1. 項(xiàng)目緣起一份遲到的“數(shù)學(xué)建模”工具箱如果你正在準(zhǔn)備數(shù)學(xué)建模比賽或者對(duì)如何將數(shù)學(xué)知識(shí)應(yīng)用到解決實(shí)際問題感興趣那么你大概率在網(wǎng)上搜索過“數(shù)學(xué)建模資料”。結(jié)果往往是海量的、零散的、質(zhì)量參差不齊的PDF、PPT和博客鏈接。你可能下載了幾個(gè)G的壓縮包解壓后發(fā)現(xiàn)里面既有十幾年前的陳舊案例也有語焉不詳?shù)拇a片段真正能幫你理清思路、構(gòu)建模型的核心內(nèi)容反而淹沒在信息的海洋里。這份“2021-2022年數(shù)學(xué)建模資料匯總——數(shù)學(xué)模型篇”正是為了解決這個(gè)問題而生。它不是又一個(gè)簡(jiǎn)單的網(wǎng)盤鏈接合集而是一個(gè)經(jīng)過篩選、梳理和解讀的“工具箱”。我的目標(biāo)很明確將這兩年2021-2022數(shù)學(xué)建模競(jìng)賽中那些被反復(fù)驗(yàn)證、高效實(shí)用的主流數(shù)學(xué)模型從浩如煙海的資料中打撈出來為你呈現(xiàn)其核心思想、適用場(chǎng)景、實(shí)現(xiàn)要點(diǎn)以及那些資料里不會(huì)寫的“坑”。無論你是初次參賽的新手還是希望提升建模能力的老手這份聚焦于“模型本身”的匯總都能幫你快速搭建知識(shí)框架避免在資料迷宮中浪費(fèi)時(shí)間。2. 數(shù)學(xué)模型的價(jià)值從問題到方案的“翻譯器”在深入具體模型之前我們必須先達(dá)成一個(gè)共識(shí)數(shù)學(xué)模型到底是什么很多人把它等同于復(fù)雜的公式和晦澀的推導(dǎo)這其實(shí)是一個(gè)誤區(qū)。在我看來數(shù)學(xué)模型本質(zhì)上是一個(gè)“翻譯器”和“實(shí)驗(yàn)沙盤”。它的核心工作流程是這樣的首先我們將現(xiàn)實(shí)中一個(gè)模糊、復(fù)雜的問題比如“城市共享單車的調(diào)度優(yōu)化”、“疫情傳播趨勢(shì)預(yù)測(cè)”通過合理的簡(jiǎn)化和假設(shè)“翻譯”成數(shù)學(xué)語言變量、方程、約束條件。然后我們?cè)谶@個(gè)純粹的數(shù)學(xué)世界里進(jìn)行推演、計(jì)算和優(yōu)化。最后再將數(shù)學(xué)結(jié)果“翻譯”回現(xiàn)實(shí)世界給出預(yù)測(cè)、決策或解釋。這個(gè)“沙盤”允許我們以極低的成本進(jìn)行無數(shù)次“如果…那么…”的推演這是任何物理實(shí)驗(yàn)都無法比擬的優(yōu)勢(shì)。因此評(píng)價(jià)一個(gè)數(shù)學(xué)模型的好壞絕不只看它用了多高深的數(shù)學(xué)工具而要看它是否恰當(dāng)?shù)赝瓿闪诉@次“翻譯”。一個(gè)用簡(jiǎn)單線性回歸就能很好擬合的問題非要用深度神經(jīng)網(wǎng)絡(luò)那就是“殺雞用牛刀”不僅計(jì)算成本高還容易過擬合導(dǎo)致在“沙盤”里玩得風(fēng)生水起回到現(xiàn)實(shí)卻一塌糊涂。接下來我們要討論的各類模型都是在特定場(chǎng)景下被證明“恰當(dāng)”的經(jīng)典工具。3. 核心模型分類與選型邏輯像老手一樣思考面對(duì)一個(gè)具體賽題新手最容易犯的錯(cuò)就是“手里有把錘子看什么都像釘子”把自己剛學(xué)會(huì)的模型生搬硬套上去。老手的思考方式則截然不同他們是“先看釘子再選工具”。下面我根據(jù)2021-2022年國(guó)賽、美賽等主流賽題的出題趨勢(shì)將高頻模型分為幾大類并闡述其內(nèi)在的選型邏輯。3.1 優(yōu)化類模型當(dāng)你的目標(biāo)是“最好”優(yōu)化模型要回答的問題是“在滿足一系列條件的前提下如何使某個(gè)目標(biāo)達(dá)到最優(yōu)最大或最小” 這是數(shù)學(xué)建模中最龐大、最經(jīng)典的一類。線性/整數(shù)規(guī)劃這是優(yōu)化模型的基石。如果你的目標(biāo)函數(shù)和約束條件都能用決策變量的線性表達(dá)式來描述并且決策變量可以取實(shí)數(shù)線性規(guī)劃LP或必須取整數(shù)整數(shù)規(guī)劃IP那么這就是你的首選。例如2021年國(guó)賽C題“生產(chǎn)企業(yè)原材料的訂購與運(yùn)輸”中在給定供應(yīng)商供貨能力和企業(yè)需求的情況下制定成本最低的訂購與運(yùn)輸方案其核心就是一個(gè)大規(guī)模的線性/整數(shù)規(guī)劃問題。它的優(yōu)勢(shì)在于理論成熟有單純形法、分支定界法等高效通用算法軟件支持好Lingo, MATLAB優(yōu)化工具箱Python的PuLP、SciPy。選型心法首先判斷目標(biāo)如成本、利潤(rùn)和限制條件如產(chǎn)能、庫存、需求是否都能寫成a1*x1 a2*x2 ... b這樣的線性形式。如果可以且變量連續(xù)性要求符合直接上線性規(guī)劃。非線性規(guī)劃當(dāng)目標(biāo)函數(shù)或約束條件中出現(xiàn)了非線性項(xiàng)如平方、指數(shù)、三角函數(shù)或變量相乘就進(jìn)入了非線性規(guī)劃領(lǐng)域。例如涉及收益率與風(fēng)險(xiǎn)平方關(guān)系的投資組合優(yōu)化問題。求解難度遠(yuǎn)大于線性規(guī)劃通常依賴迭代算法如梯度下降、內(nèi)點(diǎn)法尋找局部最優(yōu)解。選型心法謹(jǐn)慎使用先問自己非線性關(guān)系是否本質(zhì)且不可簡(jiǎn)化能否通過變量代換轉(zhuǎn)化為線性如果必須用要做好調(diào)參和初始值敏感性的心理準(zhǔn)備。動(dòng)態(tài)規(guī)劃用于解決具有多階段決策和最優(yōu)子結(jié)構(gòu)特性的問題。它的核心思想是“分而治之”“記住過去”把一個(gè)大問題分解為一系列小問題并通過保存中間結(jié)果來避免重復(fù)計(jì)算。經(jīng)典的背包問題、最短路徑問題都是其應(yīng)用。在資源分配、生產(chǎn)計(jì)劃等涉及時(shí)間序列決策的題目中常見。選型心法問題是否可以清晰地劃分為多個(gè)階段如時(shí)間點(diǎn)、決策步驟當(dāng)前階段的最優(yōu)決策是否只依賴于當(dāng)前狀態(tài)和后續(xù)階段決策而與之前階段如何達(dá)到此狀態(tài)無關(guān)如果答案是肯定的動(dòng)態(tài)規(guī)劃很可能是一把利器。啟發(fā)式算法當(dāng)問題規(guī)模巨大、屬于NP難問題如旅行商問題TSP、車輛路徑問題VRP精確算法在有限時(shí)間內(nèi)無法求解時(shí)我們就需要啟發(fā)式算法。這類算法不保證找到最優(yōu)解但能在可接受時(shí)間內(nèi)找到高質(zhì)量近似解。包括遺傳算法、模擬退火、蟻群算法、粒子群算法等。選型心法這是你的“終極武器”。當(dāng)精確模型線性/非線性規(guī)劃建模復(fù)雜或求解不動(dòng)時(shí)才考慮使用。選擇哪種啟發(fā)式算法有一定經(jīng)驗(yàn)性遺傳算法擅長(zhǎng)全局搜索模擬退火適用于解空間崎嶇的問題蟻群/粒子群在路徑優(yōu)化上表現(xiàn)良好。一個(gè)關(guān)鍵技巧可以用精確算法求解小規(guī)模問題將其結(jié)果作為啟發(fā)式算法效果的基準(zhǔn)。3.2 預(yù)測(cè)與評(píng)價(jià)類模型洞察趨勢(shì)與做出判斷這類模型旨在基于現(xiàn)有數(shù)據(jù)推斷未來或評(píng)估現(xiàn)狀。時(shí)間序列分析專門用于處理按時(shí)間順序排列的數(shù)據(jù)點(diǎn)預(yù)測(cè)未來趨勢(shì)。包括移動(dòng)平均、指數(shù)平滑、ARIMA模型等。在預(yù)測(cè)產(chǎn)品銷量、股票價(jià)格、氣候變化等題目中極為常見。選型心法你的數(shù)據(jù)是否有明顯的時(shí)間戳是否具有趨勢(shì)性、季節(jié)性或周期性ARIMA模型是萬金油但需要檢驗(yàn)序列的平穩(wěn)性通常需差分處理。對(duì)于非線性趨勢(shì)可以考慮Facebook開源的Prophet模型它對(duì)缺失值和異常值更穩(wěn)健且在2021-2022年的參賽論文中曝光率顯著上升。機(jī)器學(xué)習(xí)預(yù)測(cè)模型當(dāng)預(yù)測(cè)變量不止時(shí)間還有諸多其他影響因素時(shí)就需要機(jī)器學(xué)習(xí)模型。從經(jīng)典的線性回歸、決策樹到集成學(xué)習(xí)隨機(jī)森林、XGBoost再到深度學(xué)習(xí)LSTM用于時(shí)序數(shù)據(jù)。選型心法這是一個(gè)“數(shù)據(jù)驅(qū)動(dòng)”的選擇。數(shù)據(jù)量小、特征間關(guān)系線性假設(shè)強(qiáng)用線性回歸。數(shù)據(jù)量中等、需要捕捉非線性關(guān)系且可解釋性要求高用隨機(jī)森林。數(shù)據(jù)量大、特征復(fù)雜且預(yù)測(cè)精度是唯一追求可以嘗試XGBoost或LightGBM。特別注意在數(shù)學(xué)建模比賽中除非賽題數(shù)據(jù)量特別大且特征復(fù)雜如圖像、文本否則慎用深度學(xué)習(xí)模型其“黑箱”性質(zhì)和調(diào)參復(fù)雜度可能得不償失。評(píng)價(jià)模型用于對(duì)多個(gè)對(duì)象方案、企業(yè)、地區(qū)進(jìn)行綜合排序或分級(jí)。經(jīng)典方法包括層次分析法、模糊綜合評(píng)價(jià)、TOPSIS法、數(shù)據(jù)包絡(luò)分析等。選型心法層次分析法適用于定性指標(biāo)多、需要專家打分確定權(quán)重的場(chǎng)景但主觀性強(qiáng)。TOPSIS法優(yōu)劣解距離法更客觀它找出理想最優(yōu)解和最劣解然后計(jì)算每個(gè)對(duì)象與它們的距離來排序在2022年涉及方案評(píng)價(jià)的賽題中應(yīng)用廣泛。DEA則適用于多輸入多輸出的效率評(píng)價(jià)如學(xué)校、醫(yī)院的績(jī)效評(píng)估。3.3 機(jī)理分析與仿真類模型探索內(nèi)在規(guī)律這類模型不依賴于大量數(shù)據(jù)而是基于物理、化學(xué)、生物等學(xué)科的基本定律來構(gòu)建。微分方程模型描述事物狀態(tài)隨時(shí)間變化的速率是機(jī)理建模的王者。從人口增長(zhǎng)的Malthus模型、Logistic模型到傳染病傳播的SIR/SEIR模型再到生態(tài)學(xué)中的捕食者-被捕食者模型。選型心法問題是否涉及“變化率”變量之間是否存在明確的依賴關(guān)系如人口增長(zhǎng)率與當(dāng)前人口成正比如果答案是肯定的嘗試用微分方程描述。求解和分析求平衡點(diǎn)、穩(wěn)定性分析比編程實(shí)現(xiàn)更重要。元胞自動(dòng)機(jī)與多智能體仿真用于模擬復(fù)雜系統(tǒng)的涌現(xiàn)行為。元胞自動(dòng)機(jī)在模擬森林火災(zāi)、交通流、城市規(guī)劃等方面有奇效。多智能體仿真則適用于模擬個(gè)體之間存在交互的群體行為如人群疏散、市場(chǎng)交易、鳥群飛行。選型心法當(dāng)你面對(duì)的系統(tǒng)由大量簡(jiǎn)單個(gè)體組成整體復(fù)雜行為源于個(gè)體間簡(jiǎn)單的局部交互規(guī)則時(shí)就該想到它們。這類模型優(yōu)勢(shì)在于直觀、靈活但仿真結(jié)果嚴(yán)重依賴于規(guī)則設(shè)計(jì)需要仔細(xì)校準(zhǔn)和驗(yàn)證。網(wǎng)絡(luò)科學(xué)模型將系統(tǒng)抽象為節(jié)點(diǎn)和邊構(gòu)成的網(wǎng)絡(luò)研究其拓?fù)浣Y(jié)構(gòu)和動(dòng)力學(xué)。用于分析社交網(wǎng)絡(luò)、交通網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、論文引用網(wǎng)絡(luò)等。選型心法問題是否可以自然地抽象為“關(guān)系”和“連接”你需要分析的是連通性、中心性誰最重要、社區(qū)結(jié)構(gòu)如何分組還是傳播動(dòng)力學(xué)如信息、疾病在網(wǎng)絡(luò)中擴(kuò)散網(wǎng)絡(luò)科學(xué)提供了一整套度量指標(biāo)和分析工具。3.4 數(shù)據(jù)處理與特征工程一切模型的基礎(chǔ)在應(yīng)用任何高級(jí)模型之前80%的功夫可能花在了數(shù)據(jù)預(yù)處理上。這部分常被資料忽略卻是決定模型成敗的關(guān)鍵。數(shù)據(jù)清洗處理缺失值刪除、均值/中位數(shù)填充、插值、模型預(yù)測(cè)填充處理異常值箱線圖識(shí)別、3σ原則、孤立森林。特征構(gòu)建與變換從原始數(shù)據(jù)中創(chuàng)造更有信息量的特征。例如從日期中提取“是否周末”、“季度”對(duì)數(shù)值特征進(jìn)行標(biāo)準(zhǔn)化/歸一化對(duì)分類特征進(jìn)行獨(dú)熱編碼。降維當(dāng)特征過多、存在共線性時(shí)使用主成分分析或線性判別分析進(jìn)行降維既能減少計(jì)算量有時(shí)還能提升模型性能。注意永遠(yuǎn)不要拿到數(shù)據(jù)就直接套模型?；〞r(shí)間做描述性統(tǒng)計(jì)、可視化散點(diǎn)圖、分布圖、熱力圖理解數(shù)據(jù)的故事這往往能幫你發(fā)現(xiàn)潛在問題甚至直接找到解題靈感。4. 模型實(shí)現(xiàn)工具鏈與避坑指南知道用什么模型下一步就是如何實(shí)現(xiàn)。這里我結(jié)合近兩年的實(shí)踐給出最主流的工具選擇和關(guān)鍵步驟。4.1 編程語言與平臺(tái)選擇目前數(shù)學(xué)建模的“三駕馬車”是MATLAB、Python和R偶爾有團(tuán)隊(duì)使用Julia或Lingo。MATLAB在優(yōu)化自帶強(qiáng)大的優(yōu)化工具箱、仿真Simulink、數(shù)值計(jì)算和繪圖方面依然有巨大優(yōu)勢(shì)。對(duì)于涉及復(fù)雜矩陣運(yùn)算、控制系統(tǒng)、信號(hào)處理的題目MATLAB是首選。其語法簡(jiǎn)潔內(nèi)置函數(shù)豐富但商業(yè)軟件許可和封裝性過強(qiáng)不利于理解底層是其缺點(diǎn)。Python已成為絕對(duì)主流。其生態(tài)系統(tǒng)無敵NumPy/Pandas數(shù)據(jù)處理、Scikit-learn機(jī)器學(xué)習(xí)、Statsmodels統(tǒng)計(jì)分析、PuLP/CVXPY優(yōu)化、NetworkX網(wǎng)絡(luò)科學(xué)。開源免費(fèi)、社區(qū)活躍、代碼可讀性強(qiáng)。缺點(diǎn)是環(huán)境配置和包管理對(duì)新手可能是個(gè)挑戰(zhàn)。R在統(tǒng)計(jì)分析和數(shù)據(jù)可視化方面極其出色ggplot2繪制的圖形非常精美。生物統(tǒng)計(jì)、計(jì)量經(jīng)濟(jì)等領(lǐng)域的研究者偏愛R。但在通用性和算法庫的廣度上略遜于Python。我的建議新手隊(duì)伍可以優(yōu)先統(tǒng)一使用Python資源最多天花板最高。如果隊(duì)伍中有MATLAB高手可以混合使用用MATLAB處理核心計(jì)算用Python做數(shù)據(jù)爬取和預(yù)處理。4.2 典型模型實(shí)現(xiàn)流程與代碼片段以Python為例這里給出兩個(gè)高頻模型的簡(jiǎn)化實(shí)現(xiàn)框架重點(diǎn)在于流程和關(guān)鍵庫的使用。示例一TOPSIS綜合評(píng)價(jià)法import pandas as pd import numpy as np # 1. 構(gòu)建原始評(píng)價(jià)矩陣 (假設(shè)有m個(gè)評(píng)價(jià)對(duì)象n個(gè)評(píng)價(jià)指標(biāo)) data pd.read_csv(evaluation_data.csv) # m行 n列 matrix data.values # 2. 數(shù)據(jù)標(biāo)準(zhǔn)化 (向量歸一化) norm_matrix matrix / np.sqrt((matrix**2).sum(axis0)) # 3. 構(gòu)造加權(quán)規(guī)范陣 (假設(shè)權(quán)重向量weights已給定如通過AHP求得) weights np.array([0.2, 0.3, 0.1, 0.4]) # 權(quán)重和為1 weighted_norm_matrix norm_matrix * weights # 4. 確定理想解和負(fù)理想解 # 假設(shè)均為效益型指標(biāo)越大越好成本型指標(biāo)需先正向化 ideal_best weighted_norm_matrix.max(axis0) ideal_worst weighted_norm_matrix.min(axis0) # 5. 計(jì)算各對(duì)象到理想解的距離 dist_to_best np.sqrt(((weighted_norm_matrix - ideal_best)**2).sum(axis1)) dist_to_worst np.sqrt(((weighted_norm_matrix - ideal_worst)**2).sum(axis1)) # 6. 計(jì)算相對(duì)貼近度 closeness dist_to_worst / (dist_to_best dist_to_worst) # 7. 排序 ranking pd.DataFrame({對(duì)象: data.index, 貼近度: closeness}) ranking ranking.sort_values(by貼近度, ascendingFalse) print(ranking)關(guān)鍵點(diǎn)務(wù)必在第一步前完成指標(biāo)的正向化將所有指標(biāo)轉(zhuǎn)化為效益型和無量綱化此處用向量歸一化也可用極差法。權(quán)重的確定是另一個(gè)關(guān)鍵常與AHP結(jié)合。示例二ARIMA時(shí)間序列預(yù)測(cè)import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.stattools import adfuller from statsmodels.tsa.arima.model import ARIMA import warnings warnings.filterwarnings(ignore) # 1. 讀取時(shí)間序列數(shù)據(jù)確保索引為時(shí)間類型 df pd.read_csv(time_series_data.csv, parse_dates[date], index_coldate) ts df[value] # 2. 平穩(wěn)性檢驗(yàn) (Augmented Dickey-Fuller test) result adfuller(ts) print(ADF Statistic:, result[0]) print(p-value:, result[1]) if result[1] 0.05: print(序列非平穩(wěn)需要進(jìn)行差分。) ts_diff ts.diff().dropna() # 一階差分 # 可重復(fù)檢驗(yàn)直到平穩(wěn) else: print(序列平穩(wěn)。) ts_diff ts # 3. 確定ARIMA模型的(p,d,q)參數(shù) # d: 差分次數(shù)上一步已確定。 # 通過觀察自相關(guān)圖(ACF)和偏自相關(guān)圖(PACF)初步判斷p和q from statsmodels.graphics.tsaplots import plot_acf, plot_pacf fig, axes plt.subplots(1, 2, figsize(12,4)) plot_acf(ts_diff, axaxes[0]) plot_pacf(ts_diff, axaxes[1]) plt.show() # 4. 模型擬合 (假設(shè)通過觀察和網(wǎng)格搜索確定 p1, d1, q1) model ARIMA(ts, order(1,1,1)) model_fit model.fit() print(model_fit.summary()) # 5. 預(yù)測(cè)未來n期 forecast_steps 10 forecast model_fit.forecast(stepsforecast_steps) print(forecast) # 6. 可視化 plt.figure(figsize(10,6)) plt.plot(ts, labelObserved) plt.plot(pd.date_range(startts.index[-1], periodsforecast_steps1, freqM)[1:], forecast, labelForecast, colorred) plt.legend() plt.show()關(guān)鍵點(diǎn)ARIMA建模的核心是確定(p,d,q)。d通過差分使序列平穩(wěn)。p自回歸階數(shù)看PACF截尾處q移動(dòng)平均階數(shù)看ACF截尾處。在實(shí)際比賽中常使用auto_arima來自pmdarima庫進(jìn)行自動(dòng)參數(shù)搜索但理解其原理至關(guān)重要。4.3 常見“大坑”與應(yīng)對(duì)策略模型假設(shè)不滿足這是最致命的錯(cuò)誤。例如使用線性回歸卻存在多重共線性或異方差性使用ARIMA但序列不平穩(wěn)。對(duì)策在應(yīng)用任何模型前花時(shí)間檢驗(yàn)其核心假設(shè)。用VIF檢驗(yàn)共線性用White檢驗(yàn)或殘差圖看異方差用ADF檢驗(yàn)平穩(wěn)性。過擬合模型在訓(xùn)練集上表現(xiàn)完美在測(cè)試集或新數(shù)據(jù)上一塌糊涂。尤其在機(jī)器學(xué)習(xí)模型中常見。對(duì)策始終劃分訓(xùn)練集和測(cè)試集使用交叉驗(yàn)證對(duì)于復(fù)雜模型如多項(xiàng)式回歸、深度網(wǎng)絡(luò)加入正則化項(xiàng)追求模型的簡(jiǎn)潔性。結(jié)果解釋牽強(qiáng)得到了一個(gè)數(shù)學(xué)上漂亮的解卻無法給出合理解釋。對(duì)策建模過程中要時(shí)刻與實(shí)際問題背景結(jié)合。每個(gè)變量引入、每個(gè)方程建立都要問自己“這在實(shí)際中代表什么” 結(jié)果出來后要從業(yè)務(wù)角度進(jìn)行解讀和敏感性分析。代碼調(diào)試耗時(shí)過長(zhǎng)比賽時(shí)間有限debug是時(shí)間黑洞。對(duì)策模塊化編程每寫完一個(gè)函數(shù)就進(jìn)行簡(jiǎn)單測(cè)試善用print或日志輸出中間結(jié)果對(duì)于復(fù)雜算法先用小規(guī)模、人造的簡(jiǎn)單數(shù)據(jù)驗(yàn)證其正確性?？梢暬萋收撐闹械膱D表是門面。模糊的截圖、混亂的配色、缺乏標(biāo)注的坐標(biāo)軸會(huì)極大影響評(píng)委印象。對(duì)策學(xué)習(xí)使用Matplotlib或Seaborn制作清晰、專業(yè)的圖表。確保圖表有標(biāo)題、坐標(biāo)軸標(biāo)簽、圖例單位清晰。一圖勝千言好的可視化能直接體現(xiàn)你的工作質(zhì)量。5. 從模型到論文如何講好一個(gè)數(shù)學(xué)故事模型實(shí)現(xiàn)只是完成了技術(shù)部分如何將其組織成一篇邏輯清晰、說服力強(qiáng)的論文是另一個(gè)至關(guān)重要的環(huán)節(jié)。論文的本質(zhì)是講一個(gè)“用數(shù)學(xué)解決實(shí)際問題”的完整故事。摘要這是論文的“黃金400字”。必須精煉地說明針對(duì)什么問題、建立了什么模型、采用了什么方法、得到了什么結(jié)果、得出了什么結(jié)論。避免細(xì)節(jié)突出亮點(diǎn)和創(chuàng)新點(diǎn)。建議寫完正文后再反復(fù)打磨摘要。問題重述與分析不要照抄賽題。要用自己的語言梳理問題的背景、條件和目標(biāo)并對(duì)其進(jìn)行分解。畫出邏輯框圖明確問題的輸入、輸出和核心挑戰(zhàn)。模型建立這是核心章節(jié)。清晰地定義所有變量和符號(hào)建議使用符號(hào)說明表。逐步推導(dǎo)模型的公式和約束條件。對(duì)于關(guān)鍵假設(shè)必須說明其合理性和必要性。模型的建立過程要像推導(dǎo)定理一樣嚴(yán)謹(jǐn)。模型求解與結(jié)果說明你使用了什么算法、什么軟件、參數(shù)如何設(shè)置。結(jié)果應(yīng)以清晰的表格和圖形呈現(xiàn)并對(duì)關(guān)鍵結(jié)果進(jìn)行文字描述和解釋。一個(gè)技巧重要的結(jié)果表格可以在旁邊用一兩句話點(diǎn)出“這說明了什么”。模型檢驗(yàn)與靈敏度分析這是區(qū)分優(yōu)秀論文和普通論文的關(guān)鍵。你的模型穩(wěn)健嗎改變某個(gè)參數(shù)或假設(shè)結(jié)果會(huì)如何變化用數(shù)據(jù)說明模型的有效性和可靠性。優(yōu)缺點(diǎn)與推廣客觀評(píng)價(jià)自己工作的局限性并提出改進(jìn)方向。將模型推廣到更一般的場(chǎng)景體現(xiàn)思維的深度。6. 資料的有效使用與創(chuàng)新邊界最后談?wù)勅绾螌?duì)待包括本文在內(nèi)的各種“資料匯總”。這些資料是“地圖”和“工具箱”而不是“標(biāo)準(zhǔn)答案”。忌直接套用競(jìng)賽評(píng)委看過成千上萬的論文直接套用陳舊模型或代碼的論文極易被識(shí)別得分不會(huì)高。貴在組合與改進(jìn)真正的創(chuàng)新往往來自于對(duì)經(jīng)典模型的巧妙組合、改進(jìn)或應(yīng)用于新場(chǎng)景。例如將網(wǎng)絡(luò)科學(xué)中的社區(qū)發(fā)現(xiàn)算法用于優(yōu)化問題中的聚類預(yù)處理用元胞自動(dòng)機(jī)模擬優(yōu)化算法中的搜索過程。關(guān)注前沿在熟練掌握經(jīng)典模型的基礎(chǔ)上可以適當(dāng)關(guān)注較新的方法如圖神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制在特定問題上的應(yīng)用。但前提是你能真正理解它而不是堆砌名詞。建立自己的知識(shí)庫在學(xué)習(xí)每個(gè)模型時(shí)嘗試用自己的話總結(jié)其核心思想、適用場(chǎng)景、實(shí)現(xiàn)步驟和注意事項(xiàng)并配上一個(gè)簡(jiǎn)單的代碼示例。久而久之你就擁有了一個(gè)隨時(shí)可調(diào)用的、個(gè)性化的“數(shù)學(xué)模型工具箱”。數(shù)學(xué)建模競(jìng)賽的魅力不在于你使用了多么高深的數(shù)學(xué)而在于你如何運(yùn)用合適的數(shù)學(xué)工具清晰、嚴(yán)謹(jǐn)、創(chuàng)造性地解決一個(gè)實(shí)際問題。這份匯總希望能為你擦亮這些工具但最終揮舞它們?cè)谫悎?chǎng)上構(gòu)建出令人信服的數(shù)學(xué)大廈的始終是你自己的思考與汗水。