策拿到赛题后的第一个小时做什么选题是竞赛中最关键也最容易失误的一步。很多队伍在前面选题上犹豫太久导致后面建模和写作时间被严重压缩。我建议拿到赛题后严格按照下面这个时间表来操作。3.1 通读阶段前 30 分钟三人分工各自快速通读三道题并记录要点这道题要求我们做什么任务分解题目提供了哪些数据数据清单问题之间是否有递进关系结构判断。通读结束后每个人用 3 分钟时间向队友汇报自己最推荐哪道题以及理由。注意这一轮不要深入讨论细节只做初步判断。3.2 评估阶段30 到 60 分钟三人对初步筛选出的 1 到 2 道题进行深入评估。评估标准可以参考下面的打分表。评估维度打分说明1-5 分题意理解题目要求是否清晰会不会产生歧义数据可得性数据是否充分、是否可靠模型储备队伍是否有擅长的对应模型代码实现能否在 12 小时内完成核心代码论文可写性是否容易找到创新点和亮点打完分后选择总分最高且队伍整体不反感的那道题作为最终选题。3.3 决策时要避开的几个坑第一个坑是“根据别人选什么来决定自己选什么”。数学建模不是投票比赛别人能做的不代表你也能做。第二个坑是“只考虑题目领域不考虑队伍分工”。如果队伍里三人都不懂深度学习就不要强行选需要做图像识别的题目。第三个坑是“过度追求数据量大的题目”。数据量大意味着数据清洗工作量也大如果编程能力不强很容易在数据处理阶段耗尽时间。4. 竞赛前必须掌握的建模工具与代码模板无论最终选哪道题Python 都是目前数学建模竞赛中最通用的工具。下面给出几段可以直接使用的代码模板建议赛前先在本地跑通。4.1 环境推荐建议使用 Python 3.9 以上版本配合以下库库名用途NumPy数值计算Pandas数据读取与清洗Matplotlib / Seaborn可视化SciPy优化、插值、积分Scikit-learn机器学习模型Statsmodels统计建模PuLP / OR-Tools线性规划与整数规划安装命令如下pip install numpy pandas matplotlib seaborn scipy scikit-learn statsmodels pulp4.2 数据处理模板拿到数据后不要急着建模。第一件事是“认识数据”。下面的代码可以帮你快速查看数据的基本信息import pandas as pd # 读取数据 df pd.read_csv(data.csv, encodingutf-8) # 查看前 5 行 print(df.head()) # 查看数据基本信息列名、非空数量、数据类型 print(df.info()) # 描述性统计 print(df.describe()) # 检查缺失值 print(df.isnull().sum())如果发现缺失值可以根据实际情况选择删除或填充。填充方式常用的有均值填充、中位数填充和前后向填充具体选择要结合字段含义不能一刀切。# 用每列均值填充数值型缺失值 numeric_cols df.select_dtypes(include[float64, int64]).columns df[numeric_cols] df[numeric_cols].fillna(df[numeric_cols].mean()) # 对类别型列用众数填充 categorical_cols df.select_dtypes(include[object]).columns df[categorical_cols] df[categorical_cols].fillna(df[categorical_cols].mode().iloc[0])4.3 线性规划模板A 题常用如果 A 题是资源分配、生产调度类问题线性规划通常是第一选择。以整数线性规划为例import pulp # 创建问题实例 model pulp.LpProblem(ProductionOptimization, pulp.LpMaximize) # 定义决策变量 x1 pulp.LpVariable(x1, lowBound0, catInteger) x2 pulp.LpVariable(x2, lowBound0, catInteger) # 目标函数最大化利润 model 40 * x1 30 * x2 # 约束条件 model 2 * x1 x2 100 model x1 x2 80 model x1 40 # 求解 model.solve() # 输出结果 print(fStatus: {pulp.LpStatus[model.status]}) print(fx1 {x1.varValue}) print(fx2 {x2.varValue}) print(fObjective {pulp.value(model.objective)})如果需要应对更大规模的优化问题可以使用 OR-Tools 中的 CP-SAT 求解器它对整数规划问题的求解性能更好。4.4 回归预测模板B 题常用B 题如果有预测需求线性回归是最容易解释的模型。下面是一个带训练测试划分和评价的完整示例import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score # 假设 X 为特征列y 为目标列 features df.drop(target, axis1) target df[target] # 划分训练集与测试集 X_train, X_test, y_train, y_test train_test_split( features, target, 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) # 评价模型 mse mean_squared_error(y_test, y_pred) r2 r2_score(y_test, y_pred) print(fMSE: {mse:.4f}) print(fR2: {r2:.4f}) # 输出特征系数 coef_df pd.DataFrame({ feature: features.columns, coef: model.coef_ }) print(coef_df)如果线性回归效果不够好可以考虑随机森林、XGBoost 等模型。但在竞赛论文中一定要解释为什么选这个模型而不是单纯堆模型。4.5 综合评价模板C 题常用C 题如果使用熵权法确定指标权重可以参考下面的代码。熵权法的核心思想是指标变异程度越大包含的信息量越多权重越高。import numpy as np import pandas as pd def entropy_weight(data): # data 是一个二维数组每一行是一个评价对象每一列是一个指标 # 1. 归一化 data np.array(data, dtypefloat) # 对正向指标使用 (x - min) / (max - min) min_vals data.min(axis0) max_vals data.max(axis0) data_norm (data - min_vals) / (max_vals - min_vals 1e-10) # 2. 计算比重 sum_vals data_norm.sum(axis0) p data_norm / (sum_vals 1e-10) # 3. 计算信息熵 n data.shape[0] k 1.0 / np.log(n 1e-10) entropy -k * (p * np.log(p 1e-10)).sum(axis0) # 4. 计算差异系数和权重 diff 1 - entropy weights diff / diff.sum() return weights # 示例4 个评价对象3 个指标 data np.array([ [85, 90, 70], [80, 88, 75], [92, 78, 60], [88, 85, 80] ]) weights entropy_weight(data) print(指标权重, weights)注意熵权法只确定权重指标体系的构建仍然需要结合题目背景和参考文献。不要为了用熵权法而随便拼几个指标。4.6 可视化模板竞赛论文中图表不是“装饰品”而是“论证证据”。好的图表应该让读者一眼看出结论。下面是一个适合写入论文的折线图示例import matplotlib.pyplot as plt import numpy as np plt.rcParams[font.sans-serif] [SimHei] # 支持中文显示 plt.rcParams[axes.unicode_minus] False x np.linspace(0, 10, 100) y1 np.sin(x) y2 np.cos(x) plt.figure(figsize(8, 5)) plt.plot(x, y1, labelsin(x), linewidth2) plt.plot(x, y2, labelcos(x), linewidth2, linestyle--) plt.xlabel(x) plt.ylabel(y) plt.title(示例图) plt.legend() plt.grid(alpha0.3) plt.tight_layout() plt.savefig(example.png, dpi300) plt.show()建议所有论文配图统一使用高分辨率300 dpi并且字体大小适中。不要在论文里放带默认样式的、没有坐标轴标签的工程截图这一点非常影响论文的专业度。5. 赛题分析流程从拿到题目到建立模型选定题目之后按下面的四步流程来推进思路会很清晰。5.1 第一步任务拆解把赛题文字拆成若干个子问题。每个子问题写清楚“输入是什么、输出是什么、约束是什么”。如果赛题有多个小问通常每一小问就是独立的建模任务后一问往往依赖前一问的结果。建议用一个表格整理任务清单问题编号输入输出约束条件对应模型方向问题一数据集 A特征指标排序指标必须是可计算的综合评价问题二特征指标预测结果需对比多种方法回归/时间序列问题三预测结果决策方案满足资源约束优化模型5.2 第二步数据检查如果题目提供数据先检查数据的类型、范围和缺失情况。如果题目不提供数据需要查找公开数据集或参考文献中的数据支持此时要在论文中明确数据的来源、口径和获取时间保证可验证。需要特别提醒的是校外网络资料的获取要在竞赛规定的“允许引用公开资料”范围内进行并明确注明出处。任何来自所谓“内部渠道”的赛题解答都属于违规行为不建议使用。5.3 第三步模型映射把每个子问题的特征对应到合适的模型类型是否要求“最优”→ 优化模型是否要求“预测”→ 回归/时序/机器学习是否要求“排序或评价”→ 综合评价模型是否要求“分类”→ 分类模型是否涉及“随时间变化”→ 微分方程/差分方程/时间序列。不要在一个题目里强行堆叠多个不相关的模型。好的建模论文通常只围绕 1 到 2 个核心模型展开然后做改进和对比。5.4 第四步路演验证在正式写大代码之前先用小规模样本或简化假设做一次快速验证。比如随机抽取 20% 的数据跑通流程再上全量数据。如果小规模数据下代码都跑不通全量数据下大概率也跑不通。6. 论文写作把成果变成分数模型建得再好论文写不清楚也无法拿高分。数学建模竞赛的评审是“书面评审”评阅人只能通过论文来评估你的工作。因此论文写作能力在竞赛中占比极高。6.1 摘要的写作逻辑摘要是整篇论文最重要的部分通常也是评阅人最先读、最仔细读的部分。一篇好的摘要应当包含以下要素问题背景一两句话建模思路用了什么方法为什么选它关键结果数值结果要具体模型优势创新点或改进点。要注意摘要不是说“本文研究了某某问题”而是要让评委快速知道你做了什么、用了什么、得到了什么结果。摘要应当放在最后写而且要反复打磨。6.2 模型假设的写法模型假设不是随便写的每条假设都应该服务于简化问题。不要写“假设数据准确无误”这种空洞的废话。好的模型假设是从题目信息中提炼出来的例如“假设航班延误时间服从正态分布该假设将通过 Kolmogorov-Smirnov 检验验证”“假设物料运输车辆在相邻节点间匀速行驶不考虑交通拥堵对行驶时间的影响”。假设越具体评阅人越容易接受你的模型框架。6.3 图表的规范每张图和每张表都必须有编号和标题并且在正文中有对应的文字说明。图表的作用是支撑结论而不是“展示工作量”。例如图 3 展示了不同调度方案下各设备的利用率对比。从图中可以看出方案 A 在设备 2 的利用率上比方案 B 高 12%但在设备 4 上低 8%。这样的叙述才能体现图表的意义。6.4 附录与代码不要把完整代码放进正文正文只放关键算法的伪代码或核心片段。完整代码放进附录并在正文中注明“见附录 A”。评阅人关心的是你的思路不是你的代码风格但代码的存在能证明你的结果是可复现的。7. 常见问题与避坑清单7.1 常见问题问题现象常见原因解决思路选题花了大半天团队没有提前确定擅长方向赛前完成团队分工和能力摸底数据清洗到崩溃一开始没有做数据质量评估先写 info() 和 describe()再决定处理方案模型结果不理想没有进行数据标准化或特征选择先用简单模型跑通再逐步优化论文写不完建模和代码占用了大量时间写作压缩到最后一晚从第一天晚上就开始写论文框架和问题重述摘要被评阅老师吐槽大段堆砌背景没有突出结果摘要先写“模型结果”再补背景7.2 避坑清单赛前把下面这份清单打印出来竞赛时逐项检查是否确认了赛题要求的所有输出项数值、文件、图表是否对异常值和缺失值做了处理并在论文中写了说明模型参数是否解释清楚而不是只贴代码是否有至少一次模型对比或敏感性分析论文中的公式是否用公式编辑器排版而不是截图参考文献是否真实可查格式是否统一是否留出了最后一小时的格式检查时间7.3 关于外部资料的底线竞赛期间任何形式的“付费答案”“代做”“赛题原始解答”都是严重违规行为。一旦被查实轻则取消成绩重则禁赛通报。更重要的是这种“捷径”会让你失去在真实问题中锻炼建模能力的机会。真正的能力是在一次次自己拆题、建模、写论文中积累出来的。你以后找工作、做科研靠的不是一份获奖证书上的名词而是你解决问题的真实能力。8. 赛前准备建议与长期学习路线8.1 赛前 30 天该怎么练如果你距离比赛还有一个月建议按下面的节奏安排前 10 天复习常见模型重点掌握优化模型、综合评价和时间序列中间 10 天每天完成一小道往年赛题的“快速建模练习”只做模型部分不用写论文最后 10 天完整模拟一次比赛三人严格按 72 小时节奏走一遍重点练时间分配。8.2 代码能力不够怎么办数学建模竞赛中的代码不要求达到软件工程水平只需要能快速实现核心算法。建议重点练习三种能力数据读取与清洗、模型训练与评估、结果可视化。如果能在赛前熟练使用 Pandas、Scikit-learn 和 Matplotlib 三个库就已经能覆盖大多数题目的需求。8.3 长期发展方向参加数学建模竞赛只是开始。赛后可以把你的论文继续改进尝试发表到相关的学生学术期刊或者用它作为科研训练的起点。同时竞赛中练就的数据分析、建模思维和论文写作能力在未来的科研、算法岗位、数据分析岗位中都是非常宝贵的积累。如果这篇文章对你有帮助可以点赞收藏也可以分享给你正在准备数学建模竞赛的队友。祝你在华数杯和后续的建模比赛中都能稳定发挥拿到自己满意的成绩。