距离比赛还有30天很多准备参加国赛的同学都会陷入一种矛盾状态既觉得时间还够又感觉什么都没准备好既想系统复习又不知道从哪里下手。网上的经验帖大多零散要么只讲算法要么只讲论文很少有人把整个备赛周期拆开讲清楚“每一天该干什么、为什么要这么安排”。这篇文章就是来解决这个问题的。我把30天的备赛周期拆成四个阶段按周分配任务结合团队分工、工具搭建、算法储备、论文写作和模拟训练整理成一套可以直接照着执行的备赛方案。无论你是第一次参赛的新手还是已经有过一次经验想冲更高奖项的团队这篇文章都能帮你把最后一个月的时间用到刀刃上。1. 备赛前必须想清楚的三件事1.1 国赛到底在比什么很多队伍备赛失败不是因为能力不够而是从一开始就理解错了比赛的性质。以常见的数学建模类国赛为例比赛表面上看是“三天内解决一个问题”但本质上比的是三件事问题分析能力能不能把一个模糊的现实问题抽象成可以用数学语言描述的问题。建模与求解能力能不能选择合适的模型并用编程工具求出可用的结果。表达与呈现能力能不能把建模过程和结果写清楚让评委在十几分钟内看懂你的思路。这三点对应到团队里就是建模手、编程手、写作手三个角色。很多队伍到比赛前一周才意识到论文写作不是“最后把代码结果贴上去”那么简单而是要从第一天就开始同步推进的工程。另外要注意不同赛事的侧重点不一样。有的偏算法设计有的偏数据分析有的偏工程实现。备赛的第一步是确认你参加的赛事具体考核哪些能力然后对照下面的时间规划做微调。1.2 组队的三种常见模型30天备赛团队成员之间的配合效率比单个人的技术水平更重要。常见的组队模型有三种模型分工方式适用情况标准模型建模手 编程手 写作手三人各有所长配合稳定编程主导模型两人主攻编程一人兼顾建模与写作队伍编程能力较强适合算法类赛题建模主导模型两人主攻建模与推导一人负责代码实现赛题偏理论推导时更有优势无论哪种模型有一个原则是通用的每一位队员都要能看懂论文框架每一位队员都要会运行基础代码。不要出现写作手完全不懂模型、编程手完全不管论文的情况否则第三天联调时你会发现三个人的产出根本无法拼在一起。1.3 明确目标你是冲奖还是冲击国奖30天能做的事情是有限的。建议在备赛第一天就和队友达成共识目标是“提交一份完整作品”那就以稳为主选择熟悉的模型确保论文结构完整、代码能跑通。目标是冲击省级奖项需要在模型的合理性和论文的规范性上下功夫至少完成两次全真模拟。目标是冲击国奖除了完整和规范还要在问题分析深度、模型创新性、结果可视化三个维度上超出平均水平。目标不同后面30天的训练侧重点完全不同。这篇文章以“冲击省级以上奖项”为默认目标如果你只是希望完赛可以把训练量适当缩减但流程建议保持一致。2. 30天备赛时间规划总览我把30天拆成四个阶段每个阶段7天左右最后留出2天缓冲。这里先给一张总览表后面每一章再展开讲具体怎么执行。阶段时间核心任务产出物第一阶段第1—7天打基础工具链搭建 常见模型复习可运行的代码模板库第二阶段第8—14天专项突破按题型刷题 论文结构拆解不同题型的解题框架第三阶段第15—23天全真模拟完成两套真题模拟赛两份完整的模拟论文第四阶段第24—30天复盘冲刺总结模板 查漏补缺队伍专属的备赛手册下面逐个阶段展开。3. 第一阶段第1—7天工具链搭建与基础模型复习3.1 环境准备Python 为主MATLAB 按需无论你参加的是哪个方向的国赛Python 都是目前备赛效率最高的语言。建议在一开始就统一团队的 Python 环境避免比赛时出现“我这能跑你怎么报错”的问题。推荐使用 Anaconda 管理环境。打开终端或 Anaconda Prompt执行# 创建国赛专用虚拟环境 conda create -n guosai python3.10 -y # 激活环境 conda activate guosai # 安装常用库 pip install numpy pandas matplotlib scipy scikit-learn statsmodels pip install openpyxl xlrd # 用于读写 Excel pip install jieba wordcloud # 文本处理与词云按需安装 pip install seaborn # 更美观的可视化版本说明Python 3.10 是目前兼容性比较稳定的版本如果你用的是 3.11 或 3.12问题也不大。重点不是版本号而是团队三个人必须用同一套环境比赛前就把它固定下来。如果你的赛题方向需要 MATLAB建议只把它作为辅助工具使用主流程仍然放在 Python 上。原因是 MATLAB 的绘图虽然好看但团队协作、代码复用和中文支持的便利性都不如 Python。3.2 团队共享代码模板库第一周最重要的事情不是刷题而是建一个团队共享的代码模板库。这个库会在比赛时直接决定你们的推进速度。建议使用 GitHub 或 Gitee 建立私有仓库目录结构如下guosai-template/ │ ├── data/ # 存放样例数据 ├── codes/ │ ├── data_preprocess/ # 数据预处理模块 │ │ ├── load_data.py # 读取各种格式的数据 │ │ ├── clean_data.py # 缺失值、异常值处理 │ │ └── feature_engineer.py # 特征构造 │ ├── models/ # 常用模型 │ │ ├── regression.py # 回归类模型 │ │ ├── classification.py # 分类类模型 │ │ ├── time_series.py # 时间序列模型 │ │ └── optimization.py # 优化求解 │ └── visualization/ # 可视化 │ └── plot_styles.py # 统一绘图风格 ├── paper/ # 论文模板 │ ├── paper_template.md # Markdown 版论文骨架 │ ├── figures/ # 图片存放目录 │ └── references.bib # 参考文献 └── README.md # 团队约定说明不要觉得这个结构太复杂。比赛只有三天如果第一天上午还在找“上次写的归一化代码在哪”你就已经落后了。3.3 基础模型复习按题型分类第一周的模型复习不要按算法去背而要按照赛题类型去梳理。国赛的题目一般可以粗分为四类题型常用方法最低掌握要求预测类线性回归、ARIMA、Prophet、LSTM能处理时间序列数据会做交叉验证评价类层次分析法、熵权法、TOPSIS能解释权重来源会做灵敏度分析优化类线性规划、整数规划、遗传算法能用 scipy.optimize 或 OR-Tools 求解分类/聚类类逻辑回归、随机森林、KMeans会做特征筛选和结果可视化这里给出一个最小可运行的预测类模板作为第一周代码库的起点。下面这段代码以“读取历史数据 → 训练线性回归 → 输出预测结果”为主线# 文件路径codes/models/regression.py import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score def load_and_split(data_path, target_col, test_size0.2): 读取数据并按比例划分训练集和测试集 df pd.read_csv(data_path) X df.drop(columns[target_col]) y df[target_col] X_train, X_test, y_train, y_test train_test_split( X, y, test_sizetest_size, random_state42 ) return X_train, X_test, y_train, y_test, df def train_linear_model(X_train, y_train): 训练线性回归模型 model LinearRegression() model.fit(X_train, y_train) return model def evaluate_model(model, X_test, y_test): 评估模型效果 y_pred model.predict(X_test) rmse np.sqrt(mean_squared_error(y_test, y_pred)) r2 r2_score(y_test, y_pred) print(fRMSE: {rmse:.4f}) print(fR2 Score: {r2:.4f}) return y_pred if __name__ __main__: # 这里替换为你自己的数据文件路径 X_train, X_test, y_train, y_test, df load_and_split( data/sample_data.csv, target_coly ) model train_linear_model(X_train, y_train) y_pred evaluate_model(model, X_test, y_test)这段代码虽然简单但它构建了一个清晰的函数式结构数据读取、训练、评估三个步骤互相独立比赛时可以快速替换数据文件不需要每次重写流程。3.4 第一周结束时的自检清单第一周结束时你的团队应该达到以下状态[ ] 三人都能用同一个 Python 环境运行代码[ ] 代码模板库已建好并能正常运行示例程序[ ] 四类题型各准备了至少一个可运行的模型模板[ ] 每人至少阅读过 1—2 篇优秀获奖论文的摘要和问题分析部分[ ] 团队确定了论文写作工具推荐 Overleaf 或 Word关键是统一如果某项没有完成建议优先补齐工具链部分因为那会影响后面所有阶段的效率。4. 第二阶段第8—14天专项突破与论文结构拆解4.1 按近三年真题做题型专项训练第二周开始要把重心从“学工具”转移到“练真题”。建议每个团队准备近三年的真题按照第一周划分的题型逐类突破。具体做法每天只练一种题型上午分析题目、下午写代码求解、晚上讨论。每道题不求完整写完论文但必须产出“问题分析 → 模型选择 → 求解过程 → 结果分析”的思维链。每完成一道题把关键思路记录到团队共享文档中形成自己的题库笔记。这里说的“完成一道题”并不是指把整篇论文写出来而是指让你的团队看到题目后能在 30 分钟内判断出题目的类型、可选模型、数据预处理思路和可能的坑点。这种“条件反射式”的判断力只能通过真题训练获得。4.2 论文结构拆解评委最在意什么国赛论文的评分通常看重以下几个方面摘要这是全文最重要的部分很多评委先看摘要再看正文。问题分析你如何把实际问题转化成数学问题。模型假设假设是否合理是否说明局限性。模型建立与求解模型是否贴切求解过程是否清晰。结果分析与检验是否有误差分析、灵敏度分析。模型的评价与改进是否客观说明模型的优缺点。第二周建议花 2 个晚上专门拆解 3 篇优秀论文的结构。具体方法是把每篇论文的章节标题抄下来对照着写“这一段在回答什么问题”。你会发现优秀的论文有一条非常清晰的“叙事线”而大多数普通论文的问题是“想到哪写到哪”。4.3 建立论文写作骨架在正式写第一篇模拟论文之前建议先建立团队论文写作骨架。下面是一个通用模板直接复制到 Markdown 或 Word 中即可使用# 标题 ## 摘要 - 第一句本文研究了什么问题 - 第二句采用了什么模型/方法 - 第三句求解得到的关键结果 - 第四句模型经过检验具有较好的可靠性和推广性 **关键词**关键词1关键词2关键词3 ## 1. 问题重述 ### 1.1 问题背景 ### 1.2 问题要求 ## 2. 问题分析 ### 2.1 问题一的分析 ### 2.2 问题二的分析 ### 2.3 问题三的分析 ## 3. 模型假设 - 假设1 - 假设2 ## 4. 符号说明 | 符号 | 含义 | 单位 | ## 5. 模型的建立与求解 ### 5.1 问题一模型的建立 ### 5.2 问题一模型的求解 ### 5.3 问题一的结果分析 ## 6. 模型的检验与灵敏度分析 ## 7. 模型的评价与改进 ### 7.1 模型优点 ### 7.2 模型缺点 ### 7.3 改进方向 ## 8. 参考文献请注意这个骨架不是让你把内容填进去就完事而是要结合你的赛题调整章节。比如纯算法题可能不需要符号说明数据分析题则可能需要增加“数据来源与预处理”章节。骨架的作用是保证论文的逻辑完整性不是限制你的表达方式。4.4 第二周结束时的自检清单[ ] 近三年真题已经按照四类题型各练了至少1—2道[ ] 团队能在30分钟内判断一道题的类型并给出建模思路[ ] 论文写作骨架已经统一并开始积累常用句式和图表模板[ ] 数据可视化风格已经统一下文第6章会详细讲5. 第三阶段第15—23天全真模拟与赛后复盘5.1 全真模拟赛怎么组织第三阶段的核心任务是模拟赛。建议安排两轮全真模拟分别在 第16—18天 和 第20—22天中间留一天休整。全真模拟的规则找一套从未做过的真题严格按照比赛时间通常是72小时完成。三人必须在同一场地或同一线上会议室全程保持沟通。不能参考现成论文只能查官方文档和基础资料。时间安排严格模拟真实比赛第一天上午定题、下午建模型第二天全天写代码第三天白天写作、晚上排版提交。这里需要特别强调的是模拟赛最重要的不是论文多完美而是暴露团队的流程问题。比如三个人花了两小时争论选哪道题导致第一天进度延误。编程手等到第二天才开始写代码发现数据预处理比想象中复杂。写作手在最后一天才开始写摘要导致摘要质量严重下滑。这些问题如果在模拟赛中出现是好事。因为在真实的比赛中发现这些问题时已经来不及调整了。5.2 模拟赛的时间分配建议根据多数获奖队伍的经验三天的合理时间分配大致如下时间段主要任务注意事项第一天上午阅读全部题目确定选题每位队员独立阅读然后讨论不要盲从第一印象第一天下午确定问题分析框架建立初步模型同步开始写“问题分析”章节第二天编程求解重复验证每得到一组结果立刻截图并记录参数第三天上午完成所有求解补齐结果写作手开始整合论文第三天下午主攻摘要、结论、摘要图表最终检查格式、参考文献、附录注意一个细节写作不是从第三天开始的而是从第一天的“问题分析”章节就开始的。建模手在推导公式时写作手就应该同步把文字版本写出来。否则等到第三天你会发现论文里的公式和数据对不上。5.3 如何做好模拟赛复盘每一轮模拟赛结束后留出半天时间做复盘。复盘不要只讨论“哪里没做好”还要形成可执行的改进清单。建议复盘时回答这几个问题选题时花了多久是否浪费了时间哪个环节耗时最长瓶颈在哪三人之间的信息同步是否顺畅有没有出现重复劳动论文的哪一部分花了最多时间是否可以在赛前提前准备模板代码运行过程中有没有遇到环境问题如何避免比赛时再次出现复盘后把改进清单落实到第三周剩余的补强时间里。比如复盘发现“写作手在数据可视化上花了很多时间”那就安排半天专门整理可视化模板。5.4 第三阶段结束时的自检清单[ ] 完成至少两轮全真模拟赛并产出了完整的模拟论文[ ] 每轮模拟赛后进行了书面复盘形成了改进清单[ ] 常见的数据可视化和图表模板已整理好[ ] 团队对选题流程和分工已经有了默契6. 第四阶段第24—30天复盘冲刺与赛前准备6.1 整理团队的“备赛手册”最后一周的第一项工作是把前三周的所有积累整理成一份团队专属备赛手册。这份手册的内容应该包括四类题型的建模思路速查表常用代码模板的调用方式说明论文写作的常见句式和段落结构团队分工和协作流程的最终版比赛中容易踩的坑来自模拟赛复盘备赛手册的核心价值是在比赛第一天的高度紧张状态下让团队能够快速进入状态而不是靠回忆去决策。6.2 熟悉比赛流程与格式要求最后一周还要做一件事熟悉比赛平台的操作流程和格式要求。具体包括报名信息是否确认无误比赛期间论文和代码的提交方式是什么截止时间是几点对论文格式是否有硬性要求比如页数限制、字号、参考文献格式是否需要提交支撑材料如代码、数据文件这些细节看起来琐碎但每年都有队伍因为提交格式问题被扣分甚至取消成绩。不要在这个环节上栽跟头。6.3 最后一轮查漏补缺最后一周不需要再做大量新题了。重点应该是查漏补缺如果模拟赛暴露出某项模型不熟练针对性做1—2道小题。如果论文写作速度偏慢找一个旧题重新写一篇完整的论文。如果数据可视化效果不佳集中整理5—10个通用的绘图模板。6.4 赛前的心理与物资准备最后一条建议是不要通宵突击。比赛前一天的休息质量直接影响三天的发挥。建议做好以下准备准备好身份证、学生证等比赛需要证件。提前确认比赛场地的网络、电源、桌椅情况。准备好充电器、备用电池、U盘备份数据。三人约定好轮换休息时间不建议三人同时熬夜。7. 实战工具箱每个团队都该有的代码与模板7.1 数据处理必会代码比赛中遇到最多的场景之一是数据清洗。这里给出一个实用的数据处理模板你可以直接放入代码库中需要时调用# 文件路径codes/data_preprocess/clean_data.py import pandas as pd import numpy as np def explore_data(df): 快速了解数据基本情况 print(数据形状:, df.shape) print(\n字段信息:) print(df.dtypes) print(\n缺失值统计:) print(df.isnull().sum()) print(\n描述性统计:) print(df.describe()) def handle_missing_values(df, strategydrop): 处理缺失值 strategy: drop-删除缺失行, mean-用均值填充, median-用中位数填充, zero-用0填充 if strategy drop: return df.dropna() elif strategy mean: return df.fillna(df.mean()) elif strategy median: return df.fillna(df.median()) elif strategy zero: return df.fillna(0) else: raise ValueError(不支持的缺失值处理策略) def remove_outliers(df, column, methodiqr): 去除异常值 if method iqr: Q1 df[column].quantile(0.25) Q3 df[column].quantile(0.75) IQR Q3 - Q1 lower Q1 - 1.5 * IQR upper Q3 1.5 * IQR return df[(df[column] lower) (df[column] upper)] return df if __name__ __main__: # 使用示例 df pd.read_csv(data/sample_data.csv) explore_data(df) df_clean handle_missing_values(df, strategymean) df_clean remove_outliers(df_clean, columny, methodiqr) print(\n清洗后数据形状:, df_clean.shape)这段代码只是最基础的版本。在比赛时你还需要根据具体数据的特点做调整比如处理时间格式、编码转换、文本清洗等。把这些基础工具提前准备好比赛时就能把更多精力留给模型和分析。7.2 万能可视化模板论文的图表质量直接影响评委的印象分。下面是一段统一风格的绘图模板可以作为团队默认的绘图风格# 文件路径codes/visualization/plot_styles.py import matplotlib.pyplot as plt import matplotlib import numpy as np # 解决中文显示问题 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False # 统一风格 plt.style.use(seaborn-v0_8-whitegrid) plt.rcParams[figure.figsize] (10, 6) plt.rcParams[font.size] 12 plt.rcParams[lines.linewidth] 2 plt.rcParams[axes.titlesize] 14 plt.rcParams[axes.labelsize] 12 def save_figure(fig, filename, dpi300): 保存图片到论文图片目录 fig.savefig(fpaper/figures/{filename}, dpidpi, bbox_inchestight) print(f图片已保存: paper/figures/{filename})比赛时尽量把所有的图都用统一风格输出避免出现同一篇论文中字体大小不一致、颜色风格混乱的情况。7.3 常用模型速查表赛题特征推荐模型备选模型主要工具连续值预测多元线性回归随机森林、XGBoostscikit-learn时间序列预测ARIMAProphet、LSTMstatsmodels, prophet分类问题逻辑回归决策树、SVMscikit-learn聚类问题KMeansDBSCAN、层次聚类scikit-learn多指标评价熵权TOPSISAHP、灰色关联手写实现优化调度线性规划遗传算法、模拟退火scipy.optimize路径规划DijkstraA*、蚁群算法networkx这个表不是让你在比赛中“对照着选模型”而是提醒你提前把每个模型的最小可运行代码准备好。当你看完题目后应该能够快速判断出主模型和备选模型然后直接调用模板代码进行修改。8. 常见问题与避坑指南8.1 时间规划类问题问题现象常见原因解决思路前期准备很少最后一周突击没有阶段性目标按本文四阶段规划执行每周设定可检查的产出物选题讨论时间过长三人意见不一致且缺乏决策机制提前约定每人读题30分钟然后每人给出选题排序综合讨论最多45分钟第一天进度偏慢建模手和编程手没有同步启动建模手开始推导时编程手同步整理数据写作手开始搭建论文框架8.2 技术协作类问题问题现象常见原因解决思路代码在某人电脑上运行正常其他人运行报错Python环境不一致统一使用 conda 环境导出 environment.yml 给所有队员数据文件路径冲突不同人使用不同操作系统使用相对路径并约定代码库根目录就是项目根目录论文配图不统一没有统一绘图风格使用统一的 matplotlib 配置保存为模板文件多人同时编辑同一份Word文档协作方式不当推荐使用 Overleaf 进行 LaTeX 写作或使用语雀/飞书文档分工写作后合并8.3 比赛当天的高频坑点比赛当天最容易出的问题往往不是技术问题而是流程问题。这里列几个每届都会有人踩的坑比赛最后一天晚上才想起要提交支撑材料结果来不及整理。论文里的图片分辨率太低打印出来模糊不清。代码文件命名混乱最后不清楚哪份是最终的求解代码。三个人各存一份数据到提交时不知道哪份是最终版本。建议在比赛第一天开始前就建好一个比赛专用目录目录结构明确区分“原始数据”“处理后的数据”“最终代码”“论文”“支撑材料”。每次存文件时按规则命名比如01_数据预处理.py、02_模型求解.py、论文_最终版.docx。看起来是个小习惯但在三天的高强度工作下这个习惯能省下大量找文件的时间。9. 最佳实践与备赛建议9.1 从获奖论文中提炼“评委视角”备赛期间建议每位队员至少精读5篇优秀论文。精读不是从头看到尾而是带着问题去拆解这篇论文的摘要为什么能在150字内讲清楚整个建模思路它的问题分析部分是如何衔接背景和模型的它的模型假设写了哪些为什么写这几条它的结果分析用了哪些图表这些图表分别回答了什么问题每次拆解完把你认为值得借鉴的表达方式记录到团队的论文模板中。一周下来你会发现自己写论文的逻辑性和规范性会有明显提升。9.2 数据可视化是性价比最高的提升方向很多队伍在模型上投入了大量时间却在可视化上敷衍了事。实际上评委阅读论文的时间有限一份图表清晰、注释完整的论文比一份模型复杂但图表混乱的论文更容易获得高分。比赛中常见的可视化需求包括数据分布图直方图、箱线图、密度图趋势变化图折线图、面积图相关性分析热力图空间分布散点图、地图按需模型对比柱状图、误差棒图建议每支队伍提前准备好 10 个以上的绘图模板并把它们分类整理好。比赛时只需要修改数据和标签就能快速生成符合论文要求的图表。9.3 团队协作信息透明比个人能力更重要最后一条建议是关于团队协作的。比赛期间三个人一定要保持信息透明。具体来说每天上午和下午各开一次15分钟的站立会议讨论当前进度、遇到的问题、接下来的安排。同一份数据表如果有多人修改必须使用版本管理工具如 Git或者至少保证同一时间只有一个人在修改。建模手得出的每个重要结果都要以文字形式同步给写作手不要等最后口头转述。很多队伍失败不是因为某个人的能力不足而是因为沟通断层。建模手算完结果后没有及时告诉写作手写作手只能空等编程手发现数据有问题后没有及时反馈建模手基于错误数据推导了半天。这些情况在高度紧张的三天里很容易出现提前约定沟通机制是性价比最高的预防手段。备赛30天说长不长说短不短。真正拉开差距的不是你最后三天能熬多少个通宵而是前27天是否把工具、模板、流程和团队默契都准备到位。按照本文的规划执行下来你的团队会在比赛前明确知道选什么题、用什么模型、怎么分工、论文怎么推进、提交什么材料。到了比赛时你只需要把准备好的能力正常发挥出来。如果这篇文章对你的备赛有帮助可以收藏备用也欢迎分享给你正在备赛的队友。祝你比赛顺利拿到理想的成绩。