如何在一个月内准备数学建模？| 数学建模备赛经验 | 国赛国一、美赛 F 奖经验谈

本文链接：https://blog.csdn.net/weixin_68902810/article/details/140899906

数学建模我总共参加了三次，首次参加的美赛获得了 F （特等奖提名）、国赛获得了全国一等奖。参加第二次美赛带了两个新手获得 M （一等奖）。这个帖子基于我在学校的多次数学建模分享讲座，用于记录一下我的数学建模比赛经验。

一、证书

数学建模美赛 MCM 特等奖提名（F奖）

数学建模国赛高教社杯国家一等奖

番外：一个数学建模的小白，听了我的分享后拿到了高教社杯

二、队伍组建

我的初次美赛是跟两个其他学院的同学组队的，他们来自中法合作办学的机械系。我负责建模，擅长具有物理含义的微分方程建模；负责编程的队友在比赛现场学习了一些多元偏微分方程数值解的知识，总算有惊无险地完成了编程的任务；负责写作的队友是我在日语单词打卡群认识的（雅思7.5），非常地认真负责，也教会我很多论文的格式规范，后续的论文写作是我和他一起完成的（因为 overleaf 免费版最多邀请一个协作者 hhh）。

2023年国赛我和计算机系、软件工程的同学组队。因为我已经在美赛获得 F ，以及计算机系的队员的目标就是国一（保研加分），我们选择了难度最大的 A 题——定日镜场的优化设计。计算机系的同学非常擅长复杂的编程，但是不懂得程序的优化以至于可读性很差，但是我从他的工作量中看出了他真的很在意这次比赛；软件工程的同学因为暑研几乎没有准备，老样子，我让他现场学习，论文里面所有的示意图都是他画的。

总的来说，关于组队，我的经验是：

专业交叉：团队成员尽量不要一个专业，毕竟同一专业的同学储备的知识点大差不差，如果又没有好好准备的话，那么论文的进度会受到很大的影响；
团队目标：尽量招募那种有明确得奖需求、希望通过比赛保研加分的同学，或者是平时就是卷王的同学；
进度>能力：组队前可以试着和队员来一场模拟赛，拒绝付出时间参加的组员我觉得可以直接劝退。初次模拟赛可以不用考虑建模的质量，重点是在面对全新的知识下，团队从文献调研、建模到编程写作可视化的进度链是否能按时完成。
团队分工，分为前期和后期：i. 建模+建模流程论文，ii. 编程+数据结果可视化，iii. 建模示意图可视化+论文

关于建模、编程、写作手分别需要做哪些具体的准备，我会在下一章节详细展开。

三、赛前准备和方法论

下面我们进入到具体的备赛部分。

模型学习

数学建模涉及到的模型很多，学起来也比较费事，一个比较靠谱的学习思路是：

选定建模需要的模型类别，然后挑选其中的一到两个学习，最好是往年优秀论文经常用的模型；
寻找模型代码示例，最好是那种用你的数据替代后可以直接运行的代码；

编程水平

在 Chat GPT 等工具没有普及的时候，我们备赛会要求编程手掌握 python 的一些重要模块，在有需要的时候可以快速调用其中的 API。下面这张图是我们当时整理的一些 python 学习笔记：

对于零基础的同学来说，熟练掌握一些编程的基本语法是有必要的；但是，随着 GPT 的出现和对其编程水平的验证，一旦明确了我们的编程目标，我们可以轻松地将我们的编程任务通过 GPT 加以实现。以下是我们编写代码的一些心得：

GPT 在那些有专业名称的算法方面编程水平可以满足我们大部分的编程需要，例如一些常见的数值分析算法（三次样条插值、傅里叶变换、数值积分、解微分方程等）和常见的数学模型（聚类、层次分析法等等）；
python代码尽量使用交互式编程，多使用jupyter 检验中间结果的正确性；
涉及到大规模的计算，可以使用 jupyter、python console 等工具将运算过程进行缓存，避免重复运算，也可以将重要中间过程使用文件输入输出备份；
对于画图，可以通过 matplotlib、seaborn 等官方示例中吸取灵感，在示例代码的基础上微调。一些常见的命令，如字体、字号、图表大小等，可以自己做一个模板样式。例如，我们常用以下的代码对画图的细节做一个全局设置：

from matplotlib import rcParams
config = {
            "font.family": 'serif',
            "font.size": 12, 
            "mathtext.fontset": 'stix',
            "font.serif": ['Times New Roman'],
            'axes.unicode_minus': False 
         }
rcParams.update(config)

可视化

对于数学建模而言，可视化部分最重要的其实不是审美，而是弄明白数学建模的比赛论文需要一个什么样的风格。

对于数据和结果的呈现而言， matplotlib、seaborn 等可视化库是一个重要的可视化参考。以下是一些常用的可视化库示例集：

matplotlib：https://matplotlib.org/stable/gallery/index.html
seaborn：https://seaborn.pydata.org/examples/index.html
pyecharts：https://05x-docs.pyecharts.org/#/zh-cn/charts_base
plotly：https://plotly.com/python/basic-charts/

而对于模型的流程、图标的组合而言，高级的配色感和恰到好处的排版需要从往年的优秀论文中大量学习和练习。如果团队中有学过设计的同学，论文的排版和绘图可以放心地交给ta来做。

往年的论文有的团队使用了手绘和photoshop来进一步让论文具有可读性，对于普通的团队而言，手绘的学习成本很大，但是也不见得手绘对于论文最终的评奖有着决定性的影响。幸运的是，AIGC降低了美术绘图的创作门槛。在复现下图左边的O奖论文时，我们用到了 Stable Diffusion 进行图像创作，从而解决了团队成员不会手绘的短板。

写作

我们团队对于写作的经验是，要明白要为了什么写作。显然，为了从众多的文章中脱颖而出，文章必须抓住评委的眼球。为此，我们需要明白评委及其评审方式。

评审方式（以美赛为例）

初审：评委，10 分钟
- 出局（作弊，抄袭，未完成基本内容）
- 成功参赛（50%）
- 晋级
复审：2评委，15 - 30 分钟，分差大时，增加评委
- Honorable（30%）
- Meritorious（15%）
- Finalist（2.5%）
特级和专项：所有评委一起讨论
- 从 Finalist 中评出 Outstanding 和专项奖

评委心态分析

10000+ 队伍，一个周末就评完了！
评委想看的：充足的发奖理由
- 展示什么：评委具体关注的内容
- 怎么展示：让评委快速找到、轻松理解、带有兴趣地 get 你要展示的内容
评委不想看的：不存在出局理由
- 该有的都有
- 不出明显错误
充足的发奖理由 + 不存在的出局理由 = 获奖

怎么做？

篇幅原因，这里仅介绍一个获奖的暴论：

建模呈现五张图！！！！
结果呈现十张图！！！！
摘要使用 Nature 结构！！！！
- 该领域的基本介绍，任何学科的科学家都能理解。相关学科的科学家可以理解的详细背景
- 一句话陈述了本文研究的一般问题
- 一两句话总结了整体方法、主要结果和结论（“Here we show…”）
- 一两句话回到一般背景，解释比以前的工作取得的进展，并概述其影响
- 针对各个问题展开介绍“方法+结果+优势”

注意，这里的图不是粗制滥造的图，而是制作精良、呈现清晰、具有实际意义的图像。更加详细的方法论，我会在后续的文章展开讲讲（挖坑）。

数据来源

除了常见的统计局、数据库、官方机构官网，对于相对陌生的数据源，chat GPT是一个很好的数据源网站获取渠道。例如2024年美赛B题，涉及到了海洋地理情况和洋流流速的数据，我们通过GPT获得了许多数据源候选：

User：我想要一些海洋地理数据和洋流数据，请给我推荐一下网站

Assistant：

当涉及获取海洋地理数据和洋流数据时，以下是一些推荐的网站和资源：

NOAA（美国国家海洋和大气管理局）：

NOAA的网站（https://www.noaa.gov/）提供了广泛的海洋和大气科学数据，包括海洋地理数据和洋流数据。你可以访问他们的数据存档和科学研究部分，获取最新和历史的海洋数据。

IOC（国际海洋学委员会）：

IOC是联合国教科文组织的一个部门，专注于海洋科学和海洋数据的国际合作。他们的网站（http://www.ioc-unesco.org/）提供了全球海洋数据和监测网络的信息，包括洋流数据和其他海洋地理数据。

海洋数据网：

海洋数据网（https://www.marinedata.net/）是一个汇集了多种海洋数据资源的平台，包括洋流数据、海洋地理数据、水文数据等。这个网站可以帮助你找到各种类型的海洋科学数据资源。

欧洲海洋观测网：

欧洲海洋观测网（https://www.emodnet.eu/）提供了欧洲海洋数据的访问和搜索功能。你可以在这里找到关于洋流、海洋地理特征以及其他海洋观测数据的详细信息。

海洋数据科学网：

海洋数据科学网（https://marine.copernicus.eu/）由欧洲环境局管理，提供了来自哥白尼海洋服务（CMEMS）的海洋数据。这包括海洋生物学、物理学、化学等多个领域的数据，可以涵盖洋流和海洋地理数据需求。

这些网站提供了广泛的海洋数据资源，可以帮助你找到所需的洋流和地理数据，希望对你有帮助！