数学建模全流程：从一道题到一篇论文

专栏导语：本专栏系统讲解数学建模的经典方法与 AI 智能方法，并打通两者之间的联系。本篇作为开篇，先把数学建模的完整流程讲清楚，让你知道面对一道题该从哪里下手、每一步做什么、做完怎么检验。

文章目录

一、为什么要先讲流程
二、七步流程详解
- [2.1 审题：把模糊问题变成明确问题](#2.1 审题：把模糊问题变成明确问题)
- [2.2 假设：把现实简化成可处理的世界](#2.2 假设：把现实简化成可处理的世界)
- [2.3 符号：给每个量起名字](#2.3 符号：给每个量起名字)
- [2.4 建模：用数学结构描述问题](#2.4 建模：用数学结构描述问题)
- [2.5 求解：让模型给出答案](#2.5 求解：让模型给出答案)
- [2.6 验证：你的结果靠谱吗](#2.6 验证：你的结果靠谱吗)
- [2.7 论文：把思考过程写出来](#2.7 论文：把思考过程写出来)
- [2.8 AI 申明：近几年起的硬性要求](#2.8 AI 申明：近几年起的硬性要求)
三、流程的本质

个人主页 ：蒲公英eric

专栏传送门 ：《数学建模 × AI：从经典模型到智能方法》

学习方向：大数据 / 数学建模 / AI交叉领域

人生格言：建模没有终点，只有不断迭代的更优解

📌本文是专栏「数学建模 × AI：从经典模型到智能方法」的第 1 篇文章。

一、为什么要先讲流程

很多人学数学建模的第一反应是"我要学哪些模型"------线性规划、神经网络、遗传算法......但模型只是工具箱里的锤子，真正决定建模质量的，是你怎么把一个现实问题拆成可以用锤子敲的结构。

数学建模的核心不是"会用某个模型"，而是"面对一个开放问题，知道从哪里下手、每一步做什么、做完怎么检验"。这就是流程的价值。

一套标准的建模流程分为七步：

审题 ⟶ 假设 ⟶ 符号 ⟶ 模型 ⟶ 求解 ⟶ 验证 ⟶ 论文 \text{审题} \longrightarrow \text{假设} \longrightarrow \text{符号} \longrightarrow \text{模型} \longrightarrow \text{求解} \longrightarrow \text{验证} \longrightarrow \text{论文} 审题⟶假设⟶符号⟶模型⟶求解⟶验证⟶论文

注意验证到建模之间那条虚线------建模是个迭代过程，验证不过就回到前面改假设、换模型。

下面逐步拆解，每一步都讲清楚"做什么、怎么做、常见坑"。

二、七步流程详解

2.1 审题：把模糊问题变成明确问题

赛题往往很长，里面混杂着背景、数据、要求和干扰信息。审题的目标是提炼出三个东西：

要解决什么问题（通常不止一个，要拆成子问题）
有哪些已知条件和数据
有哪些隐含约束（比如"不能超过多少"、"必须满足什么"）

常见错误是一上来就套模型。正确做法是先把问题用自己的话重述一遍，确保你真的懂了题目在问什么。

审题还有一个容易被忽略的点：拆分子问题。一道赛题通常会问 3-4 个小问题，它们之间往往有依赖关系------比如第 2 问要用到第 1 问的结果。审题时就要理清子问题之间的逻辑链条，而不是做一个算一个。

2.2 假设：把现实简化成可处理的世界

现实太复杂，必须简化。假设就是"为了让问题可解，我先忽略哪些因素"。好的假设有两个标准：

合理：忽略的因素对结果影响不大，或者有文献/常识支撑
可追溯：每个假设都要写清楚"我做了什么假设、为什么这么假设"

假设不是越少越好，也不是越多越好，而是刚好让问题变得可解、又不失真。后面如果模型结果不好，第一个要回头检查的就是假设。

假设通常分三类：

简化性假设：把非线性的近似成线性的、把连续的近似成离散的
规范性假设：数据服从某种分布（如正态分布、泊松分布）
排除性假设：忽略某些次要因素（如忽略空气阻力、忽略迁移）

每一条假设都要在论文里写出来，因为假设决定了模型的适用边界------评委看到你的假设，就知道你的结果在什么范围内成立。

2.3 符号：给每个量起名字

把问题里涉及的量用数学符号表示，并列成符号说明表。这一步看似简单，但直接决定了后面推导是否清晰。符号约定的原则：

统一：全文同一个符号只能表示一个含义
简洁：优先用单字母加下标，避免冗长
标注单位：每个符号都要有单位（无量纲的要说明）

一个规范的符号说明表长这样（论文中用三线表格式）：

符号	含义	单位
$P(t)$	$t$ 时刻的人口数量	人
$r$	自然增长率	1/年
$K$	环境容量	人

对应的 LaTeX 三线表源码（论文排版时直接用）：

latex 复制代码

\begin{table}[H]
\centering
\caption{符号说明}
\begin{tabular}{ccc}
\toprule[1.5pt]
符号 & 含义 & 单位 \\
\midrule
$P(t)$ & $t$ 时刻的人口数量 & 人 \\
$r$    & 自然增长率         & 1/年 \\
$K$    & 环境容量           & 人 \\
\bottomrule[1.5pt]
\end{tabular}
\end{table}

三线表只有顶线、表头线、底线三条线，没有竖线，是学术论文的标准表格格式。

不要小看这一步------如果符号混乱，后面的推导会一团糟，评委也看不懂。建议养成"先列表、再推导"的习惯。

2.4 建模：用数学结构描述问题

这是核心一步。根据问题类型选择合适的数学结构：

要"评价好坏" → 评价类模型（AHP、TOPSIS、熵权法）
要"预测未来" → 预测类模型（回归、时间序列、灰色预测）
要"求最优解" → 优化类模型（线性规划、整数规划、启发式算法）
要"分类分组" → 分类聚类模型（判别分析、聚类分析）
要"模拟过程" → 仿真类模型（蒙特卡洛、元胞自动机）

建模的本质是用方程、不等式、图、概率分布等数学语言，把问题中的关系写出来。

建模时要注意一个判断标准：这个模型是否抓住了问题的主要矛盾？ 比如预测人口增长，核心矛盾是"资源有限导致增长减速"，那就要用带环境容量的 Logistic 模型，而不是纯指数的 Malthus 模型。模型不是越复杂越好，而是越贴合问题本质越好。

2.5 求解：让模型给出答案

模型建好后是一组数学表达式，需要求解才能得到具体结果。求解方式有三类：

解析解：直接推导公式，得到闭式解（如 Logistic 模型的解析解）。优点是精确、可解释，缺点是不是所有模型都能求出解析解
数值解 ：用计算机迭代求解（如 odeint、scipy.optimize）。优点是适用面广，缺点是需要初值、可能不收敛
仿真解：通过大量随机模拟逼近真实结果（如蒙特卡洛）。优点是能处理复杂随机性，缺点是计算量大、有误差

实际建模中，能用解析解的优先用，否则用数值解或仿真。求解后要做灵敏度分析------参数变一点，结果变多少？这决定了模型是否稳健。

求解还有一个常见坑：初值选择。数值优化方法对初值很敏感，差的初值会导致结果陷入局部最优。解决办法是多试几个初值，或者先用解析估算给一个合理初值。

2.6 验证：你的结果靠谱吗

建模不是"算出来就完事"。必须验证结果是否合理：

与常识/文献对比：人口预测结果不能比地球总人口还多
与历史数据回测：用模型预测已知的过去，看准不准
与其他模型对比：换个方法做，看结论是否一致
鲁棒性检验：扰动输入或参数，看结果是否稳定

验证不过，就要回到前面的步骤------改假设、换模型、调参数。建模是个迭代过程，不是一次性的。

验证失败时怎么排查？按这个顺序：

先检查数据有没有问题（读错了？清洗错了？）
再检查代码有没有 bug（公式写错了？循环越界了？）
然后检查假设合不合理
最后才考虑换模型

很多人一遇到结果不对就换模型，其实问题往往出在前面几步。

2.7 论文：把思考过程写出来

建模竞赛最终交的是论文，不是代码。论文要让评委看懂你怎么想的、为什么这么做、结果怎么样。本专栏统一使用以下标准结构：

复制代码

摘要 → 问题重述 → 模型假设 → 符号说明 → 问题分析 → 模型建立 → 模型算法 → 模型求解 → 模型评价 → AI声明 → 参考文献 → 附录

其中几个关键节的定位：

问题分析：在建模前独立成节，讲清问题拆解、要素抽取、为什么选这个模型
模型算法：单独说明求解该模型所用的算法，与"模型建立"的数学结构分开
模型评价：灵敏度分析、鲁棒性检验、优缺点、改进方向
AI声明：声明是否使用 AI 辅助、用在哪些环节，符合当前竞赛规范
附录：完整代码、补充数据、额外图表

下面单独讲一下 AI 申明------这是近几年起数模竞赛新增的硬性要求，必须重视。

2.8 AI 申明：近几年起的硬性要求

为什么要申明？ 从近几年开始，国赛、美赛、MathorCup 等主流竞赛都明确要求参赛者声明 AI 工具的使用情况。原因很直接：大模型（GPT、Claude、Codex、DeepSeek 等）已经能帮人做审题、写代码、润色论文，如果不声明，就无法区分哪些是选手原创、哪些是 AI 生成，竞赛的公平性和学术诚信就无从谈起。

申明写什么？ 一般要交代三件事：

用了哪些 AI 工具（如 GPT-4o、Claude 3.5等，注明版本）
用在哪些环节（审题思路、代码生成、数据清洗、论文润色、图表制作等）
哪些环节是独立完成的（核心建模思路、最终决策、论文主体写作等）

各竞赛要求差异。 目前不同比赛的松紧程度不一样：

有些比赛要求在论文里专门设一节"AI 申明"，详细列出使用情况
有些比赛只要求在摘要或结尾附一句话声明
有些比赛禁止使用 AI 工具（或限制在特定环节）

所以赛前一定要仔细阅读当年的竞赛规则，按要求申明，不要想当然。

合理使用 AI 的边界。 AI 申明不是说"不能用 AI"，而是说"用了要老实说"。合理的使用方式：

✅ 让 AI 帮你查资料、解释概念、生成代码框架
✅ 让 AI 帮你润色语言、检查公式排版
✅ 让 AI 帮你做数据清洗的重复性工作
❌ 让 AI 直接帮你决定用什么模型、得出什么结论
❌ 把 AI 生成的大段文字不做修改地放进论文
❌ 用 AI 生成整篇论文后不声明

以国赛要求的申明模板示例。 可以直接套用：

复制代码

## AI工具使用声明

本参赛队在竞赛过程中使用了 AI 工具，主要用于：
背景查询与资料整理：文字描述
语言润色与表述优化：对摘要、问题分析、模型建立等部分的非数学性文字进行语法检查和学术表达润色，不涉及核心逻辑与数学推导的改写；
其他方面自己加：文字描述
详细使用情况见支撑材料。

记住：AI 是工具，不是替代品。用 AI 提高效率没问题，但思路和判断必须是你自己的，而且要如实声明。

写论文的黄金法则：让一个没做过这道题的人，能照着你的论文复现出结果。图表要自明（有标题、有坐标轴、有图例），公式要编号，推导不跳步。

三、流程的本质

回头看这七步，你会发现它不只是数模竞赛的流程，而是所有"用数学方法解决现实问题"的通用流程------数据分析、机器学习、运筹优化，甚至科研，都是这套骨架的变体：

数模流程	机器学习对应
审题	问题定义
假设	数据分布假设
符号	特征工程
建模	选择模型
求解	训练 + 优化
验证	测试集评估 + 消融实验
论文	实验报告

这就是本专栏的底层信念：传统建模和 AI 方法不是两套东西，而是同一条河的上下游。后面讲具体模型时，我们会反复看到这种对应关系。

📌 本文是专栏「数学建模 × AI：从经典模型到智能方法」的第 1 篇文章。

下一篇预告 ：将进入近年数学建模出题趋势：数模在往哪走
👉 点击订阅专栏，第一时间收到更新通知！

如果你在阅读过程中有任何疑问，欢迎在评论区留言交流。😊