数学建模竞赛零基础突击：五类核心模型与MATLAB实战指南

1. 赛前突击的本质：从“知道”到“能用”的快速通道

每年一到数学建模竞赛季，总能看到不少同学在图书馆、自习室里对着电脑屏幕抓耳挠腮。他们可能刚接触MATLAB，对着一堆函数名发懵；可能读了几篇优秀论文，但感觉那些模型和算法像天书；更头疼的是，明明脑子里有点想法，却不知道如何组织成一篇逻辑清晰的论文。如果你正处在这种状态，感觉时间紧迫、基础薄弱，那么这篇内容就是为你准备的。这不是一份面面俱到的教科书，而是一份针对“小白零基础赛前突击”的实战路线图。它的核心目标不是让你成为某个领域的专家，而是在有限的时间内，帮你搭建起一个“能用”的知识框架和工具箱，让你在面对赛题时，不至于无从下手。

突击的核心思路是“问题驱动”和“最小可行知识”。我们不需要从头系统学习MATLAB编程、数理统计、运筹学等所有前置课程，那在赛前是不现实的。我们需要的是，识别出数学建模竞赛中最常出现的几类问题（比如预测、评价、优化、分类），然后针对每一类问题，掌握一两个最经典、最易上手的模型和算法，并知道如何在MATLAB里快速实现它们，最后用规范的论文结构把整个过程清晰地呈现出来。这个过程，就是把“数学建模”、“MATLAB”、“论文写作”、“模型与算法”这四个关键词串联起来的实战路径。接下来，我们就拆解这条路径上的每一个关键环节。

2. 模型与算法：掌握五把“万能钥匙”，应对八成赛题

对于零基础突击而言，贪多嚼不烂。我的建议是，深度掌握以下五类基础模型/算法，它们覆盖了数学建模竞赛的大部分题型。你需要理解它们解决什么问題、输入输出是什么、在什么情况下使用，而不是死记硬背数学推导。

2.1 预测类：拟合与回归的直观理解

预测问题是赛题中的常客，比如预测销量、预测趋势、预测人口等。对于小白，最先要掌握的是拟合和回归。

• 拟合：你可以把它想象成“描点画线”。给你一堆散乱的数据点，你找一条最贴近所有点的曲线（比如直线、抛物线）。MATLAB里最常用的就是polyfit和polyval函数。例如，用一次多项式（直线）拟合：

  x = [1, 2, 3, 4, 5]; y = [2.1, 4.0, 5.9, 8.1, 10.0]; p = polyfit(x, y, 1); % 1代表1次多项式，即直线。p(1)是斜率，p(2)是截距 y_fit = polyval(p, x); % 用拟合出的多项式系数p计算拟合值 plot(x, y, 'o', x, y_fit, '-'); % 画原始数据点（圆圈）和拟合直线（实线） legend('原始数据', '拟合直线');

  突击要点：记住polyfit(x数据, y数据, 阶数)这个格式。阶数通常从1（直线）或2（抛物线）开始试。关键是画图对比，肉眼判断拟合效果。

• 回归：比拟合更“统计”一些，特别是多元线性回归。当你的预测结果（因变量）可能受到多个因素（自变量）影响时，就用它。MATLAB中可以用regress函数。但更直观的是用“曲线拟合器”APP（Curve Fitter），它提供了图形化界面，能选择多种模型（指数、傅里叶等）并实时看到拟合效果和误差，非常适合新手快速探索数据关系。

实战心得：拿到数据先画散点图 (scatter或plot)，观察大致趋势。如果是明显的时间序列（比如按月份的数据），优先考虑时间序列分析（如移动平均法），MATLAB的smoothdata函数可以快速做平滑处理。预测模型的结果一定要用一部分已知数据来检验（比如用前80%的数据建模，预测后20%的数据，看误差），并在论文中展示这个检验过程，这是建模严谨性的体现。

2.2 评价类：层次分析法——把主观判断量化

评价类问题如“哪个方案最优”、“城市综合实力排名”等，往往涉及多个难以直接量化的指标。层次分析法（AHP）是解决这类问题的“神器”，因为它能将人的主观判断进行量化处理。

它的核心步骤是：

1. 建立层次结构：目标层（要解决的问题）、准则层（评价标准）、方案层（备选方案）。
2. 构造判断矩阵：针对每一层元素，两两比较其重要性（通常用1-9标度法，1表示同等重要，9表示极端重要）。
3. 计算权重并一致性检验：通过数学方法（如特征向量法）计算各元素的权重。MATLAB可以轻松实现：

   % 假设判断矩阵A A = [1, 3, 5; 1/3, 1, 2; 1/5, 1/2, 1]; [V, D] = eig(A); % 求特征值和特征向量 [max_eigval, index] = max(diag(D)); % 最大特征值 w = V(:, index); % 对应的特征向量 w = w / sum(w); % 归一化得到权重向量w % 一致性检验 n = size(A,1); CI = (max_eigval - n) / (n - 1); RI = [0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45]; % 平均随机一致性指标 CR = CI / RI(n); if CR < 0.1 disp('一致性可接受，权重为：'); disp(w); else disp('判断矩阵不一致，需调整！'); end

4. 计算总排序：将各层权重合成，得到方案对总目标的最终权重。

突击要点：你不需要完全理解特征值计算的数学原理，但必须掌握判断矩阵的构建方法（两两比较）和一致性检验的意义（CR<0.1）。网上有很多现成的AHP的MATLAB代码，你需要做的是理解代码的输入（判断矩阵A）和输出（权重w，一致性比率CR），并会修改它来适应你的问题。在论文中，清晰地画出层次结构图，并展示判断矩阵和计算出的权重，过程比结果更重要。

2.3 优化类：线性规划与整数规划——寻找最优解

“在有限资源下，如何分配使得利润最大、成本最小？”这就是优化问题。线性规划是基础中的基础，所有变量都是一次项。MATLAB的linprog函数是求解利器。

一个典型的生产计划问题：两种产品，消耗不同资源，利润不同，资源有限，求最大利润。

% 目标函数系数（求最大利润，故linprog中需转换为最小化 -f） f = [-3; -2]; % 假设产品1利润3，产品2利润2，求最大即求 -f 最小 % 不等式约束 Ax <= b A = [2, 1; % 资源1消耗 1, 2]; % 资源2消耗 b = [100; 80]; % 资源1总量100，资源2总量80 % 变量的下界（非负约束） lb = [0; 0]; % 求解 [x, fval, exitflag] = linprog(f, A, b, [], [], lb); if exitflag > 0 disp('最优解为：'); disp(x); disp(['最大利润为：', num2str(-fval)]); % 注意取负 else disp('未找到最优解'); end

突击要点：关键是学会将实际问题转化为linprog(f, A, b, Aeq, beq, lb, ub)的标准形式。f是目标函数系数，A, b是不等式约束，Aeq, beq是等式约束，lb, ub是变量上下界。如果要求变量是整数（比如生产多少台设备），就需要用整数规划，MATLAB中可以使用intlinprog函数，用法类似，但需指定哪些变量是整数。

踩坑提醒：linprog默认是最小化目标函数。如果你的问题是最大化（如利润），一定要将目标函数系数取负（如f = -[利润系数]），最后结果再取负得到最大利润。这是新手最容易出错的地方之一。

2.4 分类与聚类：认识数据的内在“圈子”

当问题变成“根据特征，把对象分到已知类别中”或“把相似的对象自动聚成几组”时，就进入了分类和聚类的领域。

• 分类（如判别分析）：有已知的训练样本和类别标签，目标是建立一个“分类器”来预测新样本的类别。MATLAB的统计和机器学习工具箱提供了fitcdiscr（判别分析）、fitctree（决策树）等函数。对于突击，可以先用简单的距离判别（如计算新样本到各类别中心点的马氏距离，归为最近的一类）来实现，原理简单，代码易写。
• 聚类（如K-means）：没有预先定义的标签，纯粹根据数据间的相似性（距离）进行分组。MATLAB的kmeans函数非常方便：

  data = rand(100, 2); % 100个二维随机点 k = 3; % 预设聚成3类 [idx, C] = kmeans(data, k); gscatter(data(:,1), data(:,2), idx); % 按聚类结果着色散点图 hold on; plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3); % 画出聚类中心

突击要点：对于分类，重点理解“训练”和“预测”两个阶段，以及如何评估分类准确率（如混淆矩阵）。对于聚类，关键是如何确定合适的聚类数目k，可以尝试不同的k，观察聚类结果的“紧密度”或使用“肘部法则”。在论文中，一定要可视化你的分类或聚类结果，一张清晰的散点图比大段文字描述更有说服力。

2.5 图论与网络：描述事物间的关联

如果赛题涉及路径、流量、网络关系（如交通网、社交网、物流网），那么图论模型就派上用场了。你不需要掌握复杂的图论算法，但要知道如何用MATLAB表示和解决基本问题。

• 图的表示：最常用的是邻接矩阵。一个n x n的矩阵，如果节点i到节点j有边，则G(i,j)=1（或边的权重），否则为0。
• 最短路径：使用graph和shortestpath函数。

  % 创建一个有向图 s = [1 1 2 3 3 4]; % 起始节点 t = [2 3 4 4 5 5]; % 目标节点 w = [10 5 2 1 9 3]; % 边的权重 G = digraph(s, t, w); plot(G, 'EdgeLabel', G.Edges.Weight); % 画图并标注权重 % 计算节点1到节点5的最短路径 [path, d] = shortestpath(G, 1, 5); disp(['最短路径：', num2str(path)]); disp(['最短距离：', num2str(d)]);

• 最小生成树：用于连接所有节点且总权重最小的树，命令是minspantree。

突击要点：学会用graph/digraph创建图，用shortestpath和minspantree解决经典问题。很多复杂的网络问题，其核心往往可以分解为多个最短路径或连通性问题。在论文中，画出网络图并标注关键路径或结构，能让模型一目了然。

注意：以上五类模型是突击的基石。赛前，请为每一类模型准备一个“代码模板”，包含数据导入、模型调用、结果可视化和基本分析的核心代码块。比赛时，根据题目快速匹配模型类型，然后套用模板进行修改和调整，能极大节省时间。

3. MATLAB实战：告别恐惧，把软件变成你的计算器

很多同学对MATLAB望而生畏，其实对于数学建模竞赛，你只需要掌握它20%的功能，就足以应对90%的任务。我们的目标是“会用”，而不是“精通”。

3.1 环境准备与核心操作习惯

首先，确保你的MATLAB安装正确。打开软件，认识三个关键区域：命令行窗口（直接输入命令执行）、编辑器（写脚本和函数）、工作区（查看当前变量）。

必须养成的两个好习惯：

1. 脚本化工作：永远不要在命令行窗口里零敲碎打地完成所有工作。新建一个脚本文件（.m文件），把所有命令按顺序写进去。这样方便修改、调试和重复运行，也是你论文中代码附录的来源。
2. 及时注释：在代码中，用%添加注释，解释这一段在干什么、关键变量是什么意思。三天后，甚至三小时后，只有注释能救你。

3.2 数据处理的“三板斧”：读、清、画

数据是建模的原料，处理数据是第一步，也是最耗时的一步。

• 读数据：

  • Excel数据：readmatrix(‘data.xlsx’)或xlsread（旧版本）。
  • CSV/TXT文本数据：readtable(‘data.csv’)或importdata。
  • 踩坑提醒：读入后，用whos命令查看变量类型和大小。经常遇到数字被读成文本的情况，这时需要str2double进行转换。

• 清数据：

  • 查找缺失值：isnan()函数。
  • 处理缺失值：简单的可以用均值填充mean(数据, ‘omitnan’)，或者直接删除所在行data(any(isnan(data), 2), :) = []。
  • 数据标准化：当不同指标量纲差异巨大时（如GDP和人口），必须标准化。常用zscore函数（化为均值为0，标准差1）或最大最小归一化(data - min(data)) ./ (max(data) - min(data))。

• 画数据：

  • 二维散点/折线：plot(x, y)。
  • 三维散点：scatter3(x, y, z)。
  • 直方图：histogram(data)。
  • 核心技巧：画完图一定要加上标题title、坐标轴标签xlabel,ylabel和图例legend。这些图形稍加修饰，就可以直接放入论文中。

3.3 函数与调试：让代码模块化、可管理

当你的脚本超过50行，就应该考虑将一些功能独立的代码块封装成函数。

• 自定义函数：在一个新的.m文件中，第一行写function [输出1, 输出2, ...] = 函数名(输入1, 输入2, ...)，然后写函数体。这能让主脚本非常简洁。
• 调试：最常用的方法是disp()大法。在怀疑出错的地方，打印关键变量的值 (disp(变量名))。也可以使用编辑器自带的断点功能（在行号旁边点击设置红点），然后按F5运行，程序会在断点处暂停，让你查看工作区所有变量的当前状态。

实战心得：比赛时，建议建立清晰的文件夹结构，例如：

/竞赛项目 /code % 存放所有.m脚本和函数文件 /data % 存放原始数据和中间数据 /figures % 存放生成的所有图片 /ref % 存放参考文献、资料 main.m % 主运行脚本

主脚本main.m就像总指挥，依次调用数据读取、预处理、模型1计算、模型2计算、绘图、结果输出等各个函数或代码段。这样结构清晰，不易混乱。

4. 论文写作：将你的思想“销售”给评委

数学建模竞赛，本质上是一场“基于数学的写作竞赛”。模型再精妙，代码再复杂，如果不能通过论文清晰、有说服力地表达出来，就等于零。论文是你的唯一产出。

4.1 结构：八股文式框架是最高效的模板

不要试图在论文结构上创新。采用最经典、最稳妥的结构，确保评委能快速找到他想看的内容。

1. 摘要（重中之重）：这是论文的“脸面”，评委可能只用几分钟看摘要。必须用一段话（300-500字）概括全部精华。采用“问题-方法-结果-结论”的固定句式：

   • 针对……问题，本文……
   • 首先，建立了……模型，该模型的特点是……
   • 其次，利用……算法/软件，求解得到……结果（关键数据）。
   • 最后，进行了……分析/验证，结果表明……，并提出了……建议。
   • 关键词：3-5个，包含题目中的核心词和你模型的核心词。

2. 问题重述与分析：不要照抄题目！用自己的语言简要复述问题，并分析问题的特点、难点、以及解决思路。这里可以初步引出你将要用到的模型类型。

3. 模型假设与符号说明：

   • 假设：为了简化问题，必须做出合理假设。例如“假设数据采集期间无重大突发事件”、“假设运输车辆速度恒定”。假设要合理、必要，且在后文模型中要引用到。
   • 符号说明：用一个三列表格，列出文中用到的主要变量符号、含义及单位。例如r_i- 第i个节点的需求 - 件。

4. 模型的建立与求解（核心部分）：

   • 分小节叙述。例如“4.1 问题一的模型：基于时间序列的预测模型”。
   • 先讲清楚模型原理和适用性（为什么用这个模型），再给出数学模型（公式）。
   • 然后详细说明求解过程：用了什么算法、在MATLAB中如何实现（可以贴关键代码片段，但不宜过长）、求解步骤是什么。
   • 最后给出求解结果，并配以清晰的图表。图要有图序和标题（如图1. XXX关系图），表要有表序和标题。

5. 模型的分析与检验：

   • 灵敏度分析：改变模型中的某个关键参数（比如假设中的某个值），观察结果的变化是否剧烈。这能说明模型的稳健性。
   • 误差分析：预测模型一定要计算误差（如平均绝对误差MAE、均方根误差RMSE）。
   • 模型优缺点评价：客观地写1-2条优点和1-2条缺点（如“模型简单易懂，但未考虑XX因素，未来可改进”）。

6. 参考文献：文中引用的书籍、论文、网站，按标准格式列出。即使主要参考了网络资料，也要尽量找到其原始出处或权威网站。

7. 附录：放置冗长的核心代码、大型数据表格等。代码要有基本的注释。

4.2 表达：像讲故事一样呈现你的工作

• 图文并茂，一图胜千言：多用图表展示数据规律、模型结果、流程思路。流程图、结构图、对比柱状图、趋势折线图都是利器。
• 语言客观、准确：使用“本文建立了…”、“数据表明…”、“由图X可知…”等客观陈述句。避免“我认为”、“我们觉得”等主观表述。
• 逻辑清晰，层层递进：每一小节只讲一件事，段落之间要有承上启下的句子。让评委能顺着你的思路走。
• 善用排版：合理使用加粗、斜体强调重点。公式用公式编辑器规范编写（如$E=mc^2$在LaTeX中，或Word的公式编辑器）。

个人体会：写论文和建模是交替进行的，不要等所有模型都做完再动笔。可以边做边写“模型的建立与求解”部分。摘要和结论部分最后写，但一定要留出足够时间反复打磨摘要。我曾见过模型做得一般的队伍，因为一篇逻辑清晰、图表精美的论文而获得不错的奖项。

5. 赛前一周与72小时实战流程

最后，将以上所有内容整合成一份可执行的行动计划。

5.1 赛前一周：最后的准备与磨合

1. 知识盘点：对照第二部分，确保自己至少对五类基础模型都有代码模板，并且知道模板的每个参数是什么意思，如何根据题目修改。
2. 工具固化：建立好论文写作的模板（Word或LaTeX），设置好标题、正文、图表、公式的样式。准备好数据处理的常用代码片段（读数据、清数据、画图）。
3. 团队磨合：明确分工。经典的“建模-编程-写作”三角分工是有效的，但更推荐动态协作。比如，建模手在构思时，编程手就可以开始准备可能用到的算法代码；写作手可以同步开始撰写问题分析、模型假设部分。每天固定时间开短会同步进度。
4. 资料归档：将准备好的模板、代码、往年优秀论文、参考书籍等，集中放在一个U盘或云端，确保每个队员都有备份。

5.2 竞赛72小时：节奏把控与应急策略

• 第一天（上午-中午）：选题与破题。仔细阅读所有赛题，每个队员独立思考，然后集中讨论。选择那个你们最能理解背景、最有思路、最有可能找到数据的题目。一旦选定，不要轻易更改。确定题目后，立即开始查找和收集数据。
• 第一天（下午-晚上）：模型构建与初步求解。建立初步模型，开始编程实现，并得到初步结果。写作手开始撰写“问题重述”、“模型假设”、“符号说明”以及“模型建立”部分的前半段。
• 第二天（全天）：模型求解与深化。这是攻坚期。编程手全力运行和调试代码，得到稳定可靠的结果。建模手分析结果，可能需要对模型进行修正或优化。写作手根据进展，完善“模型求解”部分，并开始制作图表。
• 第三天（上午-下午）：论文撰写与整合。所有建模和编程工作原则上应停止，全力转向论文写作。将各部分内容整合成文，撰写“模型检验与分析”、“结论”部分。务必在下午完成初稿。
• 第三天（晚上-截止前）：修改、润色与提交。通读全文，检查逻辑、语法、错别字、公式编号、图表引用。反复打磨摘要。最终定稿后，按照要求生成PDF（通常为PDF格式），并提前至少30分钟提交，以防网络拥堵。

应急锦囊：

• 模型卡壳：立即回归基础。想想五类基础模型里哪个最接近？能不能简化问题，先用基础模型做出一个初步结果？有结果总比没有强。
• 代码报错：使用try-catch语句隔离可能出错的代码段，并用disp输出错误信息catch ME; disp(ME.message)。善用MATLAB的帮助文档doc 函数名。
• 结果不理想：在论文中诚实汇报，但重点转向“原因分析”。是数据问题？还是模型假设不合理？深入的分析和反思同样能体现你的能力。
• 写作瓶颈：先完成，再完美。用最直白的语言把过程写下来，哪怕像流水账。之后再回来修改和润色。

数学建模竞赛是一场高强度、团队合作的脑力马拉松。对于零基础突击，成功的钥匙不在于掌握了多少高深的理论，而在于是否能把有限的知识，通过清晰的逻辑和规范的表达，完整地呈现出来。从看懂题目，到选择一个合适的模型，用MATLAB实现它，最后写成一篇像样的论文——这条路径，你现在已经清楚了。剩下的，就是动手去实践，在实战中积累属于你自己的经验和信心。记住，完成比完美更重要，提交一份完整的论文，你就已经战胜了很多人。