美赛B题建模实战指南：从选题决策到论文写作的完整流水线

每年二月的清晨，当朋友圈开始刷屏“美赛开赛了”，无数数学建模人的神经就会骤然抽紧。这道MCM B题，通常在开赛第一天凌晨新鲜出炉，你和队友需要在96小时内拿出完整论文，还可能要附上能跑的源码。很多人看到题目的第一反应是“题都看不懂”，但几年国赛和美赛打下来，我越来越确信一件事：B题拼的不是智商，而是破题框架和执行速度。

我一个朋友第一次打美赛，光在“选A还是选B”上就耗了三个小时，结果B题读了三遍都没抓住关键约束，最后交上去一篇连摘要都没打磨的论文，自然与奖项无缘。这其实非常可惜。美赛B题表面上千变万化，内核却有很强的规律性，它考的是你用数学模型解决“真实世界开放问题”的能力，而不是比谁背的公式多。这套打法只要在赛前梳理清楚，拿到2026年的题目时，你完全可以在半小时内判断“这题能不能打”，然后在第一天就锁定模型框架。

这篇文章不押题、不猜题，而是给你一套拿来就能用的完整流水线：从选题决策、题目拆解、模型选型、源码模板到论文写作，全部用这些年我实测过的方法来梳理。我尽量用大白话讲，里面所有代码块都是可以直接复制改的，哪怕你前一天才开始学Python，也能照着拼出一篇像模像样的参赛论文。

1. 先搞懂B题到底在考什么

1.1 近十年B题的命题规律

很多人觉得美赛B题题目飘忽不定，其实翻一翻往年的题就能发现它的“性格”。近几年的MCM B题里，我印象最深的有三类的典型：一类是让无人机去扑救山火，涉及火势蔓延预测和资源调度；一类是水库群的水量分配与电价谈判，涉及多目标决策；还有一类是设计搜索策略去找失踪的潜水器，涉及概率模型、搜索路径优化和传感器决策。这些题目表面上是“物理题”“地理题”“工程题”，但真正要你交的东西，往往是“决策建议”和“优化方案”。

这就说明了B题的一个核心特质：它通常给一个真实场景，但不会把所有数学结构都告诉你，需要你自己抽象出一个可计算的问题。 它不像某些校内竞赛那样，题干里明明白白写着“请用层次分析法”；B题往往只给一堆背景描述、数据和零散条件，你要自己判断该用微分方程、优化模型、统计模拟，还是把几个方法串起来。这也是为什么很多队伍死在“不会定位问题”上——不是不会算，而是不知道算什么。

另一点值得注意：B题非常看重结果的“可解释性”。你建立的模型输出，不能只是一个数，评委更希望看到你这个数对现实决策有什么意义。比如水库调水问题，如果你只给出“最优放水量=1200万方”，远远不够；你得解释为什么是这个量、极端干旱年怎么办、上下游的冲突怎么平衡。这种“从数学到管理建议”的跳跃，是B题拿高分的关键。

1.2 拿到题目后前12小时要做什么

美赛的96小时听起来很长，但真正有效的时间不超过前48小时，因为后两天要给写论文和排版留足余量。我的习惯是，开赛后的第一个12小时只做三件事：读题、定位、定模型。

第一，逐句读题，并用不同颜色标注信息类型。我在Word里会用三种颜色：红色标已知条件（数据、参数、约束），蓝色标待求目标（要你回答什么问题），绿色标隐含场景信息（比如“社区有不同收入群体”“旱季降水量少”，这些暗示你的模型中要考虑异质性或极端情景）。这一步很多人嫌麻烦跳过，但它能帮你避开“漏条件”这个最大坑。

第二，把题目翻译成“母题”。也就是说，不要被外壳迷惑，去想“这本质上是什么问题”。搜索潜水器，本质是“目标可能在某区域按某概率分布，如何设计路径使发现概率最大”，这就是一个覆盖优化问题；水库调水，本质是“多个主体共享有限资源，如何分配使总收益最大且各方接受”，这就是资源分配博弈。只要你能把题目翻译成母题，脑子里马上就能浮现出可用的模型家族。

第三，判断团队是否适合做B题。如果你的团队擅长连续模型和数值求解，B题通常会比C题（大数据题）更友好；如果团队里没人会写复杂算法，B题也可能因为模型灵活而更容易“绕过去”。但要注意，B题几乎绕不开优化，哪怕你只是用穷举法做参数扫描，也得让评委看到你有“优化意识”。所以赛前至少要学会一种优化手段，退一万步，scipy.optimize里的differential_evolution也要会用。

2. 建模思路拆解：从问题到模型的四步走

2.1 先把“故事”翻译成数学陈述

很多队伍拿到题目就开始写方程，这是本末倒置。我推荐先做一个“翻译表”：把题干里的自然语言逐条翻译成数学语言。比如题干说“救援物资必须在24小时内送达”，这翻译过来就是一个时间约束$t_i \leq 24$；题干说“无人机续航不超过2小时”，这翻译过来就是能量约束$\sum_j E_{ij} \leq E_{max}$；题干说“希望成本尽量低”，这翻译过来就是目标函数$\min C$。

这个翻译步骤看似机械，但它能帮你把题目里所有隐藏的建模要素都“可视化”。我在实战中还会画一个简单的输入-变量-输出图：输入是已知数据，变量是你要决策的东西，输出是评价指标。拿2024年潜水器搜索题举例，输入是海流数据、潜水器失联位置、传感器性能；变量是搜索路径、传感器布点；输出是发现概率、搜索成本。这个图一旦画出来，整个模型的骨架就清楚了，接下来只是往骨架里填肉。

这里给新手一个忠告：不要一上来就用高大上的模型。你会发现B题里80%的问题，用微分方程加蒙特卡洛模拟，或者线性规划加灵敏度分析，就能做出漂亮的结果。评委更看重的是“你的模型能不能自圆其说”，而不是“你用了多偏门的算法”。我见过太多队伍堆了神经网络、强化学习，结果论文里连网络结构都没解释清楚，最后分数反而不如老老实实做优化建模的队伍。

2.2 模型选型清单：B题常见的六条主干道

根据我的参赛和指导经验，B题的模型需求基本逃不出这六个方向。我做了一个速查表，当你被某个“母题”卡住的时候，直接对着表格找方向就行。

看到没有，每个方向都有现成工具，关键是你要在开题当天就确定走哪条路。我的经验是：如果你能在题目里同时看到“时间”和“空间”两个关键词，那大概率是微分方程加优化混合模型；如果题目通篇在谈“成本”“效益”“约束”，那大概率是规划类模型；如果题目里有大量随机性表述，比如“概率”“不可预测”“突发”，那就要用蒙特卡洛这类模拟工具。

2.3 一个随手可跑的简单例子：扩散过程建模

为了让上面的选型不那么抽象，我给你写一个最小的可运行样例。假设B题里有一问让你模拟污染物在湖中的扩散浓度，或者在人群中传播的信息扩散，你都可以用经典的一维热传导/扩散方程来当起点：

$$\frac{\partial u}{\partial t} = D \frac{\partial^2 u}{\partial x^2}$$

我在代码里用一个简单的显式有限差分法来求解，这在国内数学建模里非常常用，简单而且可控。

python复制import numpy as np
import matplotlib.pyplot as plt

# 参数设置
L = 100.0    # 空间长度
T = 50.0     # 总时间
Nx = 200     # 空间网格数
Nt = 5000    # 时间步数
D = 0.5      # 扩散系数

dx = L / (Nx - 1)
dt = T / Nt
# 稳定性条件：D*dt/dx^2 必须小于0.5
print("稳定性系数:", D * dt / dx**2)

u = np.zeros(Nx)
# 初始条件：中间浓度高
u[Nx//2 - 10: Nx//2 + 10] = 1.0

for n in range(Nt):
    u_new = u.copy()
    for i in range(1, Nx - 1):
        u_new[i] = u[i] + D * dt / dx**2 * (u[i+1] - 2*u[i] + u[i-1])
    u = u_new

plt.plot(np.linspace(0, L, Nx), u)
plt.title("Diffusion after time T")
plt.xlabel("x")
plt.ylabel("u")
plt.show()

这个代码很短，但它是很多B题“动态部分”的通用起点。你需要做的就是调整初始条件、边界条件，或者把扩散项换成逻辑斯蒂增长项，就能变成一个人口扩散或资源扩散模型。注意那个稳定性条件，D*dt/dx^2一超过0.5，数值解就会发散成锯齿状，这是我们当年踩过的坑，后面第四节再详细讲。

3. 换个视角看B题：经典几何-优化模型的迁移

3.1 为什么建议练“板凳龙”这类国赛题

热词里频繁出现“板凳龙”和“几何—运动”，这是2024年国赛A题的一个经典案例。虽然它是国赛题，但对美赛B题有很强的迁移价值，因为美赛B题也经常带有“几何+运动+优化”的混合血统，比如设计无人机编队轨迹、规划水面搜救路径、机器人避障路线等。你完全可以把“板凳龙”的建模方法练熟，等真正上了B题战场，看到类似几何运动题，你就能直接“抄作业”。

我第一次做“板凳龙”这道题时，最大的感悟是：这类题的难点不在于数值求解，而在于把几何关系用递推公式写清楚。 题目里每条板凳有固定长度、固定铰接位置，龙头的转角会逐节传导。很多人被这个“运动链条”绕晕，其实只要抓住每一节板凳的位姿递推关系，整个问题就是一堆坐标旋转和平移的叠加。

3.2 递推式几何关系怎么建

假设你有一串由N节刚性板凳组成的龙身，每节长度L，相邻两节在端点铰接。龙头以某个角速度转向时，第i节相对第i-1节的转角不是瞬间完成的，会有一个滞后或约束。最朴素的做法是，把每一节看成一个刚体，用前一个刚体的末端坐标作为当前刚体的起点，然后通过旋转矩阵拼出下一段。

python复制import numpy as np

def rotation_2d(theta):
    c, s = np.cos(theta), np.sin(theta)
    return np.array([[c, -s], [s, c]])

def dragon_positions(head_angle, joint_angles, L, N):
    # head_angle: 龙头的绝对角度
    # joint_angles: 长度为N-1的数组，表示每一节相对前一节的转角
    pts = [(0.0, 0.0)]
    current_angle = head_angle
    for i in range(N):
        # 在当前方向上延伸L
        dx = L * np.cos(current_angle)
        dy = L * np.sin(current_angle)
        pts.append((pts[-1][0] + dx, pts[-1][1] + dy))
        if i < N - 1:
            current_angle += joint_angles[i]
    return np.array(pts)

# 比如龙头转60度，后续节都在慢慢跟上
joints = np.radians([10, 8, 6, 4, 2, 1, 0.5])
head = np.radians(60)
positions = dragon_positions(head, joints, L=2.0, N=8)
print(positions)

写出这个递推之后，下一步就是把“龙头走得多快、能不能碰到障碍、各节会不会互相碰撞”这些要求，变成对joint_angles的约束，然后用优化去解。这种“几何关系+约束+优化”的组合拳，在美赛B题里几乎年年都能用上。

3.3 把几何模型转成优化目标

我们接着上面这个例子说。假设题目要求龙身不得碰到某个圆形障碍区，每节板凳的中心坐标是$p_i=(x_i,y_i)$，那么“避障”就可以表达成一个不等式约束：$|p_i - C|^2 \ge R^2$，其中$C$是圆心，$R$是障碍半径。而题目想要“龙头在最短时间内通过某个路径”，那这就是目标函数$\min \sum \theta_i^2$或者$\min T$。

我在实际求解时，会把几何递推公式写成一个函数，输入是转角序列，输出是所有点的坐标，然后用scipy.optimize.minimize去优化。很多队伍一听“优化”就害怕，其实只要你能写出“变量—约束—目标”三件套，优化器自己会干活。关键是你的初始值要给得靠谱，比如先用零转角当作初始解，再一步步放宽约束。

这类练习的意义在于，它能帮你训练一种“拆题直觉”：看到几何运动，先想刚体变换；看到避障，先想距离约束；看到“最快”“最短”“最优”，先想目标函数。等这个直觉养成了，美赛B题里那些看似复杂的场景，在你眼里就是一连串可拼装的模块。

4. 源码工具箱：一套直接能改的Python模板

4.1 数据读取与快速洞察

美赛B题经常给一堆CSV，数据脏得让你怀疑人生。我建议开赛第一天就先把数据摸底做了，别等模型建好才发现数据格式不对。下面这段模板我几乎每次比赛都会先用一遍。

python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", encoding="utf-8")
print(df.head())
print(df.describe())
print(df.isnull().sum())

# 如果有缺失值，最简单的处理：数值列用中位数填充，类别列用众数填充
for col in df.columns:
    if df[col].dtype in ["float64", "int64"]:
        df[col] = df[col].fillna(df[col].median())
    else:
        df[col] = df[col].fillna(df[col].mode()[0])

# 相关性热图，方便你在建模前找“哪些变量可能有关系”
import seaborn as sns
plt.figure(figsize=(10, 8))
sns.heatmap(df.corr(numeric_only=True), annot=True, cmap="coolwarm")
plt.title("Correlation Heatmap")
plt.show()

这个阶段输出的图表，可以直接放到论文附录当“数据分析”部分。美赛评委非常喜欢看到你“先看数据再建模型”的痕迹，这比空谈假设要有说服力得多。

4.2 连续模型求解模板

如果B题里出现“随时间变化”的动态过程，比如感染人数增长、污染物扩散、资源消耗，你就需要解常微分方程（ODE）。scipy.integrate.odeint是稳定好用的选择，我拿一个简化版Logistic增长模型演示。

python复制from scipy.integrate import odeint

def logistic_model(p, t, r, K):
    # p: 当前数量
    # r: 增长率
    # K: 环境容量
    dpdt = r * p * (1 - p / K)
    return dpdt

p0 = 10
r = 0.3
K = 10000
t = np.linspace(0, 50, 200)

solution = odeint(logistic_model, p0, t, args=(r, K))
plt.plot(t, solution[:, 0])
plt.xlabel("time")
plt.ylabel("population")
plt.title("Logistic Growth")
plt.show()

这个模板看着很简单，但真实比赛里你往往会遇到多变量耦合方程组，比如同时模拟多个群体的变化。你只要把logistic_model返回值从标量改成列表，odeint一样能解，这是它最方便的地方。

4.3 优化模型求解模板

B题几乎必然会有一个“优化”问题，最常见的是一个线性规划或非线性规划。如果你能把目标函数和约束写成数学形式，用scipy.optimize.minimize就能解。下面是一个带不等式约束的示例，变量是二维的，模拟“两个资源怎么分配”。

python复制from scipy.optimize import minimize

def objective(x):
    # 假设我们要最大化 x0 + 1.5*x1，所以求相反数
    return -(x[0] + 1.5 * x[1])

def constraint1(x):
    return x[0] + x[1] - 10   # >= 0 表示 x0+x1至少为10

def constraint2(x):
    return 20 - (2*x[0] + x[1])  # 2x0+x1 <= 20

cons = [{"type": "ineq", "fun": constraint1},
        {"type": "ineq", "fun": constraint2}]
bounds = [(0, None), (0, None)]

result = minimize(objective, x0=[1, 1], bounds=bounds, constraints=cons)
print("最优解:", result.x)
print("最优目标值:", -result.fun)

注意，scipy.optimize.minimize默认是求最小值，如果你要最大化，就把目标函数取负号。这个方法只能保证找到局部最优解，所以我会多试几个初始点，或者直接切换到differential_evolution这种全局优化算法。

python复制from scipy.optimize import differential_evolution

res = differential_evolution(lambda x: -(x[0] + 1.5*x[1]),
                             bounds=[(0, 100), (0, 100)],
                             constraints=cons, seed=42)
print("全局最优解:", res.x)

这一招在B题里特别有用，因为美赛的约束经常是非线性、非凸的，普通梯度法很容易卡在局部最优，而differential_evolution不需要求导，哪怕你是刚接触优化也能跑出像样的结果。

4.4 蒙特卡洛模拟模板

B题里“不确定性”是常客，这时候蒙特卡洛模拟是你的救星。它能告诉你“最可能的结果”和“最差情景”。我写一个最简单的库存或收益模拟模板。

python复制np.random.seed(42)
n_sim = 10000
results = []

for _ in range(n_sim):
    demand = np.random.normal(100, 20)      # 需求服从正态分布
    supply = np.random.uniform(80, 130)     # 供给服从均匀分布
    profit = 5 * min(demand, supply) - 2 * max(0, demand - supply)
    results.append(profit)

results = np.array(results)
print("期望利润:", results.mean())
print("95%置信区间:", np.percentile(results, [2.5, 97.5]))

把这个模拟次数调大到几万次，你就能得到一个利润分布，可以用来支撑论文里的风险管理决策。评委看到你用分布而不是单一数值来回答问题，会觉得你的模型比“拍脑袋给答案”高一个档次。

4.5 灵敏度分析与成品图

灵敏度分析是美赛评审非常看重的部分，本质就是“参数变一变，结果怎么变”。它不需要很复杂，最简单的方案是把参数从-20%扫描到+20%，记录目标值的变化，画一条折线或热力图。

python复制param_values = np.linspace(0.8, 1.2, 10)
obj_results = []

for scale in param_values:
    r_new = r * scale
    sol = odeint(logistic_model, p0, t, args=(r_new, K))
    obj_results.append(sol[-1, 0])   # 取最终时刻结果

plt.plot(param_values, obj_results, marker="o")
plt.xlabel("scale of r")
plt.ylabel("final population")
plt.title("Sensitivity Analysis")
plt.show()

我每次比赛都会用这个办法生成3到5张灵敏度分析图，然后用一段话解释“模型结果对哪些参数敏感，为什么”。这几乎是美赛论文里性价比最高的部分——代码量很小，但能明显拉升评阅观感。

5. 论文写作：怎么把“会做”变成“高分”

5.1 摘要的倒金字塔写法

美赛论文的评阅人一天要看几十份论文，摘要往往决定了他对你的第一印象。我见过很多队伍模型做得不错，但摘要写得像流水账，最后只拿了个“Successful Participant”。摘要一定要按“倒金字塔”写：第一句点明问题背景与核心任务；第二句说明你建立了什么模型；第三句说模型包含哪些关键变量与约束；第四句给出核心结果；第五句说结果的现实意义或灵敏度发现。

比如这样写：“针对2026年MCM B题的XX问题，本文构建了一个基于多目标优化的资源调度模型。模型以XX、XX为决策变量，以总成本最小和覆盖率最大为目标，并引入XX约束刻画实际限制。在求解中，采用遗传算法加局部搜索的混合策略，求得Pareto最优解集。结果表明，在基准情景下，该方案可将XX指标提升17.3%，且模型对需求波动具有较强的鲁棒性。” 这样一段话，把“问题—方法—变量—结果—意义”全说清楚了，评委就不用在一堆文字里找重点。

5.2 图表规范与“一眼看懂”原则

美赛论文里，图表是给评委的“快速通道”。我的经验是，每一张图都要做到“不读说明也能看懂”，这需要三条铁律：一是坐标轴标签必须写清楚单位，比如“time (hour)”；二是每条线、每个图例都用大字号，最好14号以上；三是核心结论图放在正文里，支撑图表放附录，不要让人在正文里看一堆冗余大图。

另外，我强烈建议你给每个图配一个“一句话解读”。这句解读不是图题，而是正文里的那句话，比如“从图5可以看出，当续航系数下降到0.8时，最优路径的长度上升了约23%”。这样评委顺着你的文字读，每个图都有存在的理由，而不是“看上去很厉害但不知道想说啥”。

5.3 附录里放什么源码、为什么放

标题既然写了“附源码”，那就说明你要在提交材料里放代码。美赛官方要求论文里可以附代码目录，但这里有个策略：不要把所有代码堆在附录里，而是挑3到5个核心求解文件，并且保证它们是“可运行的最小版本”。

我做过的压缩方法是：把模型求解的脚本里，所有无关数据预处理都删掉，只保留“输入—求解—输出”的主干，然后在注释里写清楚输入文件格式和依赖库。一个能跑、有注释、能复现结果的代码，比几千行乱糟糟的代码有价值得多。另外，代码文件的命名要规范，比如model1_optimization.py、model2_montecarlo.py，不要叫final_final2.py，评阅人看了会头疼。

5.4 排版工具建议：LaTeX还是Word

每年都有队伍在最后一天被排版逼疯。我的建议是：如果团队有任何人会用LaTeX，就优先用LaTeX。美赛有现成的模板，公式排版漂亮，而且能自动处理交叉引用。不会LaTeX也没关系，用Word加MathType也能做，但一定要在开赛当天就建立好文档结构，把摘要、问题分析、模型假设这些空章节先写好，然后每天往里面填内容。

这里还有一个第零章的技巧：在论文最前面放一页“Summary Sheet”，也就是美赛要求的不超过一页的总结页，实际上就是摘要的扩展版。你的团队信息、问题重述、模型概述、核心结论，都要压缩在这一页里。这一页就是评委最先看的内容，很多人写到这里才发现“我们模型还没讲清楚”，所以我会建议团队在比赛第48小时左右就开始起草Summary Sheet，逼自己把模型逻辑先理顺。

6. 实战中的坎：那些年我们踩过的坑

6.1 模型太复杂，跑不出数

这是新手队伍最容易犯的病：一开始就上深度学习、多智能体强化学习，结果调参调到交卷前夜还不出图。我的原则是“先简后繁”，第一天先用最简单的模型跑通全流程，比如把优化问题先去掉约束跑一遍，或者把动态模型先固定参数跑一遍，只要全流程能出数，再逐步加入条件、约束和不确定性。这个方法能保证你永远有一个“保底结果”，不至于最后一天交白卷。

6.2 数值解不收敛、图像振荡

用有限差分法解偏微分方程时，最容易遇到数值发散问题。我们当时解决的办法很简单：检查稳定性条件。比如显式格式要求$\frac{D \Delta t}{\Delta x^2} \le 0.5$，只要这个参数超过临界值，数值解就会报废。所以每次写差分循环之前，我都会先把稳定性系数打印出来检查一遍，养成习惯后基本不会再栽在这上面。

如果你发现连续改小步长也没用，那就要考虑是不是边界条件出了问题。比如扩散方程在边界处没有正确设成零通量，数值也会在边界积累。这个时候不要硬调参数，先回头检查边界条件的离散方式。

6.3 数据缺失太多，模型没法用

B题给的数据有时候会故意“少给”一些关键变量，考验你能否自己生成或估计。我见过最靠谱的处理方式有三种：一是用插值或中位数填充；二是用相关变量建立一个简单回归来预测缺失值；三是把数据缺失当成模型中的不确定性，在蒙特卡洛模拟中随机生成缺失值。第三种方式最好用，因为它把“缺数据”从劣势变成了“考虑数据不确定性”的优势，评委反而会觉得你想得全面。

6.4 队友分工失衡，写作成了短板

备战时，我强烈建议在队伍里固定一个“代码手”、一个“建模手”、一个“论文手”，但三个人都要参与问题拆解。最怕的情况是建模手和代码手讨论了三天，论文手完全跟不上，最后一个人用一天时间憋出二十页论文，质量自然堪忧。我的习惯是每天晚饭后开15分钟同步会，三个人轮流讲“今天做了什么、模型哪里要改、论文哪里需要补”。哪怕论文手不懂代码细节，也要让他听懂模型假设与结论之间的逻辑，这样才能写出连贯的叙述。

6.5 常见问题速查表

最后再分享一个小技巧，也是我自己打比赛的真实体会：不管题目多烧脑，一定要留出最后一个晚上专门精读整篇论文，把自己当成评委从头看到尾，重点检查摘要是否能独立成立、每章之间是否有逻辑断裂。很多时候，只差这一步，名次就能从二等奖跳到一等奖。这个习惯我保持了三年，每一次都救命。希望你们2026年也能稳稳地把题目咬下来，打完收工那一刻，你会觉得这96小时过得比一个月都值。