本文将为大家带来 2026 年华数杯C 题超详细解题思路，
一、今年 C 题核心难点：题量、数据集全面升级
原本计划完整拆解 C 题全部四问，但实际建模过程中发现：仅 C 题第一问工作量，就等同于 2023 年华数杯 C 题全套四问。受 AI 工具普及影响，本届赛事大幅拓宽数据集维度、增加整体题量，预估今年 C 题总工作量是 2023 年同题型的 3-4 倍。这也是未来数模竞赛明确趋势：不仅华数杯，后续国赛同样会出现数据集更大、计算量更高的特点，大家需要提前适应。
补充提醒：此前大家普遍认为 A 题难度偏低，但实测后发现 A 题暗藏大量隐形陷阱，看着简单实操极易丢分；相比之下 C 题入门门槛低，但数据集维度极宽，表层简单、深挖难度拉满。往年数据集规模若为 1，本届 C 题数据规模达到 5-6，多维度指标混杂，是大家首要攻克的难点。
二、C 题背景核心逻辑：六区域算力协同调度
C 题主题为算电协同多目标调度优化，核心背景简化理解：全国划分为 A-F 共 6 个区域，各区域资源禀赋差异巨大，部分区域算力充足、AI 任务少，部分区域算力紧缺、AI 任务负载高。赛事给定三类 AI 任务：实时推理、批量推理、AI 训练，6 区域 ×3 类任务，合计18 组数据样本，全部分析、建模、预测缺一不可。配套核心数据集：work 任务数据表、区域硬件约束数据表（S 开头表格）。
三、C 题第一问三小问分步解题思路
（1）第一小问：分维度统计描述分析
核心任务：对 18 组（6 区域 ×3 任务）数据分组统计建模
-
分组逻辑：按照「区域 + 任务类型」拆分，划分 18 个独立样本组；
-
分析内容：计算每组 CPU 算力需求的最大值、最小值、均值，挖掘时序变化走势、日 / 周周期性规律；
-
写作要点：搭配分组可视化图表，直观对比不同区域、不同任务的算力需求差异。
（2）第二小问：18 组独立短期时序预测模型
核心要求
针对 18 组数据，每组单独搭建一套预测模型，最终输出指定时段（2300-2390 小时）算力调度预测结果。
常见踩坑点
很多参考论文直接选用单一模型适配全部 18 组数据，最终预测 MAPE 误差高达 34%，远低于竞赛优质标准（行业通用标准 MAPE＜25%），得分严重受限。
最优解题方案（自适应择优建模）
-
备选模型：随机森林、XGBoost、LSTM 等 4 类主流时序模型；
-
操作流程：18 组数据全部轮训 4 类模型，对比 MSE、MAPE 误差指标，每组数据择优保留精度最高的模型；
-
成果呈现：绘制真实算力曲线 vs 预测曲线对比图，直观证明自适应模型精度优势。
（3）第三小问：基于预测结果的算力调度优化模型
这是第一问高分关键，占分权重与预测模块持平（分值配比约 2:4:4），切忌一笔带过。
1. 优化模型三要素搭建
-
决策变量：0-1 指派开关变量，定义「某任务、某区域、某时段是否开工」；
-
多目标函数：可自选最小等待时长、最小网络时延、最优 GPU 资源利用率等作为优化目标；
-
多层可行域约束（全部来自题目数据表）：① 唯一性约束：单任务仅能分配至一个区域；② 任务时效约束：实时推理任务必须即时启动，批量 / 训练任务存在弹性开工窗口；③ 硬件容量约束：各区域 GPU 算力上限（S 开头数据表）；④ 时序收尾、任务迁移等硬性规则约束。
2. 求解方法与成果展示
推荐使用贪心调度算法求解多约束优化模型，输出两大可视化成果：
-
全时段算力需求量折线图；
-
任务调度甘特图，清晰展示 538 项任务的区域分配、开工时段、资源迁移情况。
参考论文常见失分问题
-
预测与优化篇幅失衡：预测内容占比过高，调度优化公式、逻辑、图表描述简略；
-
模型选择缺乏对比：直接引用文献选定单一模型，未在 18 组数据集上做交叉验证；
-
可视化不足：仅单一折线图，缺少甘特图、分组对比图支撑调度结论。