企业官网建设流程全解析

数学建模国赛不是比谁背的模型多，而是比谁能在三天左右的时间里把一道陌生的实际问题拆清楚、算出来，再写成一篇能让评委看明白的论文。对于零基础或者只有一点编程底子的本科生来说，最需要的不是囤一百篇论文，而是先把工具、数据、模型、真题、AI、论文这六条线串起来。这篇备赛指南按真实比赛推进顺序展开：环境准备、数据处理、三大模型、真题拆解、AI辅助、论文收尾，每一段都是可以直接照着执行的动作。

如果你现在只会Python基础语法，或者连pandas都没怎么用过，这篇文章可以直接跟。我见过很多队伍模型背得很熟，最后却败在数据没清理干净、图表画得混乱、摘要没有回答题目本身。国奖和省级奖项之间，差的往往不是智商，而是流程控制。

1. 先搞清楚比赛的真实节奏，再定备赛顺序

1.1 比赛不是熬夜大赛，是有限时间里的项目管理

第一次参赛的队伍很容易高估模型的难度，低估流程管理的难度。真正走到国奖答辩或者评审环节，你会发现评委更看重的是：问题理解准不准、数据处理扎不扎实、论文能不能把过程和结果说清楚。模型本身反而常常是成熟的现成方法，关键看你会不会选、会不会改、会不会解释。

所以备赛顺序应该是：先练工具操作，再练数据处理，然后按评价、预测、优化三条线掌握模型，最后用真题把整个流程完整跑一遍。不要第一天就去啃《数学建模算法与应用》里最难的章节，那不是北极星，那是劝退书。

1.2 零基础的第一目标：完整跑通一道旧题

零基础真正的门槛不是看不懂公式，而是“跑不动、报错看不明白、结果出来了却不知道对不对”。所以第一个目标定低一点：能拿一道过往真题，用Python或者Matlab跑出数值结果，然后把结果解释成一段人话，最后写进论文。

我给零基础队伍的建议是：不要一上来就啃完整本教材，先找一道数据量不大、问题结构清晰的旧题，走通“读题—调数据—写代码—出图表—写摘要”全流程。等你完整走完一遍，再回头看那些模型理论和公式，你会非常清楚每个公式是给哪一步用的。

1.3 组队分工：“一个数学、一个编程、一个写作”不够用

三人队伍的分工不能只看表面学科。我的经验是：三个人里必须有一个能快速看懂数据文件，一个能写出可运行代码，一个能对着模型图把推导过程讲清楚。但这三种角色不能割裂，因为最后论文是要三个人共同填的。

文档管理也要提前约定好。数据文件单独放一个目录，代码按“01_数据清洗、02_模型、03_可视化”命名，论文用在线文档协作。否则最后合稿的时候，很容易出现三个人写的摘要风格完全不一致，图表编号也从1到30乱跳。

注意：零基础队伍最容易踩的坑，不是模型太难，而是最后一天还在改代码、导数据、画图，论文根本没时间认真写。

2. 工具链：先把环境装整齐，后面会快非常多

2.1 Python环境是主线，Matlab和Excel做辅助

大多数赛题用Python都能完成，我不建议零基础队伍同时学Python和Matlab两套环境。优先把Python装好，理由很简单：生态完整，pandas、numpy、matplotlib、scikit-learn、scipy这些库覆盖了数据清洗、建模、可视化的绝大多数需求，而且报错信息在中文互联网里能搜到大量解决方案。

建议安装Anaconda，直接集成Python和常用库，省去一个个pip install的麻烦。比赛前确认以下事情：Jupyter Notebook能否正常启动、pandas/numpy/matplotlib能否正常导入、scikit-learn是否装好、LaTeX或者Word模板是否下载到位。不要等到比赛当天晚上6点才在群里问为什么import matplotlib报错。

Matlab在部分优化类问题和矩阵运算上确实有优势，但也有不少学校没有正版授权。如果你的学校有正版授权，可以把它当成第二工具，平时用Python验证，比赛时擅长哪个用哪个。但我不建议两支完全的新手队在三天里同时切换两套环境，精力会不够用。

Excel也别丢。很多人觉得Excel很初级，实际上读取数据、快速查看数据分布、检查列名、做简单透视表，Excel比pandas快很多。比赛前期用Excel做人工检查，后期用Python做批量处理，搭配起来非常舒服。

2.2 可视化不要只依赖一个库

matplotlib是最基本的选择，但画出来的图有时候确实不够精致。建议辅助使用seaborn，它基于matplotlib，画热力图、分布图、箱线图都很方便，代码量也少。如果队伍里有同学熟悉Plotly，可以用它做交互式图表，但在论文里最后放出来的应该还是静态高清图，交互图更适合自己查看数据规律。

画图时先做的不是调颜色，而是确认坐标轴标签、单位、图例、标题是否完整。很多论文里的图，横纵坐标没有单位，评委一看就知道是随手画的。换位思考一下，如果图上的信息都读不出来，谁会相信你的模型算出来60分还是80分？

2.3 目录、路径、版本命名，比赛前就定好

这是很多队伍完全忽略的问题。比赛开始后，数据文件一般会放在压缩包里，文件名可能带日期或者乱码。我建议一拿到题目就建一个固定目录结构：

project/ ├── data/ # 原始数据，不允许改动 ├── code/ # 按01、02、03编号的脚本 ├── figure/ # 论文要用的高清图 ├── docs/ # 论文草稿、参考资料、AI对话记录 └── output/ # 中间结果和最终结果

代码里不要用绝对路径，统一用相对路径，否则换一台电脑之后所有代码都会跑断。变量命名也尽量一致，比如data_raw表示原始数据，data_clean表示清洗后的数据，model_result表示模型输出。这些小事平时看起来无所谓，在三天高压状态下能帮你少掉很多头发。

3. 数据处理：大多数队伍翻车都翻在这里

3.1 先看数据文件结构，再写代码

拿到数据后的第一件事不是急着调用pd.read_csv，而是先打开文件看看有几张表、每张表有多少行多少列、列名都是什么、有没有明显乱码。我通常先做两步：

1. 用Excel打开文件，快速看前20行和后20行。
2. 用Python打印每个数据文件的shape、dtypes、isnull().sum()。

这两步加起来最多10分钟，但能避免很多低级错误。比如某张表的列名里藏着空格，或者某一列其实是字符串类型，直接跑模型时会报TypeError。这种问题靠肉眼扫一遍就能发现，靠报错反推反而浪费时间。

3.2 缺失值和异常值不能“一刀切”

处理缺失值要按列和业务含义来决定策略，不要全表填充0，也不要直接把有缺失的行全部删除。我常用的判断顺序是：

• 缺失比例小于5%，可以考虑直接删除对应行。
• 缺失比例在5%到30%之间，优先用该列均值、中位数或前后值插值填充。
• 缺失比例超过30%，就要谨慎。如果这一列对题目结果影响很大，考虑用回归或机器学习方法预测缺失值；如果影响不大，可以删掉这一列。

异常值检测也类似。常见的判断方法包括3σ原则和四分位距（IQR）方法。但要注意，异常值不等于错值。在销售数据里，某些极端值可能代表促销活动或者特殊情况，不能直接删掉，要结合题目背景判断。如果某条数据明显超出物理常识，比如成本是负的、时间格式错位、城市名有乱码，那才是真正需要清洗的对象。

3.3 量纲、单位和编码问题要提前处理

很多比赛的数据集不会提前帮你统一单位。比如有的表用万元，有的表用元；有的用日期字符串，有的用时间戳；有的省份编码是数字，有的是带字母的地区码。统一量纲和单位是第一优先级。

数值型特征如果要做距离类模型，比如聚类、KNN、神经网络，通常要做归一化或者标准化。常用的MinMaxScaler把数据压缩到[0,1]，StandardScaler把数据变成均值为0、方差为1。但如果是决策树、随机森林这类基于分割的模型，归一化影响不大。这里要注意，不要把所有特征都丢进同一个scaler里，类别型特征需要单独做编码，比如OneHotEncoder。

3.4 怎样验证数据清洗后的结果

数据清洗完之后，不要直接冲到建模环节。先做一次快速验证：对比清洗前后的行数变化、各列均值变化、缺失值比例。如果填充缺失值导致某一列均值剧烈变化，说明填充策略可能有问题。

另一个有效动作是画分布图，把清洗前后的关键特征分布放在同一张图里对比。这个步骤虽然简单，但能直观发现异常。比如某列填充后出现大量完全相同的值，那显然不对。

我一般会用一张汇总表记录每一步清洗操作：删了多少行、填充了哪几列、用什么方法、为什么这么做。这张表最后可以放到论文附录里，也能在后续写模型假设时直接引用。

4. 三大模型体系：不是背模型，是给问题配钥匙

4.1 评价类模型：先定指标，再选权重

评价类问题是国赛里最常见的类型之一，题目一般会要求你“评价某几个方案或者对象”。核心不是倒公式，而是选指标和确定权重。

常用的评价方法包括层次分析法（AHP）、熵权法、TOPSIS、秩和比法、灰色关联度分析。AHP适合指标之间有明显层次关系且能通过一致性检验的场景；熵权法更适合数据客观充分、想避免主观赋权争议的场景；TOPSIS通常用来对多个方案排序，展示出相对贴近程度。

我在实际比赛里最常用的组合是：层次分析法定权重，TOPSIS做排序。这套组合容易解释、计算量不大，评委也熟悉。但要注意，AHP的主观性会被评委挑战，所以判断矩阵的构造要给出理由，不要随便填1到9。

4.2 预测类模型：先看数据量，再选复杂度

预测类问题强调利用历史数据推测未来。如果只有十几条数据，就别上深度学习了，灰色预测GM(1,1)反而在小样本场景下更合适。如果数据量中等且线性关系明显，线性回归和ARIMA已经够用。如果数据量大且特征关系非线性，可以上随机森林、XGBoost或者BP神经网络。

选择预测模型时，不要盲目追求高精度。评委看重的是你能否解释模型为什么适合这道题。比如你选择ARIMA，就要说明数据通过了平稳性检验，并给出AIC或者BIC比较；选择随机森林，就要说清楚为什么它能处理特征之间的非线性关系，以及如何做特征重要性排序。

4.3 优化类模型：约束条件比目标函数更关键

优化类问题通常出现在“怎样安排生产”“怎样调度车辆”“怎样分配资源”这类场景。大家最常见的做法是线性规划和整数规划。但真正决定建模水平的是约束条件的提取。好多队伍目标函数写得漂亮，却漏掉了产能上限、库存容量、运输时间窗这些现实约束，最后结果在理论上很完美，实际却完全不可行。

拿到优化问题时，先把数据里所有限制条件列成一二三条，再写代码。如果问题太大，可以考虑启发式算法，比如遗传算法、模拟退火、粒子群。它们不保证全局最优，但能在可接受时间内给出一个较优解。论文里要写清楚：为什么精确求解困难，为什么选择这个启发式，参数怎么设置的，结果稳定性如何。

4.4 模型选择判断表

这里给一张通用判断表，方便比赛时快速定位：

5. 真题拆解：不要只看答案，要练拆题动作

5.1 三遍读题法

很多队伍拿到题目后直接开始百度“这类题用什么模型”，结果读题只读了个大概，最后结论跑偏。我的建议是三遍读题法：

第一遍，快速通读，搞清楚题目给了几张表、哪些数据文件、要回答几个小问。先画出题的骨架。

第二遍，逐段精读，把每个小问的输入、输出、约束条件写下来。比如第一问要求“对数据进行分析并给出规律”，那输出就应该是一组统计特征和可视化图表；第二问要求“建立模型预测未来”，那输出就应该是一组预测值和误差指标。

第三遍，反向检查，把每个数据文件和每个小问对齐，确认没有多余数据被忽略，也没有哪个问题没有对应数据。这一步能防止你写到后面发现“哦，原来还有个表没用”。

5.2 把子问题映射到数据表和输出结果

我用这道模板来拆解所有真题：

子问题1：输入哪些数据 -> 做什么处理 -> 用什么模型 -> 输出什么结果 子问题2：输入哪些数据 -> 做什么处理 -> 用什么模型 -> 输出什么结果

拆完之后，你会发现其实每道题的链条都很短，难的是把链条里的每一环都走扎实。比如2024年国赛里的某些数据决策类题目，往往第一问是让选手从数据里提取关键特征和规律，第二问做模型建立与求解，第三问写分析建议或者优化方案。这类题目看起来复杂，本质上就是“先描述，再预测，再优化”三步。

5.3 赛后复盘：三个问题就够了

比赛结束后，不要急着发朋友圈，拿出半天时间复盘。我只让队伍回答三个问题：

• 哪一步花的时间最多，是数据处理、模型调试还是论文排版？
• 如果重新做一遍，哪些环节可以提前准备好？
• 有哪些报错反复出现，能不能整理成自己的排错清单？

这样跑一次真题复盘，比盲目刷五道旧题更有效。因为国赛题目年年变，但读题、数据处理、模型选择、论文写作这些环节是不变的，把流程打磨顺畅，才能以不变应万变。

6. AI应用：到底怎么用才不会翻车

6.1 AI在备赛和比赛里的三个有效场景

这几年大语言模型越来越普及，数学建模比赛中用AI辅助已经是很自然的事。但用得好的队伍是在提效，用得差的队伍是在“降智”。我总结的三个有效场景：

1. 代码调试。把报错信息、代码片段、输入数据格式一起发给AI，让它定位问题。这比自己在几百行代码里找半天快得多。
2. 概念解释和模型选型。当你不确定某个模型适不适合当前数据时，可以用“我有N条数据、目标是预测某指标、特征包含哪些列”这种提示词，让AI先帮你做一轮初步筛选。
3. 撰写辅助。包括把复杂推导过程用通俗的话解释一遍、生成图表标题、润色摘要。但所有内容都要自己读一遍并修改，不能直接复制粘贴。

6.2 提示词设计：把模糊需求变成可执行任务

很多同学问AI效果不好，是因为提示词太模糊。你问“这个数据怎么处理”，AI只能给你一堆通用建议。你应该直接告诉它：

我有684条数据，包含3列数值特征和1列日期。目标是预测未来30天的销售额。 当前使用的模型是梯度提升树。运行时出现报错：ValueError: Input contains NaN。 请检查我的数据清洗代码，并指出可能产生缺失值的步骤。

这种具体描述比“我的模型报错了怎么办”有效得多。再比如写摘要时，可以先给AI一段你算出来的结果，然后要求：

把以下内容整理成竞赛论文摘要，不超过300字，注意保留： 1. 题目要求解决的问题； 2. 每个小问采用的方法； 3. 每个小问的主要数值结果； 4. 关键词3到5个。

这里要注意，AI生成的东西只是初稿，最终稿一定要由队伍里最懂问题的那个人来改。因为AI很容易把“合理但虚假”的表述写进去，比如“结果准确率高达99%”，这种话一旦出现在论文里，会被评委直接质疑。

6.3 AI生成代码和论文的边界

用AI生成代码是可以的，但生成之后必须本地运行测试。我见过很多AI写的代码使用了不存在的API或者过时的库版本，不测试就塞进论文，最后只能翻车。

用AI辅助论文时，边界更清晰一点：模型公式推导、算法原理、问题理解这些核心内容必须自己写，AI可以帮你润色和调整语序。数据结果必须来自真实代码运行，不能靠AI编一个数字。论文提交前要确认原创性，所有外部内容都要经过修改和消化。比赛考察的是你的建模能力和科研表达能力，AI只是工具，不是代笔。

建议把每次和AI对话的关键内容复制到单独的txt文件里，注明日期和用途。后期写论文或者做复盘时，这些记录能帮你快速找回当时的思路，也能避免重复让AI解决同一个问题。

7. 论文撰写：摘要和图表才是拿奖的门面

7.1 摘要怎么写

摘要的重要性怎么强调都不为过。很多评委在分类评审时，先看摘要，基本决定这篇论文是进国奖候选还是只拿省奖。摘要不要写“本文建立了A模型和B模型”这种空洞句式，而是要把每个问题用什么方法、得到什么数值结果、有什么结论写清楚。

我习惯的摘要结构是：

针对问题一，首先对表2数据进行统计分析和可视化，发现XX规律； 然后建立XX模型，求得XX方案的最优结果为XX； 最后通过XX检验验证了模型的稳定性。 针对问题二，……

注意每个小问都要有结果数字，这是摘要和“文章简介”的本质区别。如果没有具体数字，评委很难相信你真的算过。

7.2 图表和排版规范

图表是论文的骨架，排版是论文的皮肤。一条经验：每张图放到论文里之前，先问自己三个问题：

• 坐标轴有没有单位？
• 图例能不能区分？
• 这张图是否支撑上下文里的结论？

表格也是一样，不要直接把pandas输出的DataFrame截图放上去。删掉多余列，保留关键结果，加上三线表格式，评委看起来才舒服。

如果学校每年提供了模板，最好提前下载模板并在里面写几个示例，熟悉字体、字号、页边距、公式格式。不要等到最后一天晚上才从Word模板里调整公式编号，那种体验真的很难受。

7.3 模型假设、灵敏度分析和附录

模型假设不能乱写，也不能不写。假设的目的是把现实问题简化到可计算的范围，但同时要让评委接受。比如“假设某一时段内数据变化率保持稳定”“假设运输过程中无意外延误”“假设题目给出的数据真实可靠”。假设过多，论文显得不够真实；假设过少，模型可能被评委一个问题问住。

灵敏度分析是很多人容易丢分的地方。所谓灵敏度分析，就是看参数变化时结果变化大不大。以预测模型为例，可以观察样本量减少10%、20%时预测误差如何变化；以优化模型为例，可以观察目标函数中某一权重变化时方案排序是否改变。这部分能反映出你对结果的谨慎程度。

附录不要贴整段没有任何注释的代码。可以让附录代码保留关键部分，并加注释说明“这里是数据清洗”“这里是模型求解”“这里是绘图”。至于中间过程的大量输出，不需要全部放进去。支撑材料里可以放完整代码和结果文件，但论文本身要控制篇幅。

7.4 最终检查清单

提交前一个晚上，不要通宵乱改模型参数，而是按这个清单逐项检查：

• 论文页数是否符合比赛要求。
• 摘要是否每个小问都有结果。
• 正文章节编号是否连续。
• 图表编号是否对应正文引用顺序。
• 公式是否统一编号。
• 参考文献格式是否统一。
• 支撑材料里代码能否在干净环境里运行。
• 所有文件名是否规范，没有“最终版”“最最终版”这种命名。

把这份清单提前打印出来或者存在手机里，比赛结束后不管多困，都要走一遍。很多队伍就是倒在了最后的格式和文件细节上，非常可惜。

备赛数学建模国赛，最怕的不是没有天赋，而是该准备的没准备，该检查的没检查。工具顺手、数据干净、模型匹配、论文清楚，四个环节都守住，你离国奖就不远了。