1. 赛题核心从“数据清洗”到“策略优化”的完整闭环每年MathorCup的B题几乎都是对参赛者综合建模能力的一次“压力测试”。它不像A题那样可能偏向理论推导也不像C题那样可能聚焦特定算法B题往往是一个需要你从零开始把一堆“原始数据”变成“决策建议”的完整项目。2024年的B题延续了这一传统但在我看来它把“数据驱动决策”这个链条拉得更长、更细了。题目给的不是一个干净的数据集而是一个需要你深度理解业务背景、进行大量预处理、建立多个关联模型并最终进行综合评价与优化的复杂场景。简单来说这道题的核心价值在于它模拟了一个数据分析师或算法工程师在真实工作中面临的典型困境数据是脏的目标是模糊的约束是复杂的而你需要给出一个清晰、可量化、可解释的解决方案。它考察的不是某个单一的炫技算法而是你如何运用一整套“组合拳”从数据理解、特征工程、模型构建、到方案评价与迭代优化的全流程能力。对于有志于从事数据科学、运筹优化相关领域的同学来说这是一次绝佳的练兵机会。即使你最终的结果不是最优的只要完整地走通了整个流程并且能清晰地阐述每一步的“为什么”收获都会非常大。2. 赛题拆解隐藏在“综合评价”背后的四大关卡拿到题目后切忌一头扎进数据里开始跑模型。第一步永远是“拆题”。今年的B题我们可以把它分解为四个层层递进的关键关卡每一关都设置了不同的挑战。2.1 第一关数据理解与深度清洗题目提供的数据通常包含多种类型数值型、分类型、文本型、时间序列型且必然存在缺失、异常、不一致等问题。这一步的难点不在于用pandas的fillna或dropna而在于基于业务逻辑的清洗。例如数据中可能包含某些指标的极端值。你是直接当作异常值剔除还是分析其产生的原因可能是录入错误也可能是真实的特殊案例如果某个关键字段缺失率高达30%你是选择删除样本、插补还是利用其他字段构建预测模型来填补这里就需要你做出假设并说明理由。比如对于价格类数据我通常会用箱线图结合业务常识如价格不可能为负或超过某个合理上限来识别异常对于类别型数据的缺失如果缺失比例不高我会用“未知”作为一个新的类别而不是简单用众数填充以避免引入偏差。注意数据清洗的每一步操作都必须记录在论文中并附上简单的统计结果如处理前/后的数据量、缺失值比例变化。评委非常看重过程的透明度和可复现性。2.2 第二关特征工程与指标构建原始数据字段往往不能直接喂给模型。这一关的核心是从原始数据中提炼出对后续建模真正有用的信息。这包括特征衍生比如从日期字段中提取“是否周末”、“季度”、“月份”等从文本描述中通过关键词提取或简单的情感分析如正/负面词计数构造特征计算环比、同比增长率等统计特征。特征变换对偏态分布的数据进行对数变换、Box-Cox变换对分类变量进行独热编码或标签编码。指标体系的构建这是B题常有的环节。题目可能要求你从多个维度如效率、成本、质量、风险构建一个综合评价体系。你需要明确每个维度的代理指标即用什么数据来计算并确定各指标的权重。权重确定方法可以是主观的如AHP层次分析法也可以是客观的如熵权法、CRITIC法。这里的关键是你的指标体系必须能逻辑自洽地服务于最终的评价目标。2.3 第三关核心模型的建立与求解这是最体现技术深度的一关。B题的模型通常不是单一的而是一个“模型组合”。常见的有预测模型用于预测未来的趋势或值如时间序列模型ARIMA, Prophet、回归模型、机器学习模型XGBoost, LightGBM。选择哪种模型取决于数据量、特征类型和预测目标。对于时间序列数据我通常会先画出自相关图和偏自相关图来判断是否适合ARIMA家族对于特征较多、关系复杂的情况树模型如LightGBM往往是稳健且高效的首选。分类/聚类模型用于对样本进行分群或打标签如K-Means聚类、DBSCAN、或监督学习的分类算法。这常用于客户分群、状态识别等场景。优化模型这是B题的“重头戏”。通常是在预测或分类结果的基础上在资源、时间、成本等约束条件下寻求某个目标如总成本最低、总收益最大、效率最高的最优解。这大概率会用到线性规划、整数规划、非线性规划或启发式算法如遗传算法、模拟退火。难点在于如何将模糊的业务问题精准地转化为数学上的目标函数和约束条件。以资源调度问题为例你的决策变量可能是“是否将任务A分配给机器B”目标函数是“最小化总完成时间或总成本”约束条件包括“每台机器的能力上限”、“每个任务必须被完成”、“任务之间的先后顺序”等。用PuLPPython或OR-Tools这类优化库可以相对方便地建立和求解。2.4 第四关方案评价、敏感性分析与可视化模型跑出结果不是终点。你需要证明你的方案是“好”的而且是“鲁棒”的。方案评价用你在第二关构建的综合评价体系对你的方案和其他可能的基础方案如随机方案、平均分配方案进行打分对比。用数据证明你的优化是有效的。敏感性分析这是加分项也是体现你思考深度的关键。问自己如果某个关键参数如资源成本上涨10%、需求预测出现5%的偏差发生变化我的最优方案会如何变化稳定性如何通过系统地改变这些参数观察目标函数和最优解的变化你可以评估方案的风险承受能力。可视化一图胜千言。将你的数据分布、模型预测效果如真实值vs预测值散点图、优化结果如甘特图展示调度方案、综合评价雷达图等用清晰美观的图表呈现出来。推荐使用Matplotlib或Seaborn追求交互性可以用Plotly。3. 实战流程与工具链一个可复现的工作框架纸上谈兵不如动手实干。下面我结合自己的经验分享一个处理此类问题的标准化工作流程和工具选择你可以把它当作一个“脚手架”。3.1 环境准备与工具选型工欲善其事必先利其器。一个稳定、高效的环境能让你事半功倍。编程语言Python是绝对的主流。其丰富的数据科学生态Pandas, NumPy, Scikit-learn, Statsmodels和优化库PuLP, SciPy以及强大的可视化能力是MATLAB和R难以比拟的。Jupyter Notebook/Lab非常适合做探索性数据分析EDA和过程记录。核心库清单数据处理Pandas(核心)NumPy可视化Matplotlib,Seaborn(统计图形更美观)Plotly(交互图表)机器学习Scikit-learn(基础算法)XGBoost/LightGBM(高性能梯度提升树)时间序列Statsmodels(传统统计模型)Prophet(Facebook出品适合有季节性的数据)优化求解PuLP(线性/整数规划建模接口调用CBC、GLPK等求解器)OR-Tools(Google出品功能更强大的优化套件)SciPy.optimize(非线性优化)综合评价可以自己实现熵权法、TOPSIS等也有skcriteria这样的库可用。3.2 分阶段操作指南与代码片段这里以一个假设的“生产调度与资源优化”类B题为背景展示关键步骤。阶段一数据探索与清洗 (EDA Cleaning)import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 1. 加载数据 df pd.read_csv(problem_b_data.csv) print(df.info()) # 查看整体信息 print(df.describe()) # 数值型描述统计 print(df.head()) # 2. 检查缺失 missing_ratio df.isnull().sum() / len(df) print(缺失值比例:\n, missing_ratio[missing_ratio 0]) # 3. 处理缺失 - 示例对数值型字段用中位数填充类别型用‘Unknown’ for col in df.columns: if df[col].dtype in [int64, float64]: df[col].fillna(df[col].median(), inplaceTrue) else: df[col].fillna(Unknown, inplaceTrue) # 4. 检查异常值 - 箱线图可视化 num_cols df.select_dtypes(include[np.number]).columns.tolist() fig, axes plt.subplots(3, 3, figsize(15, 10)) # 假设有9个数值列 axes axes.flatten() for i, col in enumerate(num_cols[:9]): axes[i].boxplot(df[col].dropna()) axes[i].set_title(col) plt.tight_layout() plt.show() # 5. 基于业务逻辑修正异常值 (例如价格不应为负) df[price] df[price].apply(lambda x: x if x 0 else df[price].median())阶段二特征工程与预测模型假设我们需要预测未来需求。from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, mean_squared_error import lightgbm as lgb # 1. 特征衍生从日期列创造特征 df[date] pd.to_datetime(df[date]) df[year] df[date].dt.year df[month] df[date].dt.month df[day_of_week] df[date].dt.dayofweek df[is_weekend] df[day_of_week].apply(lambda x: 1 if x 5 else 0) # 2. 准备训练数据 # 假设‘demand’是我们要预测的目标变量并假设数据是按时间排序的 features [year, month, day_of_week, is_weekend, historical_avg, promotion_flag] # 加入其他相关特征 X df[features] y df[demand] # 划分训练集和测试集注意时间序列不能随机划分应按时间切分 split_idx int(len(df) * 0.8) X_train, X_test X.iloc[:split_idx], X.iloc[split_idx:] y_train, y_test y.iloc[:split_idx], y.iloc[split_idx:] # 3. 训练LightGBM模型 model lgb.LGBMRegressor(n_estimators100, learning_rate0.05, random_state42) model.fit(X_train, y_train) # 4. 预测与评估 y_pred model.predict(X_test) mae mean_absolute_error(y_test, y_pred) rmse np.sqrt(mean_squared_error(y_test, y_pred)) print(f测试集 MAE: {mae:.2f}, RMSE: {rmse:.2f}) # 5. 可视化预测效果 plt.figure(figsize(10,6)) plt.plot(y_test.values, labelActual Demand, alpha0.7) plt.plot(y_pred, labelPredicted Demand, alpha0.7) plt.legend() plt.title(Demand Prediction vs Actual) plt.xlabel(Sample Index) plt.ylabel(Demand) plt.show()阶段三构建优化模型假设我们需要在预测需求的基础上优化生产计划以最小化成本。from pulp import LpProblem, LpVariable, LpMinimize, lpSum, LpStatus, value # 定义问题最小化总成本 prob LpProblem(Production_Scheduling, LpMinimize) # 参数 products [A, B, C] machines [M1, M2] time_periods range(1, 5) # 4个周期 # 预测的需求 (字典) demand {A: [100, 120, 90, 110], B: [80, 85, 95, 88], C: [50, 60, 55, 65]} # 生产成本 (产品-机器-周期) cost {(A, M1): 10, (A, M2): 12, (B, M1): 8, (B, M2): 9, (C, M1): 15, (C, M2): 14} # 机器产能 (机器-周期) capacity {(M1, 1): 200, (M1, 2): 180, (M1, 3): 220, (M1, 4): 200, (M2, 1): 150, (M2, 2): 160, (M2, 3): 140, (M2, 4): 170} # 决策变量生产量 X[产品][机器][周期] X LpVariable.dicts(Prod, [(i, j, t) for i in products for j in machines for t in time_periods], lowBound0, catContinuous) # 目标函数总成本最小化 prob lpSum(cost[(i, j)] * X[(i, j, t)] for i in products for j in machines for t in time_periods) # 约束条件 # 1. 需求满足约束每个产品在每个周期的总产量 预测需求 for i in products: for t in time_periods: prob lpSum(X[(i, j, t)] for j in machines) demand[i][t-1] # 2. 产能约束每个机器在每个周期的总产量 产能 for j in machines: for t in time_periods: prob lpSum(X[(i, j, t)] for i in products) capacity[(j, t)] # 求解 prob.solve() print(Status:, LpStatus[prob.status]) # 输出结果 if prob.status 1: # Optimal total_cost value(prob.objective) print(f最优总成本: {total_cost}) # 可以打印详细的生产计划 for v in prob.variables(): if v.varValue 0: print(v.name, , v.varValue) else: print(未找到最优解)4. 论文写作与常见“坑点”规避模型建得好论文写不好等于白干。MathorCup的论文评审有明确的规范以下几点是决定你能否从众多队伍中脱颖而出的关键。4.1 论文结构骨架与核心要素一篇优秀的数模论文结构清晰比文笔华丽更重要。建议采用如下框架摘要重中之重评委可能只用几分钟看摘要。必须用精炼的语言300-500字概括问题背景、你的整体思路、所用主要模型与方法、得到的关键结论与数值结果、模型的特色与优点。避免出现公式和图表引用直接给出最终优化结果的具体数值如“总成本降低了15.7%”。问题重述与分析不要照抄题目。用自己的话梳理问题的背景、已知条件、待求解的目标并分析问题的特点如多目标、动态性、不确定性等。模型假设与符号说明列出所有关键假设并说明其合理性如“假设短期内市场价格稳定”、“忽略运输过程中的损耗”。符号说明用三线表呈现清晰明了。模型的建立与求解这是论文的主体。对应我们前面拆解的四大关卡分小节撰写。每一节都要有“模型设计思路 - 数学模型公式- 求解方法/算法步骤 - (部分)求解结果”的逻辑链。公式要编号重要的中间变量要解释。模型的分析与检验展示敏感性分析、误差分析、稳定性检验等。用图表直观展示参数变化对结果的影响证明你的模型不是“碰巧”得出的结果。模型的评价与推广客观评价自己模型的优点如考虑全面、求解高效和缺点如假设较强、未考虑某因素并提出可能的改进方向。这部分体现了你的批判性思维。参考文献规范引用文中标号。附录可以放核心代码不宜过长展示关键片段即可、大型图表或中间结果。4.2 必须避开的五个“天坑”根据多年评审和参赛经验以下错误是致命的坑一摘要空洞无物。只写“我们使用了XXX模型得到了较好结果”。必须给出具体的、量化的结果比如“通过构建XXX优化模型在YYY约束下使得总效率提升了22.5%并通过敏感性分析证明了方案的稳健性”。坑二模型部分只有代码截图或软件操作界面图。这是大忌论文的核心是阐述你的数学思想和建模逻辑。代码和软件只是工具。你必须把优化问题的目标函数、约束条件用数学公式写出来把算法的步骤描述清楚。坑三忽略敏感性分析。很多队伍模型做完就结束了。但现实世界参数是变的。不做敏感性分析你的方案就缺乏说服力。哪怕你只分析一个最关键参数如需求波动±10%也能极大提升论文深度。坑四图表质量低下。使用默认格式的、模糊的、没有单位或图例的图表。好的图表应该有自解释的标题、清晰的坐标轴标签含单位、区分度高的图例、合适的尺寸。建议使用Seaborn的默认样式比Matplotlib原生样式美观很多。坑五口语化表述与格式混乱。论文是学术文档避免“我们觉得”、“应该可能”这类词。使用“本文建立”、“模型结果表明”等客观表述。全文的字体、字号、行距、标题格式要统一。4.3 让论文脱颖而出的三个技巧可视化讲故事除了结果图在模型分析部分也可以多用图。比如用流程图说明你的整体建模步骤用示意图说明你的问题抽象过程用雷达图对比不同方案的综合评价结果。让图表帮你传递信息。对比实验在得出你的最优方案后设计一个或多个基线方案Baseline进行对比。例如与“平均分配方案”、“随机方案”或“仅考虑单目标优化的方案”进行对比用数据表格清晰展示你的方案在各项指标上的优势。这比单纯说“我们的方案好”有力得多。讨论模型的局限性与拓展在模型评价部分真诚地指出当前模型的不足例如假设需求预测是准确的但实际可能有偏差未考虑突发故障等风险并提出未来可以如何改进例如引入随机规划或鲁棒优化来处理不确定性。这展示了你的思考深度和严谨性。5. 从解题到备赛给不同水平参赛者的建议最后针对处于不同阶段的同学我想分享一些更具针对性的建议。5.1 新手队伍目标是“完成”与“走通”如果你是第一次参加MathorCup或数学建模比赛首要目标不是追求惊天动地的创新而是安全、完整地走完全程。策略稳扎稳打采用最经典、最成熟的模型和方法。预测就用线性回归或时间序列优化就用线性规划评价就用加权求和或TOPSIS。不要试图去用你还不熟悉的深度学习、复杂元启发式算法。分工一人主攻数据处理和可视化Pandas, Matplotlib一人主攻模型建立与求解Sklearn, PuLP一人主攻论文写作与整合。每天固定时间开会同步进度确保三个人在同一个方向上。时间管理用三天半时间。第一天上午理解题目、讨论思路、确定初步模型第一天下午到第二天全天完成数据清洗、基础建模和求解第三天全天进行模型分析、优化和论文初稿撰写第四天上午完善论文、打磨摘要、检查格式下午提交前最后通读。心态遇到卡壳太正常了。某个模型调不通某个数据清洗方法效果不好立即团队讨论如果半小时内没有突破性进展果断启用备选方案赛前就应该准备一两个基础模型的备选。完成比完美更重要。5.2 进阶队伍目标是“优化”与“亮点”如果你有了一定的建模经验目标是冲击更高奖项那么需要在“稳”的基础上追求“亮”。模型选择在经典模型上做合理的改进或组合。例如用XGBoost/LightGBM代替线性回归做预测精度可能更高用模拟退火或遗传算法求解非线性整数规划问题可能比单纯线性松弛得到更好的解。深度分析敏感性分析必须做而且要做细。不仅要分析单一参数变化还可以分析多个参数同时波动的场景。可以做情景分析Scenario Analysis比如设定“乐观”、“悲观”、“正常”三种市场情景看你的方案在不同情景下的表现。论文呈现摘要要反复打磨确保每一句话都有信息量。在模型部分可以增加一个“模型对比”小节简要说明你为什么选择A模型而不是B模型例如对比了ARIMA和Prophet在你们数据上的表现选择了拟合更好的后者。这体现了你的模型选型是有依据的。工具进阶可以尝试使用更专业的工具。例如对于复杂的优化问题可以学习OR-Tools它提供了更丰富的约束编程和元启发式算法接口。可视化可以尝试Plotly制作交互式图表嵌入论文中能让人眼前一亮虽然评审看静态PDF但体现了你的技术能力。5.3 通用核心能力提升建议无论新手还是老手有些能力是长期受益的。快速学习与文献检索能力赛题可能涉及你不熟悉的领域如供应链、金融。学会快速阅读相关百科、综述文章理解核心概念和常用指标并转化为你的模型语言。用好知网、Google Scholar、GitHub。代码调试与排查能力模型报错、结果不合理是常态。学会使用断点、打印中间变量、画图观察数据分布等方式来调试。养成给关键函数写文档字符串Docstring和单元测试的习惯能节省大量时间。团队协作与沟通能力明确分工但也要相互交叉审核。写论文的同学要尽早介入模型设计确保能理解并准确描述编程的同学也要关心论文逻辑确保写出来的结果和代码输出一致。使用Git进行版本控制避免文件覆盖或丢失。MathorCup B题就像一次微缩的科研或工程项目。它考验的不仅是你的数学和编程功底更是你定义问题、分解问题、解决问题以及沟通展示的综合能力。把这些关卡一一闯过无论最终成绩如何你收获的都将是一段宝贵的、能写进简历的真实项目经验。在实际操作中我最大的体会是前期在问题理解和数据清洗上多花一小时往往能在后期建模和调试中节省十小时。不要急于求成把基础打牢逻辑理顺结果自然会水到渠成。