1. 赛前准备与选题策略从“看热闹”到“懂门道”又到了一年一度的辽宁省数学建模竞赛季对于很多初次参赛或者经验尚浅的同学来说面对赛题公布的那一刻最头疼的往往不是解题而是“选哪道题”。是选看起来高大上但可能无从下手的A题还是选背景熟悉但竞争激烈的B题这个选择往往决定了接下来三天三夜的战斗基调甚至直接影响最终的奖项等级。我参加过也指导过多次数模竞赛深知一个正确的选题其重要性不亚于一个精巧的模型。今天我就结合过往的经验和大家聊聊2023年辽宁省赛的选题策略并针对常见的A、B题类型提供一些破题思路希望能帮你拨开迷雾找到最适合自己的那条路。首先我们必须明确一点没有“最好”的题只有“最适合”你的题。选题的本质是一个匹配问题——将你的团队优势知识结构、编程能力、写作功底与赛题特点背景领域、模型需求、数据要求进行最优匹配。很多队伍一上来就纠结于“哪个题更简单”或“哪个题获奖率高”这是本末倒置的。简单是相对的对于擅长编程的队伍一个需要大量数据处理的题可能得心应手而对于理论扎实的队伍一个侧重机理分析的题才是他们的主场。因此选题的第一步不是看题而是“照镜子”——客观评估你的团队。团队能力画像速写建模手队长通常兼任核心是快速将实际问题转化为数学问题的能力。他/她需要广泛的知识面优化、统计、微分方程、图论等以及优秀的文献检索和学习能力。在拿到一个陌生背景的题目时建模手能否在1-2小时内勾勒出大致的模型框架是团队信心的关键。编程手核心是算法实现与数据处理能力。他/她必须至少精通一门科学计算语言Python/Matlab/R熟悉常用算法库如SciPy, Pandas, Scikit-learn等。编程手不仅要能“跑通”模型更要能进行灵敏度分析、参数调优和结果可视化。写手核心是逻辑表达与排版美化能力。一篇优秀的数模论文是“讲故事”的艺术。写手需要将复杂的模型和结果用清晰、严谨、有说服力的语言呈现出来并辅以美观的图表。他/她最好还精通LaTeX这是论文格式的“隐形加分项”。在赛题公布后的1-2小时“黄金审题期”你们需要做的就是三人分别通读所有题目通常是A、B两题然后召开第一次小组会议。每个人陈述自己对每道题的第一印象背景是否熟悉可能用到哪些模型需要什么数据感觉最大的难点在哪里通过这次碰撞结合团队画像往往就能排除一个明显不匹配的选项。注意切忌在审题初期就陷入某个具体细节的争论。这个阶段的目标是“定性”而非“定量”是判断大方向是否可行。比如如果团队里没人学过随机过程而A题明显涉及排队论或马尔可夫链那么即使A题背景再吸引人也应谨慎选择。2. A题思路剖析系统工程与优化决策类题目的破局点辽宁省赛的A题传统上偏向于“系统工程”、“优化决策”或“机理分析”类型。这类题目通常背景宏观涉及因素多关系复杂需要你从一个系统的高度去思考问题。它可能来源于资源调度、路径规划、生产安排等经典运筹学问题也可能结合了当下的热点如“双碳”目标下的能源调度、智慧物流中的配送优化等。其核心特点是问题定义清晰但变量多、约束复杂对模型的创新性和综合性要求高。面对A题一个常见的误区是试图建立一个“包罗万象”的超级模型想把所有因素都用一个复杂的方程描述。这往往导致模型无法求解或者求解结果失去解释性。正确的做法是“分而治之层层递进”。2.1 第一步问题拆解与核心要素提取拿到A题后不要急于建模。先用半小时把题目描述中的“名词”和“动词”圈出来。名词代表系统的要素如仓库、车辆、订单、充电桩、时间窗动词代表要素间的关系或目标如配送、装载、规划、最小化成本、最大化效率。然后尝试画出系统的要素关系图。这个图不需要多精确哪怕是草稿纸上的几个框和几条线也能帮你理清系统边界和内在逻辑。例如一个典型的物流配送优化题其核心要素无非是“配送中心”、“客户点”、“车辆”和“道路”。核心关系是“车辆从中心出发访问一系列客户点后返回”。核心目标通常是“总行驶距离最短”或“总耗时最少”约束可能包括“车辆载重限制”、“客户时间窗”、“司机工作时长”等。通过这样的拆解复杂的问题就被抽象成了我们熟悉的“带约束的车辆路径问题VRP”。2.2 第二步模型选型与层次化构建要素关系清晰后就要选择数学模型了。对于A题模型很少是单一的往往是多个模型的组合或变体。基础模型层解决核心的优化问题。例如上述物流题基础模型就是VRP。你可以考虑其经典变体带容量约束的CVRP、带时间窗的VRPTW、同时取送货的VRPSPD等。选择哪一个取决于你第一步提取的约束条件。扩展模型层处理题目中的特色要求或复杂约束。比如如果车辆是电动车需要考虑电池容量和充电时间这就需要在VRP模型中加入“电量约束”和“充电站选择”子模型。如果客户需求不确定可能需要引入随机规划或鲁棒优化。求解算法层模型建立后如何求解VRP是NP-hard问题对于稍大规模的数据精确算法如分支定界可能无法在有限时间内求解。这时就必须采用启发式或元启发式算法如构造型算法最近邻法、节约算法。优点是快可以作为初始解。改进型算法局部搜索2-opt, 3-opt、模拟退火、遗传算法、禁忌搜索。这类算法是解决A题的主力你需要根据问题特点选择或混合使用。例如遗传算法擅长全局搜索而模拟退火在跳出局部最优方面表现良好。2.3 第三步求解、分析与可视化模型求解后千万不要以为大功告成。A题非常看重结果的分析与验证。灵敏度分析改变关键参数如车辆数量、客户需求波动、时间窗宽窄观察目标函数如总成本的变化。这能说明你的模型是否稳健以及哪些参数对系统影响最大。例如你可以分析“车辆最大载重增加10%总里程能减少多少”。方案对比如果你尝试了不同的模型或算法比如对比了遗传算法和模拟退火的结果一定要在论文中呈现对比数据如收敛曲线图、最终目标函数值对比表并分析优劣。可视化呈现一张好的图胜过千言万语。对于路径规划问题一定要画出最优路径图对于调度问题画出甘特图Gantt Chart对于多目标优化画出帕累托前沿Pareto Front。使用Python的Matplotlib/Seaborn或Matlab的绘图工具让图表清晰美观。实操心得在处理A题时我强烈建议采用“原型迭代”法。不要一开始就追求完美模型。先用最简单的假设如忽略部分次要约束建立一个最基础的模型并快速求解得到一个“可行解”。然后在这个基础上一步步加入复杂的约束改进模型和算法。这样既能保证进度又能让你深刻理解每个约束对问题的影响。论文写作时这个过程本身就是很好的亮点可以体现你们建模的严谨性。3. B题思路剖析数据分析与机器学习类题目的实战路径B题通常更贴近“数据分析”、“预测”或“评价”类问题背景可能涉及社会经济、环境生态、生物医学、网络舆情等。这类题目往往会提供一批数据或要求你自己搜集数据核心任务是从数据中挖掘信息、构建预测模型或建立评价体系。它的特点是数据驱动对数据处理能力和模型解释能力要求高。很多队伍看到B题有数据就觉得比A题“实在”容易上手。但实际上B题的坑一点也不少最大的风险在于“滥用模型”和“过拟合”。3.1 第一步数据预处理——脏数据里淘金数据是B题的基石但赛题提供或自己爬取的数据99%是“脏数据”。直接丢进模型结果必然惨不忍睹。你必须花费足够的时间进行数据预处理这一步通常占整个B题工作量的30%-40%。缺失值处理检查每个特征的缺失比例。少量缺失5%可以用均值、中位数或众数填充大量缺失可能需要考虑删除该特征或者使用模型如KNN进行预测填充。一定要在论文中说明你处理缺失值的方法和理由。异常值检测与处理使用箱线图、3σ原则等方法识别异常值。要判断异常值是“错误数据”还是“重要信息”。对于明显错误的数据可以剔除或修正对于可能是特殊现象的数据则需要谨慎处理有时甚至需要单独分析。数据变换与标准化很多机器学习模型对量纲敏感。如果特征间量级差异巨大如“人口数”和“人均GDP”必须进行标准化StandardScaler或归一化MinMaxScaler。对于偏态分布的数据可能需要进行对数变换、Box-Cox变换等使其更接近正态分布。特征工程这是提升模型性能的关键。可以从原始数据中构造新的特征例如从日期中提取“是否周末”、“季度”从文本中提取情感得分计算一些统计特征如“滚动均值”、“同比/环比”等。特征工程的好坏直接决定了模型性能的上限。3.2 第二步模型选择与训练——没有银弹只有合适B题常见的任务有分类、回归、聚类、时间序列预测、综合评价。预测类回归/分类基础模型线性回归、逻辑回归、决策树。这些模型简单、可解释性强非常适合作为基准模型Baseline。集成模型随机森林、梯度提升树如XGBoost, LightGBM。这是当前数据竞赛中的“王牌”通常能取得很好的效果且能给出特征重要性排序。深度学习对于图像、文本、序列数据可以考虑CNN、RNN/LSTM。但数模竞赛时间紧数据量通常不大深度学习模型容易过拟合且训练时间长需谨慎使用。评价类需要构建评价指标体系。常用方法有层次分析法AHP主观赋权适用于因素间关系清晰但缺乏数据的情况。关键是构造合理的判断矩阵并通过一致性检验。熵权法EWM客观赋权根据各指标数据本身的离散程度信息熵来确定权重。数据波动越大权重越高。TOPSIS法结合AHP或熵权法确定权重后用于对方案进行优劣排序。它计算的是每个方案与理想解的接近程度。模糊综合评价适用于评价指标带有模糊性的问题。时间序列预测ARIMA模型是经典但要求序列平稳。对于非线性、非平稳序列可以考虑ProphetFacebook开源或LSTM。模型选择的关键在于“先简后繁交叉验证”。先用一两个简单模型跑出基准结果再用更复杂的模型尝试提升。务必使用交叉验证如5折或10折来评估模型性能防止过拟合。评价指标要选对分类问题看准确率、精确率、召回率、F1-score、AUC回归问题看均方误差MSE、均方根误差RMSE、平均绝对误差MAE、R²。3.3 第三步模型解释与故事化呈现B题的论文不能只罗列“我们用了XGBoost准确率95%”。评委更关心为什么这个模型有效数据告诉了我们什么故事特征重要性分析对于树模型一定要输出特征重要性条形图。分析哪些特征对预测结果影响最大这个分析结论往往比预测值本身更有价值它能揭示问题背后的关键驱动因素。可解释性AIXAI工具可以使用SHAPSHapley Additive exPlanations值来解释单个预测。SHAP能告诉你对于某一条样本每个特征是如何影响最终预测值偏离平均值的。这能让你的模型从“黑箱”变得部分“透明”。可视化洞察多用图表展示数据规律和模型结果。例如用热力图展示特征间的相关性用学习曲线判断模型是否过拟合/欠拟合用部分依赖图PDP展示单个特征与预测目标的关系。踩坑实录我曾见过一个队伍用神经网络在训练集上达到了99%的准确率欢天喜地。但在测试集上只有60%。这就是典型的过拟合。他们犯了两个错误第一没有划分验证集或进行交叉验证第二模型复杂度过高。在数模竞赛中一个在测试集上稳定在85%的模型远比一个在训练集上99%、测试集上波动巨大的模型要好。模型的泛化能力和稳定性是首要考量。4. 论文写作与时间管理的决胜细节三天时间建模、编程、写作每一项都是硬仗。很多队伍模型做得不错却输在了论文上。论文是你们唯一的产品是评委了解你们工作的唯一窗口。4.1 论文结构八股文里的艺术数模论文有相对固定的结构但如何在框架内写出彩是关键。摘要重中之重评委可能只用几分钟看你的摘要。摘要必须独立成篇概括全部工作。采用“总-分-总”结构总用1-2句话简述问题背景、你们解决的核心问题。分分点阐述针对每个问题你们做了什么用了什么方法、建立了什么模型、得到了什么结果关键数据、结论。避免出现“我们分析了”、“我们建立了”这样的空洞描述直接说“基于熵权法-TOPSIS模型得出XX方案的综合得分最高为8.7”。总总结全文主要结论点明模型的优点如稳健性强、可解释性好和可能的推广方向。问题重述与分析不要照抄题目要用自己的语言提炼问题并分析问题的特点、难点以及解决思路。这里可以展示你们对问题的深刻理解。模型假设与符号说明假设要合理、必要能简化问题又不失一般性。符号说明建议用三线表清晰美观。模型建立与求解这是论文的主体。一定要有“模型准备”小节介绍相关理论或引理。然后分问题、分步骤地阐述模型。公式要编号重要的推导过程要给出。求解部分要说明算法流程建议画流程图并交代关键参数是如何设置的为什么这么设。模型检验与结果分析展示结果并进行充分的讨论。包括灵敏度分析、误差分析、模型对比、结果可视化等。这部分是体现工作深度的核心区域。模型评价与推广客观评价模型的优缺点优点2-3点缺点1-2点。推广方向要具体比如“本模型可应用于同类物流企业的配送规划”而不是空泛的“本模型有广泛应用价值”。参考文献与附录参考文献格式要规范。核心代码、大型图表、原始数据可以放在附录。4.2 时间管理三天作战时间表第一天Day 1选题与开题约6-8小时上午3h各自审题小组讨论确定选题。一旦选定不再更改。下午3h深入分析题目查阅相关文献资料确定初步模型方向。完成问题重述、模型假设、符号说明等前期文字工作。晚上2h建模手完成核心模型框架编程手开始数据预处理或算法原型编写写手开始撰写已确定的部分。第一天结束前必须有一个明确的、可执行的计划。第二天Day 2核心建模与求解约12小时全天这是最紧张的一天。建模手和编程手紧密配合实现模型求解不断调试。写手同步撰写“模型建立与求解”部分。中午和晚上必须进行简短碰头同步进度解决卡点。关键点最迟在第二天下午要得到初步的、有意义的结果。即使不完美也能为后续分析提供基础。第三天Day 3完善分析与论文收官约12-14小时上午4h基于初步结果进行深入的灵敏度分析、模型优化和对比实验。绘制最终的结果图表。下午4h写手完成“结果分析”、“模型评价”等剩余部分。全体成员共同打磨摘要这是反复修改的重中之重。晚上4-6h全文统稿、检查、排版、润色。检查公式编号、图表引用、错别字、格式一致性。最后将论文转换为PDF格式。务必提前至少1小时完成提交以防网络拥堵等意外。4.3 团队协作与心态调整沟通至上保持高频、有效的沟通。遇到问题不要自己硬扛及时提出三人一起头脑风暴。版本管理论文和代码使用网盘或Git进行实时同步避免版本混乱。保持节奏合理安排休息尤其是第二天晚上一定要保证一定时间的睡眠。疲劳战只会导致效率低下和错误频出。拥抱变化计划赶不上变化。当模型走不通时要果断调整方案甚至回溯到更简单的模型。一个完整但简单的解决方案远胜于一个复杂但未完成的半成品。数学建模竞赛是一场智力和体力的马拉松更是团队协作的试金石。它考验的不仅仅是数学和编程能力更是问题拆解、快速学习、有效沟通和抗压能力的综合体现。希望这些从实战中总结出的思路和建议能帮助你在2023年的辽宁省赛中更从容地面对挑战更高效地解决问题。记住最重要的不是最终的名次而是这三天里你们共同思考、共同奋斗、将知识转化为解决方案的完整过程。这份经历本身就是最大的收获。祝各位参赛顺利取得理想的成绩
