1. 竞赛认知与备赛心态重塑
提到MathorCup，很多初次接触数学建模的同学可能会觉得它“高深莫测”，或者认为这是数学系学生的专属战场。我参加过几届，也带过不少队伍，首先要打破的就是这个刻板印象。MathorCup，或者说绝大多数数学建模竞赛，本质上是一场问题解决能力的综合演练。它考察的不是你背了多少数学公式，而是你如何将一个现实世界中的模糊问题，转化为清晰的数学模型，并利用计算工具求解，最后用逻辑严谨、表达清晰的语言将整个过程呈现出来。2021年的竞赛虽然已经过去，但其备赛逻辑、核心能力要求和常见题型具有高度的延续性，对于准备未来任何一届竞赛，甚至是应对科研、工作中的复杂问题，都有极强的借鉴意义。
所以，无论你是大一新生对建模充满好奇，还是大二大三希望用奖项为简历添彩，亦或是研究生想锻炼科研能力，MathorCup都是一个绝佳的舞台。备赛的第一步，是摆正心态：这不是一场纯粹的数学考试，而是一次为期数天的“微型科研项目”。你需要具备问题拆解能力、文献调研能力、算法应用能力、编程实现能力和论文写作能力。听起来很多，但别怕，这些能力都可以通过系统性的准备来快速提升。整个备赛周期，我建议分为四个阶段：基础夯实期、专题突破期、模拟实战期和临场冲刺期。下面，我就结合自己的踩坑经验，把这四个阶段掰开揉碎了讲清楚。
2. 基础夯实：构建你的数学建模“武器库”
很多队伍一上来就急着找往年优秀论文看，看几眼就被里面复杂的公式和代码吓退了，这就是基础不牢的表现。这个阶段的目标不是成为每个领域的专家，而是建立知识地图，知道遇到什么问题该去哪个工具箱里找工具。
2.1 核心模型与算法分类学习
数学建模的模型浩如烟海，但高频出现的就那么几类。我习惯把它们分为“老三样”和“新锐派”。
“老三样”指的是经典且必会的模型：
- 优化类模型：这是MathorCup的绝对主角，无论是生产调度、路径规划还是资源分配，最终都可能归结为一个优化问题。你必须掌握线性规划、整数规划、非线性规划的基本概念和求解思想。不需要你手推单纯形法，但必须知道在什么情况下该用
linprog（线性规划），什么情况下该用fmincon（非线性规划）或启发式算法。关键是要理解目标函数、决策变量和约束条件这三要素如何从实际问题中抽象出来。 - 评价与预测类模型：竞赛题中经常需要你对方案进行评价或对未来趋势进行预测。层次分析法（AHP）和模糊综合评价是解决定性指标定量化的利器，务必掌握其步骤和一致性检验。预测模型则从简单的线性/非线性回归、时间序列分析（ARIMA），到机器学习中的支持向量机（SVM）、随机森林，梯度提升树（如XGBoost）等。这里有个关键：不要盲目追求复杂模型。对于数据量小、关系明确的问题，一个拟合良好的多项式回归可能比调参半天却过拟合的神经网络得分更高。
- 数据分析与统计模型：数据预处理、描述性统计、假设检验、相关性分析、聚类分析（如K-means）、主成分分析（PCA）等。这些是处理赛题数据的第一步，也是论文中“模型准备”部分的主要内容。干净、有效的数据是后续所有建模工作的基石。
“新锐派”指的是随着热点不断涌现的模型：
- 图像处理与机器学习：如果赛题涉及图像识别（如卫星图像分析）、自然语言处理（如舆情分析），那么卷积神经网络（CNN）、循环神经网络（RNN）及其变体就需要了解。但请注意，直接套用复杂神经网络风险很高，除非你有充分的数据和扎实的调参能力，否则不如用传统特征提取+经典分类器（如SVM）的组合更稳妥。
- 仿真与模拟模型：对于动态、随机系统，如交通流、疫情传播、排队系统，元胞自动机、蒙特卡洛模拟、系统动力学等仿真方法是更好的选择。它们能直观地展示过程，结果也更有说服力。
注意：学习模型时，切忌“只看不练”。每个模型的学习闭环应该是：理解原理 -> 找到经典案例（课本或往年赛题）-> 自己用编程语言复现 -> 调整参数观察结果变化 -> 总结该模型的适用场景和优缺点。这个闭环是内化知识的关键。
2.2 工具链的熟练与协同：MATLAB vs. Python
“工欲善其事，必先利其器。” 数学建模的三大工具是：编程软件、公式编辑器和文献管理/绘图工具。
编程语言选择：MATLAB 与 Python 的权衡这是新手最纠结的问题。我的建议是：队伍中至少有一人精通MATLAB，同时全员都应熟悉Python。
- MATLAB：在数学建模领域，尤其是优化、仿真和控制方面，MATLAB拥有无与伦比的工具箱生态和官方文档支持。它的优化工具箱、统计工具箱、图像处理工具箱开箱即用，代码简洁，特别适合快速验证模型。对于求解复杂的优化问题，MATLAB的
fmincon、ga（遗传算法）等函数非常稳定可靠。如果你的队伍目标是冲击高奖项，MATLAB的深度掌握是必须的。 - Python：优势在于强大的机器学习库（Scikit-learn, TensorFlow/PyTorch）、丰富的数据处理库（Pandas, NumPy）和卓越的爬虫与可视化能力（Matplotlib, Seaborn, Plotly）。对于数据挖掘类、涉及文本或图像的题目，Python是更好的选择。此外，Python在模型部署和自动化方面也更灵活。
实操心得：我们队的策略是，常规建模和优化用MATLAB主力实现，遇到数据清洗、机器学习或需要复杂可视化时，用Python辅助。两者可以通过文件（如.csv, .mat）或调用系统命令进行数据交换。千万不要在赛期内争论用哪个语言，提前分工，明确各自负责的模块。
其他必备工具：
- 公式/论文写作：LaTeX是学术写作的黄金标准。MathorCup虽然也接受Word，但LaTeX排版出的论文在美观度和专业度上完胜，尤其是处理大量数学公式时。建议使用Overleaf在线平台，无需配置环境，支持多人协作。提前准备好符合竞赛格式要求的模板。
- 绘图与可视化：除了编程语言自身的绘图功能，Visio或Draw.io用于绘制流程图、技术路线图；Origin或Python的Matplotlib/Seaborn用于绘制高质量的数据图表。记住，一张信息量丰富、美观的图胜过千言万语。
- 文献管理：Zotero或EndNote。在紧张的赛期内快速管理参考文献，自动生成文末引用列表，能节省大量时间。
3. 专题突破与团队熔炼
基础打牢后，就要进入针对性更强的专题训练。这个阶段要和你的队友紧密绑定。
3.1 历年赛题的精读与复现
这是提升最快的方法。不要只看优秀论文的摘要和结果，要“肢解”它。
- 第一遍，读问题与思路：抛开论文，自己看赛题。三个人一起讨论，如果让你们做，会从哪里入手？建立什么模型？用哪些算法？讨论半小时，记录下你们的关键词和思路。
- 第二遍，对比分析：打开优秀论文，对比你们的思路和论文的思路。差距在哪里？为什么他们想到了那个角度？他们的模型假设巧妙在何处？这个步骤是思维模式的学习。
- 第三遍，复现核心：选择论文中的核心模型或算法，尝试自己编程实现。你可能会发现，论文里一笔带过的步骤，实际实现起来困难重重。这个过程能暴露出你在编程和模型理解上的所有漏洞。不必追求100%复现，但核心代码和关键结果要能跑通。
- 第四遍，总结套路：将这篇论文的“解题套路”抽象出来。例如：“对于这类多目标优化问题，他们采用了加权求和法转化为单目标，并用模拟退火算法求解。” 把这些套路整理成你自己的“模型选择决策树”。
建议至少精读和复现最近3-5年的特等奖和一等奖论文，涵盖不同题型（如优化、评价、预测、数据挖掘）。
3.2 团队分工与协作模式固化
数学建模是团队战，1+1+1能否大于3，取决于分工与协作。经典的三角色分工是：建模手、编程手、写手。但我的经验是，这种分工不能僵化。
- 建模手：负责问题分析、模型构建和算法设计。需要数学感觉好，知识面广。但他不能只动嘴，必须和编程手一起将模型“翻译”成可执行的算法步骤，并验证模型的合理性。
- 编程手：负责算法实现、数据清洗和结果可视化。需要编程能力强，熟悉各种工具箱和库。他不能只埋头敲代码，必须在模型设计阶段就介入，评估模型的计算复杂度和实现可行性，避免建模手设计出一个无法实现的“空中楼阁”。
- 写手：负责论文撰写、图表整合和格式排版。需要逻辑清晰、文笔好、注重细节。他不能等到最后才动笔，应从第一天就开始记录思路、绘制技术路线图，并随时将讨论确定的模型部分写成草稿。
更高效的协作模式是“两两结对，全员贯通”：建模手和编程手深度绑定，从模型萌芽到代码落地紧密协作；写手则全程参与讨论，同时与两者沟通，确保对模型和结果的理解准确无误。每个人在主打自己角色的同时，都必须对其他两人的工作有基本了解，这样才能在讨论时同频，在一个人卡壳时其他人能顶上去。
团队磨合的实操技巧：
- 定期开短会：每天早中晚固定时间开15分钟站会，同步进度、问题和下一步计划。
- 使用协同工具：Overleaf共编论文，GitHub或Gitee管理代码版本，腾讯文档或飞书在线同步思路和资料。
- 建立团队知识库：用一个共享文档，积累常用的代码片段、公式、绘图模板、参考文献格式等。
4. 模拟实战：全真演练与时间管理
赛前一个月，必须进行至少2-3次全真模拟赛。用往年赛题，严格模拟96小时（四天三夜）的竞赛过程。这是发现问题的最后机会。
4.1 四天三夜的标准化作战流程
根据多次实战，我总结出一个高效的时间分配方案：
- 第一天上午（6-8小时）：选题与破题。这是最重要的阶段，直接决定成败。不要急于选定，要花足够时间阅读所有题目（通常是A、B、C三题）。分别讨论每个题的背景、数据、可能用到的模型、工作量评估。选择那个你们最有思路、最有工具积累、且能做出差异化的题。一旦选定，绝不回头。
- 第一天下午至第二天全天：模型构建与初步求解。建模手和编程手全力攻坚，建立核心模型，并编程求出初步结果。写手开始撰写“问题重述”、“模型假设”、“符号说明”等前期部分，并绘制技术路线图。第一版结果无论如何都要在第二天结束前出来，哪怕很粗糙。
- 第三天：模型优化、结果分析与论文主体撰写。基于初步结果，分析不足，优化模型（如调整参数、增加约束、考虑多目标）。编程手进行大量数值实验。写手根据讨论和结果，全力撰写“模型建立”、“模型求解”、“结果分析”等核心章节。这一天是最煎熬的，但论文雏形必须形成。
- 第四天：论文打磨、摘要冲刺与最终检查。上午完成论文初稿，下午集中火力写摘要。摘要需要反复打磨，它是评委最先看也是看得最仔细的部分，必须独立成篇，清晰交代问题、方法、模型、算法、主要结果和亮点。晚上进行最终排版、查错（公式编号、图表引用、错别字）、生成目录和提交材料。
4.2 论文写作的“隐形评分点”
很多人把精力全放在模型和算法上，却输在了论文表达上。论文是你们工作的唯一呈现，必须高度重视。
- 摘要：采用“总-分-总”结构。第一段总述解决了什么问题；第二段分点说明针对每个问题用了什么方法、建立了什么模型、得到了什么关键结果（给出具体数值）；第三段总结模型优点或特色。控制在800字以内，但信息密度要高。
- 模型假设：要合理且必要。既不能过于理想化导致模型脱离实际，也不能过于复杂让模型无法求解。每一条假设最好能说明理由。
- 图表：每张图、每个表都必须有编号和标题，并在正文中明确引用。图表要美观、信息清晰，避免使用默认的丑陋配色。趋势图用线图，对比图用柱状图，分布图用散点图或箱线图。
- 行文逻辑：使用“首先…然后…接着…最后…”等连接词，让评委能轻松跟上你的思路。多使用小标题划分章节，让结构一目了然。
- 参考文献：引用格式统一（如GB/T 7714），并在正文中正确标引。引用一些高质量的学术文献（知网、Web of Science上的论文）能为你的模型增加说服力。
5. 临场应变与常见问题“急救包”
即使准备再充分，实战中也会遇到各种意外。以下是我们总结的“急救包”：
问题一：选题纠结，时间浪费过多。
- 对策：严格限时讨论，每道题最多讨论40分钟。用打分法，从“兴趣度”、“知识储备”、“数据可处理性”、“创新空间”四个维度给每道题打分，理性选择。记住，没有完美的题，只有相对适合你们的题。
问题二：模型建立后，发现求解不了或结果异常。
- 对策：这是常态。首先检查输入数据是否有异常值或量纲不统一；其次简化模型，先求解一个最简版本（如减少变量、放松约束），确保基础流程通畅；然后逐步增加复杂度。如果算法不收敛，尝试调整初始值、优化算法参数，或更换算法（如从梯度下降法换为遗传算法）。永远要有B计划，即准备一个备用模型（通常是更经典、更稳定的模型），在主线模型完全失败时能及时顶上。
问题三：编程手和建模手对模型理解不一致，导致代码反复修改。
- 对策：建模手在阐述模型时，必须配合伪代码或清晰的流程图。编程手在动手前，先复述一遍模型的计算步骤，得到建模手确认后再编码。每日代码提交前，进行简单的“代码走查”，用一个小数据样例验证输出是否符合预期。
问题四：论文写手感觉无从下笔，或者写出来的内容干瘪。
- 对策：写手不能被动等待。从第一天起就建立论文骨架，用占位符和要点填充。多使用“如图1所示”、“代入公式(5)计算可得”、“这与实际情况相符，因为…”这样的引导句。描述结果时，不要只说“结果很好”，要结合图表数据具体分析：“从表2可以看出，方案A的成本比方案B降低了15%，同时效率提升了8%，这主要得益于我们引入了XX机制。”
问题五：最后一天摘要写不完或写不好。
- 对策：摘要绝不能留到最后半天才写。从第三天开始，就根据已完成的论文部分，起草摘要的各个片段。第四天上午，集中整合、润色、精炼。写好后再放一两个小时，回头再读，往往能发现可以删减的冗余或需要补充的关键信息。
问题六：体力不支，团队情绪低落。
- 对策：赛前调整作息，模拟赛就按竞赛时间进行。比赛中保证睡眠，至少每天睡4-5小时，尤其是写手最后一天需要清醒的头脑。准备零食、咖啡等补给。队长要时刻关注队友情绪，及时鼓励，遇到僵局时带头休息十分钟，换个思路。
准备MathorCup，就像准备一场马拉松。它考验的不仅是你的知识储备，更是你的学习能力、团队协作能力和在高压下解决问题的韧性。那些熬夜推导的公式、调试报错的代码、反复修改的段落，最终都会凝结成一篇承载着你们智慧与汗水的论文。无论结果如何，这个过程本身对个人能力的锤炼，其价值远超一纸证书。找准节奏，相信你的队友，享受这个痛并快乐着的创造过程吧。最后一个小提醒：提交前，务必至少留出两小时，将论文打印出来，三个人轮流逐字逐句检查，电子版上看不出的格式错误，在纸上往往无所遁形。祝你们在未来的比赛中，都能建有所得，模有所获。
