零基础备赛2026数学建模国赛：跑通流程比背模型更重要

如果你们打算参加 2026 年的全国大学生数学建模竞赛又是零基础我猜你们现在最想做的事是到处找“速成课”“模型清单”和“优秀论文合集”。我见过太多队伍赛前收集了几十个模型、几百页资料真正拿到赛题那三天还是不知道该从哪下手。不是不努力而是把力气用错了地方——把一场竞赛当成了知识储备竞赛。数学建模国赛更像是一场项目管理。真正决定结果的不是你背过多少模型而是你们团队能不能在三天里把“审题、数据处理、建模、编程、验证、论文”这条链路稳定跑完。这篇文章会按这个视角展开把工具链、数据处理、三大模型、AI 辅助、真题拆解、论文写作这些环节拆开讲清楚最后给一份可以直接照做的备赛行动清单。零基础看完最重要的不是记住某个模型而是先逼自己跑完一次完整流程。1. 先把国赛当成“项目管理问题”而不是“知识竞赛”很多第一次参赛的同学会把大量时间花在“多学几个模型”上觉得模型会的越多获奖概率越大。但真实比赛只有三天赛题又是新的你根本来不及在三天里消化一个新模型。聪明的方式是提前建立一套稳定的工作流程让每一步都有章可循。1.1 竞赛真正考的四项能力国赛表面考建模实际考的是四项能力串成的一条流水线信息理解能力拿到题目后能不能快速圈出目标、变量、约束条件。数据能力给一堆原始数据能不能清洗、补全、构造特征变成可以输入模型的样子。建模抽象能力把现实中的业务问题翻译成数学语言。表达交付能力把模型、算法、结果用论文讲清楚让评委看懂。这四项不是独立考的而是串在一起的。哪一环断了后面都会受影响。比如很多队伍模型选得不错但数据清洗不仔细结果一塌糊涂也有队伍算出了结果但论文写作没跟上评委看不出亮点。所以备赛时不要只盯着模型要把整条链路当做一个系统去练。1.2 为什么“背模型”是最低效的备赛方式我经常看到有人说把 AHP、TOPSIS、灰色预测、回归、神经网络全部背下来考场上总能用到一个。问题是模型不是背出来的是用出来的。你没有理解每个模型的适用前提、输入要求和结果含义拿到新题时根本不知道用哪一个。举个例子同样是“评价类”问题数据量少、依赖专家经验时可以用层次分析法数据量充足、想减少主观干扰时用熵权法赋权会更合适如果还要对多个方案排序可能要把熵权法和 TOPSIS 组合起来。这些选择不是靠背公式能解决的而是靠理解“题目条件”和“模型假设”之间的对应关系。更关键的是背模型会给你一种虚假的安全感。真正比赛时时间和压力会放大你的准备盲区。与其贪多不如把一个模型组合练熟知道它的输入输出、代码实现、优缺点还能在论文里解释清楚。1.3 建立最小可用流程六步法对零基础队伍我建议先把下面这套六步法练成本能。它不一定是最优解法但能保证你们不慌乱拆题圈出问题背景、决策目标、可用数据和输出要求。定向判断题目更偏预测、评价、优化还是组合问题。备数读取数据完成清洗、缺失值处理、异常值判断、特征构造。建算选择一到两个合理模型编程实现跑出结果。验优检查结果合理性必要时做敏感性分析或对比模型。成文用图表、公式、摘要把整条思路固化到论文里。这套流程的价值不是让你在比赛时有“标准答案”而是让你知道任何一个时刻自己应该站在哪一步。很多队伍出问题是因为三个人做到半夜突然发现没人知道下一步该干什么。流程先定后面一切都好说。2. 工具链不是越多越好先跑通一条“最小链路”工具是很多零基础同学的第一道坎。有人听说 MATLAB 好有人推荐 Python还有人提到 SPSS、Lingo、Excel结果每个都学了一点每个都不熟练。实际上比赛用到的工具不需要太多关键是跑通一条完整的链路从读取数据到处理数据到建模到画图再到把结果写进论文。2.1 主力工具的定位Python、MATLAB、SPSS、Lingo、Excel先给一张工具分工表帮你们想清楚谁负责什么工具主要用途学习成本适合哪类队员Python数据处理、建模、可视化、机器学习中等有基础编程能力的人MATLAB矩阵计算、仿真、工具箱丰富中等数学推导较强或学校推荐SPSS统计检验、回归、问卷数据低需要快速做统计分析的场景Lingo线性/非线性规划、整数规划低优化类题目Excel数据预览、快速统计、简单图表低所有人、所有阶段这里必须强调一点Python 是当前绝大多数队伍的主力语言因为它能把数据清洗、建模、画图、导出结果放在同一条流程里。MATLAB 也有很大用户群尤其在理工科院校但 MATLAB 的绘图风格和格式控制相对更“传统”。零基础如果只选一个优先选 Python理由不是 Python 更高级而是配套的资料、代码片段、AI 辅助能力、插件生态都更完善遇到问题更容易找到答案。2.2 最小链路读取→清洗→建模→可视化→出图建议所有队员都在同一台电脑上先跑通下面这条流程不需要复杂的模型只需要确认“数据能进来、结果能出去”。import pandas as pd # 1. 读取 Excel 数据先确认形状和列名 df pd.read_excel(data.xlsx) print(df.shape) print(df.columns.tolist()) print(df.head()) # 2. 检查缺失值数量 print(df.isnull().sum()) # 3. 查看数值列的基本统计量辅助判断异常值 print(df.describe()) # 4. 数值列用中位数填充缺失值先想清楚业务含义 for col in df.select_dtypes(include[number]).columns: df[col] df[col].fillna(df[col].median()) # 5. 保存清洗后的数据方便论文附录和复盘 df.to_csv(data_cleaned.csv, indexFalse, encodingutf-8-sig)这段代码不是标准答案但它代表了比赛中最常见的第一步。只要你们能跑通这一段后面加模型、加画图、加结果导出都是在同一条流程上扩展。最怕的是三个人各自用不同工具一个人用 Excel 改数据一个人用 MATLAB 画图另一个人用 Python 建模三个人处理同一份数据口径对不上论文里只能勉强拼凑。2.3 只学能支撑比赛的那 20%国赛备赛时间有限真的不需要学完 Python 或 MATLAB。要用 80/20 的思路集中精力学最常用的那部分功能pandas 基础读取、筛选、分组、缺失值处理。matplotlib / seaborn 基础折线图、散点图、热力图、柱状图。sklearn 基础回归、分类、聚类、数据标准化。导出工具把结果写成 CSV 或 Excel方便论文排版。那些看似炫酷的深度学习、爬虫、Web 开发在国赛三天里大概率用不上。如果你的队伍现在连 pandas 的read_excel都还没跑通就不要把时间花在看 Transformer 原理上。先把最小链路跑顺再谈锦上添花。3. 数据处理才是大部分题目的真正“分水岭”很多零基础队伍有个误区拿到题目后立刻开始想模型。这是最危险的动作。赛题给的数据通常不会太干净可能包含缺失值、异常值、不同量纲、重复记录。这些数据直接扔进模型结果往往很离谱。优秀论文和普通论文的差距很多时候从数据处理环节就拉开了。3.1 先看数据再谈模型拿到数据后前 30 分钟不要急着建模。先做三件事预览读入数据看看表头、行数、列名、前几行内容。检查统计缺失值、唯一值、数据类型、数值范围。记录把哪些列有问题、决定怎么处理全部记录下来。这些记录之后可以直接转化成论文里的“数据预处理”部分。我在实际带队的经验里很多队伍最后写论文时根本说不清数据是怎么处理的因为完全没有记录。评委看论文时数据处理有没有逻辑、有没有依据会直接影响可信度。先看数据不是耽误时间而是在给后面的步骤扫雷。3.2 数据清洗的标准顺序缺失、异常、格式、去重清洗数据不需要多高深的技术按顺序做就不会乱缺失值先看缺失比例。少量缺失数值列可以用中位数、均值填充类别列可以用众数填充缺失过多要判断这一列是否值得保留。异常值用describe()看统计量再用箱线图辅助判断。异常值不一定都要删要先想想它是不是真实业务中的极端情况。格式统一把日期转成时间格式、把字符串里的多余空格去掉、把单位统一。这一步最琐碎但最容易影响后续计算。去重检查是否有完全重复的行删除时保留一条即可。# 检查重复行 print(df.duplicated().sum()) df df.drop_duplicates() # 日期列转时间格式 df[date] pd.to_datetime(df[date]) # 字符串列去空格 df[name] df[name].str.strip()这里有一个很有用的原则不要盲目填充先想业务含义。比如某个月份的销量缺失可能是统计遗漏也可能是没有营业。前者可以用前后均值平滑填充后者直接填充反而会误导模型。这种判断虽然没有标准答案但你们需要在论文里写清楚“为什么这样处理”。3.3 特征构造与归一化好问题比好模型更重要模型效果不好时很多人第一反应是换更复杂的模型。但在国赛场景里我更建议先回头检查特征工程。特征可以理解为“喂给模型的输入角度”。同样的数据你构造出的特征信息量不同模型上限完全不一样。常见的特征构造思路包括时间特征年、月、季度、工作日/周末。比率特征两个相关字段相除例如增长率、占比。差值特征本期与上期的差值、累加值、滑动平均值。分组统计量按某个分类变量分组计算均值、最大值、最小值等。归一化则要看模型类型。距离类模型比如 KNN、聚类、回归量纲不一样会让大数值变量主导结果所以通常先做标准化。树模型如随机森林、XGBoost对量纲不敏感可以先不标准化。但如果你们不确定做一次标准化通常更保险因为不会破坏太多信息。from sklearn.preprocessing import StandardScaler scaler StandardScaler() df[[feature1, feature2]] scaler.fit_transform(df[[feature1, feature2]])3.4 如果模型结果不合理按这个顺序排查比赛中经常出现“模型跑完了但结果一看就不对”的情况。这时候不要急着换模型按顺序排查先看数据读入列名有没有读错、行数是否完整、日期有没有解析对。再看缺失值和异常值有没有大量缺失没处理异常值有没有影响模型。再看特征量纲是否统一、特征有没有明显重复信息。再看代码有没有索引错位、训练集和测试集是否混在一起、有没有低级 bug。最后再看模型模型类型是否匹配题目、参数是否设置合理、有没有过拟合。大多数情况下问题出在前四步而不是模型本身。把这个排查顺序打印出来贴在电脑边上能帮你们省下大量返工时间。4. 三大模型不是“背公式”而是“匹配题意的思维”“三大模型”这个说法并不是官方定义但从历年赛题来看预测、评价、优化这三类问题的确覆盖了绝大多数题目方向。每道题看起来五花八门本质都能归到其中一类或者某几类的组合。理解这个分类比背下任何一个公式都重要。4.1 预测、评价、优化到底怎么区分先简单给三类模型一个判断标准预测类根据历史趋势或变量关系推出来未来或未知结果。比如预测销量、温度、交通流量。评价类在多个对象或方案之间做比较、排序、选择。比如评价城市宜居性、选最优方案。优化类在若干约束条件下找到使目标最大或最小的决策方案。比如资源分配、路径规划、生产计划。很多题目不是单一类型。例如先评价不同方案的优劣再做规划优化或者先预测需求再根据预测结果做库存决策。拿到题目后先判断主干是什么再决定模型组合思路会清晰很多。4.2 预测类模型先简单再复杂预测类模型是国赛里出现频率很高的一类。零基础容易犯的错是看到“预测”就直接上神经网络。但神经网络需要大量数据、调参和训练时间三天里很容易翻车。更稳妥的路线是变量关系比较明确数据量不大时用多元回归。数据是单变量时间序列趋势较稳定时用指数平滑、ARIMA。特征多、数据量大、关系复杂时再用随机森林、XGBoost 等机器学习模型。神经网络可以作为一种对比模型出现在论文里但不建议作为唯一依靠。关键是每个模型都要说出“为什么这么选”。比如用 ARIMA至少要知道数据需要满足平稳性如果数据不平稳要先做差分。这些细节写进论文比堆一个没人能复现的深度网络更有说服力。4.3 评价类模型把主观判断变成可解释的流程评价类问题的核心是“怎么决定哪个更好”。零基础建议掌握一条稳定组合路线熵权法确定权重再用 TOPSIS 进行排序。熵权法根据数据本身的差异程度计算权重。数据越分散说明该指标区分度越大权重越高。TOPSIS把每个方案看成多维空间中的一个点计算它与正理想解和负理想解的距离离正理想解越近越好。这个组合的好处是流程清晰、代码量适中、可解释性强而且对零基础比较友好。层次分析法AHP适合指标数量少、依赖专家判断的场景但指标一多判断矩阵的构造和一致性校验就会变得很麻烦建议作为进阶了解而不是首选。4.4 优化类模型先回答三个问题再选算法优化类题目最容易让零基础慌乱因为看起来像数学不好就做不了。实际上拿到优化题先回答三个问题决策变量是什么也就是你要决定什么。目标函数是什么最大化利润、最小化成本、最短路径等。约束条件有哪些资源限制、时间限制、逻辑条件等。把这三个问题写清楚模型框架已经完成一半。接下来根据变量类型和约束复杂度选择算法线性规划、整数规划用scipy.optimize.linprog或pulp更复杂的非线性问题或大规模组合优化再考虑启发式算法。零基础最容易犯的错是漏约束。比如规划问题里只写了总量约束却忘了每个变量的非负约束。这些细节在论文里都会被评委抓到。4.5 组合建模的思路让模型之间有“对话”真正能拿高分的论文往往不是单模型用到底而是几个模型互相配合。常见有两种配合方式一是同一问题的不同方法对比。比如先用多元回归再用随机森林最后比较两个模型的误差分析差异原因。这种对比能体现你的模型诊断能力。二是分阶段串联。比如先通过聚类分析对城市分类再针对某一类做评价或者先预测需求再做库存优化。这种组合贴近真实业务逻辑也更容易写出故事感。但组合不是越多越好。三天时间有限两个模型能自圆其说通常比四个模型都跑不深刻要好。选模型的核心标准是你能不能解释清楚它为什么适合这道题以及它的结果为什么可信。5. 用 AI 辅助建模的正确姿势而不是代写AI 工具在备赛和比赛中都可以用但要用在正确的位置。它最适合当“陪练”“调试助手”和“表达润色工具”而不是让你直接复制一份答案。没有任何一个 AI 能替你完成“理解题意、判断模型、承担责任”这件事所以必须清楚它的能力和边界。5.1 AI 在备赛中真正有用的三个环节以我目前看到的用法AI 对参赛队伍帮助最大的地方有三个拆题把一道长题目丢给 AI让它列出问题背景、可能的决策变量、约束条件、需要的数据、建议的模型方向。它不一定全对但能帮你打开思路尤其是零基础看不懂题的时候。代码调试报错信息直接贴给 AI让它解释原因、给出修正建议。这能省去大量看文档的时间。论文润色把草稿段落交给 AI让它帮忙压缩语句、统一术语、改得更书面化。但最终内容必须基于你们自己的真实结果。这三个场景的共同点是AI 提供的是过程帮助最终责任仍然在你们身上。你需要能看懂 AI 给的代码在做什么能判断它的拆题思路是否合理能确认润色后的文字没有扭曲原意。5.2 提示词模板从“帮我做题目”到“帮我拆解题目”很多人问 AI 时习惯说“帮我做这道题”这种提问方式很笼统AI 给出来的答案也往往很泛。更好的方式是给定角色、明确输出结构、要求它做拆解而不是直接给答案。下面这个模板可以直接用你是一名数学建模竞赛辅导老师。请阅读以下题目并帮我完成 1. 提取题目中的决策变量、目标函数和约束条件 2. 判断该题更适合预测、评价、优化中的哪一类或哪几类组合 3. 列出 2-3 个可选建模思路并说明每个思路的适用前提 4. 指出我们下一步必须确认的数据和假设。 题目内容如下 [粘贴完整题目]这个提示词的价值在于它把“让 AI 给答案”变成了“让 AI 给候选方案和推理过程”你可以逐条判断、质疑、调整。零基础队伍最缺的不是答案而是思考路径。代码调试时也可以用类似模板我在运行以下代码时遇到报错。请先解释报错原因再给出修改后的完整代码并说明为什么这样改。 代码片段 [粘贴代码] 报错信息 [粘贴报错]尽量给全上下文AI 才能给出更准确的回答。问得越模糊答案就越模糊。5.3 AI 输出必须经过验证不能直接贴进论文AI 生成的内容最大问题是“看起来很可信但可能是错的”。它会一本正经地编造数据、公式、参考文献甚至生成一个并不存在的模型名称。任何 AI 输出的东西都要经过你自己的代码或推导验证才能进入论文。几点红线建议不直接复制 AI 生成的结果数据所有数字必须来自你们自己运行的程序。不直接使用 AI 找的参考文献除非你能确认它真实存在且内容相关。AI 写出的模型步骤必须在代码里逐行跑通。涉及题目理解的部分AI 给出的判断只能作为参考最终以团队讨论为准。注意AI 是辅助工具不是共同作者。在最终论文中你们需要确保每个模型选择、每个数据结论都能用自己的话讲清楚。如果评委问起某个细节你们自己都解释不了那这篇论文就是有问题的。6. 真题拆解从拿到题到交出论文的九个关卡很多队伍备赛时喜欢看优秀论文但看完就忘。原因是只看了“结果”没练“过程”。真正有效的真题训练是把一套题按比赛节奏完整走一遍。下面这套流程也是我通常建议队伍在模拟赛时严格执行的九个关卡。6.1 拿到题后的前 30 分钟做什么时间动作0-15分钟三个人各自独立读题不做讨论15-25分钟每人用 2-3 句话概括题目在问什么25-30分钟合并信息圈出目标、约束、数据、输出要求为什么要先独立读题因为如果不先独立思考三个人很容易被第一个说话的人带偏或者讨论半小时后还在绕。独立读题能逼着每个人从自己的角度建立理解之后再碰撞思路会更完整。6.2 “4-4-2”时间节奏建模、写作、缓冲国赛三天看似时间充足实际上论文写作非常耗时。我强烈建议按下面的比例分配40%建模与计算。包括数据处理、模型实现、结果分析。40%论文写作与图表。从第一天晚上就应该开始动笔至少把问题分析、数据说明写出来。20%缓冲与检查。留给敏感性分析、摘要打磨、图表排版、PDF 导出和细节复核。很多队伍的问题是前 60% 的时间都在“搞模型”最后 30% 才开始写论文结果模型再好也来不及完整写出来。写作不是一个最后的动作而是应该和建模同步进行的持续过程。建模手每跑出一个结果写作手就要立刻记录包括参数、误差、图表这样才不会到结尾时忘掉过程细节。6.3 优秀论文的“摘要倒推法”看优秀论文时不要从头读到尾。先只看摘要用一分钟说出这篇论文做了什么、亮点是什么、用了什么方法。然后再回到正文验证摘要里的每一句话是否都有对应内容。这个方法能帮你看清楚“好论文的表达密度”到底长什么样。看完之后用一页纸做复盘。记录题目类型、数据和特征、模型选择、处理亮点、踩坑点、如果重做会改哪里。这张纸可以放进你们的备赛文档成为队伍自己的经验库。模拟赛的价值不是做出的结果多好而是让问题提前暴露——数据读不出来、模型参数报错、论文格式混乱最好都在赛前暴露过。7. 论文是最后的杠杆别让成果被表达拖累到了比赛后期论文质量基本决定最终成绩。建模结果再漂亮如果论文看不懂、图表混乱、摘要重点不突出评委很难给出高分。论文不是把过程和结果堆上去而是一条讲给评委听的“故事线”。7.1 摘要值得花整整两小时打磨摘要是全文唯一一个大部分评委一定会看的部分。很多评委在很短时间内先读摘要再从摘要决定要不要细看正文。摘要写不清楚正文再精彩也很难挽回。一篇合格的摘要可以按这个结构组织第一段用两三句话转述问题背景直截了当说“本文研究的是什么问题”。第二段概要写出你的模型思路、为什么选这个方法、数据做了哪些关键处理。第三段写出核心结果最好有具体数值。末尾一句话说明模型的优势和推广价值。写摘要时最忌讳空话比如“本文采用了先进算法取得了较好效果”。评委想看到的是“用了什么模型”“结果是什么”“比基准好在哪”。摘要里出现的每个数字正文里都要能对应上不能出现只在摘要里存在、正文找不到的结论。7.2 图表规范一张好图胜过几百字图表是论文信息密度最高的部分但也是零基础队伍最容易踩坑的地方。几个基本要求坐标轴必须有明确的物理量名称和单位。图表标题要能独立看懂不能只写“图1”“图2”。正文字体和图表字体尽量统一建议用宋体或 Times New Roman。不直接使用 Excel 默认配色调整颜色后会更专业。每一个图在正文中都必须有解释不能“只挂图不说明”。表格建议采用三线表风格不要堆一堆边框线。在画图时还要考虑黑白打印效果。很多评委习惯打印论文纸质版如果图全是浅色系一张热力图只有淡淡的颜色打印出来几乎看不清。建议提前把图表导出成 PDF再整体看一遍。7.3 交稿前的检查清单最后一天晚上不要急着交按下面的清单过一遍摘要没有病句、没有与正文矛盾。代码运行出的结果与论文里的数值一致。所有图表都有编号、标题、单位。公式编号连续引用没有遗漏。参考文献格式统一内容真实存在。PDF 导出后逐页翻看格式没有错乱。所有人确认最终版本不要再临时改动核心内容。注意不要在最后半小时才导出 PDF。建议提前大半天锁定最终版留足时间处理字体、图片、页码这些杂事。临时改内容导致格式崩掉的教训每年都有。8. 给你一份可以照做的备赛行动清单无论距离比赛还有多久先完成一次“全流程模拟”比任何资料都有用。这里的模拟不是做一道课后题而是按照比赛节奏走完整套生产线。8.1 赛前两周以“完整模拟一套题”为目标选择一套近年真题给自己安排一个完整的三天节奏。不需要完全连续的三天但要保持流程完整性第一天上午审题、下午数据处理和初步建模第二天建模深化和结果验证第三天上午写论文、下午排版检查。模拟结束后重点不是分数而是回答三个问题哪个环节耗时间最多哪一步最先卡住三个人之间的信息同步顺畅吗存在的问题集中解决。例如发现数据处理花了太久就要考前专门练数据清洗发现论文最后写不完就把写作提前到建模过程中。8.2 比赛中的分工与版本管理三个人可以按“建模手、编程手、写作手”分工但每半天必须同步一次避免各做各的。建模手负责拆题和模型选择编程手负责实现和结果输出写作手负责把每一步固化成论文内容。但模型和代码的进展写作手必须持续跟进不能等到最后才去了解。文件管理用最简单的版本命名方式即可v1_0821_数据清洗.py、v2_0821_模型对比.py再加上云盘自动同步避免三个人在各自电脑上改了不同版本最后只能手动合并。比赛不是做大型软件开发不用非要 Git但至少要保证“同一个文件不会被互相覆盖”。8.3 真正能带走的能力比奖项更重要最后说点可能不那么“速成”的话。数学建模国赛不会因为你看完一篇攻略就变简单真正让你有底气的是赛前完整走过一次流程。跑通一次比收藏十篇文章都强。在这个过程中你会发现自己解决问题的方式变了面对不确定的问题不再等着别人给标准答案而是能自己拆解、试错、验证、输出。这可能是这场比赛比奖项更重要的收获。