数学建模算法与应用,/数学建模系列丛书

数学建模比赛怎样找队友？

数模组队的好与不好，会严重影响到数模比赛的最终成绩。数模比赛，一般为三个人组队比赛，按照传统的组队方法，是两个男生，一个女生，并且男生一个负责建模，一个编程，最后那名女生负责写作。常规的组队方法，包括一些数学建模书本上的组队方法都是如此。我经过一些实战包括比赛后，认为上面的组队方法是可行的，但是我也想谈谈一些我自己的想法。

我三年组队，第三年的结果是最好的，但是第三年我打破了常规，并没有按照传统的方式组队，而是采用了建模/写作 编程 编程，这种一个人负责建模和写作，两个人负责编程的模式。这样做，或许第一个人需要全程不休息，因为他在建模完事后，就要去继续写作，好处就是，写作比较流畅，基本上思路都来自自己，不需要翻译给写作的人去听。

因此，基本上做到第几问，第几问基本上就可以写完，只需要编程的人员出数据和图像就好。并且由于有两个人一起写程序，这样由于两个人写，在做一些程序量比较大的题目，比如A题，效率方面就会提高很多。这一次，第四问的程序两个队友学了相关的使用软件，因此可以比较充分地解答完整。并且他们对这一问的解释产生了一些分歧，最终大家还是统一了一个方案解决了第四问。

如果不是这样交流，第四问肯定死掉，今年也不可能取得一个不错的成绩了。对于美赛来说，写作的同学任务比较重，因此，对于建模的同学，要他直接建模并且开英文写作，还是有点不太合适的。我的意见是，还是采用传统的方案，好在美赛对于编程的要求对于答案的要求比国赛低一些，因此编程的任务也相对轻一些。对于每个队员具体的任务我这里稍微说下：队长：其实在比赛当中并没有这个位置，而且比赛名单当中的第一名并不一定是贡献最大的人。

但是由于有些学校奇葩的奖励问题，一般第一位置都是给队长担任。我认为，从实战经验来看，队长不一定必须要是建模的队员，但是一般实际情况上来说，建模的同学属于见多识广，这样在对于比赛全局的把控当中，比如时间的节奏，做题的套路都会把握得比较好。或许就是那种你觉得他很水，但是他就是可以带你拿奖的那种人吧。建模：这个是数学建模当中最需要懂一些数学，并且最套路的。

对于做建模的同学来说，很多模型其实是无法真正驾驭的，因为很多的模型都是读研或者读博的时候才会真正深入开始研究。其实纵观每年比赛的题目，非常多的题目在往年的硕士生或者博士生的毕业课题当中都可以找到相关的影子，比如今年2017年国赛A题的题目，其核心思想与一篇硕士论文非常相似。B题较为灵活，但是其处理数据的手法还是可以找出相关的文献。

所以对于建模的同学来说，不仅需要了解一些基础的模型，这个看建模书就可以，而且需要熟悉一些论文查找平台，不管是中文的，外文的，都需要了解一些。对于参数的设置，则需要结合问题来看，一般来说，由于问题需要考虑实际情况，并且只是理想建模，参数不宜太多，能用低维解决尽量用低维解决问题。除了《数学模型》这本书之外，尽可能地提高真正的数学功底吧。

尤其是线性代数和概率统计的水平。至于物理等其他水平，则有机会涉猎就涉猎一点。由于我本人以前读物理的，对物理模型比较敏感，因此做A题可以吃一点便宜。编程：一般最好是读EECS电子，计算机等需要编程的同学，在有C/C ，Java这些基础语言的基础之上我觉得最需要了解的就是MatlabOctave，对于数学建模竞赛来说，学会使用MatlabOctave在原则上基本上就够用了，但是有一些封装特别好的商业软件，比如SPSS和SAS，Lingo这些具体解决一类用途的软件，时间有多可以学学，没有时间就算了。

SPSS由于比较无脑，建议学习，今年我们赛区还是有国一选手单纯使用SPSS而获奖，我本人十分佩服。Python也是一个不错的语言，我现在本人也在学，对于数据这一块来说，是不错的。但是吴恩达还是提出了，做机器学习，最好上手还是使用Octave或者说Matlab，等以后开发再说别的语言。这里就推荐一本入门书，《数学建模算法与应用》更多的代码，还是从比赛或者实战中学，也可以从论坛中学。

写作：写作一般来说是比较轻松的活，这一点在我前一篇文章已经说了，可以通过阅读前人的文章进行学习。如果你是理科生，可以学习一下LaTeX排版，如果以后写论文主要还是使用Word，用好Word就好了。在国赛当中，组委会推荐的还是使用Word，美赛虽然没有说用哪一种软件好，但是我还是见过使用latex在最后编译的时候出错导致满盘皆输。

数学建模预测数据应该如何选择算法？

在之前的数模竞赛中，即便是美赛O奖的作品中，我们都能看到诸如灰色预测这样的用MATLAB实现的方法，实际上我们有时间序列，回归等一系列比较常用的预测方法。在18年前后，预测类数模问题变得较为尴尬，不是因为这些题目简单，是因为大家都有了一套两套现成的算法，拿题后只要找到数据就能很快跑程序出数据出图写论文。

所以那个时候基本上很少有预测的题目再出现了。实际上，评价类模型和预测类模型都是这样，因为人均都会，所以导致我们不会见到一整个大题全是讲预测的。在这之前，我们在国赛见过人口增加预测，长江水质预测，世博会影响预测等等，那个时候基本上都是用matlab去实现这些数据的处理和预测。说起来，在15年我本科入学的时候有个风潮，就是互联网 ，那个时候就是谁有着一个什么创新创业的点子，就可以去参加比赛拿拿奖。

我一看这还要做ppt路演，搞得比较商业，当时就没怎么关注，毕竟我只喜欢参加埋头做题的比赛。上台说话这种我比较怯场，不过我也不是没有改变自己，有一次我最终鼓起勇气去参加了学校一个英语辩论赛，初赛只有抽题观点陈述这一部分，不用和别的同学正面对抗，所以我侥幸侃侃而谈，成功入围复赛，高兴之余，也激动地和室友报喜，随后联系复赛管理人员说我不去了，名额因此也顺延给了后一名，不知道算不算得上一桩美谈。

扯远了，主要是那个时候搞互联网 ，什么东西都要加互联网，超市 互联网=做个订超市app，打车 互联网=打车软件。现在python很火，颇有一番人工智能 的趋势。在数模领域，除了matlab，学会python搞人工智能应用也将是一个趋势，不过吧，实际上MATLAB也能实现一部分。那么在预测类这方面，用python的话：LSTM：长短期记忆网络GRU：门控循环单元DBN：深度置信网络QNN：量子神经网络SVR：支持向量机XGBoost：极端梯度提升CNN：卷积神经网络ESN：回声状态网络……举例的这些方法都可以被应用到预测中，如果你搜索这些算法，你会发现有不少核心期刊论文，通篇运用这些方法来做预测。