华为杯数学建模竞赛：从组队到论文的72小时实战指南

1. 从零到一：我的华为杯数学建模参赛心路

去年秋天，当“华为杯”研究生数学建模竞赛的报名通知发到实验室群里时，我正被一堆实验数据和论文初稿搞得焦头烂额。说实话，当时的第一反应是“没时间”。但导师的一句话点醒了我：“这个比赛，本质上是一次高强度、短周期的科研预演。从选题、建模、求解到论文撰写，72小时内要完成一个微型科研项目，这比你在实验室闷头干一个月，更能锻炼综合能力。” 正是这句话，让我和两位队友决定组队，最终从零开始，拿下了国家二等奖。回过头看，这段经历的价值远超一纸证书，它系统性地重塑了我面对复杂问题的思维方式与团队协作模式。今天，我就以一个“过来人”的身份，把这段从组队、选题、攻坚到论文成稿的全过程经验，毫无保留地分享出来，希望能给未来想要挑战“华为杯”或者类似数模竞赛的朋友们，提供一份实实在在的“作战地图”。

“华为杯”研究生数学建模竞赛，作为国内研究生阶段最具影响力的数模赛事之一，其核心挑战在于“时间压缩”与“问题开放”。它不像课程作业有标准答案，也不像科研课题有漫长的试错周期。你需要在72小时内，将一个可能涉及多学科交叉的现实问题，转化为数学模型，并给出有说服力的解决方案和结论。这个过程，比拼的不仅仅是数学功底和编程能力，更是信息检索、快速学习、团队分工与学术写作的综合实力。无论你是理工科还是经管类专业，只要掌握了正确的方法论，完全有可能在比赛中脱颖而出。

2. 战前筹备：一支能打硬仗的队伍是如何炼成的

很多人觉得数模竞赛是数学和编程高手的游戏，忽略了团队构成这个地基。组队不是找三个最厉害的人，而是找三个最合适、最能互补的人。我们队的成功，首先就源于清晰的角色定位与高效的协作模式。

2.1 黄金三角：建模手、编程手、写手的职责与素养

我们的队伍构成了经典的“建模-编程-写作”铁三角，但每个人都不是孤立作战。

建模手（核心大脑）：这个人通常是队伍的灵魂。他不需要是数学系科班出身，但必须具备出色的逻辑抽象能力和广泛的学科知识面。他的核心任务是：在拿到赛题后，能快速理解问题背景，将模糊的现实描述转化为清晰的数学语言（比如微分方程、优化模型、评价指标体系等）。我们的建模手是学系统科学的，他的优势在于能迅速抓住问题的核心矛盾，并提出多种可能的建模路径供团队讨论。一个好的建模手，还需要有较强的文献快速检索与消化能力，因为很多新颖的模型灵感都来自相关领域的最新论文。

编程手（实现引擎）：这是将数学模型变为计算结果的关键。编程手需要熟练掌握至少一种科学计算语言，如MATLAB或Python（NumPy, SciPy, Pandas库）。他的任务不仅仅是“敲代码”，更重要的是：1）算法实现：将建模手提出的方程、算法（如遗传算法、模拟退火、深度学习网络）准确、高效地实现；2）数据清洗与处理：竞赛数据常常是原始、杂乱甚至残缺的，编程手需要负责数据导入、清洗、转换和可视化；3）结果验证：通过改变参数、采用不同算法对比等方式，验证模型结果的合理性与稳定性。我们的编程手是计算机专业的，他用Python，不仅代码写得快，还擅长用Matplotlib和Seaborn做出非常美观、专业的图表，这为论文增色不少。

写手（首席外交官）：写手的工作从比赛第一分钟就开始了，而不是最后一天才动笔。他需要具备优秀的科技论文写作能力、清晰的逻辑和审美。他的核心职责包括：1）论文框架设计：与建模手共同确定论文目录、技术路线图；2）实时记录：在团队讨论和建模过程中，同步记录关键思路、假设和中间结论，避免后期遗忘；3）图表与文字整合：将编程手生成的图表，用准确、专业的文字进行描述和分析；4）摘要打磨：摘要是一篇数模论文的“脸面”，需要反复精炼，在极短的篇幅内说清问题、方法、模型、结果和亮点。我们的写手有发表SCI论文的经验，对科技论文的语感、格式规范非常熟悉。

注意：角色是主责，但不是孤岛。建模手要懂一点编程逻辑，才能提出可实现的模型；编程手要理解模型原理，才能正确实现和调试；写手要跟进全程，才能写出有深度的分析。我们每天早晚会有两次集中讨论，同步进度、解决问题，确保三个人始终在同一个频道上。

2.2 工具链统一：让协作效率倍增

工欲善其事，必先利其器。在比赛前，我们花了整整一个下午统一了所有工具，这为后续无缝协作打下了基础。

1. 文献与资料管理：我们使用Zotero作为共同的文献管理工具。建立共享群组，任何队员找到的相关论文、技术报告、数据来源，都立刻添加到Zotero中，并做好标签（如“优化算法”、“数据来源”、“类似案例”）。这样，任何人都能快速获取团队收集的全部资料，避免了重复搜索和信息孤岛。

2. 代码与数据版本控制：必须使用Git，配合GitHub或Gitee私有仓库。我们的仓库结构大致如下：

   HuaweiCup2023/ ├── data/ # 存放原始数据和清洗后的数据 ├── src/ # 所有源代码，按题目或模块分文件夹 ├── docs/ # 中间文档、模型推导草稿、会议记录 ├── paper/ # LaTeX 源文件及图表 └── README.md # 项目说明，记录环境配置和关键命令

   编程手每完成一个功能模块就提交一次，写手可以随时拉取最新图表，建模手也可以查看代码逻辑。这完美解决了“文件传来传去，版本混乱”的噩梦。

3. 文档写作与协作：论文撰写我们坚决选择了LaTeX，而非Word。原因有三：第一，LaTeX排版数学公式极其优美、专业；第二，版本控制友好，可以与Git完美结合，追溯每一处修改；第三，模板固定，能让我们专注于内容而非格式调整。我们使用了竞赛常用的LaTeX模板，并在Overleaf上创建了共享项目，支持实时协作编译。

4. 沟通与项目管理：我们使用飞书或腾讯文档的在线协作文档来维护一个“动态任务看板”。创建一个表格，列包括：任务项、负责人、截止时间、状态（待开始/进行中/阻塞/已完成）、备注。每天早晚的站会，就围绕这个看板更新进度、疏通阻塞。这种可视化的管理方式，让紧张的时间变得井然有序。

3. 72小时实战：拆解赛题与建模的核心思维流程

比赛开始，拿到赛题的那一刻是最紧张也最关键的。面对通常有A、B、C、D等不同方向的题目，如何选择？如何快速破题？我们的经验是遵循一个系统化的分析流程。

3.1 第一步：选题的决策艺术（第1小时）

不要急着埋头读题，先用30-40分钟，全队一起快速浏览所有题目。我们制定了一个简单的评分表，从以下几个维度为每道题打分（1-5分）：

每个人独立打分，然后汇总讨论。我们当时遇到一道关于“城市物流配送路径优化”的题（背景熟，问题清），和一道关于“社交媒体谣言传播机理”的题（背景新，模型新）。经过激烈讨论，我们选择了前者。理由很务实：在有限时间内，选择一个需求明确、有可靠数据支撑、能让我们发挥稳定建模能力的题目，比挑战一个完全陌生、不确定性极高的“炫酷”题目更可能产出扎实的成果。选题的第一原则是“做熟不做生”，在熟悉的领域里寻求创新，比在陌生领域挣扎求生更明智。

3.2 第二步：问题拆解与模型构建（第1-24小时）

选定题目后，就进入了最核心的建模环节。我们采用“总-分-总”的思维模式。

首先，定义核心问题。把赛题冗长的描述，浓缩成一句话：“在XX约束条件下，为了实现YY目标，我们需要建立ZZ模型。” 例如，物流配送题的核心就是：“在客户需求、车辆载重、时间窗等约束下，建立最小化总行驶成本的车辆路径规划模型。”

其次，进行问题拆解。一个大问题往往由多个子问题构成。我们使用思维导图工具（如XMind）进行可视化拆解。以路径优化为例，可以拆解为：

• 子问题1：客户点聚类（哪些订单可以由同一辆车配送？）
• 子问题2：单车辆路径规划（TSP问题，如何规划一条最优路线？）
• 子问题3：多车辆调度（如何将订单分配给多辆车，并统筹安排？）
• 子问题4：动态扰动处理（遇到突发交通拥堵怎么办？）

然后，为每个子问题匹配模型。这是建模手大显身手的时候。需要快速查阅文献，评估不同模型的优缺点。例如：

• 对于客户点聚类，可以考虑K-means聚类（简单快速）或层次聚类（无需预设类别数）。
• 对于单车辆路径规划，经典的Dijkstra算法、A*算法适用于图结构，而遗传算法（GA）、模拟退火算法（SA）更适合求解组合优化问题。
• 对于多车辆调度，可以构建一个混合整数规划模型，或者采用两阶段法：先聚类分车，再为每辆车求解路径。

我们的策略是：主模型求稳，创新点求精。我们选择以经典的“带容量和时间窗的车辆路径问题（CVRPTW）”模型作为主干，因为它理论基础扎实，有成熟的算法包（如OR-Tools）可以借鉴或调用，能保证一个基本盘。同时，我们在“动态扰动”这个子问题上寻求创新，引入了一个基于实时交通流预测的动态重规划模块，使用简单的时间序列预测（ARIMA模型）来预估路段通行时间变化，并触发局部路径重优化。这样，论文既有扎实的传统模型部分，也有体现思考亮点的创新部分。

3.3 第三步：数据、求解与可视化（第24-60小时）

模型确定后，就进入编程实现阶段。这个阶段是“理想”与“现实”碰撞最激烈的地方。

数据预处理是重中之重。竞赛提供的数据往往存在缺失值、异常值、格式不统一等问题。我们的编程手会先写一个data_preprocessing.py脚本，专门处理以下任务：

• 缺失值处理：对于数值型数据，我们根据情况采用均值填充、中位数填充或前后值插补；对于类别型数据，单独设为“未知”类别。关键是要记录处理逻辑，在论文中说明。
• 异常值检测与处理：使用箱线图或3σ原则识别异常值，分析其是否为记录错误（如是，则剔除或修正）或是特殊业务场景（如是，则保留并单独说明）。
• 特征工程：根据模型需要，构造新特征。例如，从客户地址经纬度计算两两之间的哈弗辛（Haversine）距离，作为路径规划的基础数据。

模型求解与调试。我们主模型采用Python的ortools库求解，它封装了高效的精确求解器和启发式算法。但直接调用黑箱是不够的。我们做了以下几件事：

1. 参数调优：对于遗传算法，我们设计了参数实验，调整种群大小、交叉概率、变异概率，观察收敛速度和最终解的质量，并记录下最优参数组合。
2. 结果验证：用小规模算例验证。我们手动构造了一个只有5个客户点的小例子，可以手算最优解，然后对比模型输出，确保算法逻辑正确。
3. 稳定性分析：由于启发式算法具有随机性，我们对同一问题运行10次，记录最优值、最差值和平均值，计算标准差，在论文中汇报算法的稳定性。
4. 对比实验：我们实现了模拟退火算法作为对比基准，与遗传算法的结果进行对比，分析各自在求解质量和速度上的优劣，这能让论文的分析部分更加丰满。

可视化是结果的放大器。一张好图胜过千言万语。我们精心设计了以下几类图表：

• 模型结构图：使用draw.io绘制技术路线图，清晰展示从问题输入到结果输出的整个流程。
• 地理信息可视化：使用Folium库将客户点、配送中心、优化后的路径绘制在交互式地图上，直观展示配送方案。
• 算法收敛曲线：绘制遗传算法的适应度值随迭代次数的变化曲线，直观展示算法收敛过程。
• 结果对比图：用分组柱状图对比不同算法、不同参数下的目标函数值（如总成本、行驶距离）。

踩坑实录：在实现动态重规划模块时，我们最初设计了一个复杂的强化学习模型，但发现训练时间完全不可控，且结果难以解释。在第二天下午，我们果断“砍掉”了这个过于超前的想法，回归到基于规则和简单预测的重规划策略。这个教训是：在数模竞赛中，一个能稳定运行、结果可解释的简单模型，远胜于一个无法调通、黑箱般的复杂模型。创新要建立在可实现的基础上。

4. 论文写作：将72小时的思考凝结为一份专业答卷

数模竞赛的成果，最终完全体现在那一篇20页左右的论文上。评委没有时间看你的代码和中间过程，论文是你唯一的代言人。写作是一场贯穿始终的马拉松。

4.1 摘要：论文的“黄金400字”

摘要必须最后写，但也必须花最多时间打磨。我们反复修改了不下十稿。一个优秀的摘要结构如下：

1. 第一句：问题重述。用最精炼的语言说明研究了什么问题。
2. 第二、三句：总体思路与模型。概括性地说“我们采用了…方法，建立了…模型”。
3. 主体部分：分点阐述工作。针对题目的几个问题，分别说明“对于问题X，我们建立了…模型，采用了…方法求解，得到了…结果”。这里要包含关键的数据和结论。
4. 结尾句：模型评价与推广。简要说明模型的优点、特色以及可能的应用方向。

我们的摘要模板片段：

“针对城市物流配送中的多中心车辆路径优化问题，本文综合考虑了车辆载重、客户时间窗及动态交通等多重约束，建立了以总运输成本最小化为目标的混合整数规划模型。针对问题一（静态规划），我们设计了融合K-means聚类与改进遗传算法的两阶段求解策略；针对问题二（动态扰动），引入了基于ARIMA的短时交通流预测模块，构建了动态重规划响应机制。最终求解得出，在给定数据集下，最优方案可将总成本降低约15.2%。灵敏度分析表明，模型对时间窗约束最为敏感。本文模型具有较强的实用性和一定的抗干扰能力，可为智慧物流调度提供决策参考。”

要点：摘要里要出现具体的模型名称、算法名称、关键数据（如降低15.2%）和结论性形容词（如“鲁棒的”、“高效的”）。避免出现“我们进行了研究”、“我们分析了数据”这样的空话。

4.2 正文结构：像讲故事一样逻辑推进

论文正文不是代码说明书，也不是数学公式的堆砌，它是在讲述一个“我们如何解决问题”的完整故事。

1. 问题重述与分析：不要照抄题目，要用自己的话重新组织，并初步分析问题的难点、关键点。可以画一个“问题要素关系图”。
2. 模型假设与符号说明：假设要合理、必要，能简化问题又不失一般性。符号说明用三线表呈现，清晰美观。
3. 模型建立与求解：这是核心章节。我们按子问题分小节，每个小节的结构是：问题描述 -> 模型构建（公式推导）-> 算法设计（伪代码或流程图）-> 求解步骤。公式要编号，重要的推导过程可以放在附录。
4. 结果分析与可视化：展示结果，但更重要的是分析。为什么这个结果合理？与常识或基线对比如何？参数变化对结果有什么影响（灵敏度分析）？模型的优缺点是什么？
5. 模型评价与推广：客观评价自己的工作。优点写2-3点，缺点或改进方向写1-2点（体现批判性思维）。推广部分可以简短地谈谈模型稍作修改后还能用于哪些类似场景。

4.3 图表、排版与细节：专业感的最后一步

• 图表：每张图、每个表都必须有编号和标题，并且在正文中要有引用（如“如图1所示”）。图表标题应是一个完整的陈述句，概括图表内容。图表风格要统一（字体、颜色、线型）。
• 参考文献：引用格式要规范（如GB/T 7714），并在文中正确标引。引用近年的高水平文献能为论文增信。
• 语言：使用客观、严谨的学术语言，多用“本文”、“本研究”，少用“我们”。避免口语化表达。
• LaTeX技巧：使用\usepackage{booktabs}制作专业的三线表，使用\usepackage{algorithm}和\usepackage{algpseudocode}来排版伪代码，这会极大提升论文的“颜值”和专业度。

5. 时间管理、心态调整与赛后复盘

72小时不仅是智力竞赛，更是体力与心态的极限挑战。合理的时间规划和稳定的心态是成功的另一半。

5.1 分阶段时间管理表

我们制定了严格但灵活的时间表，并允许根据实际情况动态调整：

5.2 心态崩溃边缘的急救指南

• 遇到“卡壳”怎么办？这是必然的。我们的原则是：阻塞超过1小时，立即发起团队讨论。不要一个人死磕。换个思路，或者暂时跳过，去完成其他任务，往往回来后再看就有新想法。
• 队友意见冲突怎么办？建模思路常有分歧。我们约定：以“能否在时限内实现”和“是否对解决问题最有效”为最高裁决原则。拿出简单论据快速讨论，由队长或相关模块负责人做最终决定，其他人保留意见但坚决执行。
• 身体与精神疲劳：准备咖啡、茶、功能饮料，但不要依赖。设置“强制休息时间”，比如每3小时起身活动10分钟，每天保证累计4-5小时的睡眠。最后一天通宵效率极低，不如前半夜睡3-4小时，凌晨再起来做最后冲刺。

5.3 比赛结束，学习才刚刚开始：复盘的价值

提交论文后，我们并没有立刻庆祝。一周后，我们组织了一次正式的复盘会议，讨论了几个核心问题：

1. 最大的成功点是什么？我们一致认为是“动态重规划”模块的设计，虽然最终实现简化了，但这个问题意识让论文有了亮点。
2. 最大的失误或不足是什么？在数据预处理阶段，我们对异常值的处理过于粗暴，直接删除，后来想到这可能损失了部分有价值的信息，应该尝试更精细的方法（如用模型预测填充）。
3. 如果重来一次，我们会怎么做？我们会花更多时间在赛前进行“模拟训练”，找一道往年的赛题，严格按照72小时流程做一遍，这能暴露出很多协作和工具使用上的问题。
4. 从竞赛到科研：这次竞赛中快速学习、建模、写作的完整流程，与开展一个科研课题高度相似。我们把竞赛中关于“模型对比实验设计”、“结果可视化表达”的经验，直接应用到了后续的小论文写作中，效果显著。

参加“华为杯”数学建模，收获的远不止奖项。它是一次高强度、全链条的科研能力集训，让你在极限压力下看清自己的知识边界、协作短板和思维潜力。那份和队友并肩作战、为一个明确目标全力冲刺的经历，以及最终将混沌问题梳理成清晰论文的成就感，才是比赛留给你的最宝贵财富。如果你正在犹豫是否要参加，我的建议是：勇敢组队，投身其中。无论结果如何，这72小时学到的东西，一定会让你在今后的研究和职业生涯中受益无穷。