数学建模中有三类团队：

第一类：拿到题目，讨论，然后建模手开始建模，编程手开始处理数据，写作手开始写作。

第二类：拿到题目，团内大佬，开始建模，然后编程，然后写作。剩下两人负责探听别队的消息和带饭。

第三类：拿到题目，三个人一脸懵逼，不求同年同月同日生，但求同年同月同日死数学建模又称语文建模

作者：二鸽

链接：https://www.zhihu.com/question/356812206/answer/903064209

推荐书单：

先看姜启源的《数学建模》

然后看卓金武的《matlab在数学建模中的应用》，下个matlab边看边码

如果对matlab不熟，可以先看哔哩哔哩台大郭彦甫的matlab入门

能把这两本书啃下来已经很不错了。

姜启源老师的《模型与算法》

整个数模生涯的心理变化有四个重要的时间点

私以为整个数模生涯的心理变化有四个重要的时间点：

第一次参赛（有可能是国赛、美赛）

第一次国赛（严谨地讲，这个指已经有了比赛经验之后参加的第一次国赛）

第一次美赛（“国赛”改成“美赛”，其余同上）

以后的数模生涯这四个时间点有着不同的参赛心理状态，也是一个循序渐进的过程。

作者：匿名用户

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

第一次参赛以后，那些没有成功的人中有的人觉得这玩意不明所以、无从下手，再加上专业不对口等原因就急流勇退了；有的人感觉也是不明所以、无从下手，但是还是被获奖的利益所诱惑，继续参赛，继续学习。这些人继续参加一两个小比赛，接着学习相关的知识，也就渐渐了解了国赛和美赛的含金量和难度，基本上就知道了这两项竞赛就是数学建模界的全运会和奥林匹克啊！于是接下来也基本就是为了这俩竞赛而继续准备学习。在这个学习的过程中，你有可能会接触并深入学习Matlab、Lingo、Python、R、SPSS、Eviews、Mathematica甚至C、C++、C#、Java这些语言或软件，并选择其中的一门作为以后竞赛或者要深入了解并应用的语言（这年头理工科不会用个一两种语言怎么混...？→_→）；

还可能会接触到概率论与数理统计、数据结构、离散数学、智能寻优算法、机器学习、偏微分方程等知识，开拓自己的视野丰富自己的知识；还可能会为了排版一篇论文而开始进入LaTeX这个大坑......（知乎貌似不能用\LaTeX 这个代码啊→_→）

这个学习的过程是痛苦的，甚至枯燥的，而且极易受到专业课学习、考试以及休闲娱乐等因素的干扰而中断。相比于数学系、软件和计算机学院的同志们以后要选择一个方向并一直面对这些东西而不得不学，其他专业的同志们一是以后用不到这些数学知识，用到了也不用深入研究，到时候再说；二是这些编程语言、软件、算法和数据结构学起来枯燥乏味而且需要花费很长的时间，而且大一大二时就不怎么会用到这些东西，充其量是个C、C++课设和Matlab、Mathematica选修课作业，所以学起来有的人就会拖泥带水，断断续续，嘴上说着：“我要学习Matlab了！”，两个月后发现什么也没做......

三是写作和排版这个东西如果不是参加比赛或者和数模相关的课程，很难得到锻炼，而且LaTeX的学习周期长，学习曲线陡峭，因此很多人就浅尝辄止接着用Word了。

作者：匿名用户

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

真正意义上的“第一次”国赛

在国赛中获奖还是有难度的，有的学校可以出几十个队伍参加国赛，而且他们都是经历了残酷的校内选拔赛的高手，很多像我这种随随便便就可以报名的参赛者想和他们竞争还是很吃力的，不敢说学的一定比他们少，但是精细度和经验上肯定差了太多了。国赛时的三天三夜真的是很难忘，因为这是参加的第一个有公认含金量的比赛，都很重视，而且时间短，因此“第一个”国赛时都很拼。但是拼归拼，解决问题还是很难的。一开始你可能会觉得信心满满，这东西这么弄不就行了么，开整；具体研究时发现这里有点问题那里有点问题，然后开始发愁怎么解决这些问题；再往后发现这么弄第三问解决不了啊，这么弄第四问结局不了啊，啊，把它假设掉吧，不行不行假设太离谱了，丫的算了还是假设掉吧；最后赶论文时就是，怎么还弄不完啊，日了狗了，赶紧弄完赶紧拉倒啊 T_T真正意义上的“第一次”美赛 国赛过后，筋疲力尽，不管获奖没获奖短时间内基本不会想参加任何数模竞赛，参加了也很有可能一水而过，这是一个缓冲期。缓冲期过后，就会考虑开始准备美赛了。获奖的队伍一般会选择参加美赛，毕竟美赛更难、更有趣、含金量更大；而没有获奖的队伍们就开始面临是否参加美赛的抉择以及队伍的重组了。一般来说大二“第一次”参加美赛是因为他们还有大三，甚至大四可以用来冲击，所以今年哪怕失败了也算是积累经验了；但是对于大三才“第一次”参加美赛的同志们而言，有的人就是想让自己的数模生涯完整一点，毕竟玩了两三年数模了，没参加过美赛，不觉着亏么...？在准备“第一次”美赛的过程中，慢慢都了解到美赛题目的趣味性，这个阶段是对数模认知上升的一个时期，作为一个数学狗我深深地体会到了数学除了自身逻辑严谨、证明巧妙的美感之外的美感——解释世间万物的能力。这么说可能有点言过其实，但是这是我的真实感受，仿佛学了这些东西再加上计算机我就可以解决这世界上所有的问题！所以学习的乐趣和动力又多了几分。到了比赛中，我发现我的思维和国赛时有了很大的变化，国赛时我更倾向于如何解决他给出的三四个问题，很纠结于题目里给的要求，而美赛时我很放松，我不再纠结于具体的一些要求，因为那些只是他们提供的一些思路，如果我的东西可以很简单地描述并解决整个大问题那我就这么做。而且美赛时真的不再纠结是否获奖了，写出一篇能完美展现自己“天才”想法并解决问题的论文或许才是美赛参赛时最想做的东西了。不过有点遗憾的是我的队友的思维方式可能还是和我不太一样（当然我不是在说我比他厉害我比他强，人家绩点可比我高了接近1.0），而且他当时感冒发烧，状态也不好，所以最后交的论文在我看来是一篇思路混乱，没有统一中心思想的论文。不过也正是如此，我知道了有时候哪怕你和其他队友的思路完全接不上轨，但是为了队伍着想还是应该作出妥协让步，毕竟你们是三个人。漫漫数模路 “第一次”国赛和美赛之后，基本就算是过了一轮了，这个时候真的是有点做到恶心了，尤其是对于大三的数模爱好者们而言。大二的同志们或许会为了拿个奖而再来一年，大三的同志们再参加的话，如果不是为了学点东西，或许就是怀念那种奋斗三天三夜、四天四夜的激情、感觉、友情等等虚无缥缈而又真实存在在数模爱好者心里的那个东西吧。当然了作为老司机，如果有精力，带着新人们玩一玩，做一做传承，不也挺好么？ (*￣︶￣*)

国一佬的经验分享：

培训对于三个参加比赛的同学可以不同侧重去掌握，但是每个人至少是一门精通，一门掌握，一门了解。在培训后，会对数学建模这个比赛有一定的了解，在此了解之上可以开始正式做题目写论文了。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-psXb2mmX-1678173638283)(2023-03-07-14-35-52.png)]

这些主要是用来练手的，前几篇只要是去学习别人的写作方法，建模方式和编程方法，而后面几篇则是根据学习自主写论文，基本不能参考别人的论文。写完自己的论文后，整理一下自己的比赛资料。最后，在比赛前2天，不需要再去做题目了，就好好放松一下，好好睡睡觉，提前为比赛补觉。或者说不想放松，可以看看之前整理的资料。

对于建模的同学需要掌握多种算法，或者说基本都要有些涉略，但是至少有1-2种算法是能够详细的解释的。

对于编程的同学，如果说是计算机专业的，那么对MATLAB需要熟悉运用，因为建模的同学完成后需要编程的同学来跑结果。对于写论文的同学，可以根据自己的经验在比赛前就完成论文的模板。以下是我在比赛前写的论文模板。里面都写明了这一部分写什么怎么写：

对于分工，我建议三个同学每个人分别担任一项。然后建模的同学需要对论文的写作有所掌握，编程的同学需要对建模有所掌握，写论文的同学对全局都要有一个掌握。我们组是以论文的同学为主导的。

作者：MathHub

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

编程经验分享

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PY4dvMBC-1678173638284)(2023-03-07-14-58-38.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Kxvzga9p-1678173638284)(2023-03-07-14-58-59.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bAhcives-1678173638284)(2023-03-07-14-59-12.png)]

这时候大家就会发现规划类、评价类、预测类模型是最常考的，出现频率极高。

其次物理类模型考的频率也很高。

而且近几年赛题有如下发展趋势：

对计算机能力提出了更高的要求：赛题的解决依赖计算机，题目的数据较多，手工计算不能完成，如2007年B题乘公交、看奥运。2012年A题葡萄酒的评价问题。2013年A题车道被占用对城市道路通行能力的影响（视频处理）2013年B题碎纸片的拼接复原问题（图象数据，数字图象处理）。

赛题的开放性增大 解法的多样性，一道赛题可用多种解法。开放性还表现在对模型假设和对数据处理上。

试题向大规模数据处理方向发展。

求解算法和各类现代算法的融合。以上，是我对赛题考点做的一个分析以及赛题趋势做的一个分析。最后，大家要是想要在国赛中拿奖，好好看看我上面总结的数学建模常用算法，争取对每一种算法都熟练于心，并且知道相似算法的适用范围等等。 比如同样是预测类算法：有微分方程预测、差分方程预测、灰色模型预测、回归方程预测，这么多预测算法，那我们在碰到实际问题时该用哪一种呢？它们各自适用范围是什么呢？它们之间有什么异同点呢？这就是我们平时学习需要注意的问题。

作者：CleverFrank

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

参加数学建模用 MATLAB，还是 Python？

慧航

2015 年度新知答主

有的时候不做选择比做出错误的选择还要糟糕。

我参加数学建模也是十几年前的事情了。当时Python还没那么火，我掌握的语言里面，C当时虽然有数值计算包，但是心智负担太大了，毕竟不是只写代码，还要建模；Java和Basic直接排除了。其他的语言，Python当时还只是玩具，Fortran还要重新学，懒得学。

所以想来想去，也就MATLAB可以用了。

其实不只是MATLAB，当时还学了SPSS做统计分析，还有Lingo偶尔做做优化问题。

现在的Python有了Numpy, Scipy, Pandas, PyTorch, Scikitlearn, Statstools之类的一系列包的加持，可以说多数时间是可以替代MATLAB了，只是要不要自己造轮子的问题。

重点不是这个，重点在于，如果你真的要做数学建模，不是你只学会这些工具就够了的。为了做数学建模，你必须做必要的积累。

当时为了做数学建模，我们上半年专门开了一门课《数学建模》，所有要参赛的必须选这门课，然后好几位老师会从自己的专业领域：优化、微分方程、统计等，讲一些必要的方法。

然后暑假的时间集训。集训期间每周一个题目，以小组的形式模拟比赛。

就是在这期间，积累了大量的经验。比如如何解微分方程数值解？如何求最优化？如何做模拟？如何做OLS\Logistic？如何画图？

此外还自己造了一些轮子，比如模拟退火、遗传算法这些优化算法，MATLAB里面没有现成的，自己造轮子！比赛的时候还真用上了。

所以不管你用什么语言，只要有积累就好说。你必须在参赛前彻底熟悉一门语言才行。碰到问题可以立即找到工具包。所以我的建议是，不要长时间纠结于用什么软件，尽量早点做选择，早点深入学习这们语言。

具体到数学建模，在工具包方面，MATLAB和Python各有所长。如果你不做数据科学、深度学习，可以说从易用性上MATLAB碾压Python。

比如，前段时间我为了解一个常微分方程，实在不想用MATLAB的我打算用Python写，然而MATLAB里面一个ode45就能解决的问题，居然Python里面没找到合适的包，所以我自己造了一个Runger-Kutta的轮子。

如果你学会了MATLAB，做数值计算工作可以很快上手，但是如果你学了Python，你还要学NumPy、Pandas、Scipy才能勉强达到MATLAB的入门实用性。而且不同的工具散落在不同的包里，手册是必须要翻烂的。

不过反过来，Matlab的数据处理、数据分析功能还是差太远。Python有了Pandas、Scikit-learn、Pytorch的加持，这方面完全可以媲美统计软件了，当然在易用性上比Stata差一点，不过也差不了太多。此外深度学习方面碾压统计软件。

Python的好处就是啥都能做，但是啥都做不到最好，虽然已经够好。

所以如果你偏向于传统的数学建模，不想搞数据，那就MATLAB。如果你都想做，那就Python。

不管选什么，尽快彻底熟悉其中的一门才是最重要的。

编程相关学习：

（4）学习相关软件。好好学习Matlab就够了，它可以实现所有数学建模需要的功能。对于某些问题，Excel也可以胜任。C语言也能胜任大部分的程序设计问题。一般来说，可以百度一下某个需要的功能+Matlab，便可以找到对应的Matlab函数，一般来说也有相应的例子说明如何使用该函数。如果没有的话，可以在Matlab命令窗口中输入：help 该函数，会返回关于该函数如何使用的说明。但是，Matlab的基本语法，比如循环、条件、判断语句的结构以及赋值等运算，需要提前熟练掌握，这个和C语言很相似。如果你学过C语言或者任何一门程序设计语言的话，这个是很好上手的。当然，如果你确实学有余力的话，可以学习SPSS或者SAS等统计专用软件、Surfer等绘图软件。这些软件在统计或者绘图等方面，用起来更为方便，绘图更为精美。

作者：CleverFrank

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

作者：CleverFrank

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

思想方法，不太好说，我想到了以下几点：

（1）简单最美。有的同学或许会错误地认为，复杂的模型体现自己的能力强，也应该能够获得好的成绩，但是实际上不是这样的。如果复杂的模型和简单的模型得到的结果精度差不多，这时应该选择相对简单的模型。这是因为，数学模型是为实际的生产生活服务的。相对简单的模型，更容易实现，也更容易为大家所接受，何乐而不为呢？

（2）从简单到复杂。这和前面所说的“简单最美”好像有矛盾。但是，这里“到复杂”的前提是，结果得到改进。一般来，“复杂”是指考虑了更多的因素。有一些捧得大奖的论文，都是先建立一个简单的模型，然后考虑更多的因素再建立一个相对复杂的模型，这也是科学地研究问题的思路。

（3）多模型对比。对于一个问题，往往可以建立不同的模型，各有千秋。对于有的题目，两篇国一论文可能做法截然不同，这是非常正常的。如果时间充裕，可以建立不同的模型，对不同模型的优缺做对比，或者说明其不同的适用条件。这，就是特等奖的水平了。例如2013年国赛交通那道题目，我用了相对简单的一个方法做的，做了比较多的检验，结果也不错，比较成功，国一。我后来偶然看到那道题目的特等奖论文（厦门大学的），是用两个更为合适的相对复杂的方法做的。

（4）模糊指标量化。指标只有量化，才有可能建立数学模型，才可能运用数学方法进行求解。没有量化的指标，只能够运用文字进行定性的叙述，无法进行数学上定量的分析。模糊数学，就是解决模糊问题的数学方法。模糊指标，当然可以采用模糊数学的方法进行定义，也可以采用其他方法（比如比值）定义。（5）结果可视化。大片的文字叙述，或者堆叠的数学公式，给人的感觉都不够直观，都需要一定的阅读时间、背景知识、数学功底才能够理解。可是一张图，往往可以瞬间形象直观地反映所要表达的内容，与数学功底也没有多大的关系。这与数学模型本身的好坏无关，但是能够大大促进作者和读者之间的交流，属于“写作水平”的范畴。

（6）检验结果。建立模型并进行求解，得到的结果可能是正确的，也可能是错误的。如果不对结果进行检验，严格意义上论文是不完整的。我听老师说，对于模型没有检验的论文，不可能获得国奖。对结果进行检验，主要有以下几种方法：

①敏感性分析。分析因变量随各个自变量的变化趋势。趋势合理（符合常识），起码证明模型很有可能是正确的，没有大问题。

②实例检验。实际的数据，最有说服力，也可以检查结果的精度如何。但是有一个问题，实际的数据可能不好找。

③仿真。这个需要学习使用该领域的仿真软件，实际上算是充当了”实例“的作用。这也存在一个问题，不一定有相关的仿真软件，尤其是处理的问题属于新领域的话。

④算例分析。这个算是下下策了，在找不到实际的数据，以及相关的仿真软件的前提下，只能这么做。与敏感性分析相比，这个方法也显得较为片面。

⑤特殊情况分析。如果原模型比较复杂，可以分析其特殊情况（一般更容易分析）。如果特殊情况被检验为正确的，对于说明原模型是正确的，也是比较有说服力的。竞赛心态，也是很重要的：

（1）全力以赴。获得国一的论文，只能说明他们做的“相对”很好，但是不一定做的就真的很好。也有可能，你确实做的很好，但是没有捧得大奖。为什么呢？评奖是根据评分排名，而不是预先定好论文是什么质量对应什么奖。例如，我参加过一次美赛，题目是原题。大家都搜到了原题的特等奖论文。我的论文在这基础上做了一定的改进，结果是H奖，这个就很水了~我也参加过一次国赛，2013年交通那个题目，没有听说过这是陈题。时间只有几天，极少有人能建立很完善的模型并解答。说句心里话，我认为我们做的真的很水~没有太大实际价值。但是，我们的论文是完整而且基本正确的。我从网上搜到了一篇那个题目的省一论文，发现它的内容本身就是残缺的，没做完~论文的质量更是不堪入目。从另一个角度，如果你这次没有全力以赴，会对结果抱有遗憾，后悔当时为什么不再多努力一点。还有一个问题是，以后的比赛参加么？你可能还想参加一次，争取更好的结果。也可能不想参加，因为怕题目出的不合口味而白忙活，或者等到下一年的时候你根本没有心思来搞这个比赛了，留下几多遗憾。大多都是大三的队伍参赛，大四的时候要么保研、考研、找工作。所以最好的做法就是，这次全力以赴，不留遗憾。

（2）团队合作。目前我所发现的唯一高效的合作方式是：相对独立而完整的内容，主要由一个人来完成，其他人起辅助的作用。因为，交流是有成本的。论文，需要一个人完成，因为不同队员的风格是不一样的；程序，需要一个人完成，因为程序的不同模块之间是有一定衔接的。大家可以参考：软件工程所倡导的“极限编程”的组成成分——“结对编程”，和这里所说的是一个道理。对于认真参赛的队伍来说，很容易出现意见分歧。所以，比赛前应该确定下来，出现矛盾以后隔多长时间仍然无法统一意见，无条件服从队长或者擅长这方面的同学的意见。这无疑会节省很多宝贵的时间。当然，要根据这个矛盾的重点程度，分配给它相应的讨论时间。实际上，前面商量得再好，用心比赛的选手之间也会产生矛盾，这就需要大家之间互相体谅了。

（3）分清主次。换一种说法，就是不要恋战，该收手时就收手。一般题目都有好几问。比较聪明的人，能够看得出来，哪个问是重点。对于重点问，自然要投入更多的精力；对于非重点问，做个差不多就可以了。这就需要队长统筹兼顾，提前估摸好每一问花多大精力去搞定它 。

（4）学会表现。这一条看起来不是那么正经；但是，这是我对参赛选手的实在话。我一共弄过两次深圳杯。第一次深圳杯，我们的论文感觉很乱，我们都不明白我们在做什么，但是显得很厉害。最终很意外，我们被选中了~第二次深圳杯，那次我可以说是全身心的投入了，题目也很对我的胃口，我甚至做好了可能因此无法保研的最坏的打算。我非常认真负责，但是论文语气非常地谦虚。最终也很意外，我们在山东省这关被涮掉了。后来我想明白了：你都不夸自己做得好，怎么能指望阅卷者欣赏你？另外，我也听老师说过，实际上现在很多所谓的“好论文”，不过是“会写论文”罢了~

（5）参赛动机。比赛斩获大奖，首先这是个荣誉。其次，这可以证明自己的研究能力，这对于大部分工科学生来说是重要的。再者，可以通过这个平台，认识很多志同道合的朋友，拓展自己的交际圈。然后，有的院校拿国奖可以保研，或者是保研加分。一般来说，在期末的奖学金评选中，也会更有优势。美赛获得一等奖或者更高的奖项，据说也有利于出国。如果被邀请办讲座，也可以培养自己的粉丝。如果你志在科研，工科+数学是个很好的选择，多学科融合会有更多科研的成果。如果你是个学霸，但是感觉统一课程太枯燥了，参加数学建模竞赛也是丰富课余生活的一个方法。

（6）尽快落实。第一，可能等到想写的时候，时间已经不足了；第二，刚有想法的时候，知道是怎么从现实问题一步步转化为数学模型的，这时候思路最清晰、逻辑；第三，就算后来又做了新的模型，之前的结果也可以作为检验，或者借其说明新模型的优点。

（7）正视竞赛缺点。数学建模竞赛本身，确实存在很多不足之处，但是它本身也存在很多积极的地方，例如培养严谨科学的思维，查阅文献的技巧，论文撰写的技巧，编写程序的能力，迅速消化知识的能力，团队合作的能力，等等。例如，作为选拔人才重要举措的高考，也经常受到抨击，很多抨击或多或少也都有合理的地方，但是这并没有影响到它几十年来在人才选拔中发挥的重要作用。任何一个选拔制度，一般多少都有不足之处，因此不足之处不是摒弃选拔制度的理由。

（8）正确理解题目。不要还没有充分地理解题目就急忙下手。有的题目如果不仔细读，可能会理解错误，或者弄错题目的重点，那么后面的付出就会大打折扣了。应当好好分析题目各问之间的联系，一般问题按照递进的关系，后一问往往会利用到前一问的结果或者结论，然后有的问或者小问会利用已建立的模型进行一定的计算。如果题目确实存在不同的理解，那么任一种做法都是可以的，这不会影响到评分。

（9）不要卡壳。对于后面的问题，可以先找个差不多的数据算着，说不定过会会有人讨论这个问题该如何解决。重新计算一遍的时间，往往小于干耗在目前问题所需的时间。另外，可能后面的问和前面的问没有太大的联系，这种情况下不必按照给定的问的顺序做。

（10）过程重于奖项。无论结果好坏，参赛过程本身培养了能力，也有助于意识到自身能力的局限性，实际上这是最实在的作用。奖项的作用，无非使简历多了一行。在跨过求职这道门槛以后，估计就没有多大的作用了；唯一起作用的，是获得的奖项所对应的处理实际问题的能力。我看知乎上有的IMO金牌（当然是非常非常厉害的了）提到，在若干年后，谁还会在意你这个国际奖项啊~但是实际上，将注意力放在如何享受竞赛过程上，这本身有助于取得更好的奖项，因为忧虑的情绪会影响到水平的发挥。

（11）见好就收。在你拿到很好的成绩之前，和你合作的队友或许还可能会认真准备并参与竞赛，因为谁也靠不住；在这之后的话，如果去寻找新的队友，新队友可能是“抱大腿”的心态：表面上说会好好准备，实际上能偷懒就偷懒。这一点我有非常深刻的体会。在拿到很好的成绩之后，一方面自己没有那么大的动力重新准备，另一方面队友也不如以前努力，自然也很难超越以前的成绩了。

实用攻略，这是最直接的：

（1）竞赛论文里面，一定要突出显示自己的数学模型。因为，这是数学建模竞赛，最重要的当然是模型。模型一般的体现形式为公式或者算法步骤。要保证，阅卷者花十几秒时间扫一下你的论文，就能知道你做到了什么程度。

（2）关于参考文献：里面不可以出现太多网址，这只会体现你的业余；如果参考文献太少，可以随意找几篇相近的看似能用到的论文加上。最好引用比较权威的期刊上的文献。如何判断期刊的权威性？一般来说，中文核心期刊算是比较权威的，影响因子越大，期刊越权威。对于国赛，仅仅参考中文期刊，也已经足够了。

（3）关于页数：如果你自己做的东西还不到10页，东拼西凑各种论文，也要凑到将近20页；页数也不可太长，评委会感觉很累的。

（4）关于数字、字母：你要是时间多的话，可以都用公式编辑器编辑，麻烦，但是美观~

5）关于作息：最后一个晚上熬夜，前面几个晚上好好睡觉。一般这样有利于发挥。

（6）关于数据：对于自己搜集到的数据，如果得到的结果和理想的有一点差距，这是非常正常的。索性手动改一点点，让得到的结果更好看~另外，有的数据根本搜不到，怎么办呢？自己弄一组看似合理的数据进行分析，这叫做“算例分析”。

（7）关于换队友：直接说不太好。可以说，我提前答应过某某同学，可是跟你组队的时候忘了这事了。

（8）关于指导老师：虽然竞赛规律明令禁止比赛过程中老师参与，但是老师或多或少会参与一些。对于实力不强的队伍，可以找一个竞赛过程中参与比较多的老师。切忌找很厉害的老师，教授对这个根本不感兴趣。讲师应该是个不错的选择，副教授也可以。

（9）关于外援：比赛的过程中，确实有的找外援。只是提示一下，自己看着办吧。

（10）关于选题：最好选择一个，能够把大家都调动起来的题目。如果其中某人确实很强，也可以选择一个他擅长的题目，这样可以将竞赛结果的期望最大化。要换题的话，一定要早换，否则换题的成本太高了。

（11）关于结果：听说有的队伍，弄一个看起来比较正确的模型，然后搜一下别人比较公认的结果，再搜一下相关的程序（虽然自己都不知道那是什么意思），然后就这么凑到一块。很机智啊！（2）（6）（7）（8）（9）（11）不大正经，不要说是我教的，请谨慎考虑！

论文写作：

（1）摘要：第一段：简述本文研究的价值所在，和本文的特点。以后每一段，分别针对每一问：陈述该问的研究内容，研究方法，主要结果，表述简洁扼要。采用首先、然后、最后等词，使得文章结构清晰。摘要是全文的精华，一定要好好写。摘要写不好，评委根本没有继续阅读的愿望。

（2）关键字：4至6个为宜，要能够体现本文的特点。

（3）问题重述：一般来说，直接copy题目即可，说明附件数据的部分一般去掉。

（4）模型假设：假设过多，问题简单而没有意义；假设过少，问题复杂而无法研究。“套话”假设，也需要说。简化假设后，与实际问题不能有太大的出入。最后一条末尾为句号，其他末尾为分号。

（5）变量说明：列举文中出现的所有符号，并解释其含义。

（6）问题分析：注意与摘要的区别！这里分析问题的重点、特点、难点，不是陈述如何研究的。

（7）模型的建立及求解：要有承上启下的语句，体现了逻辑性，或者说清晰的思路。注意对异常数据的处理，包括缺失数据、明显错误的数据。对于文中的任何一个图，要说明采用什么软件，并对图所反映的规律进行说明。注意结果的可视化。表格最好采用三线格。最好有语句体现论文不同问之间的联系。注意联系实际，分析结果的合理性。文中最好不要出现主语，比如“我们”。论文的同一部分尽量在一页上。突出显示最重要的公式、图表。注意区分引用的内容与自己做的内容，如果是引用的内容，需要标注参考文献。

（8）模型评价及推广：模型的优点，本文最能拿得出手的地方；模型的缺点，不要避讳，实事求是；模型的推广，体现还有工作可以做，只是因为时间不足。

（9）参考文献：不要自己写，找个可以自动生成格式的，比如Google学术搜索。

（10）附录：可以是论文中用到的程序，比较长而不重要的图表等。

如何建立模型？

（1）首先搜索相关的文献，大多数问题都有相关的研究，要”站在巨人的肩膀上“，这样可以减少很多的自己摸索的时间。

（2）如果没有相关的文献，就需要自己建立模型。根据经验、分析，甚至是一定的尝试，决定采用哪个模型来做。竞赛与科研的关系？竞赛本身可以在一定程度上培养科研能力，但是与科研还是有很大不同的。竞赛是几天的投入，所研究的问题，也是经过很多简化处理的，就是为了保证参赛者在这几天的时间里面能做个差不多。科研，是针对实际需要解决的问题，一般需要用长的多的时间来解决。一般也不能指望竞赛几天做出来真正有科研价值的东西来。关于数学类专业与非数学类专业？对于数学类专业学生来说，数学建模所可能用到的知识大部分都学过，对于数学的理解也较为全面和深刻，自然不需要在该竞赛准备上投入过多的精力，很多数模大神也都出身于数学类专业；对于非数学类专业学生来说，数学上一般只学了点皮毛，要取得好成绩甚至成为大神级别的，就需要课余下很多工夫了，也很难匹及出身于数学类专业的真正的高手。但是，数学类专业的，往往比较缺乏工科的分析实际问题的思维；工科专业的，这方面思维较强。我个人认为，数学类与工科类专业的学生搭配组队，是不错的选择。如何查找文献以及数据？对于大部分本科生来说，CNKI应该是最佳的选择。如果英语较好的话，可以考虑使用Google学术搜索（一般可以用Glgoo作为替代品），按说这里可以搜索到所有相关的文献。如果想真正做出很好的成果的话，建议将搜索重点放在相应学科的重要的数据库里面。国家统计局网站，有很多统计数据，可能会用到。一些数据库，比如CNKI，也提供了搜索统计数据的功能。如何选题？一般比赛都会提供若干个题目。

（1）对于新手：建议选一个门槛不高、容易上手的题目。比如，以前有过类似的赛题，并能够搜到相关的优秀论文；背景曾经在中学阶段熟知，或者题目属于所学专业领域内的；需要处理的数据关系复杂，题目叙述繁杂，或者其他没法体现经验丰富的竞赛选手优势的题目。第一次比赛，最重要的是熟悉竞赛流程和时间分配，不要期望也很难取得很好的成绩。

（2）对于老手：建议选一个能够体现自己优势的题目。一般来说，阅读题目并简单搜搜文献，能够大致了解每个题目用什么方法来做。选一个方法上自己最有优势的题目，或者题干简单，数据关系相对明了，应该是明智的选择。老手有一定的选题经验，在此不多说了。

##　参加参加数学建模后有什么感想和经验可以分享？

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3PWrNuKb-1678173638284)(2023-03-07-15-02-49.png)]

https://www.zhihu.com/question/359314560/answer/929861577

看看人家啊！！！

1.4 燃起这部分算比较励志的吧！大一上学期自学完了两本高数，看了几眼线代（只为了用Matlab），做了点考研题，刷了竞赛题（也参加了三次数学竞赛，因为学校的地理位置吧，直辖市级一次一等奖，省级一次一等奖，全国预赛一次一等奖，滑稽脸）期间在b战疯狂学习matlab，现在想想，56小时的视频活生生地被我肝完了。期间膜拜各种知乎大佬，看过无数有关内容的篇章。这部分很拼。。。大家还是选择性模仿吧。

二、如何准备数学建模

2.1 知识储备

讲道理，这部分我不想去写的，因为我自己还没准备的太好，哈哈哈哈哈哈哈哈哈，知乎大佬多又多，同学们自己去搜搜哈，保证你们看完更空虚，哈哈哈哈哈哈哈哈！

好了，不闹了。同学们都有这种感觉——数学建模的东西太多了！是的，我承认。在这里我不推荐大家任何书籍，因为我知道，你很可能也会像我一样，买一本姜启源放在书架上供佛，或者买一本司守奎用来盖泡面。

数学建模的题材太广了，一些问题甚至都不能用固有的模型去解决，很需要咱们的现学现卖的能力。难道这就不需要我们学任何东西吗？不不不！虽然掌握基本的模型就好比新手村里几个破铜烂铁般的装备一样，但总比没有强，最起码心里面踏实，而且在关键时候这些基本的模型还会给你提供闪闪发光的启示！

多的知识储备我不给，只给下面这19个，接住

线性规划

整数规划

非线性规划

动态规划

图论

排队论

对策论

层次分析法

差值与拟合

数理统计与分析回归分析

微分方程建模

稳态模型

常微分方程

差分方程

神经网络

模拟退火

蚁群算法

灰色系统理论

时间序列模型

聚类分析

作者：小糊涂

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

下面是软件方面

1.matlab：我最喜欢，首先这个东西很大，我下载的那个版本大约12G，越大越强，你懂的。什么？？？你说不会下载？关注微信公众号，软件安装管家，自己去下！什么？你说让我现场教教你怎么使用？别！兄弟，去b站，别问问就是这东西功能太特么多了！

2.lingo：解决规划问题的昂，matlab也能，但是matlab让新手打代码会很恶心。这个软件就是很傻瓜，很照顾不会编程的小白白，总之，解规划问题就找他！

3.SPSS：这东西用来做数据分析的，就需要你啪啪啪地把数据打上去，然后闭上眼睛按几个按钮，分析结果就出来了。对，没错，matlab也能做，但是没这个方便。

4.亿图：求你们画流程图的时候别再用CAD了好吗，亿图亿图，国产好软件，画图就找他，姐妹们！给我用它好吗，用它！（李佳琦口吻）

5.Latex：我没用过，不过我正在让我的队友在学，主要是用来论文排版，编程排版你们听说过吗，很方便的嗷，建议学一下，如果没精力的话，写论文用word也没问题。

掌握扎实数学基础、熟悉数学模型、学习优秀数模论文3个阶段

作者：大黄蜂

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

从听说数模时的神圣到参加数模时的淡然，从接触数模时的迷茫到对数模竞赛的熟知，在摸索中一步一步成长。回首四年的参赛历程，我认为学习数学建模知识应该具备的数学基础有高等数学、线性代数、概率论与数理统计，在此基础上重点看一下运筹学的书籍。

当然，数学建模不仅仅是要求数学知识扎实，还需要参赛者广泛涉猎知识（包括物理、生物、心理学等），因为许多数学建模题目要求背景知识比较深，比如说12年MCM A题要求画出一棵树，这就需要参赛队员了解某类植物树叶生长具备的特点，涉及生物学知识；第二届MATHORCUP全球数学建模挑战赛A题也涉及到空气动力学知识。因此，数学建模是以数学为基础，综合各门学科（涵盖自然科学和社会科学）的一项赛事。 具备上述基础知识以后，我就着重看一些建模方面的书籍，主要看了以下4本书：赵静和但琦的《数学建模与数学实验》、姜启源和谢金星的《数学模型》、《运筹学》、肖华勇的《实用数学建模与软件应用》。

每一本书都有自己的特色，也没必要仔仔细细地把整本书都看完，甚至你可以只知道模型的大致步骤，真正用到的时候再翻书详细了解这个模型。因为数学建模本身就是一个学习的过程，在短短3天时间里，将陌生的知识转化成自己的知识是具有挑战的，更何况还要对模型进行改进，但是正是这样，我们才能不断接触新知识，不断培养自己的学习能力。

熟悉模型之后，我就基本能够看懂大部分的优秀论文了。我个人认为看一些“高教杯”特等奖论文及美赛Outstanding对自己思路、知识、写作能力提升非常快，这些论文一般逻辑性很强，层次感出众。在欣赏优秀论文的过程中，我十分注意模型的适用范围，举个例子来说，对于预测类的题目，比较常用的预测模型有时间序列模型、灰色预测模型、贝叶斯预测模型、神经网络预测模型等，这些模型并不是对所有的数据都是适用的，有些模型需要先对数据进行剔除、平均等处理，这些细节需要特别注意，一旦不注意就会影响整篇论文的质量。

上述三步进行之后，接下来就是实战演练了。我当时见到数学建模竞赛就参加，参加完后主动找组委会要评语（因为那些评语里记录着你的不足，便于今后改正），参加次数多了，你对时间的把握、知识的积累、论文的写作等方面会掌握的比较到位。作为一名真正的数学建模爱好者，上述竞赛我们都可以参加，这些竞赛都可以锻炼我们的能力。

最后，我想强调以下两点：

数学建模竞赛不是一个人能够独自完成的，它需要3个人相互合作，往往，团队合作能力决定你竞赛的成败。此外，3个人最好都能都了解建模、编程和写作，然后再发挥每个人的特长，这样就不会出现建模人员所建模型不能求解的问题，就不会出现写作队员时间比较紧以至于写不完的问题，就不会出现编程队员不理解模型而无从下手的问题。

做每一道数学建模题的时候我们一定要做到有根有据，模型假设以及模型建立均是如此，也就是说数模最忌讳弄虚作假，因为那么做对我们能力一点好处都没有，哪怕我们建立的模型简单。