math-2026 协作说明:把数学建模备赛变成一套工作流

这篇文章写给我们队自己看。

离 9 月国赛还有大约一个月,我们的目标不是“参与一下”,而是尽量冲到省一等奖以上。要做到这个目标,光靠赛前临时翻资料、临场各写各的,风险太大。接下来一个月,我们需要把准备工作变成一套可复用、可沟通、可执行的工作流。

math-2026 仓库就是这个工作流的底座。

它不是资料越多越好,而是要让我们三个人在比赛时快速回答这些问题:

  • 这道题适合用什么模型?
  • 有没有类似的往年完整工程可以对照?
  • 代码从哪里开始改?
  • 图表应该怎么画才有说服力?
  • 论文应该先写哪几块?
  • 当前结果是否已经足够可信,可以进入下一问?

这篇文章的定位不是博客展示文,而是我们的队内说明书。之后所有经验总结也尽量写在博客里,math-2026 仓库本身只放工程、代码、模板、数据和可运行项目。

一句话共识

我们要做的不是“把资料攒齐”,而是建立一个比赛现场能跑起来的协作系统。

更具体一点:

  • Windows 主要负责建模、跑程序、出结果图;
  • Mac 主要负责论文写作、结构整理、图文表达;
  • GitHub 负责两端同步;
  • 博客负责沉淀经验、方法、复盘和队内说明;
  • math-2026 仓库负责保存真正要运行和交付的工程资产。

也就是说:

1
2
经验放博客,工程放仓库;
模型要能跑,图表要能证明,论文要能读懂。

这句话后面一个月要反复拿出来检查。

当前仓库是怎么组织的

math-2026 当前大致分成这些部分:

1
2
3
4
5
6
7
code/            建模与求解代码
templates/ LaTeX / Typst 论文模板
docs/ 规则、模板、资源索引等基础说明
past-problems/ 历年真题与完整参考工程
mock-contests/ 模拟赛与提交检查清单
tools/ 环境自检脚本
refs/ 外部工具和参考资料

其中最重要的是三个入口:

  1. code/:赛时改数据、跑模型、生成图表。
  2. templates/:赛时写论文,不临时折腾格式。
  3. past-problems/external-projects/:看完整工程,学习别人怎么把题目做完。

现在仓库里已经拉了不少完整工程,包括:

  • 2020 B 穿越沙漠国一工程;
  • 2023 A 定日镜场国一工程;
  • 2023 B 多波束测线工程;
  • 2023 C 蔬菜补货定价工程;
  • 2024 A、2024 B 参考工程;
  • 2025 B 碳化硅外延层厚度国奖/省奖对照;
  • 2025 C NIPT 完整工程。

这些工程不是用来照搬的,而是用来建立直觉:优秀队伍怎么拆题、怎么建模、怎么出图、怎么写结论、怎么让代码和论文互相支撑。

最近又补了 5 个近年优秀工程,建议先按下面的顺序读:

工程 建议学习重点 适合谁先看
2024 A 板凳龙国一/数模之星 几何建模、动态搜索、碰撞检测、运动仿真图 建模手、代码手
2025 A 无人机烟幕四川省一 复杂物理场景拆解、优化变量设计、AI 使用说明、Overleaf 协作 全队一起看
2024 B 企业生产国二 0-1 决策、仿真流程、递归风险的假设处理 建模手
2025 C NIPT 湖北省一 数据建模、交叉验证、动态规划、异常识别 pipeline C 题方向、代码手
2024 C 农作物种植广东二等奖 完整交付、数据处理链、结果表格,也作为“模型局限”反例 论文手、代码手

读这些工程时不要平均用力。我们的读法应该是:

1
2
3
4
先看摘要:有没有每问方法、关键数字和结果文件?
再看图表:每张图在证明什么?
再看代码:论文里的数字能不能找到脚本入口?
最后看作者复盘:哪些地方是他们自己也承认的风险?

如果只看模型名,很容易误判。真正值得学的是“题目要求 -> 模型选择 -> 求解算法 -> 图表证据 -> 论文结论”这条链有没有闭合。

我们以后怎么分工

为了减少沟通成本,建议按照“三条线”推进。

1. 建模线

主要负责:

  • 读题,拆每一问的输入、输出、约束、评价指标;
  • 确定基础模型和备选模型;
  • 把题目语言翻译成变量、目标函数、约束条件;
  • 判断模型结果是否足够可信;
  • 决定什么时候该换模型,什么时候该停止折腾。

建模线最重要的产出不是长篇解释,而是这些东西:

1
2
3
4
5
6
7
8
9
本问目标:
输入数据:
输出结果:
核心变量:
目标函数/评价指标:
约束条件:
采用模型:
需要代码手跑出的图表:
给论文手的一句话结论:

这套格式简单,但能极大减少“我以为你知道”的沟通。

2. 代码线

主要负责:

  • 数据清洗;
  • 模型实现;
  • 参数搜索;
  • 结果复现;
  • 生成图表;
  • 保存中间结果。

代码线每完成一个小任务,最好不要只说“跑完了”,而是给出:

1
2
3
4
5
6
7
运行脚本:
输入文件:
输出文件:
核心结果:
图表路径:
有没有异常:
下一步建议:

特别注意:比赛时不要让关键结果只存在于 notebook 输出里。重要结果要落成文件:CSV、XLSX、PNG/PDF、TXT 都可以。

3. 论文线

主要负责:

  • 摘要;
  • 小标题和全文结构;
  • 问题重述与问题分析;
  • 模型假设、符号说明;
  • 结果解释;
  • 图表排版;
  • 最终提交格式检查。

论文线不能等全部算完才开始。最晚在选题后 6 小时内,就应该有论文骨架:

1
2
3
4
5
6
7
标题草案
摘要占位
每问小标题
模型假设
符号表
图表清单
参考文献占位

论文线的核心任务不是“润色”,而是把我们做的事变成评委能快速读懂、愿意相信的证据链。

一个重要改变:经验写博客,工程留仓库

以后经验文档不再优先写进 math-2026 仓库。

原因很简单:仓库应该保持轻、稳、可运行。经验总结、读论文复盘、队内沟通规范、赛后反思,都更适合写在博客里。

这样分开以后:

  • 队友想知道“怎么协作、怎么读论文、怎么画图”,看博客;
  • 队友想跑代码、看模板、找数据,看仓库;
  • 比赛现场不会在仓库里翻一堆长 Markdown 找重点;
  • 博客可以持续更新,不影响工程目录稳定性。

以后我们可以把博客当作队伍的“方法手册”,把仓库当作“工具箱”。

AI 工具应该怎么用

我们可以用 AI,但不能把 AI 当成“替我们比赛的人”。更准确地说,AI 在我们队里的角色应该是:

1
助教 + 代码助手 + 论文审稿人 + 资料整理员 + 复盘记录员

它适合做这些事:

  • 帮我们把题目拆成输入、输出、变量、约束和评价指标;
  • 帮我们列可选模型,并比较每个模型的适用条件;
  • 帮我们检查代码是否能复现论文里的结果;
  • 帮我们把粗糙结论改成论文式表达;
  • 帮我们设计图表清单;
  • 帮我们发现假设、验证和敏感性分析里的漏洞;
  • 帮我们整理 AI 使用记录,方便后续写说明。

它不应该替我们做这些事:

  • 直接决定选题;
  • 编造数据、结果或参考文献;
  • 在没看附件的情况下给“最优方案”;
  • 把无法验证的模型包装成确定结论;
  • 代替我们承担最终建模判断。

一句话:

1
AI 可以帮我们更快地产生候选方案,但最终方案必须能被题目、数据、代码和图表证明。

OpenAI 官方文档对提示词的建议也很朴素:重要任务要说清目标、上下文、输出格式和边界;不需要迷信固定格式,但要把会改变结果的信息提供出来。对 Codex 这类能操作代码和文件的工具,还要说明相关文件、保留约束和验证方式。我们把这个原则翻译成数模赛时格式。

数模提示词的通用格式

比赛时不要只说:

1
帮我做一下这题。

这太空了。更好的提示词应该长这样:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
任务目标:
我正在做 2026 国赛 X 题第 Y 问,请帮我把这一问拆成可建模问题。

题目信息:
这里是问题原文 / 附件字段 / 已知条件 / 单位。

当前进展:
我们已经完成了什么;哪些数据已经清洗;哪些结果已经跑出来。

希望输出:
请输出变量定义、目标函数、约束条件、可选模型、推荐模型、需要生成的图表,以及风险点。

边界要求:
不要编造题目没有给的数据;不直接给最终结论;如果需要额外假设,请单独列出并说明影响。

可以把它压缩成四个词:

1
目标、上下文、输出、边界。

其中“边界”最容易被忽略,但它决定了 AI 是不是会开始胡跑。比如:

1
2
3
4
5
不要假设附件以外的数据。
不要改动原始数据文件。
不要直接写论文结论,先给可验证的模型方案。
如果模型有随机性,请设计重复实验。
如果结果不够支撑结论,请明确指出。

这些话看起来像废话,其实是保险丝。比赛时人很累,AI 也可能顺着你的焦虑往前冲;边界写清楚,能避免我们把“像答案的东西”误当答案。

根据题型写提示词

不同题型,提示词重点不一样。

A 题:几何 / 物理 / 仿真

A 题常见问题是场景复杂、变量多、空间关系绕。提示词重点应该是“把物理场景转成可计算对象”。

1
2
3
4
5
6
7
8
9
10
11
12
我在做 A 题,题目涉及几何/运动/物理过程。
请你先不要写代码,先帮我完成:
1. 把题目对象列成实体表;
2. 把每个实体的状态变量列出来;
3. 找出可以参数化的轨迹/曲线/空间关系;
4. 把约束改写成距离、角度、速度、时间或能量条件;
5. 给出最小可运行模型和必须验证的图表。

要求:
所有符号要说明单位;
如果需要近似,请解释近似会影响哪一问;
不要直接跳到启发式算法。

这类提示词的关键是逼 AI 先做“对象建模”,而不是一上来就推荐粒子群、遗传算法。A 题如果对象没有建清楚,后面所有优化都会晃。

B 题:工程 / 机理 / 优化

B 题通常有流程、成本、效率、风险、设备、策略。提示词重点应该是“先画流程,再建目标函数”。

1
2
3
4
5
6
7
8
9
10
我在做 B 题,这是一个工程决策/生产流程/设备优化问题。
请帮我从题目中提取:
1. 流程节点;
2. 每个节点的输入、输出和状态;
3. 决策变量,尤其是 0-1 变量;
4. 成本、收益、风险或误差的计算方式;
5. 可能导致循环、递归或重复计费的地方;
6. 适合的优化模型和仿真方案。

请先输出流程图文字版和变量表,不要直接写完整论文。

B 题很怕“模型很大但逻辑断了”。所以提示词要专门要求 AI 检查流程异常,比如死循环、重复成本、约束冲突。

C 题:数据 / 统计 / 预测 / 决策

C 题最容易被 AI 带偏成“模型名大杂烩”。提示词重点应该是“先看数据,再决定模型”。

1
2
3
4
5
6
7
8
9
10
11
12
我在做 C 题,附件是表格数据。
请先帮我设计数据分析路线:
1. 每个字段的含义、单位和可能的数据质量问题;
2. 缺失值、异常值、重复值的检查方式;
3. 这一问的响应变量和解释变量;
4. 哪些图能帮助判断线性/非线性/分组差异;
5. 至少两种候选模型及其适用条件;
6. 需要做哪些验证:交叉验证、残差分析、敏感性分析或稳健性检验。

要求:
不要在没看数据分布前指定最终模型;
不要只给模型名称,要说明每个模型如何回应题目问题。

C 题的高分点通常不是“用了机器学习”,而是“知道为什么用、怎么验证、结果是否稳”。提示词要把 AI 往验证链上拉。

分阶段使用 AI,而不是一次性问完

比赛时最好的用法不是让 AI 一次性生成整篇论文,而是分阶段推进。

阶段 AI 适合做什么 我们要检查什么
读题 0-2 小时 拆输入输出、列变量、找约束 是否遗漏题目要求
建模 2-8 小时 比较模型、写目标函数、找风险点 假设是否合理
编码 6-24 小时 写脚本、查 bug、整理输出文件 结果是否可复现
出图 12-36 小时 设计图表、解释每张图证明什么 图是否支撑结论
写作 24-60 小时 改摘要、润色段落、检查逻辑 是否夸大结果
收尾 60-72 小时 查格式、查符号、查图表引用 是否与代码结果一致

每个阶段都要让 AI 输出“可检查的东西”,比如变量表、约束表、代码 diff、图表清单、摘要草稿、风险列表。不要让它只输出一大段看起来很完整的散文。

我们应该怎样使用 Skill

Skill 可以理解成“给 AI 装一份固定工作手册”。官方文档里说,Skill 适合把可重复工作、模板、示例、流程说明打包起来,让 ChatGPT 或 Codex 在遇到类似任务时按同一套方法做。

这正适合数学建模备赛。我们有很多反复出现的任务:

  • 读题拆解;
  • 数据质量检查;
  • 模型选择;
  • 图表审查;
  • 论文摘要审稿;
  • AI 使用记录整理;
  • 最终提交前检查。

这些任务每次都靠临时提示词,容易漏步骤。更好的办法是慢慢沉淀成 Skill。

我建议我们后面至少做 5 个队内 Skill:

Skill 名 用途 触发方式示例
cumcm-problem-reader 通读题目,拆输入输出、变量、约束、每问关系 $cumcm-problem-reader 读这份 A 题题面
cumcm-data-auditor 检查附件字段、缺失值、异常值、单位、数据字典 $cumcm-data-auditor 审查这个 Excel 附件
cumcm-model-reviewer 审查模型闭环、假设、目标函数、约束和验证 $cumcm-model-reviewer 检查我们第 2 问方案
cumcm-figure-reviewer 判断图表是否支撑结论,给重画建议 $cumcm-figure-reviewer 看这些图够不够进论文
cumcm-paper-referee 像评委一样审摘要、逻辑链、符号、结果一致性 $cumcm-paper-referee 审这版论文摘要

Skill 的重点不是让 AI 更“神”,而是让它更稳定。比如 cumcm-paper-referee 每次都必须检查:

1
2
3
4
5
6
摘要有没有每问方法;
有没有关键数字;
图表编号是否被正文引用;
符号是否前后一致;
结论有没有被结果支撑;
是否存在没有验证的夸大表述。

这比每次临时说“帮我看看论文”可靠得多。

一个可以直接复制的 Skill 草案

后面我们可以真的把它做成 Codex Skill。先把草案放在这里,方便队友理解。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Skill 名称:cumcm-model-reviewer

用途:
用于审查全国大学生数学建模竞赛的单问或整题建模方案,重点检查模型闭环、题意对应、假设边界、代码可复现性和论文表达风险。

使用时需要提供:
1. 题目原文或该问要求;
2. 当前模型思路;
3. 已有数据字段或附件说明;
4. 已有代码/结果/图表路径;
5. 希望审查的重点。

固定输出格式:
1. 这一问真正要回答什么;
2. 当前方案的建模链条;
3. 变量、目标函数、约束是否完整;
4. 最容易被评委质疑的 3 个点;
5. 需要补的图表或验证;
6. 可以写进论文的结论句;
7. 不建议写进论文的夸大句。

边界:
不编造数据;
不替队伍直接确认最终最优;
所有建议必须能落到题目、数据、代码或图表证据上。

等我们连续用几次后,再把真实有效的版本固化到 Codex Skill 里。这个过程很像训练自己的“第二大脑”:不是让 AI 变成队长,而是把我们的判断标准变得可重复。

AI 使用记录怎么写

如果比赛要求说明 AI 使用情况,我们不要最后临时回忆。建议从训练开始就按这个格式记录:

1
2
3
4
5
6
7
8
时间:
工具:
使用目的:
输入内容:
输出内容:
人工修改:
是否进入最终论文/代码:
责任人:

例子:

1
2
3
4
5
6
7
8
时间:比赛第 1 天 14:20
工具:Codex
使用目的:审查第 2 问动态规划建模方案是否遗漏约束
输入内容:题目第 2 问、当前变量表、风险函数草稿
输出内容:指出 BMI 分组需要最小样本量约束和达标率约束
人工修改:队伍根据附件数据重新计算可行分组
是否进入最终论文/代码:进入模型约束说明和敏感性分析
责任人:建模手确认

这个记录不是形式主义。它能保护我们,也能倒逼我们把 AI 当工具用,而不是当黑箱答案机。

AI 使用的底线

最后,队里要有几条底线:

  1. 所有最终数字必须来自我们能复现的代码或人工计算。
  2. 所有题目假设必须由队伍确认,不能直接照抄 AI 建议。
  3. 所有参考文献必须能查到真实来源。
  4. AI 给出的模型名不等于模型成立。
  5. AI 写出的漂亮段落,如果没有图表或数字支撑,就删掉或降级表述。

我很喜欢的一句判断标准是:

1
AI 负责加速,我们负责负责。

这句话听着有点绕,但很适合比赛:速度可以借助工具,可信度必须靠我们自己守住。

2025 B 给我们的提醒

最近我们对比了 2025 B “碳化硅外延层厚度的确定”的两份论文:一份国奖,一份省级奖项。

差距很有启发。

省奖论文也写了很多正确内容:菲涅尔方程、色散模型、多光束干涉、厚度计算、误差分析。它不是不会做,而是更像把许多模块堆在一起。

国奖论文更强的地方,是它把所有东西连成了一条链:

1
2
3
4
5
6
7
8
原始反射光谱
-> 三层光学反射模型
-> 材料色散模型
-> 理论反射率
-> 残差目标函数
-> 全局搜索 + 局部精修
-> 拟合图 / 残差图 / 灵敏度 / 稳定性
-> 最终厚度是否可信

这个例子给我们的核心提醒是:

  1. 公式多不等于论文强,模型闭环才重要。
  2. 图表不是装饰,而是证据。
  3. 误差分析不能泛泛罗列,要说明是否影响最终结果。
  4. 每一问都要说明它对下一问有什么作用。
  5. 结果要可复现,不能只靠文字声称。

这件事对我们冲省一以上非常关键。高奖项论文通常不是“看起来很努力”,而是让评委觉得:这个队每一步都知道自己在干什么。

如果我们倾向选择物理 / 工程类题

目前我的判断是:如果赛题里出现类似 2025 B 碳化硅外延层厚度、2025 A 烟幕干扰弹、2024 A 板凳龙、2023 A 定日镜场、2023 B 多波束测线这类题,我们可以认真考虑。

这类题的共同点是:题目看起来复杂,但只要把物理对象、运动关系、几何判据和数值求解链条理清楚,就比纯数据题更容易做出“我们真的理解了问题”的质感。它不一定简单,但对工科背景更友好。

可以把这类题理解成六步:

1
2
3
4
5
6
对象建模
-> 物理 / 几何方程
-> 可计算判据
-> 数值仿真器
-> 参数搜索 / 优化
-> 可靠性验证和图表表达

其中最关键的一步不是“优化”,而是“判据”。比如:

  • 2025 A 的核心不是粒子群,而是“什么时候算有效遮蔽”;
  • 2025 B 的核心不是 FFT,而是“干涉条纹和厚度之间的物理关系是否成立”;
  • 2024 A 的核心不是搜索算法,而是“板凳之间是否碰撞”;
  • 2023 B 的核心不是多目标规划,而是“测线覆盖宽度和重叠率怎么算”;
  • 2023 A 的核心不是布局优化,而是“太阳、镜面、集热器之间的光线关系怎么算”。

所以赛时如果我们选这类题,第一件事不是问“用什么算法”,而是问:

1
2
3
4
5
这个题的物理对象有哪些?
每个对象的位置、速度、形状、状态如何参数化?
题目要求的“有效”“覆盖”“遮挡”“碰撞”“误差”到底如何判定?
给定一组参数,我们能不能写出一个函数,返回题目关心的指标?
这个函数能不能用简单算例或题目给定算例验证?

只要这个函数可信,后面可以用网格搜索、二分搜索、PSO、差分进化、局部优化,甚至多种算法交叉验证。反过来,如果这个函数不可信,算法越复杂越危险。

外部资料也印证了这个训练方向。中国大学生在线的赛题讲评页集中整理了近年官方讲评入口,包括 2025 A 烟幕干扰弹、2025 B 碳化硅、2024 A 板凳龙、2023 A 定日镜场、2023 B 多波束等题目;优秀论文展示页也按年份给出了论文展示入口。这些资料不一定直接给我们代码,但很适合用来校准“评委希望看到什么样的建模链条”。

建议后面专项训练时优先看这些入口:

物理 / 工程类题的选题判断

如果正式比赛时我们想选这类题,建议用下面这个表做快速判断。

判断项 适合选 不适合选
题目对象 能画出清楚的物理对象和空间关系 读完后连对象状态都说不清
判据 能写成距离、角度、时间、能量、覆盖率、误差等可计算量 “有效”“好坏”“影响”只能靠文字解释
数据 数据量中等,可用于验证模型或反演参数 数据格式混乱且没有物理解释能力
代码 能在 6 小时内写出最小仿真器 连最小算例都难以复现
图表 可以画轨迹、几何示意、拟合图、残差图、收敛曲线 只能画一堆无关柱状图
论文 物理推导能讲清楚,结果能闭环 只能堆算法名,没有机制解释

我的个人倾向是:如果题面给出明确几何关系、运动规则、物理过程或实验数据,且我们能在选题后 2 小时内写出最小仿真器,那这类题值得押。如果前 2 小时只是在争论“题目到底什么意思”,就要谨慎。

2025 A 烟幕工程给我们的经验

新拉下来的 2025-A-smoke-moni2026-python 很值得看。它不是完美工程,但特别适合我们学习“技术同学如何把物理题工程化”。

它最值得学的地方是这条链:

1
2
3
4
5
6
7
8
导弹直线运动
-> 无人机等高度匀速运动
-> 烟幕弹平抛运动
-> 云团起爆后匀速下沉
-> 真目标圆柱离散成关键点
-> 导弹视角下用视锥判断遮蔽
-> 时间网格积分得到遮蔽时长
-> 用 PSO / 热启动 / 局部精修搜索投放策略

这条链的精髓在于:它先把“给定一组投放参数,能遮蔽多久”做成一个仿真函数,再谈优化。这个顺序非常重要。

我们可以把它抽象成一个可复用模板:

1
2
3
4
5
def score(params):
根据参数生成所有物理对象轨迹
在时间网格上计算关键判据
汇总题目要求的指标
return 指标值

后面不管是烟幕、板凳龙、定日镜、多波束,还是其他工程类题,都可以先写这个 score(params)。有了它,算法只是外壳;没有它,算法就是空转。

这个工程还有几个具体经验:

  1. 目标不能偷懒成一个点。 烟幕题里的真目标是圆柱体,工程把圆柱表面离散成关键点,再判断所有关键点是否被遮蔽。这比“算球心到导弹—目标中心线的距离”更可信。

  2. 多弹协同不能简单相加。 多个烟幕云团可能在时间上重叠,也可能互补遮挡目标的不同关键点。论文里必须说明联合遮蔽时长怎么计算,不能把每枚弹单独时长直接相加。

  3. 优化要热启动。 先做单弹或低维粗搜,得到可接受解,再扩展到多弹、多机、多导弹的高维优化。这比直接在 40 维空间里随机乱撞稳得多。

  4. 粗算和精算要分开。 粗搜索可以用少量关键点和较大时间步长,最终结果必须用更密的关键点和更小时间步长复算。否则搜索速度和结果可信度很难兼顾。

  5. 工程复盘比结果数字更值钱。 这个工程自己的诊断报告指出,项目里存在两套流水线:一套是完整 PSO 架构,一套是更快但简化的搜索。README 里的结果未必是最强结果。这提醒我们:比赛时必须明确“最终数字来自哪个脚本、哪个参数、哪次运行”。

它也给我们一个论文避坑:技术强不代表论文自然强。这个工程的论文工作稿里有明显的机器同义改写痕迹,术语出现“迷惑、牵制、完善、布设”等混用。比赛论文宁可朴素,也要术语稳定。比如烟幕题统一用:

1
导弹、无人机、烟幕弹、云团、投放、起爆、遮蔽、有效遮蔽时长

不要为了显得高级,把同一个概念换十种叫法。

物理类论文的图表清单

如果我们赛时选物理 / 工程类题,建议优先准备这些图,而不是临时乱画:

图 用途
场景示意图 让评委一眼知道对象、坐标系和约束
物理过程时序图 说明对象状态如何随时间变化
判据几何图 解释遮蔽、碰撞、覆盖、反射、干涉等核心判据
轨迹 / 布局图 展示最终方案是否符合空间约束
指标随时间变化图 展示什么时候有效、什么时候失效
优化收敛曲线 说明搜索过程不是拍脑袋
参数敏感性图 说明结论是否稳定
结果对比表 对比基线方案、粗算方案、精算方案、最终方案

物理类题最怕论文只写公式,不给直观图。我们的目标是让评委在图上就能看懂“这个模型为什么成立”。

比赛现场的物理题流程

如果最终选择类似 2025A/2025B 的题,建议按这个节奏推进。

选题后 0-2 小时:

1
2
3
4
5
画对象图;
列实体表;
确定坐标系和单位;
写每个对象的状态变量;
找到每问的核心判据。

2-6 小时:

1
2
3
4
写最小仿真器;
用题目给定算例验证;
输出第一张场景图或时序图;
确定结果文件格式。

6-18 小时:

1
2
3
4
实现第一版粗搜索;
保存所有候选结果;
跑出每问至少一个可行方案;
论文线同步写问题分析、模型假设、符号表。

18-36 小时:

1
2
3
4
加精细判据;
做多算法或多参数对比;
生成核心图表;
明确最终方案来自哪个脚本。

36-60 小时:

1
2
3
4
精算最终结果;
补敏感性分析;
论文把每问小闭环写完整;
摘要回填关键数字。

最后 12 小时:

1
2
3
4
不大改模型;
只修明显错误;
统一符号、图表、单位;
检查代码结果和论文数字一致。

这套流程不炫,但可靠。物理 / 工程类题的优势就在于:只要我们把对象、判据、仿真、优化、验证讲清楚,论文会天然有骨架。

新拉 5 个工程给我们的经验

这 5 个工程放在一起看,很像一组赛前训练样本:有国一/数模之星,有省一,有国二,也有作者主动复盘不足的省二。它们最有价值的地方不是告诉我们“某个题该用什么算法”,而是帮助我们建立判断标准。

1. 2024 A:强论文会把复杂几何变成可执行搜索

2024 A 板凳龙工程的特点很鲜明:问题本身是几何、运动学和碰撞检测混在一起,但论文没有停留在“描述很复杂”。它把问题拆成了几条可计算链:

1
2
3
4
5
6
螺线运动方程
-> 把手位置递推
-> 速度函数
-> 碰撞检测
-> 变步长搜索 / 二分搜索
-> 最小螺距和最大速度

它给我们的经验是:A 题不要怕几何复杂,关键是要尽早把“形状语言”翻译成“可递推、可搜索、可验证”的程序对象。比如位置函数、距离函数、碰撞阈值、速度上界,这些都比泛泛写“建立运动模型”更有说服力。

赛时如果选 A 题,我们要尽快问:

1
2
3
4
对象能不能参数化?
约束能不能变成距离/角度/速度/时间上的判据?
是否存在一个最容易出问题的区域,可以先缩小搜索范围?
结果能不能画成路径图、碰撞示意图、收敛图或关键时刻截图?

这类题的论文强弱,往往不取决于公式多漂亮,而取决于“几何直觉是否被程序稳定复现”。

2. 2025 A:复杂优化题要先定义“遮蔽是否有效”

2025 A 无人机烟幕工程非常值得全队看。它的摘要里每一问都有明确的决策变量、优化目标和关键结果,例如遮蔽时长、航向角、速度、投放/起爆时刻等。

这类题最重要的经验是:在优化之前,先把判定规则讲清楚。

如果“有效遮蔽”没有定义好,后面粒子群、遗传算法、二分搜索跑得再热闹,评委也会怀疑结果。优秀论文的做法是先建立运动轨迹,再建立遮蔽判据,再谈优化策略。顺序不能反。

对我们来说,这可以变成一个硬规则:

1
2
先判定,后优化。
先解释目标函数为什么代表题意,再解释算法怎么把目标函数做大/做小。

这个工程还有一个额外价值:它包含 AI 工具使用说明和 Overleaf 协作材料。2026 年我们自己也会使用 AI/Codex 辅助准备和比赛,必须提前形成透明、可追溯、可解释的使用习惯。AI 可以帮助检查表达、整理代码、生成辅助脚本,但关键建模判断、结果解释和最终提交责任必须由我们自己承担。

3. 2024 B:好的假设不是“简化”,而是防止模型失控

2024 B 企业生产过程工程的 README 很值得学习。它面对的是多步生产、多个 0-1 决策变量和返修/拆解流程。作者特别说明了为什么要引入假设来避免递归过深和无限循环。

这件事很关键。很多论文的模型假设只是模板化写几句“忽略影响”“数据真实可靠”。但真正好的假设,是为了解决模型边界问题:

1
2
3
如果不加这个假设,模型会不会无限递归?
如果不加这个假设,决策流程会不会无法终止?
如果不加这个假设,成本是否会被重复计算?

B 题常见陷阱就是流程复杂、约束多、变量多。我们不能只把它写成一个巨大优化问题,而要先画清楚流程图,再把每一个流程节点翻译成成本、收益、概率或状态转移。

这类题建议优先产出:

1
2
3
4
5
流程图
决策变量表
状态转移说明
成本/收益拆分表
异常路径处理规则

只要流程没画清楚,先不要急着写优化算法。

4. 2025 C:C 题高分的关键是“验证链”

2025 C NIPT 湖北省一工程的 README 很细,几乎把每一问的算法流水线都写出来了:Spearman 相关、GBDT、交叉验证、置换检验、特征重要性、动态规划、前缀和优化、Bootstrap、异常评分、分层阈值。

它给我们的最大提醒是:C 题不是“会用机器学习”就行,而是要证明模型可信。

一篇强 C 题论文通常会同时回答:

1
2
3
4
5
6
为什么不用简单线性模型?
模型泛化能力怎么样?
变量重要性是否稳定?
分组策略是不是全局优化,而不是拍脑袋?
阈值判定如何控制误判风险?
扰动数据后结论是否还稳定?

所以如果我们赛时选 C 题,代码线不能只输出预测结果,还要同步输出验证材料:

1
2
3
4
5
6
交叉验证指标
真实值-预测值图
残差/误差分布
特征重要性
敏感性或扰动实验
关键阈值解释

这些东西会显著提高论文可信度。尤其是省一以上,评委更关心“你怎么知道这个结果靠谱”,而不只是“你得到了什么结果”。

5. 2024 C:完整交付很重要,但不能用图表掩盖模型短板

2024 C 农作物种植工程很完整:代码、图表、答案表格、项目总文件都比较齐。它适合学习数据处理链和最终交付组织方式。

但它更值得学习的是作者的复盘:作者明确提到,当时蒙特卡洛是相对稳妥的替代方案,但不是最理想的求解方法;灵敏度分析也存在逻辑问题。

这给我们一个很现实的提醒:比赛时有时确实需要用“稳妥方案”把题做完,但论文不能把临时方案包装成完美方案。正确做法是:

1
2
3
4
承认近似;
说明为什么这样近似;
用实验次数、可行解数量、结果分布证明它至少稳定;
如果灵敏度分析与算法性质冲突,就不要硬塞。

工程完整可以保底,但高奖项还需要模型质量、验证质量和写作质量一起在线。最后几小时尤其要警惕:不要为了“看起来高级”加一段自己也解释不清的分析。

从这些工程提炼出的赛时规则

为了让这些经验真的变成比赛能力,我们把它们压缩成几条队内规则。

规则一:每一问都要有“小闭环”

每一问至少要闭合成:

1
2
3
4
5
6
7
8
题目要求
-> 输入数据/已知条件
-> 变量和判据
-> 模型或算法
-> 结果数字
-> 图表证据
-> 本问结论
-> 对下一问的作用

如果某一问没有结果数字,论文会虚;如果没有图表证据,结论会飘;如果没有说明对下一问的作用,全文会散。

规则二:摘要必须像“结果索引”

优秀论文的摘要不是写情绪,也不是写过程流水账,而是结果索引。评委看摘要,应该马上知道我们每一问做了什么、得到了什么、可信度如何。

摘要草稿可以按这个模板写:

1
2
3
4
针对问题一,我们将 XXX 转化为 XXX,建立 XXX 模型,得到 XXX;
针对问题二,在问题一基础上引入 XXX 约束/变量,采用 XXX 算法,得到 XXX;
针对问题三,为验证/扩展上述结果,我们进行 XXX,结果表明 XXX;
最后通过 XXX 检验/敏感性分析,说明模型在 XXX 范围内稳定。

这里的 XXX 尽量填数字、区间、阈值、误差、时间、收益、比例,而不是只填“较好”“合理”“有效”。

规则三:图表先列清单,再开始画

比赛时不要等论文写到一半才想“这里放个图吧”。选题后 6 小时内,论文线和代码线应该一起列图表清单:

1
2
3
问题一:流程图 / 数据分布图 / 拟合或轨迹图
问题二:目标函数示意 / 优化收敛图 / 对比表
问题三:方案对比图 / 敏感性分析图 / 最终结果表

每张图都要写一句“它证明什么”。如果说不出来,就先不要画。

规则四:代码输出必须能回填论文

代码线每跑完一次关键脚本,必须能给论文线这 5 个东西:

1
2
3
4
5
关键数字
图表路径
结果表路径
参数设置
一句论文式解释

不要只发截图,不要只发 notebook 输出,也不要让论文线自己去猜哪个文件是最终版。比赛时最消耗人的不是不会建模,而是“结果到底在哪里”。

规则五:模型边界要主动说明

如果模型有近似、随机性、局部最优风险、数据假设或算法替代方案,要主动写清楚。主动说明边界不是示弱,反而会让论文更可信。

但说明边界必须配证据:

1
2
3
4
5
随机算法:给多次运行结果、方差或收敛曲线;
启发式优化:给参数设置、重复运行和最优值稳定性;
机器学习:给交叉验证、误差指标和特征重要性;
物理几何模型:给判据推导、关键时刻图和阈值解释;
规划模型:给约束表、可行性说明和方案对比。

这也是我们接下来一个月最应该训练的能力:不是把模型说得完美,而是把模型说得可靠。

图表的最低标准

比赛时每张图都要回答一个问题。

不要为了“论文看起来丰富”而放图。图必须服务论证。

常见图表任务如下:

图表类型 它应该证明什么
流程图 我们怎么求
拟合图 模型准不准
残差图 误差在哪里
灵敏度图 结论稳不稳
收敛曲线 优化是否可靠
对比表 为什么这个方案更好
地图/布局图 空间方案是否满足约束

每次准备放图前,问四句话:

1
2
3
4
这张图是在证明什么?
这张图是否直接支撑某个结论?
坐标轴、单位、图例是否清楚?
正文有没有解释这张图,而不是只写“如图所示”?

如果答不上来,就不要放,或者重画。

摘要的最低标准

摘要是第一页,也是评委决定是否继续认真读的地方。

我们的摘要必须包含:

  1. 总体建模思路;
  2. 每一问的方法;
  3. 每一问的关键数字或明确结论;
  4. 模型检验或可信度说明;
  5. 关键词。

不要写成:

1
本文建立了模型,使用算法求解,结果较好。

要写成:

1
2
针对问题一,我们将 XXX 转化为 XXX 指标,建立 XXX 模型,得到 XXX 数值;
该结果为问题二的 XXX 约束/参数提供依据。

摘要里没有数字,论文可信度会明显下降。哪怕是阶段性结果,也要尽量给出可交付的量化结果。

未来一个月怎么准备

剩下一个月不能平均用力。建议按四个阶段推进。

第一周:建立共同语言

目标:三个人对仓库、模板、常见题型和论文标准有共同理解。

要做:

  • 每个人把 math-2026 拉到本地并跑通环境;
  • 至少共同精读 2025 B 国奖工程;
  • 每个人选一个完整工程做 10 分钟讲解;
  • 明确 Windows/Mac/GitHub 的协作流程;
  • 确定论文模板和图表风格。

这一周的重点不是做难题,而是让大家说同一种话。

第二周:专项能力补齐

目标:把常见模型变成能跑的能力。

建议按题型练:

  • B 题:物理/工程建模、优化、灵敏度分析;
  • C 题:数据清洗、预测、评价、分类、决策优化;
  • A 题:几何、物理、仿真、参数搜索。

每次练习都要产出三件东西:

1
2
3
可运行代码
结果图表
3-5 句论文式结论

没有论文式结论的练习,不算闭环。

第三周:全流程模拟

目标:至少做一次接近真实比赛节奏的模拟。

模拟时不要只跑模型,要模拟完整流程:

  • 读题选题;
  • 分工;
  • 建模;
  • 编码;
  • 出图;
  • 写摘要;
  • 写正文;
  • 做提交检查。

模拟结束后重点复盘:

  • 哪一步沟通最慢;
  • 哪个结果无法复现;
  • 哪张图无法支撑结论;
  • 哪段论文最难写;
  • 哪个文件命名或同步方式造成混乱。

这些问题比多刷一篇题更值钱。

第四周:收敛和减法

目标:停止大规模扩展,形成稳定工具链。

这一周不要再疯狂收集资料,而是做减法:

  • 固定论文模板;
  • 固定图表风格;
  • 固定常用脚本入口;
  • 固定文件命名规范;
  • 固定提交检查清单;
  • 固定队内沟通格式。

赛前最后几天,最重要的是稳定,不是新鲜。

赛时沟通格式

比赛现场不要只发“我跑完了”“这个有问题”“你看看”。这种话信息量太低。

建议统一用短格式。

建模讨论格式

1
2
3
4
5
6
7
问题:
当前判断:
采用模型:
需要的数据:
需要代码验证:
可能风险:
下一步:

代码结果格式

1
2
3
4
5
6
7
脚本:
输入:
输出:
核心数字:
图表:
是否复现:
问题:

论文写作格式

1
2
3
4
5
6
章节:
已有内容:
缺少结果:
需要图表:
需要确认的结论:
截止时间:

这个格式看起来麻烦,但能让沟通更快。省一以上的目标,靠的是少犯低级协作错误。

赛时停止规则

我们还需要提前约定什么时候该停。

建议:

  1. 一个模型连续两轮改动都没有改善,就先回到数据和假设,不要盲目调参。
  2. 超过 30 分钟没有新证据,就不要继续空想,必须产出图、表、数值或反例。
  3. 最后 12 小时原则上不大换模型,只修正明显错误。
  4. 最后 6 小时优先摘要、图表、格式、结论一致性。
  5. 任何一个关键结论,如果无法被图表或数值支撑,就降级表述,不要硬吹。

这些规则不是保守,而是为了确保最终论文能交付。

我们最终要交付什么

比赛结束时,真正交付的不是代码,也不是我们脑子里的思路,而是一篇论文。

高质量论文至少应该满足:

  • 摘要有方法、有数字、有结论;
  • 每一问都有小闭环;
  • 模型和代码能对应;
  • 图表能证明关键结论;
  • 误差和灵敏度分析不空泛;
  • 结果能回应题目要求;
  • 附录代码和正文结果不矛盾;
  • 格式干净,没有明显排版事故。

如果我们能在一个月里把这些变成习惯,比赛时会从容很多。

最后

这篇文章之后会继续更新。它不是一次性写完的总结,而是我们队接下来一个月的沟通底稿。

后续如果有新的读论文经验、模拟赛复盘、图表规范、摘要模板,都优先补到博客;math-2026 仓库保持工程化,少放长篇经验 Markdown。

目标很明确:省一等奖以上。

方法也很明确:少一点临时发挥,多一点可复用流程;少一点各干各的,多一点证据链协作。

接下来一个月,把这套系统磨出来。


math-2026 协作说明:把数学建模备赛变成一套工作流
https://liusuan110.github.io/2026/08/08/math-2026-cumcm-prep-repo/
作者
Lusu
发布于
2026年8月8日
许可协议