数学建模代码实战：从数据处理到模型求解的完整指南

1. 项目概述：从“黑箱”到“利器”的代码实践

“数学建模代码”这六个字，对于很多初次接触数学建模的同学来说，可能意味着一个充满神秘感的“黑箱”——输入数据，运行一段看不懂的程序，然后得到一个结果。但在我十多年的建模与指导经历中，我越来越深刻地认识到，代码从来不是模型的附属品，而是将抽象思维转化为可执行、可验证、可优化解决方案的核心“利器”。它不仅仅是实现算法的工具，更是建模思想的具体化、逻辑严谨性的试金石，以及团队协作效率的倍增器。无论是参加“高教社杯”全国大学生数学建模竞赛（国赛）、美国大学生数学建模竞赛（美赛），还是在工业界解决一个实际的预测、优化或评估问题，一套清晰、健壮、高效的代码，往往是区分优秀作品与平庸作品的关键。

这篇文章，我想抛开那些华而不实的理论堆砌，直接切入一个建模者从拿到赛题到提交论文的全周期，来拆解代码在其中扮演的角色、需要掌握的核心技能、以及那些只有踩过坑才能领悟的实战经验。我们将围绕数据处理、模型实现、求解计算、结果分析与可视化这四个核心环节展开，目标是让你手中的代码，从“勉强跑通”进化成“值得信赖的伙伴”。无论你是编程新手，还是有一定基础但总在调试中挣扎的建模者，相信这些从一线实战中总结出的思路与技巧，都能为你提供直接的帮助。

2. 数学建模代码的整体设计哲学与工具箱选择

在动手写第一行代码之前，确立正确的设计哲学和选择合适的工具，比盲目开始编码重要得多。这决定了后续工作的效率、代码的可维护性，乃至最终结果的可靠性。

2.1 核心设计原则：可复现性优先

数学建模竞赛或项目评审，一个基本要求是结果的可复现性。评委或同事拿到你的代码和数据，应该能一键复现出论文中的所有图表和结果。因此，代码设计的首要原则不是追求极致的运行速度或最炫技的写法，而是极致的清晰和可复现。

这意味着：

1. 脚本化与模块化：避免在交互式环境（如MATLAB命令行或Jupyter Notebook的单个Cell）中做不可追溯的操作。所有步骤都应封装在脚本（.m, .py文件）或函数中。将数据清洗、特征工程、模型训练、结果输出等不同环节写成独立的模块或函数，通过一个主脚本按顺序调用。
2. 路径与依赖管理：使用相对路径而非绝对路径。在代码开头，用os.chdir()(Python) 或cd(MATLAB) 将工作目录切换到项目根目录，之后所有文件引用都基于此。对于Python，强烈建议使用虚拟环境（如conda或venv）并通过requirements.txt文件记录所有包及其版本。对于MATLAB，确保使用了特定版本的工具箱。
3. 随机种子固定：机器学习、蒙特卡洛模拟等涉及随机性的环节，必须在代码开头固定随机种子（如Python的np.random.seed(42)，MATLAB的rng(42)）。这是保证结果可复现的生命线。

注意：我曾见过队伍因为没固定随机种子，在最后一天重新运行代码生成图表时，发现结果与论文中前一天“跑出来”的漂亮数据截然不同，导致连夜修改论文的惨剧。务必在一切开始之前，就种下这颗“确定性”的种子。

2.2 工具链选型：MATLAB vs. Python (R/Julia)

工具选择没有绝对优劣，只有是否适合当前任务和团队技能树。

MATLAB：

• 优势：在数学建模领域积淀极深，官方工具箱（优化、统计、曲线拟合、符号计算）质量高、接口统一、文档详尽。特别擅长矩阵运算、控制系统、信号处理及各类经典优化问题的快速原型开发。其绘图功能强大且美观，默认出图风格就符合学术出版要求。
• 劣势：商业软件，版权是门槛。在处理非结构化数据、网络爬虫、复杂字符串操作或需要集成现代深度学习框架时，不如Python灵活。社区资源虽多，但相较于Python的生态规模仍有差距。
• 适用场景：国赛传统强项（物理过程模拟、微分方程建模、经典优化）、团队编程基础较弱但数学功底强、追求在短时间内实现稳定可靠的数值计算与可视化。

Python：

• 优势：开源免费，生态庞大到无所不包。NumPy/SciPy对应MATLAB的核心计算功能，pandas是数据处理的神器，scikit-learn提供了统一的机器学习接口，Matplotlib/Seaborn/Plotly满足从基础到交互的所有可视化需求。对于文本分析、网络数据获取、复杂算法实现（如元启发式算法）有天然优势。
• 劣势：环境配置稍复杂，不同库的API风格需要时间适应。在涉及大规模矩阵运算或特定领域（如控制系统设计）时，可能需要更多调优才能达到MATLAB开箱即用的性能。
• 适用场景：美赛（数据来源多样）、涉及数据挖掘/机器学习、需要爬取网络数据、团队有一定编程经验、问题领域较新或跨学科。

个人建议：对于新手队伍，如果问题偏重传统数理方程和优化，MATLAB上手更快，能让你更专注于建模本身。对于有一定编程基础，或问题明确涉及数据科学、AI，Python是更面向未来的选择。R在统计分析领域有独特优势，Julia则在高性能科学计算方面崭露头角，可根据具体需求考量。

2.3 项目结构规范：搭建清晰的代码骨架

一个规范的项目结构是专业性的体现。建议的目录结构如下：

Your_Project/ ├── data/ # 存放所有原始数据和中间数据 │ ├── raw/ # 原始数据，只读不修改 │ └── processed/ # 清洗处理后的数据 ├── src/ # 源代码 │ ├── data_preprocessing.py │ ├── model_xxx.py # 具体模型实现 │ ├── utils.py # 工具函数 │ └── main.py # 主程序入口 ├── docs/ # 参考文献、题目等 ├── results/ # 程序运行结果 │ ├── figures/ # 生成的图表 │ └── tables/ # 生成的数据表格 ├── requirements.txt # Python依赖列表 └── README.md # 项目说明，包括如何运行代码

在main.py或主脚本中，清晰地按顺序注释每个步骤，形成“代码流水线”。

3. 核心环节一：数据处理的代码实战

“垃圾进，垃圾出”（Garbage in, garbage out）在建模中永不过时。数据处理代码的健壮性直接决定了模型的上限。

3.1 数据读取与异常值处理

读取数据：根据数据格式（Excel, CSV, TXT, 数据库）使用稳健的读取方式。Pandas的read_csv功能强大，务必善用encoding（如'utf-8','gbk'）、na_values参数处理编码和缺失值标记问题。

import pandas as pd # 示例：读取CSV，指定编码，将‘-999’和‘NULL’识别为缺失值 try: df = pd.read_csv('data/raw/survey.csv', encoding='gbk', na_values=['-999', 'NULL']) except UnicodeDecodeError: # 尝试另一种常见编码 df = pd.read_csv('data/raw/survey.csv', encoding='utf-8', na_values=['-999', 'NULL'])

异常值检测与处理：不能盲目删除。常用方法：

1. 统计方法：3σ原则（正态分布假设）、箱线图（IQR准则）。用代码可视化（Seaborn.boxplot）确认。
2. 业务逻辑判断：对于年龄为200岁、身高为3米的数据，直接根据常识修正或剔除。
3. 稳健处理：对于疑似异常值，可以考虑用中位数、前后值均值填充，或单独标记后使用鲁棒性更强的模型（如决策树）。

# 使用IQR方法识别数值列的异常值 Q1 = df['column'].quantile(0.25) Q3 = df['column'].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR # 标记异常值，而非直接删除，便于后续分析 df['is_outlier'] = (df['column'] < lower_bound) | (df['column'] > upper_bound)

3.2 缺失值处理的策略与代码实现

缺失值处理需要谨慎，不同策略可能导向不同结论。

• 删除：仅当缺失比例极小（如<5%）且随机缺失时使用df.dropna()。
• 填充：
  • 固定值：df.fillna(0)或df.fillna('Unknown')。
  • 统计值：df.fillna(df.mean())，df.fillna(df.median())（更稳健），df.fillna(df.mode().iloc[0])（众数，用于分类变量）。
  • 前后值：df.fillna(method='ffill')或'bfill'，适用于时间序列。
  • 插值法：df.interpolate()，适用于有序数据。
  • 模型预测：用其他特征建立模型（如KNN）预测缺失值，较复杂但更科学。

实操心得：对于时间序列数据，我通常会先尝试前后填充或线性插值。对于一般数据，分类变量用众数，数值变量用中位数填充是较为稳妥的起点。最关键的一步是，在论文中必须明确陈述你处理缺失值的方法及其理由，并最好做一个敏感性分析，对比不同填充方法对最终结果的影响，这能极大提升论文的说服力。

3.3 特征工程：从原始数据到模型输入

这是将领域知识注入模型的关键步骤，代码实现需要创造性和逻辑性。

• 连续变量分箱：将年龄分为“青年”、“中年”、“老年”。可使用pd.cut（等宽）或pd.qcut（等频）。
• 创建交互特征：例如，在电商预测中，“浏览量”和“收藏量”的乘积或比值可能比单独使用更有意义。df['view_fav_ratio'] = df['views'] / (df['favorites'] + 1e-5)。
• 多项式特征：用于线性模型捕捉非线性关系。from sklearn.preprocessing import PolynomialFeatures。
• 编码分类变量：有序分类用LabelEncoder，无序分类用OneHotEncoder（注意虚拟变量陷阱）。

代码示例：构建一个简单的特征工程管道

from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline # 定义数值型和分类型特征列 numeric_features = ['age', 'income', 'score'] categorical_features = ['education', 'city'] # 创建预处理管道 numeric_transformer = Pipeline(steps=[ ('imputer', SimpleImputer(strategy='median')), # 缺失值填充 ('scaler', StandardScaler()) # 标准化 ]) categorical_transformer = Pipeline(steps=[ ('imputer', SimpleImputer(strategy='constant', fill_value='missing')), ('onehot', OneHotEncoder(handle_unknown='ignore')) # 独热编码 ]) # 组合变换器 preprocessor = ColumnTransformer( transformers=[ ('num', numeric_transformer, numeric_features), ('cat', categorical_transformer, categorical_features) ]) # 这个preprocessor可以像模型一样被fit和transform，并轻松集成到更大的建模管道中。

4. 核心环节二：模型实现与求解的代码范式

模型代码的核心是准确无误地实现数学模型，并选择合适的求解器。

4.1 优化模型的代码实现（以线性规划为例）

无论是运输问题、资源分配还是投资组合，优化问题无处不在。以Python的PuLP（或ortools）和MATLAB的linprog为例。

Python + PuLP 示例：

from pulp import LpProblem, LpVariable, LpMinimize, LpStatus, value # 1. 定义问题 prob = LpProblem("Production_Planning", LpMinimize) # 2. 定义决策变量 (生产产品A和B的数量) x1 = LpVariable("Product_A", lowBound=0, cat='Integer') # 非负整数 x2 = LpVariable("Product_B", lowBound=0) # 非负连续 # 3. 定义目标函数：最小化成本 50*A + 80*B prob += 50*x1 + 80*x2, "Total_Cost" # 4. 添加约束 prob += 2*x1 + 4*x2 >= 100, "Material_Requirement" # 材料约束 prob += 3*x1 + 2*x2 <= 120, "Labor_Limit" # 工时约束 prob += x1 + x2 >= 30, "Min_Production" # 最低产量约束 # 5. 求解 prob.solve() # 6. 输出结果 print(f"状态: {LpStatus[prob.status]}") print(f"生产A: {value(x1)} 单位") print(f"生产B: {value(x2)} 单位") print(f"最小总成本: {value(prob.objective)} 元")

关键点：清晰注释每个约束的经济或物理意义，变量名使用有意义的英文，方便与论文中的数学模型对照检查。

MATLABlinprog示例：

% 目标函数系数向量 (最小化 c'*x) f = [50; 80]; % 不等式约束 A*x <= b 和 Aeq*x = beq A = [-2, -4; 3, 2]; % 注意：第一个约束是 >=，转化为 -Ax <= -b b = [-100; 120]; Aeq = []; % 无等式约束 beq = []; % 变量下界 lb = [0; 0]; % 求解 [x, fval, exitflag, output] = linprog(f, A, b, Aeq, beq, lb); % 输出 fprintf('最优解: x1 = %.2f, x2 = %.2f\n', x(1), x(2)); fprintf('最优目标值: %.2f\n', fval); if exitflag == 1 fprintf('求解成功。\n'); else fprintf('求解可能未达到最优。\n'); end

注意事项：MATLAB的linprog默认处理<=约束，对于>=约束需要两边乘以-1进行转换，这是初学者常犯的错误。务必在代码注释中写明原始约束和转换后的形式。

4.2 微分方程数值解的代码实现（以传染病SIR模型为例）

微分方程是描述动态系统的核心工具。以经典的SIR模型为例： [ \frac{dS}{dt} = -\beta SI, \quad \frac{dI}{dt} = \beta SI - \gamma I, \quad \frac{dR}{dt} = \gamma I ]

Python + SciPy 实现：

import numpy as np from scipy.integrate import solve_ivp import matplotlib.pyplot as plt def sir_model(t, y, beta, gamma): """定义SIR模型的微分方程组""" S, I, R = y dSdt = -beta * S * I dIdt = beta * S * I - gamma * I dRdt = gamma * I return [dSdt, dIdt, dRdt] # 参数设置 beta = 0.3 # 感染率 gamma = 0.1 # 恢复率 N = 1000 # 总人口 I0, R0 = 1, 0 S0 = N - I0 - R0 y0 = [S0, I0, R0] # 初始条件 # 时间跨度 t_span = [0, 160] t_eval = np.linspace(*t_span, 200) # 求解微分方程 sol = solve_ivp(sir_model, t_span, y0, args=(beta, gamma), t_eval=t_eval, method='RK45') # 可视化 plt.figure(figsize=(10,6)) plt.plot(sol.t, sol.y[0], label='易感者(S)') plt.plot(sol.t, sol.y[1], label='感染者(I)') plt.plot(sol.t, sol.y[2], label='康复者(R)') plt.xlabel('时间 (天)') plt.ylabel('人口数') plt.title('SIR传染病模型动态模拟 (beta=%.2f, gamma=%.2f)' % (beta, gamma)) plt.legend() plt.grid(True) plt.savefig('results/figures/sir_model.png', dpi=300, bbox_inches='tight') plt.show()

关键点：solve_ivp的args参数用于传递模型参数，method可以选择不同的数值解法（如RK45,Radau）。务必保存高分辨率图片用于论文插图。

4.3 元启发式算法应用（以模拟退火求解TSP为例）

当问题属于NP-Hard，难以用精确算法求解时，元启发式算法是实用选择。以模拟退火（SA）求解旅行商问题（TSP）为例，展示算法实现框架。

import numpy as np import random import math def total_distance(path, dist_matrix): """计算给定路径的总距离""" total = 0 for i in range(len(path)-1): total += dist_matrix[path[i], path[i+1]] total += dist_matrix[path[-1], path[0]] # 回到起点 return total def simulated_annealing_tsp(dist_matrix, initial_temp=1000, cooling_rate=0.995, min_temp=1e-3, max_iter=10000): """模拟退火算法求解TSP""" n_cities = dist_matrix.shape[0] # 1. 初始解 current_path = list(range(n_cities)) random.shuffle(current_path) current_cost = total_distance(current_path, dist_matrix) best_path, best_cost = current_path[:], current_cost T = initial_temp iteration = 0 while T > min_temp and iteration < max_iter: # 2. 生成新解：随机交换两个城市的位置 new_path = current_path[:] i, j = random.sample(range(n_cities), 2) new_path[i], new_path[j] = new_path[j], new_path[i] new_cost = total_distance(new_path, dist_matrix) # 3. 计算成本差 delta_cost = new_cost - current_cost # 4. 接受准则：如果更优则接受；如果更差，以一定概率接受 if delta_cost < 0 or random.random() < math.exp(-delta_cost / T): current_path, current_cost = new_path, new_cost if current_cost < best_cost: best_path, best_cost = current_path[:], current_cost # 5. 降温 T *= cooling_rate iteration += 1 return best_path, best_cost # 生成随机距离矩阵（示例） n = 20 np.random.seed(42) coords = np.random.rand(n, 2) * 100 # 计算欧氏距离矩阵 dist_matrix = np.zeros((n, n)) for i in range(n): for j in range(n): dist_matrix[i, j] = np.linalg.norm(coords[i] - coords[j]) # 运行算法 best_path, best_cost = simulated_annealing_tsp(dist_matrix) print(f"最优路径长度: {best_cost:.2f}") print(f"最优路径顺序: {best_path}")

实操心得：元启发式算法的性能高度依赖于参数（初始温度、冷却率、扰动方式）。在论文中，必须报告参数设置，并最好进行简单的参数敏感性分析，例如绘制不同初始温度下最优解收敛的曲线图，以证明你选择的参数是合理的，而非随意设置。

5. 核心环节三：结果分析与可视化的代码呈现

模型跑出结果只是第一步，如何分析和展示结果，是连接代码与论文的桥梁。

5.1 模型评估与验证代码

回归问题：计算MSE, RMSE, MAE, R²。

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score y_true = [3, -0.5, 2, 7] y_pred = [2.5, 0.0, 2, 8] mse = mean_squared_error(y_true, y_pred) rmse = np.sqrt(mse) mae = mean_absolute_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) print(f"MSE: {mse:.4f}, RMSE: {rmse:.4f}, MAE: {mae:.4f}, R²: {r2:.4f}")

分类问题：计算准确率、精确率、召回率、F1-score，绘制混淆矩阵和ROC曲线。

from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc import seaborn as sns # 假设已有 y_true, y_pred, y_pred_proba (预测概率) print(classification_report(y_true, y_pred)) # 混淆矩阵热图 cm = confusion_matrix(y_true, y_pred) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues') plt.xlabel('Predicted') plt.ylabel('True') plt.savefig('results/figures/confusion_matrix.png', dpi=300) # ROC曲线 fpr, tpr, _ = roc_curve(y_true, y_pred_proba[:, 1]) # 假设是二分类，取正类概率 roc_auc = auc(fpr, tpr) plt.figure() plt.plot(fpr, tpr, label=f'ROC curve (area = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], 'k--') # 对角线 plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic') plt.legend(loc="lower right") plt.savefig('results/figures/roc_curve.png', dpi=300)

5.2 专业级可视化代码技巧

图表是论文的“门面”，好的图表能瞬间提升作品档次。

原则：清晰、准确、美观、信息量大。

1. 使用合适的图表类型：趋势用折线图，分布用直方图/箱线图，关系用散点图，构成用饼图/堆叠柱状图，比较用柱状图。
2. 统一风格：使用plt.style.use('seaborn-v0_8-whitegrid')等设置全局风格。统一配色，如使用Set2、tab20c等色盲友好配色。
3. 完善图表元素：务必添加标题、坐标轴标签（带单位）、图例。调整字体大小plt.rcParams.update({'font.size': 12})。
4. 保存高质量图片：plt.savefig('figure.png', dpi=300, bbox_inches='tight')。dpi保证印刷清晰，bbox_inches='tight'去除多余白边。

高级示例：带置信区间的预测曲线图

import matplotlib.pyplot as plt import numpy as np # 模拟数据：时间序列及其预测区间 time = np.arange(0, 100) pred_mean = np.sin(time * 0.1) * 10 + 50 # 预测均值 pred_std = np.linspace(1, 3, len(time)) # 预测标准差（逐渐增大） upper_bound = pred_mean + 1.96 * pred_std # 95%置信区间上界 lower_bound = pred_mean - 1.96 * pred_std # 95%置信区间下界 plt.figure(figsize=(12, 6)) # 绘制置信区间填充 plt.fill_between(time, lower_bound, upper_bound, color='skyblue', alpha=0.4, label='95% Confidence Interval') # 绘制预测均值线 plt.plot(time, pred_mean, color='steelblue', linewidth=2.5, label='Predicted Mean') # 可以叠加真实数据点（如有） # plt.scatter(time_obs, true_obs, color='crimson', s=20, zorder=5, label='Observed Data') plt.xlabel('Time (Day)', fontsize=14) plt.ylabel('Value (Unit)', fontsize=14) plt.title('Model Prediction with Confidence Intervals', fontsize=16, pad=20) plt.legend(fontsize=12, loc='upper right') plt.grid(True, linestyle='--', alpha=0.6) plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域 plt.savefig('results/figures/prediction_with_CI.png', dpi=300) plt.show()

这样的图表能清晰地展示预测的不确定性，在论文中非常具有说服力。

6. 常见问题、调试技巧与版本管理实战

即使思路清晰，编码过程也绝不会一帆风顺。以下是高频问题及应对策略。

6.1 调试与错误排查清单

1. 变量未定义/名称错误：检查拼写，注意大小写。使用IDE的自动补全功能避免此问题。
2. 索引越界：在访问数组array[i]或列表list[i]前，打印len(array)或array.shape确认维度。记住Python索引从0开始。
3. 数据类型错误：TypeError: can't multiply sequence by non-int of type 'float'。使用type()函数检查变量类型，确保数值运算是int或float，必要时用astype()转换。
4. 维度不匹配：在矩阵运算（如np.dot(A, B)）或scikit-learn拟合时常见。打印A.shape和B.shape检查。使用reshape()或[:, np.newaxis]调整维度。
5. 收敛问题（优化/迭代算法）：
   • 不收敛：检查目标函数/约束是否合理，初始值是否合适。尝试不同的初始值或算法参数（如增大迭代次数、调整学习率）。
   • 收敛到局部最优：对于启发式算法，尝试多次运行取最好结果。对于梯度下降类算法，尝试不同的优化器（Adam, SGD）或加入动量。
6. 结果不合理/为NaN/Inf：
   • 除零错误：在分母上加一个极小值epsilon=1e-10。
   • 数值溢出：检查数据量级，考虑是否需要进行标准化或取对数处理。
   • 模型假设不成立：回头检查模型的前提条件是否被数据满足。

调试金句：“不要相信任何没有打印出来的值。”在关键步骤后，使用print()或设置断点，查看中间变量的值、形状、类型，这是定位问题最快的方法。

6.2 代码性能优化小技巧

当数据量大或模型复杂时，效率至关重要。

• 向量化操作：永远避免在Python中使用纯for循环处理NumPy数组。使用NumPy/Pandas的向量化函数。

  # 慢 result = [] for x in list_a: result.append(x * 2) # 快 import numpy as np arr_a = np.array(list_a) result = arr_a * 2

• 使用高效的数据结构：查找成员用set，计数用collections.Counter。
• 避免全局变量：在函数内局部操作，性能更好。
• 适时使用Numba或Cython：对于无法向量化的复杂循环，考虑使用@numba.jit装饰器加速。

6.3 版本控制：用Git管理你的建模代码

对于团队协作和过程回溯，Git是必备技能。基本工作流：

# 初始化仓库 git init # 添加所有文件到暂存区 git add . # 提交更改，并写上有意义的提交信息 git commit -m "feat: 完成数据清洗模块，新增异常值处理函数" # 关联远程仓库（如GitHub, Gitee） git remote add origin <your_remote_repo_url> # 推送提交 git push -u origin main

关键实践：

• 频繁提交，每次提交只做一件小事。
• 提交信息写清楚，格式如“feat:新增功能”、“fix:修复bug”、“docs:更新文档”。
• 使用.gitignore文件忽略中间数据、模型文件、临时图片等（如*.pkl,results/,__pycache__/）。
• 为论文的不同版本（如初稿、终稿）或模型的不同变体创建分支（git branch）。

7. 从代码到论文：无缝衔接的最后一公里

代码的最终价值，体现在论文中。如何高效地将代码结果转化为论文内容？

1. 自动化生成图表和表格：这是最重要的技巧。将绘图和制表代码封装成函数，在修改模型或数据后，重新运行脚本即可自动更新results/figures/和results/tables/目录下的所有图表。确保论文中的每个图、每个表都有对应的、可复现的生成脚本。
2. 关键结果直接输出到文件：将模型评估指标、最优解参数等关键结果，使用print输出到控制台的同时，也写入一个results/summary.txt文件。

   with open('results/summary.txt', 'w') as f: f.write(f"最优解: x = {optimal_x}\n") f.write(f"最优目标值: {optimal_value:.4f}\n") f.write(f"模型准确率: {accuracy:.4f}\n")

3. 使用Jupyter Notebook/Live Script进行探索性分析和报告撰写：在思路探索和初步分析阶段，Jupyter Notebook(Python) 或Live Script(MATLAB) 非常有用，它能将代码、结果、图文和注释整合在一个文档中。但注意，最终提交的代码应是整理好的、可独立运行的.py或.m脚本，而非杂乱的.ipynb文件。可以将成熟的代码从Notebook中导出。
4. 在论文中引用代码：在论文的“附录”或“代码可用性”部分，说明代码的运行环境、主要依赖库及版本，并给出核心算法的伪代码或简要说明。如果允许，可以提供代码仓库链接。

回顾整个流程，从数据读取到结果呈现，代码贯穿始终。它不仅是实现工具，更是思维严谨性的体现。我个人的体会是，优秀的建模代码就像一篇结构清晰的议论文：开头（数据准备）引人入胜，主体（模型实现）逻辑严密、论证充分，结尾（结果分析）有力且令人信服。养成写注释、模块化、固定随机种子、版本管理的好习惯，初期可能会觉得繁琐，但它们会在项目后期，尤其是调试和复现时，回报你百倍的时间。最后，在提交前，请在一个全新的、干净的环境中（例如另一台电脑或新建的虚拟环境）从头运行一遍你的所有代码，确保这份“烹饪食谱”真的能做出论文中那道美味的“菜肴”。这才是数学建模代码工作的真正完成。