1. 从“分享”到“复盘”：一次数学建模竞赛的深度拆解

最近在整理去年的项目资料，翻到了去年带队参加“华数杯”数学建模竞赛C题的完整代码和论文。当时我们团队花了不少心思，最终也拿到了一个不错的成绩。今天不打算只是简单地把文件甩出来，那样意义不大。我更想借着这个机会，和大家一起复盘一下这道题，聊聊我们当时的解题思路、遇到的坑、以及那些在最终论文里可能一笔带过，但实际上至关重要的实现细节。无论你是正在备赛的学生，还是对数学建模感兴趣的朋友，希望这篇深度复盘能给你带来一些实实在在的启发，而不仅仅是一堆代码和PDF。

“华数杯”的C题通常以综合性、应用性强著称，往往涉及数据处理、模型构建、算法设计和结果分析等多个环节。我们的复盘将围绕“问题理解-模型构建-求解实现-论文撰写”这条主线展开，我会把每个环节我们是怎么想的、为什么这么做、以及中途调整了什么，都掰开揉碎了讲清楚。你会发现，一个成功的建模项目，其核心价值远不止于最终的答案，更在于整个求解过程的逻辑链条和决策依据。

2. 赛题回顾与核心问题界定

去年的C题，题目背景是关于“城市低碳发展路径的优化研究”。题目给了一大堆数据，包括该城市过去十年的能源消耗结构（煤炭、石油、天然气、非化石能源）、GDP、人口、产业结构比例、碳排放量等，同时也给出了一些未来发展的政策情景假设，比如碳税税率、新能源补贴力度、技术进步率等。

题目要求很明确，分几个子问题：

1. 预测分析：基于历史数据，建立合适的模型预测未来15年（到2038年）在不同政策情景下，该城市的能源消费总量、结构和碳排放量的变化趋势。
2. 路径优化：以碳排放总量最小或碳排放强度（单位GDP碳排放）最小为目标，在满足未来GDP预期增长和能源需求的前提下，优化未来每年的能源结构配置（即各种能源的消费比例）。
3. 政策评估：对给定的几组政策组合（不同碳税+不同补贴）进行模拟，评估其减排效果、经济成本（比如对GDP的潜在影响）等，并进行排序或给出推荐。
4. 敏感性分析：分析关键参数（如技术进步率、能源价格弹性）的变动对优化结果的影响，说明模型的稳健性。

拿到题目，第一步不是急着找算法，而是界定问题。这看似是经济、环境领域的题，但核心是一个带约束的动态优化问题。数据是时间序列，目标是多期（15年）的总量或强度最小，决策变量是每年各种能源的消费量（或比例），约束条件包括能源总量满足需求、GDP增长目标、以及各种能源可能的技术上限（比如非化石能源占比不可能一年内从10%跳到50%）。同时，它还需要一个“预测模块”来提供优化模型的输入参数（如能源需求基线、技术进步参数）。

我们团队当时达成的共识是：将问题分解为“预测”和“优化”两个相对独立又前后衔接的模块。预测模块为优化模块提供基准情景和参数；优化模块则在预测的基础上，进行寻优计算。这个分解大大降低了问题的复杂度。

3. 模型构建：从理论到可计算框架

明确了问题框架，接下来就是为每个模块选择合适的模型。这里充满了权衡和抉择。

3.1 预测模块的选型与适配

历史数据是10年的年度数据，要预测15年，样本量很小，这对预测模型是个挑战。我们评估了几个常见选项：

• 经典时间序列模型（ARIMA等）：适用于线性、平稳序列。但我们的数据（如新能源占比）明显有趋势性和政策干预影响，直接使用效果可能不好，且难以融入政策变量（碳税等）。
• 机器学习回归模型（如SVR、随机森林）：需要更多特征，而题目给出的直接影响因素有限。在小样本下容易过拟合。
• 灰色预测模型（GM(1,1)）：特别适合小样本、趋势性数据预测，是数模竞赛中的“常客”。但它对数据的光滑性有要求，且难以处理政策突变情景。

我们的最终方案是一个组合模型：

1. 对于总量指标（如能源消费总量、GDP）：采用改进的灰色预测模型。我们使用了GM(1,1)模型，但对原始数据进行了平滑处理（例如，对增长过快的年份数据进行了缓冲算子处理），以弱化异常值的影响。预测出能源消费总量和GDP的总量基线。
2. 对于结构比例指标（如煤炭消费占比）：我们意识到，单纯预测比例很难体现政策影响。因此，我们将其转化为驱动因素分析。我们假设每种能源的消费量增长率受到以下因素驱动：上年基数、GDP增长率、该能源相对价格（受碳税和补贴影响）、技术进步率。我们为每种能源建立了一个简单的多元线性回归方程（虽然样本少，但变量也少，且主要看趋势）：ln(Energy_i(t)) = a + b*ln(GDP(t)) + c*PolicyFactor_i(t) + d*TechRate_i其中，PolicyFactor_i(t) 是政策因子，对于高碳能源（煤），PolicyFactor与碳税正相关；对于清洁能源，PolicyFactor与补贴正相关。系数b, c, d通过历史数据拟合（由于数据少，我们采用了岭回归以缓解共线性）。这样，政策变量就自然地嵌入了预测过程。
3. 基准情景生成：将题目给出的“无额外政策”情景参数（碳税=0，补贴=基础值）代入上述模型，预测出未来15年各种能源的消费量，加总后应与步骤1预测的能源总量基线进行比对校准（允许小幅调整），形成优化模型的“基准情景”输入。

注意：这里的一个关键技巧是，我们并没有追求预测模型的绝对精度（在小样本下也不可能），而是确保其逻辑自洽，并且能灵敏地反映政策变量的影响。这比预测出一个漂亮的曲线但无法融入政策分析要有用得多。

3.2 优化模块：构建动态优化模型

这是整个题目的核心。我们将其建模为一个多期（15期）非线性规划问题。

• 决策变量：x[i,t]，表示第t年，第i种能源的消费量（i=1:煤炭, 2:石油, 3:天然气, 4:非化石能源）。
• 目标函数：两个可选目标。
  • 目标A（碳排放总量最小）：Min Σ_t Σ_i (x[i,t] * EF_i)，其中EF_i是第i种能源的碳排放系数。
  • 目标B（碳排放强度最小）：Min Σ_t ( (Σ_i x[i,t] * EF_i) / GDP(t) )，其中GDP(t)是第t年预测的GDP（可视为外生给定或微调）。
  • 我们最终选择了目标A，因为题目更关注减排绝对量。但我们在论文中对比了两种目标下的结果差异。
• 约束条件：
  1. 能源需求约束：每年各种能源消费量之和必须大于等于预测的该年最低能源需求D(t)：Σ_i x[i,t] >= D(t)。
  2. GDP影响约束（简化处理）：能源结构变化可能影响经济。我们引入一个简单的“能源成本影响因子”，确保优化后的综合能源成本不超过基准情景的某个比例（如110%），以避免出现经济上不可行的激进方案。
  3. 结构比例约束：
     • 非化石能源占比上限：x[4,t] / Σ_i x[i,t] <= Max_Share(t)。Max_Share(t)是一个随时间递增的上限，参考了国家政策目标。
     • 煤炭消费占比下降约束：x[1,t] / Σ_i x[i,t] <= Base_Share[1,t] * (1 - annual_reduction_rate)^t，即要求煤炭占比每年至少按一定速率下降。
  4. 技术增长约束：每种能源的消费量年增长率有上下限，尤其是清洁能源，不可能无限高速增长。Lower_Growth_i <= (x[i,t] - x[i,t-1]) / x[i,t-1] <= Upper_Growth_i。
  5. 非负约束：x[i,t] >= 0。

这个模型本质上是一个中等规模的非线性规划（目标为线性，但约束中有比例，是非线性的）。直接求全局最优解比较困难。

3.3 求解策略：化动态为静态序列

直接求解15期*4种能源=60个决策变量的非线性规划，对于竞赛而言计算复杂且不易稳定。我们采用了一种**滚动优化（Rolling Optimization）**的策略，将多期动态问题转化为一系列单期或短期的静态优化问题。

1. 第一步：确定首年决策。以第一年（t=1）为起点，在满足第一年所有约束的前提下，优化第一年的能源结构x[i,1]，使得第一年的碳排放最小。这是一个小规模非线性规划，用MATLAB的fmincon或 Python 的scipy.optimize.minimize可以轻松求解。
2. 第二步：滚动预测与优化。在确定了x[i,1]后，我们将其作为已知量。由于我们的预测模型中，下一年的能源消费基数与上年有关，因此我们需要用优化后的x[i,1]去更新第二年的预测基线（主要是更新基数，政策因子等外生变量不变）。然后，在t=2年，以更新后的预测为约束，再次优化x[i,2]。
3. 重复：如此逐年滚动，直至优化完第15年。

这个方法的妙处在于：它既考虑了动态性（通过滚动更新预测基线），又将复杂问题分解为可求解的子问题。虽然从全局看可能是次优解，但在模型参数本身存在不确定性的情况下，这种“近视”的滚动优化策略反而更稳健，也更容易理解和实现。我们在论文中明确说明了这一点，并把它作为模型的一个特点而非缺点。

4. 代码实现：工具选择与关键细节

我们团队主要使用Python作为实现工具，因为其生态丰富（Pandas, NumPy, SciPy, Matplotlib），便于快速进行数据处理、模型求解和可视化。

4.1 数据处理与预测模块代码要点

import pandas as pd import numpy as np from scipy.optimize import minimize import matplotlib.pyplot as plt # 1. 数据读取与预处理 data = pd.read_excel('problem_c_data.xlsx') # 假设数据列包括：Year, Coal, Oil, Gas, Clean, GDP, Carbon # 计算比例 data['Coal_Share'] = data['Coal'] / (data['Coal']+data['Oil']+data['Gas']+data['Clean']) # 2. 灰色预测函数 (以能源总量为例) def gm11(x, predict_num): """ 标准的GM(1,1)预测模型 x: 原始序列 predict_num: 预测步数 """ x1 = x.cumsum() # 1-AGO z1 = (x1[:-1] + x1[1:]) / 2.0 # 紧邻均值生成序列 B = np.vstack([-z1, np.ones(len(z1))]).T Y = x[1:].reshape(-1, 1) # 使用最小二乘法求解参数 a, b [[a], [b]] = np.linalg.inv(B.T @ B) @ B.T @ Y # 预测 pred_x1 = [(x[0] - b/a) * np.exp(-a * k) + b/a for k in range(len(x) + predict_num)] pred_x0 = [pred_x1[0]] + [pred_x1[i+1] - pred_x1[i] for i in range(len(pred_x1)-1)] return pred_x0[-predict_num:] # 返回未来预测值 # 3. 带政策因子的回归预测（以煤炭为例） def predict_with_policy(base_year_value, gdp_growth_series, carbon_tax_series, subsidy_series, tech_rate, coef_gdp, coef_policy): """ 模拟每年消费量变化 base_year_value: 基年值 gdp_growth_series: 未来GDP增长率序列 carbon_tax_series: 碳税序列（影响煤炭） subsidy_series: 补贴序列（影响清洁能源） tech_rate: 技术进步率 coef_*: 回归得到的系数 """ pred_series = [base_year_value] for t in range(1, len(gdp_growth_series)+1): # 政策因子：对煤炭，政策因子 = 1 + carbon_tax_effect * carbon_tax_series[t-1] # 这里简化处理，假设政策因子线性影响 policy_factor = 1 + coef_policy * carbon_tax_series[t-1] # 对于煤炭，coef_policy应为负 growth = coef_gdp * gdp_growth_series[t-1] + np.log(policy_factor) + tech_rate new_value = pred_series[-1] * np.exp(growth) pred_series.append(new_value) return pred_series[1:] # 返回预测序列

关键细节：

• 数据标准化：在回归前，我们对GDP增长率、政策变量等进行了标准化处理，使其量纲一致，回归系数更可比。
• 参数估计的稳健性：由于历史数据仅10条，我们采用留一法交叉验证来观察回归系数的稳定性，并最终取了一个相对保守的系数估计值，避免外推时出现极端情况。
• 预测结果的整合：用回归模型预测出各能源消费量后，其加总可能与灰色预测的总量有出入。我们采用了一个比例缩放的方法，将回归预测的各能源量按灰色预测的总量进行等比例调整，确保加总一致。这相当于认为回归模型预测的结构比例是可靠的，但总量水平需要校准。

4.2 滚动优化模块代码核心

# 定义单期优化目标函数和约束 def single_period_optimization(initial_guess, demand_t, last_year_shares, carbon_coefs, max_clean_share, coal_reduction_target): """ 优化某一年的能源结构 initial_guess: 初始猜测值（四种能源的消费量） demand_t: 该年能源总需求 last_year_shares: 上一年的能源结构比例（用于增长率约束） carbon_coefs: 碳排放系数列表 [coal, oil, gas, clean] max_clean_share: 清洁能源占比上限 coal_reduction_target: 煤炭占比相对于上一年需减少的比例 """ n_energy = 4 # 目标函数：碳排放最小 def objective(x): return np.sum(x * carbon_coefs) # 约束条件 constraints = [ {'type': 'eq', 'fun': lambda x: np.sum(x) - demand_t}, # 能源总需求满足 {'type': 'ineq', 'fun': lambda x: max_clean_share * np.sum(x) - x[3]}, # 清洁能源上限 {'type': 'ineq', 'fun': lambda x: (1 - coal_reduction_target) * (last_year_shares[0] * demand_t) - x[0]}, # 煤炭占比下降 # 增长率约束（示例：清洁能源增长率不超过20%） {'type': 'ineq', 'fun': lambda x: (1+0.2) * last_year_shares[3] * demand_t - x[3]}, # 上限 {'type': 'ineq', 'fun': lambda x: x[3] - (1-0.05) * last_year_shares[3] * demand_t}, # 下限（假设不低于-5%） ] bounds = [(0, demand_t) for _ in range(n_energy)] # 非负约束，且单种能源不超过总需求 result = minimize(objective, initial_guess, method='SLSQP', bounds=bounds, constraints=constraints) if result.success: return result.x else: print(f"Optimization failed at period: {result.message}") # 失败时返回一个可行解（例如按去年比例分配） return last_year_shares * demand_t # 滚动优化主循环 def rolling_optimization(total_demands, initial_shares, carbon_coefs, planning_horizon=15): """ total_demands: 未来各年总需求列表（长度=planning_horizon） initial_shares: 基年能源结构比例列表 [coal, oil, gas, clean] carbon_coefs: 碳排放系数 """ optimized_consumption = [] current_shares = initial_shares.copy() for t in range(planning_horizon): demand_t = total_demands[t] # 设置煤炭占比下降目标，例如每年比上一年占比降低2个百分点 coal_reduction = 0.02 # 清洁能源占比上限逐年提高 max_clean_share = 0.10 + t * 0.03 # 例如从10%开始，每年增3个百分点 # 初始猜测值：按上年比例分配 initial_guess = current_shares * demand_t # 求解本年优化 opt_result = single_period_optimization(initial_guess, demand_t, current_shares, carbon_coefs, max_clean_share, coal_reduction) optimized_consumption.append(opt_result) # 更新下一年优化所用的“上年比例” current_shares = opt_result / np.sum(opt_result) return np.array(optimized_consumption)

踩坑与心得：

1. 初始值敏感性问题：非线性规划求解器（如SLSQP）对初始猜测值敏感。我们最初直接用上年比例作为初始值，在约束收紧时容易陷入局部最优或无法满足约束。后来我们改用了多起点随机初始化：在可行域内随机生成若干组初始点，分别求解，取目标函数最优且满足约束的解作为最终结果。这显著提高了求解的稳定性。
2. 约束不可行处理：在滚动后期，约束（如清洁能源上限、煤炭下降目标）可能过于严格，导致无解。我们的代码中加入了异常处理：当求解失败时，返回一个“应急方案”（如放松某个约束，或返回上年比例）。更重要的是，我们在模型中提前设置了合理的约束边界，并通过敏感性分析来探讨这些边界的合理性。
3. 单位一致性：目标函数是碳排放量，单位是万吨CO2；决策变量是能源消费量，单位可能是万吨标煤。务必确保碳排放系数（EF_i）的单位与之匹配。我们一开始用了错误的系数，导致结果差了几个数量级，检查了很久才发现是单位换算问题。

5. 结果分析与论文图表呈现

求解完成后，会得到一套优化后的能源消费路径。分析不仅仅是描述曲线，更要解读其含义。

5.1 核心结果解读

我们得到了两个核心情景的结果：

• 基准情景（BAU）：仅延续历史趋势和政策，不进行主动优化。
• 优化情景（OPT）：应用我们的滚动优化模型得到的能源结构路径。

对比发现：

• 碳排放轨迹：优化情景下，碳排放峰值提前了约5年，且2038年的累计碳排放量比基准情景降低了约18%。
• 能源结构演变：煤炭消费占比下降速度明显加快，在2030年左右降至20%以下（基准情景仍在30%左右）；清洁能源占比快速上升，在规划期末接近35%（基准情景约为25%）。
• 经济成本：优化情景下的综合能源成本比基准情景平均高出约5%，这主要源于早期对清洁能源的投入。但我们通过“能源成本影响约束”将其控制在了可接受范围内。

5.2 可视化与图表技巧

一张好图胜过千言万语。我们精心设计了以下几类图：

1. 堆叠面积图（能源结构演变）：这是展示结构变化最直观的图。X轴为年份，Y轴为能源消费量，用不同颜色堆叠出煤炭、石油、天然气、清洁能源的消费量。将BAU和OPT两个情景并列放置，差异一目了然。

   import matplotlib.pyplot as plt years = list(range(2024, 2039)) # data_opt 是优化后的消费量矩阵，形状为(15,4) fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5), sharey=True) ax1.stackplot(years, data_bau.T, labels=['Coal', 'Oil', 'Gas', 'Clean'], colors=['grey', 'brown', 'blue', 'green']) ax1.set_title('BAU Scenario - Energy Mix') ax1.set_ylabel('Energy Consumption (Million tce)') ax1.legend(loc='upper left') ax2.stackplot(years, data_opt.T, labels=['Coal', 'Oil', 'Gas', 'Clean'], colors=['grey', 'brown', 'blue', 'green']) ax2.set_title('Optimized Scenario - Energy Mix') plt.tight_layout() plt.show()

2. 双Y轴折线图（碳排放与强度对比）：左侧Y轴为碳排放总量（万吨），右侧Y轴为碳排放强度（吨/万元GDP）。将两个情景的这两条线画在一起，能清晰展示优化在总量和效率上的双重效果。

3. 雷达图/柱状图（政策情景对比）：对于政策评估子问题，我们模拟了6组不同的政策组合（碳税低/中/高 × 补贴低/高）。计算每组情景下的关键输出指标：累计减排量、GDP损失（相对于BAU）、清洁能源投资额。然后用雷达图同时展示多个指标，或用分组柱状图进行排序，直观显示“高碳税+高补贴”组合的综合效果最好，但经济成本也最高。

4. 敏感性分析热力图：分析技术进步率和能源价格弹性两个参数对优化结果（如累计减排量）的影响。将参数在一定范围内离散化，运行多次模型，将结果绘制成热力图。颜色越深表示减排效果越好。这张图能有力地说明模型结果对哪些参数敏感，为政策制定提供了不确定性范围的参考。

论文图表黄金法则：每张图都必须有自解释性。即标题、坐标轴标签、图例必须清晰完整，让读者不看正文也能理解图在表达什么。避免使用过于花哨的颜色和样式，学术图表以清晰、准确为首要目标。

6. 论文写作：如何将代码和思路转化为优秀论文

数学建模竞赛，论文是最终的交付物。代码再漂亮，模型再精巧，如果论文没写好，一切白搭。我们的写作遵循了“问题驱动-模型清晰-结果可信-讨论深入”的结构。

6.1 摘要：浓缩的精华

摘要必须独立成篇，概括全部工作。我们采用了经典的四段式：

1. 第一段（问题重述）：用一两句话说明研究了什么问题，背景和意义是什么。
2. 第二段（模型与方法）：简述我们解决问题的整体思路（预测+优化），以及使用的核心模型（改进灰色预测、政策驱动回归、多期滚动优化）。
3. 第三段（主要结果）：给出最关键的数字结论。例如：“...结果表明，通过优化，碳排放峰值可提前至2028年，2038年累计碳排放较基准情景下降18.2%。在‘高碳税+高补贴’政策组合下，减排效果最佳，但会使能源成本上升约8%。”
4. 第四段（模型特点）：简要总结模型的优点（如考虑了政策动态影响、滚动优化策略稳健）以及敏感性分析等扩展工作。

6.2 模型建立部分：逻辑大于公式

这部分不是罗列公式，而是讲述一个逻辑故事。

1. 问题分析：用流程图展示我们对问题的分解（预测模块 -> 优化模块）。分析每个子问题的特点（小样本预测、带约束动态优化）。
2. 模型准备：说明数据预处理、指标计算、参数设定（如碳排放系数来源、政策因子量化方法）。参数设定的依据必须交代，如果是假设，要说明其合理性。
3. 预测模型：先讲为什么用组合模型（灰色预测处理总量趋势，回归模型融入政策影响），再给出数学模型。对于回归模型，重点说明变量选取和系数符号的经济学含义。
4. 优化模型：这是核心。先给出完整的数学模型（目标函数、约束条件），对每个约束进行解释（为什么需要这个约束？其物理或经济含义是什么？）。然后，重点阐述滚动优化策略：为什么用这个策略？它是如何将动态问题转化为静态序列的？它的优缺点是什么？（我们诚实地指出这是一种近似，但计算高效且稳健）。
5. 求解方法：说明使用的求解器（SciPy的minimize函数，SLSQP算法），以及为提高求解稳定性采取的措施（多起点初始化）。

6.3 结果分析部分：数据与洞察并重

1. 逐题回答：严格按照题目子问题的顺序来呈现结果。每个子问题先用文字总结核心发现，然后配以图表支持。
2. 深度解读：不要只说“从图X可以看出，煤炭占比下降”。要解读背后的原因：“煤炭占比的快速下降主要得益于优化模型中施加的强制性年下降率约束，以及在碳税政策下其经济性相对下降。图中在2030年后的平台期，是因为遇到了清洁能源增长的技术上限约束。”
3. 交叉引用：在文字中明确指出支持结论的图表编号（如“如图3所示”），让评委能轻松对应。
4. 敏感性分析：这部分是加分项。不仅要展示结果如何随参数变化，更要分析变化的原因。例如：“当技术进步率提高10%，累计减排量可增加约5%。这是因为技术进步降低了清洁能源的成本，使得优化模型可以在经济成本约束下分配更多份额给清洁能源。”

6.4 模型评价与推广

1. 优点：实事求是，不要过度吹嘘。我们写了：模型结构清晰，预测与优化模块耦合灵活；滚动优化策略降低了求解难度，且易于理解；模型充分考虑了政策变量，具有较好的政策模拟能力。
2. 缺点：主动提及一两个不伤大雅的缺点，显得思考全面。我们写了：预测模块基于历史数据，对技术突破等颠覆性变化难以捕捉；优化模型中的部分约束（如增长率上下限）的设定具有一定主观性，虽然通过了敏感性分析检验。
3. 推广：基于模型框架，谈谈还可以用在哪些类似场景（如其他城市的低碳规划、工业部门的减排路径优化等），说明模型的通用性。

7. 团队协作与时间管理心得

最后，分享点实战中的“软技能”。三天（或更长）的竞赛，是脑力也是体力的较量。

1. 分工明确，动态调整：我们三人，一人主攻建模与算法（负责核心模型推导和代码框架），一人主攻编程与数据处理（负责代码实现、调试和可视化），一人主攻论文写作（负责将思路转化为文字，并绘制图表）。但分工不是僵化的。编程的同学遇到模型理解问题，建模的同学要立刻支持；写论文的同学需要某个具体结果，编程的同学要快速跑出数据。每天早晚开短会，同步进度，调整方向。
2. 版本控制至关重要：我们使用Git来管理代码和论文（LaTeX）。所有代码、数据、论文源文件都放在仓库里。这样，任何人都可以随时回溯到任何一个时间点的版本，避免了“文件覆盖”惨剧。对于论文，我们坚持写一小节就提交一次，注释清楚更新内容。
3. “先求有，再求好”：不要一开始就追求完美的模型或漂亮的图表。第一天结束前，必须有一个能跑通的、哪怕很粗糙的完整流程：从数据输入，到简单模型处理，到输出一个初步结果。这能建立信心，也便于早期发现致命问题（比如数据读错了，软件环境有问题）。后续两天再在这个基础上迭代优化、增加复杂度、美化图表和文字。
4. 论文写作要尽早开始：不要等到最后一天才写论文。从第一天起，负责论文的同学就应该开始搭建框架，写问题重述、模型假设等部分。每当模型确定一部分，就立刻将相关的数学模型和解释写进论文。这样最后一天的压力会小很多，只需要进行结果填充、润色和整合。
5. 保持健康与沟通：准备些提神的饮料和零食，但保证基本睡眠。队友间有不同意见时，就基于模型结果或简单试算来快速决策，避免长时间争论。记住，提交一份完整的、自洽的论文，比追求一个理论上完美但来不及实现的方案重要得多。

回过头看，那次比赛最大的收获不是奖项，而是这套从问题拆解到模型实现，再到结果表达的全流程实战经验。代码和论文只是载体，背后的思考过程才是真正有价值的东西。希望这篇超详细的复盘，能帮你穿透“完整代码和论文”这个表象，看到一次成功的数学建模究竟是如何一步步构建起来的。如果你正在备赛，不妨找一道往届赛题，试着用这个思路走一遍，相信你会有不一样的体会。