目录
0、引言
这里以一问一答的形式总结了数学建模常用的问题。无论是新手还是老手，在备赛和比赛过程中都会掉进一些"经典陷阱"。我用问答形式把最典型的问题梳理一遍：
1、具体问题梳理
1.1 AI+
Q：AI现在能直接替我们参赛拿奖吗？
A：不能。 AI能高效完成代码翻译、论文润色、文献速读等执行层工作，但它无法完成从实际问题到数学假设的"跳跃"------这个跳跃需要你对问题背景的理解、对数据生成机制的判断，以及对模型假设合理性的论证。得奖论文的核心竞争力永远是：你的问题定义是否准确、假设是否合理、结果分析是否有洞察。AI在这些维度上的表现目前只是"看似合理"的模仿，缺乏真正的理解。一个典型证据是：AI在处理含噪声或缺失的实际数据时，常常给出数学上漂亮但工程上不可行的方案。
Q：用AI工具查资料或写思路，算作弊吗？
A：在规则不明确禁止的前提下不算作弊，但必须明确依赖程度。 正确用法是将AI当作"高级搜索引擎"和"头脑风暴伙伴"------让它帮你快速梳理一个陌生领域的研究脉络、列举可能的建模路径、或者对某个概念做通俗解释。绝对禁止的行为是：直接复制粘贴AI生成的模型描述或整段论文作为你的正文。一个务实的建议：如果你在论文中使用了AI辅助，可以在附录中简要说明"本文借助AI工具完成了代码调试和语言润色"，这反而体现了学术诚信。
Q：最值得让AI干的三个事情是什么？
A：第一，代码翻译与调试。 比如你在网上找到一段MATLAB代码，需要转成Python，AI可以快速完成，还能解释每行的作用。遇到报错，把错误信息贴给它，通常能直接定位问题。第二，数据探索性分析（EDA）脚本的生成。 告诉AI"我的数据有10列，列名是xxx，帮我写一段自动画直方图、箱线图和相关矩阵的Python代码"，它会输出可直接运行的脚本。第三，论文语言润色和逻辑梳理。 把写好的段落丢给它，要求"改得更紧凑、更学术"，它会优化句式，但不会改变你的核心意思。注意：这三件事的共同特点是------结果可验证、错误可追溯、不需要AI做主观判断。
Q：最忌讳让AI做的三件事是什么？
A：第一，直接写核心模型公式。 AI在复杂数学推导中经常出现符号混淆（比如把矩阵转置漏掉、把求和下标搞错），这些错误在论文中会直接扣分。正确做法是你自己推完公式后，让AI检查语法错误或排版格式。第二，代替你解读关键结果。 你的模型跑出了一个系数0.73，AI可能会说"这表明强正相关"，但它不知道你的变量单位、数据来源、物理意义，这个解读可能完全错误。第三，帮你做主观性强的合理性分析。 比如"为什么在本题中假设误差服从正态分布是合理的"------这需要你结合问题背景和数据特征给出论证，AI只能给你通用的套话，毫无说服力。
Q：现在赛题里直接考AI的题目多吗？
A：越来越多，趋势明显。 尤其是在"华为杯"这类工程背景浓厚的竞赛中，涉及图像识别、信号处理、自然语言、故障诊断的赛题，几乎都要求使用深度学习、迁移学习或集成学习等AI方法。一个直观的数据：近三届"华为杯"的E题（通常是最具工程背景的题目）全部与AI相关。如果你完全没接触过神经网络、CNN、LSTM这些概念，选题时至少会损失1-2道题的选择空间。但这不意味着你必须成为AI专家------掌握基本概念、会用现成库（如PyTorch或Keras）调用经典模型即可。
Q：用AI建模，会不会让题目变得太简单，失去区分度？
A：不会，反而可能加大区分度。 当AI成为普遍工具后，基础层次的答案会高度同质化------因为大家用AI生成的思路和代码大同小异。真正拉开差距的是三个非AI环节：第一，问题理解 ------你能不能抓住题目中最核心的矛盾，而不是被细枝末节带偏；第二，假设设计 ------你的简化假设是否既保留了问题本质又让模型可解，这是体现建模功力的地方；第三，结果分析------你能否从数值结果中读出现实含义，并给出有洞察的建议。这三个环节AI目前都无法胜任。
Q：比赛现场，团队应该怎么分工使用AI？
A：建议设置一个"AI协同员"角色，但不是专职岗位。 三个人在各自负责的环节（建模、编程、写作）都可以独立使用AI，但有一个硬性规则：任何AI输出的内容，在写进论文之前，必须经过至少另外一名队友的审核和确认。 具体做法是：AI生成的代码要在小样本上跑通验证；AI润色的段落要对照原稿检查是否有歧义；AI提供的思路要讨论其适用性。这样做的目的是用团队协作的"多重校验"来对冲AI的"一本正经胡说八道"风险。
Q：赛前针对AI需要做什么特殊准备？
A：准备两样核心资产。 第一，建立团队的提示词库 。把比赛中高频使用的任务写成标准提问模板，比如"请以数学建模竞赛论文风格，改写以下模型描述......"或"请检查这段代码的效率问题，并给出优化建议"。提前写好这些模板，赛中直接粘贴使用，能节省大量时间。第二，提前测试AI工具的表现。拿一道往年赛题，让AI走一遍从建模到代码的完整流程，看看它在哪个环节表现好、哪个环节经常出错，做到心中有数。测试后你会发现，AI在数据预处理和可视化上非常可靠，但在模型选择和参数解释上需要人工强干预------这个认知本身就能帮你在赛中高效决策。
Q：如果队友过度依赖AI，怎么办？
A：建立团队内部的"AI产出问责制"。 核心规则就一条：谁使用AI，谁就对AI输出的所有内容负最终责任。 具体执行：任何由AI生成并最终写进论文的内容（一段话、一个公式、一段代码、一个数据结论），使用者必须给出人工验证的证据，比如"这段代码已经在20%的样本上跑通"或"这个结论在文献xx中有支撑"。用制度把AI拉回到"工具"位置，而不是"隐形队友"。同时，赛前可以约定一个团队共识：一旦发现某位队友未经审核直接采用AI输出，视为学术不端行为，团队有权要求重写该部分。
Q：一句话总结，现在数学建模和AI到底是什么关系？
A：AI是帮你节省时间的杠杆，但决定撬动多大价值的那只支点------你们对问题的判断力------必须由人类握在手里。 更具体地说：AI可以让你从重复劳动（代码调试、语言润色、格式排版）中解放出来，把精力集中在真正体现建模能力的事情上（定义问题、设计假设、解读结果）。当你发现自己在做的事情是"机械重复型"的，交给AI；如果是"判断决策型"的，握在自己手里。这个简单原则能帮你们在AI时代写出更有竞争力的论文。
1.2 组队篇
Q：数学建模竞赛中，三人团队最理想的分工模式是什么？
A：不存在"最理想"的固定分工，只有"最适配"当前赛题的动态分工。 传统"一人建模、一人编程、一人写作"的模式在简单赛题中可行，但复杂赛题（如华为杯）下容易脱节。更稳健的模式是：主建手 （负责问题拆解、模型框架设计、公式推导）、主程手 （负责数据清洗、算法实现、结果可视化）、主笔手 （负责论文逻辑、语言表达、图表设计）。但核心原则是：三个人都要能看懂模型的核心思想，编程和论文各有侧重但互相兜底。 比如主建手也要能读代码逻辑，主程手也要能写模型描述段落。
Q：组队时，应该优先考虑队友的什么能力？
A：优先级排序是：沟通意愿 > 抗压能力 > 专业互补性 > 技术水平。 很多队伍败在"技术很强但各自为战"上------建模手推了一堆公式但没给编程手解释清楚，编程手按自己理解写了代码结果对不上模型。正确的优先级：第一，队友愿意且能够清晰表达自己的想法（尤其是遇到困难时不憋着）；第二，队友在压力下能保持理性（不会因为某个环节卡住就崩溃或甩锅）；第三，专业背景有差异（数学、计算机、工科/商科搭配最佳）；第四，技术水平其实可以通过赛前集训快速提升，反而没那么关键。
Q：新手组队最容易踩的坑是什么？
A：三个坑最致命。 第一，"抱大腿心态"------觉得只要有一个大佬队友就能躺赢，结果大佬被各种低级问题拖垮，团队反而内耗。第二，"分工即分家"------建模手闷头写公式、编程手闷头调代码、论文手闷头写稿，最后一天发现模型和代码对不上、代码结果和论文图表不一致。第三，"赛前不磨合"------直接参赛，结果发现队友的写作风格、编程习惯、作息节奏完全不合拍，赛中大量时间花在适应上。应对策略：赛前至少合作完成1-2道往年题，暴露所有配合问题并解决。
Q：老手组队最容易忽视的问题是什么？
A：思维固化与沟通惯性。 老手团队往往有固定的解题"套路"（比如看到预测题就上时间序列，看到评价题就上层次分析法），但近年的赛题越来越交叉创新，套用老方法很可能拿不到高分。更隐蔽的问题是：老手之间容易形成"不用多解释"的默契，结果反而造成信息不对称------建模手默认编程手"应该懂"某个算法细节，但实际对方并没完全理解，导致代码实现偏差。对策：每道题都强迫自己先做"问题拆解"再套模型，并且每天至少三次15分钟的同步短会，口头确认关键决策。
Q：队友之间出现严重意见分歧怎么办？
A：用"数据说话 + 时间死线"原则。 当建模手坚持A模型、编程手认为B模型更可行时：第一，编程手花不超过1小时快速实现B模型的简化版本，拿实际结果与A模型对比；第二，对比结果出来后全员讨论，如果仍无法达成共识，由该环节的负责人做最终决策（建模环节主建手拍板，编程环节主程手拍板）；第三，无论选择哪个方向，必须在赛程第三天下午6点前完成决策，之后不再争论。忌讳的做法是：三个人分头各做各的方案试图"证明自己正确"------这是竞赛自杀行为。
Q：队友中途"掉链子"（情绪崩溃/拖延/失联）怎么办？
A：分情况处理。 如果是情绪崩溃，其他人暂停10-15分钟，陪队友冷静、简单鼓励，然后重新分配该队友的任务（比如暂时让他做更轻松的图表整理工作）。如果是拖延（如代码一直跑不出来），及时切割任务：让该队友只负责核心逻辑，其他辅助性代码由另外两人协助完成。如果是失联（如长时间不回消息），启用应急预案：提前约定好如果某人有事无法到场，他的任务由谁来接替，并留下所有代码和文档的共享访问权限。关键原则是：保论文完稿是第一优先级，情绪和完美主义都要给这个目标让路。
Q：如何快速判断一个队友是否靠谱？
A：赛前测试三个行为指标。 第一，承诺的时间节点是否能准时交付（比如说好今天完成数据清洗，是否按时提交了可运行的代码）。第二，遇到技术障碍时是积极找替代方案还是消极等待（比如库装不上，是主动查解决方案还是直接说"做不了"）。第三，沟通时是否清晰表达自己的困难和需求（比如"这部分我推不下去了，需要你帮我确认一下初始条件"而不是沉默拖延）。这三个指标比技术水平更能预测赛中表现。
Q：三人团队需要设队长吗？
A：需要，而且非常必要。 队长不是"技术最强"的人，而是"最有全局观和决策力"的人。队长的核心职责只有三条：第一，把控时间线 （确保每个阶段按时推进，不超时）；第二，仲裁分歧 （当团队意见不一致时，队长做最终决定，并在决定后要求全员执行）；第三，管理精力（提醒队友休息、饮食，防止过度疲劳导致效率断崖）。队长不负责具体建模或编程任务，但必须有足够的理解力来评估各环节的进展是否健康。
Q：跨校组队可行吗？
A：需要看清楚竞赛规则。 "华为杯"明确要求：除2026级研究生新生外，其他年级研究生不允许跨校组队。 也就是说，如果你的队友来自不同学校，除非你们都是新生，否则不符合参赛资格。如果规则允许跨校，你需要额外考虑远程协作的效率问题------建议统一使用腾讯会议保持全天在线，使用共享文档（如腾讯文档）和共享代码仓库（如GitHub或Gitee），并约定好通讯中断时的备用联系方式（如手机短信），防止网络故障导致失联。
Q：如果队伍只有两个人，能参赛吗？
A：不能。 "华为杯"明确规定每队3人，不接受2人或单人参赛。如果目前只有两人，建议尽快通过学校建模协会、相关QQ群或校内论坛招募第三名队友。招募时可以优先考虑有编程基础或论文写作经验的同学，因为这两项能力在赛中需求量最大、临时培养难度最高。
Q：赛前组队阶段最值得花时间做的事是什么？
A：做一次完整的"模拟赛"，而不是只开会讨论。 找一道往年赛题，严格按照比赛时间（4天）从头到尾走一遍。这能暴露几乎所有配合问题：分工边界是否清晰、沟通频率是否足够、决策机制是否顺畅、精力管理是否合理。模拟赛结束后，三人一起做复盘：列出3件做得好要继续保持的事，和3件做得差必须改进的事。这个复盘清单比任何赛前培训都更有价值。
Q：一句话总结，数学建模组队的核心原则是什么？
A：找齐三个能互相"翻译"的人------把数学翻译给代码、把代码翻译给论文、把论文翻译给评分人，最终形成一个能把所有环节串联起来的闭环。 任何一个人如果只在自己的专业领域内工作而无法与其他环节有效对接，队伍就是三个孤岛，而不是一个整体。
1.3 经典问题+
Q：新手问------是不是必须把所有的模型和算法都学会才能参赛？
A：绝对不是。 数学建模比的是"在有限时间内解决具
体问题的能力"，不是"算法知识竞赛"。你不可能也没必要学会所有模型。核心策略是：掌握每个常见大类（评价、预测、优化、分类）中的1-2个经典模型，并吃透它们的使用条件、优缺点和代码实现。 比赛时遇到新问题，现学现卖都来得及，前提是你得有快速查阅文献和学习的能力。
Q：老手问------我参加过几次了，赛前还需要专门准备吗？
A：需要，而且重点要变。 老手的核心问题往往不是建模能力，而是思维固化 和配合生疏 。赛前准备的重点应该放在：① 团队磨合 ，至少用往届题目做一次全真模拟，严格按照比赛时间走一遍，暴露分工和沟通问题；② 论文写作模板，提前准备好论文的LaTeX或Word排版框架、常用流程图、三线表格式，别在比赛时现调格式。
Q：新手问------三个人怎么分工最合理？一个人写代码、一个人写论文、一个人建模？
A：这是最常见的误区，但过于理想化。 最危险的情况是"建模手"想好了模型，"编程手"发现实现不了，或者"论文手"看不懂模型写不出论文。更健康的模式是：三个人都要能看懂模型的核心思想，编程和论文各有侧重但互相兜底。 建议分工为：一人主攻建模与推导 （负责写模型公式和理论部分）、一人主攻编程实现 （负责跑数据、调参、画图）、一人主攻论文写作与润色（负责整体逻辑、语言表达、摘要）。但关键部分（如模型框架、核心结论）必须三人一起讨论确认。
Q：老手问------我们三个人配合好几年了，还需要优化分工吗？
A：更需要。 老手团队最容易犯的问题是"各干各的，最后拼接"------建模手闷头推公式，编程手闷头调代码，论文手闷头写稿，最后发现模型和代码对不上、论文和模型两张皮。破局方法是：建立"15分钟同步机制"，每隔15分钟口头同步一下进度和关键决策。另外，建议让编程手和论文手在赛前就互相熟悉对方的工具链，避免"程序跑出来的图论文手不会引用"这种低级问题。
Q：新手问------题目读完了，完全没思路怎么办？
A：很正常，90%的队伍在开赛前6小时都是这种状态。 千万别慌着硬想，按这套流程走：① 先查文献 ，去知网或Google Scholar搜索题目中的关键词，找类似问题的研究论文，看看别人用了什么模型；② 拆解问题 ，把一个大问题拆成2-3个小问题（通常是"数据处理→核心建模→结果分析"三段式）；③ 从简单模型开始 ，先用最简单的模型（比如线性回归、层次分析法）搭一个框架跑通，再逐步改进。记住：提交一份有缺陷的完整论文，远好过提交一份完美的半成品。
Q：老手问------我们模型很高级、算法很复杂，为什么分数反而低？
A：因为评阅老师最看重的是"模型是否合理解决了问题"，而不是"模型是否炫酷"。 很多老手团队为了炫技，强行上深度学习、启发式优化算法，结果数据量不够导致过拟合，或者模型假设不成立却硬用。高手的基本素养是：能简单绝不复杂。 先用最简单的模型做基线（baseline），如果效果不够，再逐步增加复杂度，并且每一步增加都要给出合理的理由（比如"因为数据存在非线性关系，所以我们引入核函数"）。
Q：新手问------代码跑出来结果很差（拟合度低、误差大）怎么办？
A：先别急着换模型，大多数问题出在数据上。 优先检查：① 数据清洗 是不是漏了异常值或缺失值；② 数据归一化/标准化 做了没；③ 特征工程 够不够（比如原始数据是时间，可以提取出"星期几"、"是否节假日"等新特征）。如果这三点都做了还是差，再考虑换模型。记住：数据决定上限，模型只是逼近这个上限。
Q：老手问------模型假设总被评委质疑怎么办？
A：模型假设是数学建模的灵魂，不是软肋。 好的处理方式是：① 假设要"少而关键" ，只对影响模型成立的必要条件做假设（比如线性回归假设残差独立同分布）；② 每个假设都要有合理性说明 （比如"根据文献xx和本题数据特点，我们假设......"）；③ 关键假设必须做敏感性分析，在论文里专门用一段来讨论"如果假设不成立，模型结果会变化多少"。这恰恰是加分项，不是扣分项。
Q：新手问------模型建好了、代码跑通了，但论文写不完怎么办？
A：这是新手最致命的节奏失误。 正确的顺序是：从比赛第一天就开始写论文，而不是最后一天。 具体做法是：① 第一天读完题、查完文献后，就把论文的框架（各级标题、小标题） 搭好；② 模型每确定一部分，论文手就立刻把它写成文字和公式；③ 编程手跑出第一张图，论文手就立刻插入并写分析。这样到最后一天，论文的主体已经完成了80%，只剩摘要和结论。
Q：老手问------我们模型做得很好，为什么摘要写得平淡、最后没拿奖？
**A：因为评委每天要看几百篇论文，摘要就是你的门面，甚至决定你是否能进高奖项的评审池。 老手最容易犯的错误是"摘要写成了流水账"（第一段问题背景、第二段模型一、第三段模型二......），毫无亮点。高水平的摘要应该遵循 "问题-方法-结果-创新" 结构：
- 一句话说清问题是什么；
- 一句话说清你用了什么核心方法（突出创新点）；
- 几句话说清关键结果（具体数字，比如预测精度达到95.6%）；
- 一句话说清你的贡献（比如"为XX问题提供了一种可推广的解决方案"）。
切记：摘要要反复打磨，三个人一起读，确保没有一句废话。
Q：新手问------论文里的图要怎么画才算好？
A：记住三个原则：① 每个图都要有明确的标题和坐标轴标注，让人不看正文也能大概看懂；② 图要在正文中有直接引用（如"如图3所示"），并在图下面有1-2句话的分析；③ 视觉效果清晰、配色统一（别用花里胡哨的渐变色）。推荐用Python的Matplotlib/Seaborn或MATLAB画图，导出矢量图（如PDF或EPS格式），避免截图糊成一片。
Q：新手问------比赛四天怎么分配时间最合理？
A：经典的"331"节奏：
- 第一天（选题与框架）：用3-4小时读题、查文献、确定选题；当天晚上之前搭出完整的解题框架（分哪几步、每步用什么方法）。
- 第二、三天（核心攻坚）：集中精力建模、编程、做数据分析；论文手同步写主体部分。
- 第四天（收尾与打磨）：上午必须完成所有核心工作；下午全力打磨摘要、格式检查、补充图表；晚上8点前提交（千万别等到截止前最后一小时，服务器会卡爆）。
Q：老手问------我们选题总是犹豫不决，浪费大半天怎么办？
A：这是老手团队的通病------因为知道每个题的坑，反而瞻前顾后。 破局策略是：设置"死线"。比如规定"开赛后4小时内必须定题"，定题后无论遇到什么困难都不再换题。选题标准就三条：① 问题背景你们相对熟悉；② 有至少一种模型你们能直接上手；③ 数据量适中（太多处理不过来，太少没东西可做）。
Q：所有人问------比赛过程中意见严重分歧怎么办？
A：数学建模的一大考验就是团队协作。 当出现分歧时，记住一条铁律：谁负责的部分谁有最终决定权，但前提是必须用"简单实验"验证。 比如建模手坚持用A模型，编程手觉得B模型更好，那就让编程手用半小时快速跑一下B的简单版本，拿结果说话。切忌争论不休，更忌讳"三个人三个方向各做各的"------那是竞赛自杀。
Q：新手问------比赛结束了，要不要去对答案？
A：千万别。 数学建模没有标准答案，而且大多数问题都是开放性的。比赛结束后去网上对"答案"只会让你焦虑，没有任何好处。正确的做法是：提交完就彻底放下，好好睡一觉，等成绩公布。
Q：老手问------连续几次没拿好成绩，还要继续参赛吗？
A：取决于你的目标。 如果是为了保研加分，可以评估一下投入产出比；如果是为了锻炼能力、积累经验，那么失败的价值远大于一次侥幸的成功 。很多拿一等奖的队伍都是"三战"甚至"四战"才磨出来的。关键是每次赛后都要做一次团队复盘：这次哪里做得好、哪里做得差、下次怎么改进。