企业官网建设流程全解析

2026 数学建模国赛备赛，很多人的第一反应是“我模型还没背熟怎么办”，但真正拉开差距的往往不是模型数量，而是完整流程的熟练度：从拿到题目到提交论文，中间要过数据清洗、特征构造、模型选型、结果可视化、论文排版、查重降重这几关。这篇文章直接把整套备赛路线拆开讲，覆盖工具链、数据处理、三大高频模型、真题拆题方法、AI 辅助建模和论文撰写，零基础也能按顺序执行。

先给一个总览：如果你正在备赛 2026 全国大学生数学建模竞赛，本文会从“用什么工具”、“怎么处理数据”、“三大模型怎么选”、“真题怎么拆”、“AI 提示词怎么用”、“论文怎么写”六个维度展开。全文不是单纯堆模型清单，而是尽量给出可以直接上手的操作流程、代码片段和检查清单。适合第一次参赛的本科生，也适合准备冲击国奖但还没形成完整方法论的小组。

1. 核心能力速览

表格里的所有内容都是备赛路线，没有固定的“显存门槛”或“显卡要求”，普通笔记本电脑就能完成大部分训练和代码运行。真正需要注意的是时间分配、数据质量和模型解释能力，这三样比堆模型更重要。

2. 适用场景与备赛边界

数学建模国赛解决问题的方式，本质上是用数学语言描述实际问题，再通过编程求解，最后用论文讲清楚整个过程。所以本文适用的场景是：

• 刚接触数学建模，不知道从哪开始准备的参赛队伍；
• 已经会基础 Python，但对数据处理和模型选型不熟悉的人；
• 想梳理一套可复用的备赛流程，避免赛前临时抱佛脚；
• 想利用 AI 工具提升写代码、查资料、润色论文效率，但也担心学术规范问题的同学。

在这条备赛路线里，也要先说清楚边界。数学建模竞赛考的是“解决问题能力”，不是“调包能力”。评委真正关注的是你的模型是否合理、假设是否清晰、求解是否可复现、结论是否经得起检验。如果只是把现成代码往题目上套，没有解释清楚为什么选这个模型、数据怎么处理、参数怎么定，最后分数不会高。

AI 工具的使用也一样。目前主流 AI 在辅助编程、解释公式、生成初稿、润色表达方面效率很高，但 AI 生成的模型不一定贴合题目，也可能编造参考文献。更重要的是，竞赛规则对 AI 辅助使用越来越严格，不同年份、不同赛区会有具体说明。稳妥做法是：AI 提供思路和代码片段，自己负责验证和解释；不要把 AI 生成的内容直接复制进论文，也不要把 AI 生成结果当作真实计算结果。

另外，数据处理素材可能来自公开数据集、比赛附件或自己爬取的数据。使用公开数据时注意来源规范；涉及个人隐私、商业数据、版权内容时，要谨慎授权，不要直接公开原始数据。论文中引用的参考文献要真实可查，不能编造。

3. 环境准备与前置条件

数学建模不是把所有时间花在环境配置上，但一套顺手的工具链能节省大量时间。推荐按以下顺序准备。

3.1 编程环境

Python 是当前数学建模最常用的语言，生态完整，matplotlib、pandas、numpy、scikit-learn、scipy 这些库几乎覆盖了从数据处理到模型求解的全部需求。建议安装 Anaconda 或 Miniconda，然后用 conda 创建独立环境，避免依赖冲突。

# 创建数学建模专用环境（Python 3.10） conda create -n mathmodel python=3.10 -y conda activate mathmodel # 安装核心依赖 pip install numpy pandas matplotlib seaborn scipy scikit-learn openpyxl

如果是第一次配置，建议再安装一个代码编辑器，VSCode 和 Jupyter Notebook 二选一。Jupyter 适合数据探索和分步验证，VSCode 适合写完整脚本和调试。赛题做完后，建议把关键代码整理成.py脚本，方便在论文附录中展示。

3.2 写作与排版工具

论文排版是参赛评分中的“门面”，推荐直接用 Word 或 LaTeX。

• Word 上手快，图表插入方便，但公式排版需要使用公式编辑器；
• LaTeX 公式美观、排版专业，但前期需要学习语法；
• 很多参赛队伍用 Word 写初稿，最后用 LaTeX 或 Word 自带公式工具统一排版。

如果队伍里有一个人熟悉 LaTeX，推荐直接使用模板。国赛论文一般包含摘要、问题重述、问题分析、模型假设、符号说明、模型建立与求解、模型检验、模型评价、参考文献、附录等部分，排版时把这些章节结构先建好，后面写内容会轻松很多。

3.3 制图与画流程图工具

数学建模论文中，结构图和流程图非常重要，尤其是模型流程图、数据预处理流程图、算法流程图。推荐用 draw.io 或 ProcessOn 画流程，用 Python 的 matplotlib 画数据图和结果图。图要清晰、有编号、有标题，不要直接用未处理的数据截图。

3.4 硬件要求

数学建模大部分题目在普通笔记本电脑上就能完成。除非涉及深度学习或大规模搜索，否则不需要高性能 GPU。备赛阶段主要瓶颈是磁盘空间和内存，建议保证至少 20GB 剩余空间用于数据和环境。

4. 数据处理全流程

数据处理往往是新手最先崩溃的地方。Excel 打开大文件卡死、日期格式混乱、缺失值不知道填什么、异常值不知道怎么判断，这些问题在赛题中非常常见。这里给出一套可以复用的流程。

4.1 数据导入与格式统一

拿到赛题附件后，第一步不是建模，而是先搞清楚数据长什么样。

import pandas as pd # 读取 Excel 附件 df = pd.read_excel("data.xlsx", sheet_name=0) # 查看数据维度 print(df.shape) # 查看字段名和前 5 行 print(df.columns.tolist()) print(df.head())

如果附件包含多个 sheet，建议先逐个读取并记录每个 sheet 的字段含义。出现中文列名时先统一改成英文字段名或规范的变量名，避免后面写代码时反复切换输入法。

4.2 缺失值处理

缺失值的处理不能无脑填充。需要注意：不同字段的缺失含义不同，有些缺失代表“没有这个数据”，有些缺失代表“该值为 0”，还有的是“未记录”。处理前先看缺失比例。

# 统计缺失值数量 print(df.isnull().sum()) # 数值列：可考虑用中位数填充 df["sales"] = df["sales"].fillna(df["sales"].median()) # 分类列：可考虑用众数填充，或新增“缺失”标记 df["city"] = df["city"].fillna("unknown")

如果某个字段缺失比例超过 50%，要慎重决定是否使用。缺失过多时，模型很容易学到错误规律，不如直接丢弃或做标记。

4.3 异常值处理

异常值可以用箱线图、Z-score 或业务逻辑判断。注意，异常值不一定要删除——有些题目考察的恰恰是异常点背后的原因。

import numpy as np def detect_outliers_zscore(series, threshold=3): z = np.abs((series - series.mean()) / series.std()) return series[z > threshold].index.tolist() outliers = detect_outliers_zscore(df["price"]) print(outliers)

如果题目本身是预测类，异常值通常会拉高误差，需要剔除或平滑；如果题目是监测类或异常检测类，异常点反而是重点分析对象。处理前要想清楚模型目的。

4.4 数据标准化与归一化

不同量纲的数据进入模型前需要统一尺度。比如评价类问题中，价格是万元量级，满意度是 0-5 分，如果直接用原始值，价格会因为数值大而主导结果。

from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() df[["price_norm", "satisfaction_norm"]] = scaler.fit_transform(df[["price", "satisfaction"]])

归一化会把数据映射到 [0,1] 区间，标准化则让数据均值为 0、方差为 1。评价类模型多用归一化，回归和聚类类模型常用标准化。

4.5 数据可视化与探索

建模前先画图，这一步不能省。通过散点图、箱线图、热力图可以快速发现变量之间的关系。

import matplotlib.pyplot as plt import seaborn as sns sns.pairplot(df[["sales", "price", "satisfaction"]]) plt.savefig("pairplot.png", dpi=150)

热力图适合看数值变量之间的相关性：

corr = df[["sales", "price", "satisfaction"]].corr() sns.heatmap(corr, annot=True, cmap="RdBu_r") plt.savefig("corr.png", dpi=150)

可视化结果可以直接放到论文“数据探索”部分，这是很多获奖论文都会有的加分项。

5. 三大高频模型拆解

数学建模赛题虽然千变万化，但模型选择经常落在评价决策、预测、优化这三个方向上。这里给出每个方向的常用模型、适用条件和 Python 实现思路。

5.1 评价决策类模型

常见题目是“对多个方案排序”“评估城市竞争力”“评价多种路线优劣”。这类问题的核心是先确定评价指标体系，再选择评价方法。

常用方法包括：

• 层次分析法（AHP）：适合指标少、主观判断重的场景；
• 熵权法：适合由数据客观确定权重的场景；
• TOPSIS 法：适合有多个方案、多个指标，需要贴近理想解的排序场景；
• 灰色关联度分析：适合数据少、规律不明显的场景。

TOPSIS 是国赛中出场率很高的方法。下面是结合熵权法和 TOPSIS 的简化实现。

import numpy as np import pandas as pd # 假设 X 为 n 个方案、m 个指标 的矩阵 X = np.array([ [0.8, 0.7, 0.9], [0.6, 0.9, 0.5], [0.7, 0.6, 0.8] ]) # 归一化（这里用极差归一化，假设所有指标都是正向指标） X_norm = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0)) # 熵权法求权重 p = X_norm / X_norm.sum(axis=0) k = 1 / np.log(X.shape[0]) e = -k * np.sum(p * np.log(p + 1e-12), axis=0) w = (1 - e) / np.sum(1 - e) # TOPSIS 计算正负理想解和得分 V = X_norm * w ideal_best = V.max(axis=0) ideal_worst = V.min(axis=0) d_best = np.sqrt(((V - ideal_best) ** 2).sum(axis=1)) d_worst = np.sqrt(((V - ideal_worst) ** 2).sum(axis=1)) score = d_worst / (d_best + d_worst) print("权重:", w) print("得分:", score)

使用评价类模型时，最关键的是指标正负方向处理和权重的可解释性。论文里一定要写清楚为什么选这些指标、权重如何得出，不是把代码跑完就结束。

5.2 预测类模型

预测类题目一般给历史数据，让预测未来值。常见方法从简单到复杂包括：

• 线性回归：适合趋势明显、变量关系线性；
• 时间序列模型（ARIMA、SARIMA）：适合单变量时间序列；
• 灰色预测 GM(1,1)：适合数据量少、指数增长趋势明显的场景；
• 随机森林、XGBoost：适合多特征、非线性关系的回归预测；
• LSTM 等深度学习：适合长序列、大数据量，但训练成本高、解释性弱。

国赛中，数据量中等或偏少时，时间序列模型和灰色预测依然是首选，因为可解释性强。下面是一个 ARIMA 的快速示例。

import pandas as pd from statsmodels.tsa.arima.model import ARIMA # 读取单变量时间序列 data = pd.read_csv("sales.csv", parse_dates=["date"], index_col="date") series = data["sales"] # 差分后确认平稳性后建模 model = ARIMA(series, order=(1, 1, 1)) result = model.fit() # 预测未来 7 期 forecast = result.forecast(steps=7) print(forecast)

使用预测类模型时，一定要做误差评估。常见指标包括 MAE、RMSE、MAPE。预测结果画图时，要把历史值、真实测试值、预测值画在一起，并标注置信区间或误差带，论文表达会更完整。

5.3 优化类模型

优化类题目通常是“在一定约束下，最大化收益或最小化成本”。常见模型包括线性规划、整数规划、非线性规划、动态规划、遗传算法、模拟退火等。

小规模问题直接用 scipy.optimize 或 pulp 求解；大规模、非线性、组合爆炸问题，可以用启发式算法。下面是一个简单的线性规划示例。

from scipy.optimize import linprog # 最大化：3x1 + 5x2 # 约束：x1 + 2x2 <= 10, 3x1 + x2 <= 12, x1,x2 >= 0 # linprog 默认做最小化，取负号转换 c = [-3, -5] A_ub = [[1, 2], [3, 1]] b_ub = [10, 12] bounds = [(0, None), (0, None)] res = linprog(c, A_ub=A_ub, b_ub=b_ub, bounds=bounds, method="highs") print(res.x) print(-res.fun)

优化类模型的难点不在求解器，而在建模。约束条件有没有写全、目标函数是否线性、决策变量是否可拆分，这些才是评阅重点。写完模型后，最好先用小规模样例验证结果合理性，再扩大规模求解。

如果问题规模很大，可以用遗传算法框架，下面是简单的遗传算法骨架：

import random def fitness(x): # 示例适应度函数，实际需按题目替换 return sum(x) def mutate(solution, prob=0.1): new = solution[:] for i in range(len(new)): if random.random() < prob: new[i] = 1 - new[i] return new pop = [[random.randint(0, 1) for _ in range(10)] for _ in range(50)] for gen in range(100): pop.sort(key=lambda x: fitness(x), reverse=True) new_pop = pop[:10] while len(new_pop) < 50: p1, p2 = random.sample(new_pop[:10], 2) cut = random.randint(1, 9) child = p1[:cut] + p2[cut:] child = mutate(child) new_pop.append(child) pop = new_pop print(pop[0], fitness(pop[0]))

注意，启发式算法的结果有随机性，正式提交前要多跑几次，记录最优解、最差解、平均耗时，并在论文中写清楚参数设置。

6. 真题拆解与选题策略

真题拆解不是把题目看一遍，而是拆出“已知条件、目标、约束、可用数据、评价点”五个要素。拿到题目后，建议按下面的模板记录：

拆题时要注意，题目中经常有多问递进关系。第一问一般是数据可视化或简单建模，第二问开始引入新的因素，第三问会把模型做复杂。答题时不要跳过第一问直接做第三问，每一问都要有自己的分析和输出。

选题策略上，A 题偏物理、工科，常需要微分方程和机理建模；B 题偏决策和管理，适合逻辑分析强的队伍；C 题偏数据挖掘和预测，适合编程能力强的队伍。第一次参赛的队伍，建议优先选数据量相对可控、模型链条清晰的题目，不要一上来追求难题。

7. AI 应用与提示词工程

AI 在数学建模备赛中最有价值的场景有三个：快速理解概念、辅助生成代码、润色论文表达。下面给出可以直接套用的提示词写法。

7.1 建模思路生成提示词

不要问“给我一个模型”，要先把题目要素给全。

你是一名数学建模竞赛指导老师。现在有一个题目：XXX。 已知条件：XXXX。 需要求解：XXXX。 请给出： 1. 该问题的建模思路； 2. 2-3 个候选模型，并对比优缺点； 3. 推荐模型的详细建模步骤； 4. 需要的计算工具和代码框架。

用这种结构化的提问方式，AI 的回答会更具体，也更像一份可执行的建模方案，而不是泛泛而谈。

7.2 数据处理代码生成提示词

写代码遇到不熟悉的库时，把数据样例和需求一起给 AI。

我有一个 DataFrame，包含字段：date, city, sales, price。 现在需要： 1. 按 city 分组统计 sales 的中位数； 2. 对缺失值用中位数填充； 3. 把日期列转为 datetime 类型，并新增月、周、星期字段； 4. 生成一个折线图，展示每个城市的销售趋势。 请给出完整 Python 代码，并加上必要的注释。

这种提示词让 AI 生成的代码更贴合任务，减少来回修改。

7.3 论文润色提示词

论文写完后，可以用 AI 检查逻辑和表达，但不要直接整段替换。

你是一名学术论文编辑。请帮我润色以下段落，要求： 1. 保持原意不变； 2. 使表达更简洁、专业； 3. 不增加虚构内容； 4. 如果发现逻辑不连贯，请指出问题并给出修改建议。 原文：XXXX

需要注意，AI 润色后的内容仍然需要自己核对数据、公式和结论。尤其是摘要部分，评委阅读密度很高，任何事实性错误都会被放大。

7.4 AI 使用合规边界

不同年份的竞赛规则不同，有些赛区要求注明使用了哪些 AI 工具，有些赛区对 AI 生成内容有比例限制。备赛阶段就养成记录习惯：每次用 AI 时，保存对话内容、生成时间、使用目的，比赛截止前再按当年规则整理。这样做一方面保证合规，另一方面也能追溯到“哪段代码是 AI 写的、哪段是自己改的”，避免答辩时讲不清楚。

8. 论文撰写与排版

论文是建模结果的最重要载体。即使模型很简单，一篇逻辑清晰、图表规范的论文也能拿到不错分数；反过来，模型再复杂，如果表达混乱，评阅体验也会很差。

8.1 摘要撰写

摘要的权重非常高。评委可能不会细读每一页论文，但一定会看摘要。建议按照“问题背景 + 方法 + 结果 + 精度评估”的结构写，每个问题尽量用一句话概括方法，用一句话给出结果。

例如：

针对 XXX 问题，建立了基于 TOPSIS 的综合评价模型。首先通过熵权法确定各指标权重，然后利用 TOPSIS 计算相对贴近度，得到各方案的排序。结果表明，方案 X 在综合表现上最优，排序结果通过了灵敏度分析验证。

避免写“本文研究了……”“对问题进行了深入分析”这类空话。

8.2 图表规范

论文中的每张图都要有编号、标题、坐标轴标签。数据图用 Python 生成后，导出 PNG 时分辨率建议不低于 150dpi。流程图用 draw.io 画完后导出为高清 PNG 或 PDF。表格尽量使用三线表样式，不要贴 Excel 原始截图。

8.3 LaTeX 快速上手

如果选择 LaTeX，建议提前准备好模板，下面是一个精简示例：

\documentclass[12pt, a4paper]{article} \usepackage{ctex} \usepackage{amsmath} \usepackage{graphicx} \begin{document} \section{问题分析} ... \section{模型建立与求解} ... \begin{equation} y = ax^2 + bx + c \end{equation} \end{document}

第一次用 LaTeX 时不用追求复杂的自定义，只要保证公式、图片、参考文献能正常编译即可。

8.4 查重与降重

论文写完后建议用查重软件做一次重复率检查。降低重复率的正确方式是：把“模型原理部分”用自己的语言概括，把“结果分析”写成基于自己计算数据的判断，把“参考文献”整理成真实可查实的列表。不要用翻译软件来回翻译来降重，那会导致句子语义失真、技术表达错漏。

9. 备赛文档管理与冲刺计划

完整的备赛文档应该包含：题目原文、数据附件、数据处理脚本、模型代码、实验记录、图表输出、论文草稿、AI 对话记录。建议按下面的目录结构管理：

2026_math_modeling/ ├── data/ │ ├── raw/ │ └── processed/ ├── code/ │ ├── data_preprocess.py │ ├── model_eval.py │ ├── model_forecast.py │ └── model_optimize.py ├── figures/ ├── paper/ │ ├── main.tex │ ├── main.docx │ └── references.bib └── ai_records/

备赛阶段建议每支队伍每周完成一次“限时模拟”：拿一套往年真题，按正式比赛的时间分配，从读题到出论文完整走一遍。第一次模拟一定会超时，这没问题，关键是复盘时间花在哪、哪个环节阻塞、分工是否合理。赛前至少完成 2 到 3 次完整模拟，团队节奏会有明显提升。

10. 常见问题与排查方法

11. 最佳实践与备赛建议

第一条，先跑通最小闭环。备赛前期不要求做完整难题，可以拿一道往年 C 题，从读数据到出图和简单预测，完成一次全部流程。流程跑通了，后面加模型才有效果。

第二条，固定分工而不是固定角色。三个人分别负责模型为主、编程为主、论文为主，但每个人都要能看懂整个流程。比赛前一周可以做一次交叉检查：写论文的人读模型代码，负责模型的人看摘要，提前发现问题。

第三条，模型可解释性优先。国赛更看重一个指标：评委能否看懂你的模型。复杂模型不是不能用，但必须用中文把思路讲清楚，配合流程图和公式推导。如果模型复杂到自己都解释不了，大概率也拿不到高分。

第四条，AI 是辅助，不是替代。不要让 AI 替你写结论。AI 可以帮助选型、写函数、润色表达，但不能替你做实验、替你做判断。每次利用 AI 生成内容，都要预留时间人工验证，尤其是计算结果、参考文献和摘要中的关键数字。

第五条，提前准备一套自己的模板和工具箱。包括数据清洗函数、绘图样式、论文模板、摘要模板和常用模型代码。比赛时直接复用，可以节省大量时间。平时每次做完题，都把好用的代码整理到工具箱里，而不是赛前临时找。

12. 总结

2026 数学建模国赛备赛的核心，不是记住所有模型，而是把“读题、数据处理、模型选型、编程求解、论文排版”这条链路跑顺。建议从上手一套往年真题开始，先完成数据清洗和可视化，再补评价、预测、优化三个方向的模型代码，最后完整写一篇论文走一遍流程。

如果这篇备赛思路对你有用，建议收藏备用。备赛过程中的难点往往不是你选的模型不够高级，而是数据和表达没有讲清楚。把基础流程练熟，比临时背十个模型更稳。