很多零基础备战数学建模国赛的同学，容易掉进同一个陷阱：买一本厚厚的数学建模教材，从第一章开始啃，啃到微分方程就放弃；或者赛前疯狂刷视频，背下十几个模型的原理和代码，结果比赛时面对一道全新题目，依然不知道从哪下笔。
我更常见的观察是：三天比赛，有些队伍前 12 个小时在纠结选哪道题，中间 12 个小时在争论用哪个模型，最后 12 个小时在通宵改论文，代码却还是一堆半成品。最后论文交上去了，自己心里也知道大概率是陪跑。
数学建模国赛真正比拼的，从来不是谁背的模型多，而是谁能在 72 小时内把“问题分析—模型建立—代码求解—结果验证—论文写作”这条完整链路走通、走顺。这是一项完全可以系统训练的能力，和天赋关系不大。这也是这篇“零基础系统速成”方法论想要解决的问题：帮你把备赛过程从“靠感觉”变成“按流程”。
这篇文章会围绕四个模块展开：基础内容补什么、模型怎么选用、代码怎么写、论文怎么组织。你可以把它当作一份可以直接照做的备赛行动手册，而不是又一篇盲目罗列模型名词的科普文。
1. 零基础备战数学建模国赛，真正的问题是什么
先给一个明确判断：零基础冲击国奖，真正的障碍不是数学，也不是编程，而是没有一套可复用的解题流程。
数学建模竞赛和平时考试有本质区别。考试是“已知题目范围，考察你会不会做”；建模竞赛是“给你一个开放式问题，考察你能不能把它拆解成可计算的数学问题，并在有限时间内交付一份完整的解决方案”。所以一个只擅长微积分和线性代数的同学，不一定能拿奖；一个平时只写过几个 Python 脚本的同学，反而可能靠清晰的流程和扎实的模型检验拿高分。
零基础同学最容易在哪几个环节卡住？
第一，读不懂题。题目里一大段实际背景，比如“中药材的质量评价”“无人机协同避障航迹规划”“生产管理中的滞后问题”，看着像天书，不知道背后对应哪类数学模型。
第二，选不中模型。知道预测类可以用回归、时间序列、神经网络，但不知道什么情况下用哪个；知道评价类有层次分析法、熵权法、TOPSIS，但不确定这道题该以哪个为主。
第三，代码跑不通。很多同学是“模型党”，理论谈得头头是道，一写代码就开始报错。数据读不进来、维度对不上、结果全是 NaN，半天时间就没了。
第四，论文不会组织。代码和结果都有了，但论文格式混乱、图表模糊、摘要没有把创新点和结论讲清楚。要知道，评阅老师看一篇论文的时间可能只有几分钟，摘要写得不好，后面再努力也可能被埋没。
所以，这篇速成课的核心目标不是让你成为数学或编程专家，而是帮你建立一条像流水线一样清晰的解题流程：拿到题目后，知道先做什么、再做什么、每一阶段的验收标准是什么。只要流程清晰，哪怕知识储备是零基础的，也能在比赛前训练出一战之力。
2. 数学建模国赛赛制与评阅逻辑：先搞清楚国奖究竟在评什么
很多人备赛时完全不看比赛规则和评奖标准，这是很吃亏的。全国大学生数学建模竞赛（CUMCM）通常在每年 9 月上旬举行，比赛时间约 72 小时，三人一队，按照题目要求在指定时间内完成建模、求解和论文撰写，并在线提交。
题目一般分成“机理分析型”和“数据分析型”两大类，历年的 A 题、B 题往往偏物理机理、优化决策，C 题、D 题往往偏数据分析和综合评价，但具体出题方向每年都会有调整，所以不要把宝押在某一类题型上。
从评阅角度看，评委在看一篇论文时最关注四个维度：
- 模型假设的合理性。假设不是越多越好，而是要能简化问题且不偏离实际。假设写得太多，说明你没抓住主要矛盾；假设写得太少，模型又没法简化下去。
- 建模思路的创造性。不要求你用多复杂的模型，但要求你的思路能自圆其说，最好在某个环节上有自己的处理方式，比如结合了多源数据、设计了更合理的权重分配方案。
- 求解方法和结果的正确性。结果对不上、误差不解释、模型不检验，都是大忌。评委非常看重误差分析和模型检验，哪怕结果精度一般，只要检验过程完整，也能拿分。
- 论文表述的清晰性。公式排版混乱、图没有标题、表没有单位、结论找不到，都会让评委失去耐心。
很多人问，国一和国二到底差在哪里？以我的观察，差的往往不是模型复杂度，而是“完成度”。国一论文的典型特征是：问题分析到位、主模型清晰、辅模型完整、结果有检验、摘要一眼就能看懂你做了什么、图表规范、附录代码完整。这些听起来不难，但在 72 小时的高压状态下，能把每一环都做扎实的队伍并没有想象中那么多。
所以备赛阶段就要养成一个习惯：每次模拟训练都按照“完整论文输出”的标准去要求自己，而不是只跑出一个结果就觉得完事了。
3. 零基础必备的知识与工具链：别一上来就啃教材
零基础不是从零开始学数学，而是从“够用的数学建模知识”开始学。建议先搭好工具和环境，再通过学习样例题目来反向补充知识。
3.1 需要补的数学知识
- 微积分：理解导数和积分在优化、累积量计算中的应用，能看懂差分方程。
- 线性代数：矩阵运算、特征值特征向量、线性方程组求解，这对很多模型的理论推导有帮助。
- 概率统计：均值、方差、正态分布、假设检验、回归分析、参数估计，这是建模里最常用的工具区。
不需要学得多深，关键是会用。数学知识的使用场景是：当你需要解释“为什么这个模型可用”“这个假设是否合理”时，能说清楚基本逻辑。
3.2 需要熟悉的 Python 工具链
数学建模国赛目前的主流程语言是 Python 或 MATLAB，本文以 Python 为例。因为 Python 的第三方库非常丰富，零基础学习曲线也相对平滑。
常用库清单：
| 库名 | 用途 | 典型场景 |
|---|---|---|
| numpy | 数值计算 | 矩阵运算、数组操作 |
| pandas | 数据处理 | CSV/Excel 读取、清洗、聚合 |
| matplotlib | 可视化 | 折线图、散点图、热力图、三维图 |
| scipy | 科学计算 | 插值、优化、积分、统计检验 |
| scikit-learn | 机器学习 | 回归、分类、聚类、数据标准化 |
| statsmodels | 统计建模 | 线性回归、时间序列、假设检验 |
建议安装 Anaconda 或 Miniconda 来管理 Python 环境，避免因为依赖冲突浪费大量时间。
3.3 需要掌握的写作和协作工具
- Word 或 LaTeX。国赛论文提交是 PDF，Word 排版也完全可以，但 LaTeX 的公式排版效果更好。如果团队没人用过 LaTeX，不要临时学，用 Word 加公式编辑器也是一样的。
- 在线多人协作：腾讯文档、石墨文档、Overleaf 等，可以方便三人协同写文档。
- 代码管理：Git 和 Gitee/GitHub 可以用于代码版本管理，但赛前需要提前训练，临时上手反而增加负担。
很多零基础同学会问：要不要学 MATLAB？如果你团队里有人已经熟悉 MATLAB，那完全可以用 MATLAB；如果大家都是零基础，更推荐 Python，因为网上能找到的模型代码案例更多，遇到报错时也更容易检索到解决方案。
4. 高频题型与解题框架拆解：把题目归类，你就成功了一半
拿到一道题，第一步不是想模型，而是判断它属于哪一类问题。数学建模国赛的高频题型基本可以归为五类：预测类、评价与决策类、优化与规划类、分类与聚类类、机理建模类。每一类都有相对固定的解题框架。
4.1 预测类题目
题干特征：给了大量历史数据，要求预测未来某段时间的值，比如销量预测、人口预测、交通流量预测、碳排放趋势预测。
常用模型：时间序列（ARIMA、指数平滑）、回归模型、灰色预测 GM(1,1)、机器学习回归（随机森林、XGBoost、LSTM）。
解题框架：数据预处理 → 趋势与周期性分析 → 选基准模型 → 多模型对比 → 误差评估 → 给出预测区间。
要注意的点：预测类题目特别看重“验证”。不能只给出预测结果，必须用历史数据切出一段来验证模型精度，常用指标有 MAE、RMSE、MAPE。
4.2 评价与决策类题目
题干特征：给了多个评价对象和多项指标，要求排序或选优，比如水质评价、城市宜居性评价、企业绩效评估、中药材质量评价。
常用模型：层次分析法（AHP）、熵权法、TOPSIS、模糊综合评价、灰色关联分析。
解题框架：明确评价对象和指标 → 数据标准化 → 确定权重（主观/客观/组合） → 选择评价模型 → 排序并做敏感性分析。
要注意的点：权重怎么确定是核心。主观赋权用层次分析法，客观赋权用熵权法，两者结合往往更稳健。很多获奖论文不是只用一个模型，而是用多种赋权方法比较，再解释差异。
4.3 优化与规划类题目
题干特征：要求在若干约束下最大化或最小化某个目标，比如生产调度、路线规划、资源分配、无人机协同避障航迹规划。
常用模型：线性规划、整数规划、非线性规划、多目标规划、动态规划、遗传算法、粒子群算法。
解题框架：定义决策变量 → 写出目标函数 → 列出约束条件 → 选择求解工具（scipy.optimize、ortools、遗传算法库） → 求解并做灵敏度分析。
要注意的点：这类题目往往是区分度最高的。能不能把实际约束抽象成数学表达式，决定了模型质量。如果问题规模大、精确求解困难，可以用启发式算法，但必须说明近似求解的代价。
4.4 分类与聚类类题目
题干特征：给了大量无标签或有标签数据，要求分组、识别或预测类别，比如客户画像、风险等级划分、异常检测。
常用模型：K-means、DBSCAN、层次聚类、决策树、随机森林、SVM、逻辑回归。
解题框架：数据清洗 → 特征分析和降维（PCA） → 选择分类/聚类算法 → 参数调优 → 用轮廓系数或准确率等指标评估。
要注意的点：聚类结果的可解释性很关键。不能只给一个聚类图，还需要解释每个簇的特征和业务含义。
4.5 机理建模类题目
题干特征：题目本身基于物理、化学、生物等机理，要求从原理出发建模，比如热量传递、药物浓度变化、人口增长、信号传播。
常用模型：微分方程、差分方程、偏微分方程、元胞自动机。
解题框架：理解机理 → 列出微分方程 → 利用数据估计参数 → 求解并验证 → 分析模型稳定性。
要注意的点：这类题对理论推导能力要求高，不是套模型就能解决的。零基础队伍如果选题时遇到这类题的题干，一定要评估自己队伍能否在 72 小时内完成推导，避免高估能力。
5. 模型选用方法论：选对不选贵
模型选用的核心原则可以概括为三句话：问题驱动，而不是模型驱动；能用简单模型解决的问题，不用复杂模型；模型的每一步选择都要在论文里给出理由。
很多队伍容易陷入“模型收集癖”，看到题目就想套一个看起来很厉害的大模型。但评价一个模型是否合适，标准不是“它够不够高级”，而是“它能不能解决当前问题，并且让评委看懂”。
这里给一个模型选用的决策流程：
第一步，看数据量和数据质量。数据量很大且特征多，可以考虑机器学习模型；数据量很小，优先用统计模型和机理模型。
第二步，看问题目标。预测类用回归/时序模型；评价类用层次分析法/熵权法/TOPSIS；优化类用规划模型；分类聚类类用机器学习聚类算法；机理类用微分方程。
第三步，看可解释性要求。数模论文要求把建模思路和模型含义说清楚，所以黑盒模型（如深度学习）需要谨慎使用。如果用了，一定要补充特征重要性分析或简化版对比实验，让评委知道你的做法是可控的。
第四步，考虑模型组合。真正高分的论文往往不是单一模型，而是多模型组合。比如，先用熵权法确定权重，再用 TOPSIS 排序，最后用聚类分析对结果做分群；或者先用时间序列预测，再用优化模型做资源配置。
第五步，留一个“对比模型”。任何题目都可以做一个简单线性回归、一个复杂机器学习模型，放在论文里做对比，说明你选择最终模型的原因。这比只写一个模型要专业得多。
最后还要提醒一句：比赛时学会“止损”。如果一个模型卡了三个小时还调不通，立刻换更简单的模型方案。大部分赛题并不要求极高精度，更看重完整闭环。跑通一个简单模型，远好过交一个没有结果的复杂模型。
6. 代码实操：从数据预处理到模型落地的完整示例
这一部分给出一套只要照着敲就能跑通的代码流程。我会以“评价类题目”和“预测类题目”各举一个最小示例，覆盖从环境准备、数据预处理、模型计算到结果保存的完整链路。
6.1 环境准备
建议使用 Anaconda 创建独立环境，避免污染系统 Python。
conda create -n modeling python=3.10 -y conda activate modeling pip install numpy pandas matplotlib scikit-learn scipy openpyxl注意：Python 版本和各个库的版本请以你实际安装为准。如果安装过程出现依赖冲突，建议使用 pip 安装，并且不要混用 conda 和 pip 安装的核心库。
6.2 数据读取与预处理
无论后续用什么模型，数据预处理都是必须的一步。我们先用 pandas 读取一个示例数据文件data.csv，然后完成缺失值处理、异常值处理和标准化。
# 文件路径：preprocess.py import pandas as pd import numpy as np # 读取数据 df = pd.read_csv("data.csv", encoding="utf-8") print("原始数据形状:", df.shape) print(df.head()) # 查看缺失值 print("缺失值统计:") print(df.isnull().sum()) # 缺失值处理：数值列用均值填充，分类列用众数填充 for col in df.columns: if df[col].dtype in ["float64", "int64"]: df[col] = df[col].fillna(df[col].mean()) else: df[col] = df[col].fillna(df[col].mode()[0]) # 简单异常值处理：基于 3σ 原则，把超出均值±3倍标准差的值替换为边界值 numeric_cols = df.select_dtypes(include=[np.number]).columns for col in numeric_cols: mean = df[col].mean() std = df[col].std() df[col] = df[col].clip(mean - 3 * std, mean + 3 * std) # 保存处理后的数据 df.to_csv("data_clean.csv", index=False, encoding="utf-8") print("数据预处理完成，已保存到 data_clean.csv")这段代码的关键点在于：先查看数据形状和缺失值，再决定填充策略。不要一上来就直接填充，先判断“缺失是不是有业务含义”。在数学建模比赛中，数据质量往往直接决定模型效果，所以前 30% 的时间花在数据清洗上是值得的。
6.3 评价类模型：熵权法 + TOPSIS
判断矩阵类的题目特别适合用熵权法来算客观权重，再用 TOPSIS 进行综合评价。下面这个示例使用一个 5 个评价对象、4 个指标的模拟数据来跑通流程。
# 文件路径：entropy_topsis.py import numpy as np import pandas as pd # 示例数据：行为评价对象，列为指标 X = np.array([ [8.0, 7.0, 6.5, 9.0], [6.0, 8.5, 7.0, 7.5], [7.5, 6.0, 8.0, 6.0], [9.0, 5.5, 7.5, 8.0], [5.5, 9.0, 6.0, 7.0] ]) # 指标类型：1 为效益型（越大越好），0 为成本型（越小越好） indicator_type = [1, 1, 1, 1] # 1. 数据标准化：极差标准化 X_min = X.min(axis=0) X_max = X.max(axis=0) X_norm = (X - X_min) / (X_max - X_min + 1e-8) # 2. 计算每个样本在该指标下的比重 P = X_norm / (X_norm.sum(axis=0) + 1e-8) # 3. 计算信息熵 k = 1.0 / np.log(X.shape[0]) e = -k * np.sum(P * np.log(P + 1e-8), axis=0) d = 1 - e # 信息效用值 # 4. 计算熵权 w = d / d.sum() print("各指标权重:", w) # 5. TOPSIS 评价 # 加权规范化 R = X_norm * w # 正理想解和负理想解 ideal_best = R.max(axis=0) # 全部为效益型 ideal_worst = R.min(axis=0) # 距离计算 dist_best = np.sqrt(((R - ideal_best) ** 2).sum(axis=1)) dist_worst = np.sqrt(((R - ideal_worst) ** 2).sum(axis=1)) # 相对贴近度 score = dist_worst / (dist_best + dist_worst + 1e-8) result = pd.DataFrame({ "评价对象": [f"对象{i+1}" for i in range(X.shape[0])], "得分": score }) result["排名"] = result["得分"].rank(ascending=False).astype(int) print(result)运行后，你会依次看到权重和最终得分排名。这套代码的好处是：结构清晰，每一段都有注释，赛前多跑几遍就能形成肌肉记忆。实际赛题中，只需把X替换成自己的数据，并调整指标类型即可。
6.4 预测类模型：随机森林回归示例
如果题目给的数据量大，想快速得到一个有解释力的预测模型，随机森林回归是很稳妥的选择。下面的代码使用 scikit-learn 自带的糖尿病数据集跑通流程，比赛时替换成自己的特征和目标列即可。
# 文件路径：random_forest_demo.py import numpy as np import pandas as pd from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score from sklearn.datasets import load_diabetes # 加载示例数据 data = load_diabetes() X = pd.DataFrame(data.data, columns=data.feature_names) y = pd.Series(data.target, name="target") # 切分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 训练随机森林 model = RandomForestRegressor(n_estimators=300, max_depth=8, random_state=42) model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) # 评估指标 mae = mean_absolute_error(y_test, y_pred) rmse = np.sqrt(mean_squared_error(y_test, y_pred)) r2 = r2_score(y_test, y_pred) print(f"MAE = {mae:.4f}") print(f"RMSE = {rmse:.4f}") print(f"R2 = {r2:.4f}") # 特征重要性，方便论文里解释模型 importance = pd.DataFrame({ "feature": X.columns, "importance": model.feature_importances_ }).sort_values("importance", ascending=False) print(importance)在国赛中使用机器学习模型时，记得在论文里写清楚三件事：为什么要用这个模型、模型参数如何设置、模型效果如何验证。随机森林天然有特征重要性输出，配合可视化图表，很容易解释“哪些因素对结果影响最大”，这是评阅老师很喜欢的分析。
6.5 结果保存与可视化
模型跑完一定要立刻保存结果和图表，避免后面重跑浪费时间。下面示例把得分和真实值、预测值统一保存成 CSV，并输出一张散点图。
# 文件路径：save_results.py import pandas as pd import matplotlib.pyplot as plt # 假设 y_test 和 y_pred 已经存在 # 保存预测结果到 CSV result_df = pd.DataFrame({ "真实值": y_test.values, "预测值": y_pred }) result_df.to_csv("prediction_results.csv", index=False) # 绘制真实值 vs 预测值散点图 plt.rcParams["font.sans-serif"] = ["SimHei"] # 显示中文 plt.rcParams["axes.unicode_minus"] = False plt.figure(figsize=(6, 6)) plt.scatter(y_test, y_pred, alpha=0.6) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], "r--") plt.xlabel("真实值") plt.ylabel("预测值") plt.title("回归模型预测效果") plt.tight_layout() plt.savefig("prediction_plot.png", dpi=300) plt.show()如果运行失败，第一步先检查是不是中文字体问题。在 Linux 服务器上如果没有 SimHei 字体，可以改用plt.rcParams["font.sans-serif"] = ["WenQuanYi Zen Hei"]，或者干脆把图例改成英文，先保证图能输出。
7. 论文撰写：摘要决定生死
模型和代码都跑通了，最后一步是论文。很多队伍结果很好，但论文写得像实验报告，最终成绩不理想，非常可惜。
国赛论文的结构包含：摘要、问题重述、问题分析、模型假设、符号说明、模型建立与求解、模型检验、模型评价与推广、参考文献、附录。每一部分都有它的作用，但最值得投入精力的是摘要。
摘要是整个论文的“门面”。评阅老师是从摘要开始看的，如果摘要不能在一页之内说清楚“你做了什么、怎么做的、结果如何、有什么亮点”，后面内容再精彩，也可能没有机会被仔细阅读。
一个高分的摘要，至少包含四部分信息：
- 问题背景与你的处理思路；
- 建立了哪些模型，每个模型解决什么问题；
- 使用了什么方法求解，比如“用熵权法确定权重，用 TOPSIS 法排序”；
- 核心结果，包括关键数据、精度指标、最优方案等。
实际写作时，通常最后写摘要。等正文和图表都定稿后，再反复修改摘要的措辞，确保语气简洁、数据准确。
正文写作的另一个重点是图表规范。图要有标题、坐标轴标签、单位；表尽量用三线表；所有图表必须在正文中引用，并在附近解释结论。很多同学的图很精美，但正文里没有相应说明，评委根本不知道这张图要说明什么。
还需要提醒一个比赛提交时的坑：一定要按要求生成并核对摘要页与正文的 md5 码。很多赛区要求提交前对论文 PDF 生成 md5 码，用来确认文件没有被篡改。如果你在生成 md5 码后又修改了论文，md5 码就会变化，提交时可能校验失败。所以正确的流程是：论文最终定稿后，进行 md5 码生成，提交时不要再打开 PDF 文件做任何修改。越是临近截止时间，越不要手贱去改一个小数字。
8. 常见误区与排查思路
8.1 赛前常见误区
| 误区 | 为什么危险 | 正确做法 |
|---|---|---|
| 疯狂背模型原理，不练完整流程 | 三天比赛不是一个一个模型考你，而是整套流程组合 | 至少完成两套完整模拟题，从读题到成文 |
| 只看获奖论文，不自己动手 | 光看不练，代码和写作能力没有实质提升 | 对照获奖论文思路重写代码和摘要 |
| 三人分工写死，遇到问题不互相帮助 | 某一环卡住可能拖垮整队 | 每人有主责，但也理解其他人的模块 |
| 赛前才学 LaTeX | 临时上手排版会浪费大量时间 | 如果队友不熟就用 Word，不要冒风险 |
8.2 比赛时常见问题排查
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| 数据读入报错 | 文件编码或分隔符不对 | 打印前几行，检查encoding和sep | 用encoding="gbk"或encoding="utf-8"尝试 |
| 标准化后结果全是 NaN | 某列方差为 0 或数据未做缺失值处理 | 打印X.isnull().sum()和每列 std | 先填充缺失值，再标准化 |
| 模型运行时间过长 | 循环次数过多或数据量太大 | 打印每轮耗时 | 降低循环次数，或使用向量化计算 |
| 预测结果明显不合理 | 数据泄露或特征选择错误 | 检查训练集和测试集切分 | 重新做特征工程，确认没有把目标列当特征 |
| 论文排版错乱 | Word 样式不一致 | 先写文字，最后统一排版 | 使用预定义样式，不手动多次修改字号 |
| md5 码生成后无法提交 | 修改过 PDF 文件 | 重新生成 md5 码 | 定稿后不再修改文件 |
这些坑，很多队伍踩过一次就记住了。但比赛只有一次机会，最好在模拟训练时就把这些问题全部暴露出来。我的建议是：赛前至少做一次“全真模拟”，严格按照比赛时间、比赛规则跑完一套题，连 md5 码生成都走一遍流程。
9. 从赛前 14 天到比赛三天的实战时间线
最后一部分，把上述所有内容压缩成一条可以直接执行的时间线。假设你还有两周就要参赛，这是一份合理的冲刺计划。
赛前第 14 天到第 10 天：建立最小知识树。不用系统看完整本教材，只看预测类、评价类、优化类的基础章节，重点理解模型适用条件和输入输出格式。
赛前第 9 天到第 6 天：完成一套完整模拟题。严格按三天时间压缩成两天，从选题、建模、代码、论文到 md5 码提交全流程走一遍。这套题不求做得完美，关键是暴露你的薄弱环节。
赛前第 5 天到第 3 天：补齐短板。如果你代码卡壳，就把数据清洗和常见模型代码重写两遍；如果论文写不完，就把摘要写作模板和图表规范整理好，形成团队自己的模板库。
赛前第 2 天到第 1 天：复盘和休息。不要再做新题了，把之前的模拟题论文、常用代码、写作模板整理好，放进一个团队共享文件夹。吃点好吃的，保证睡眠，养足精神。
比赛第 1 天：上午读题和选两道候选题，下午确定选题，开始做问题分析、明确模型方向，晚上建立初步模型框架并开始清洗数据。选题决策最晚不要拖到第一天结束。
比赛第 2 天：上午完成主模型的代码求解，下午做多模型对比和误差分析，晚上整理图表和中间结果，开始起草论文正文。记得每隔一段时间保存和同步代码与文档。
比赛第 3 天：上午集中写论文摘要和问题分析部分，下午做全文统稿、补充参考文献并检查公式和图表。晚上严格按最终版生成 md5 码，并提前完成提交，绝不卡在最后一分钟才提交。
比赛中最容易忽略的其实是“休息分工”。三个人如果连续熬夜，第三天基本没有战斗力。更合理的方式是：三人轮换休息，保证任何时候至少有两个人状态清醒。比赛拼的是决策效率，不是谁更能熬夜。
说了这么多，核心还是那一句话：数学建模国赛的门槛没有想象中那么高，但也没有“背几个模型就能拿奖”的捷径。它真正考验的是你在有限时间内做决策、跑代码、写清楚一篇论文的能力。这三项能力，都是可以通过赛前系统训练显著提升的。如果你现在还在迷茫，不妨从今天开始，先搭好 Python 环境，再跑通本文里的熵权法 TOPSIS 示例，这就是你走向国奖的第一小步。
