数学建模竞赛算法工具包：从模型选择到代码实现的全流程指南

数学建模竞赛算法工具包：从模型选择到代码实现的全流程指南——国赛/美赛通用，让你的思路快人一步一、拿到题目第一步：对号入座选模型这可能是你最需要的“速查表”。根据题目类型，直接锁定核心算法，避免大海捞针。题目类型典型特征关键词主攻算法辅助算法预测类根据历史数据，预测未来趋势预测、趋势、未来时间序列(ARIMA)、灰色预测GM(1,1)、神经网络(BP/LSTM)线性/非线性回归、指数平滑评价类给一堆对象打分、排名、选优评价、排名、优选、绩效层次分析法(AHP)、TOPSIS法、模糊综合评价熵权法、主成分分析(PCA)、数据包络分析(DEA)优化类在约束条件下，寻找最优方案最短路径、最大利润、最优调度线性/非线性规划、遗传算法(GA)、粒子群算法(PSO)、模拟退火贪心算法、动态规划、蒙特卡洛模拟分类/聚类类把一堆东西按特征分门别类分类、识别、聚类、画像K-means聚类、支持向量机(SVM)、随机森林、BP神经网络判别分析、DBSCAN、朴素贝叶斯方程/机理类用数学公式描述内在规律微分方程、动力学、物理过程常/偏微分方程、差分方程、元胞自动机曲线拟合、数值求解(龙格-库塔)速成经验：国赛A题（物理/工程类）多看微分方程和数值求解；B题（优化/离散类）多看规划模型和智能算法；C题（数据/统计类）多看预测、评价和机器学习。美赛MCM偏机理和连续问题，ICM偏数据分析和交叉学科。二、核心算法代码模板以下代码均按Python(调用常用库)和MATLAB两种语言给出，直接修改数据和参数即可使用。2.1灰色预测GM(1,1)适用场景：数据量少(4-10个)、呈指数增长趋势的短期预测，如预测某地未来2年的人口、GDP。Python模板：importnumpyasnp

importmatplotlib.pyplotasplt

defgm11(x0):

#1.级比检验

lambda_=x0[:-1]/x0[1:]

n=len(x0)

ifnotall([np.exp(-2/(n+1))<l<np.exp(2/(n+1))forlinlambda_]):

print("警告：级比检验不通过，预测可能失效")

#2.一次累加生成AGO

x1=np.cumsum(x0)

#3.构建数据矩阵B和数据向量Y

Z=-0.5*(x1[1:]+x1[:-1])

B=np.column_stack([Z,np.ones(n-1)])

Y=x0[1:].reshape(-1,1)

#4.最小二乘法求参数

a,b=np.linalg.inv(B.T@B)@B.T@Y

a,b=a[0],b[0]

#5.预测

defpredict(k):

return(x0[0]-b/a)*np.exp(-a*k)*(1-np.exp(a))

returna,b,predict

#使用示例

x0=np.array([2.67,3.13,3.25,3.36,3.56,3.72])#你的数据

a,b,pred=gm11(x0)

print(f"发展系数a:{a:.4f},灰作用量b:{b:.4f}")

#预测下一年

print(f"预测值:{pred(len(x0)):.2f}")MATLAB模板：function[a,b,pred]=gm11(x0)

n=length(x0);

%1.级比检验

lambda=x0(1:end-1)./x0(2:end);

ifany(lambda<exp(-2/(n+1))|lambda>exp(2/(n+1)))

warning('级比检验不通过');

end

%2.一次累加

x1=cumsum(x0);

%3.构建矩阵B和Y

Z=-0.5*(x1(1:end-1)+x1(2:end));

B=[Z',ones(n-1,1)];

Y=x0(2:end)';

%4.最小二乘

u=(B'*B)\(B'*Y);

a=u(1);b=u(2);

%5.预测

pred=@(k)(x0(1)-b/a)*exp(-a*k)*(1-exp(a));

end2.2层次分析法适用场景：评价类问题，需要将主观判断转化为定量权重，如选择最佳旅游地、确定各指标重要性。Python模板：importnumpyasnp

defahp(A):

n=A.shape[0]

#1.求特征值和特征向量

eig_val,eig_vec=np.linalg.eig(A)

max_eig=np.max(eig_val.real)

max_vec=eig_vec[:,np.argmax(eig_val.real)].real

#2.归一化得到权重

w=max_vec/max_vec.sum()

#3.一致性检验

CI=(max_eig-n)/(n-1)

RI_dict={1:0,2:0,3:0.52,4:0.89,5:1.12,6:1.26,7:1.36,8:1.41,9:1.46}

RI=RI_dict.get(n,1.49)

CR=CI/RI

ifCR<0.1:

print(f"一致性检验通过，CR={CR:.3f}")

else:

print(f"警告：一致性检验不通过，CR={CR:.3f}，请调整判断矩阵")

returnw

#使用示例：3x3的判断矩阵，a_ij表示i比j的重要程度

A=np.array([[1,3,5],

[1/3,1,2],

[1/5,1/2,1]])

weights=ahp(A)

print("权重:",weights)MATLAB模板：functionw=ahp(A)

[V,D]=eig(A);

max_eig=max(max(D));

[~,idx]=find(D==max_eig,1);

w=V(:,idx)/sum(V(:,idx));

n=size(A,1);

CI=(max_eig-n)/(n-1);

RI=[0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46];

CR=CI/RI(n);

ifCR<0.1

fprintf('一致性检验通过，CR=%.3f\n',CR);

else

fprintf('警告：CR=%.3f，需调整矩阵\n',CR);

end

end2.3遗传算法适用场景：复杂的非线性、多约束优化问题，传统方法求导困难时使用。如复杂路径规划、多资源最优调度。Python模板：importnumpyasnp

importrandom

defga(fitness_func,bounds,n_dim=2,pop_size=50,n_gen=100,mut_rate=0.01):

lower,upper=bounds

#初始化种群

pop=np.random.uniform(lower,upper,(pop_size,n_dim))

best_fit_history=[]

forgeninrange(n_gen):

#1.计算适应度

fitness=np.array([fitness_func(ind)forindinpop])

best_fit_history.append(np.max(fitness))

#2.选择(轮盘赌)

prob=fitness/fitness.sum()

selected=pop[np.random.choice(pop_size,pop_size,p=prob)]

#3.交叉(单点交叉)

children=[]

foriinrange(0,pop_size,2):

ifi+1<pop_size:

cross_point=random.randint(1,n_dim-1)

c1=np.concatenate([selected[i][:cross_point],selected[i+1][cross_point:]])

c2=np.concatenate([selected[i+1][:cross_point],selected[i][cross_point:]])

children.extend([c1,c2])

children=np.array(children)[:pop_size]

#4.变异

foriinrange(pop_size):

forjinrange(n_dim):

ifrandom.random()<mut_rate:

children[i][j]=random.uniform(lower,upper)

pop=children

#返回最优解

final_fitness=[fitness_func(ind)forindinpop]

best_idx=np.argmax(final_fitness)

returnpop[best_idx],final_fitness[best_idx],best_fit_history

#使用示例：求函数最大值f(x,y)=x*sin(4πx)-y*sin(4πy+π)+1

deffunc(x):

returnx[0]*np.sin(4*np.pi*x[0])-x[1]*np.sin(4*np.pi*x[1]+np.pi)+1

best,val,history=ga(func,bounds=(-1,1),n_dim=2)

print(f"最优解:{best},最优值:{val}")MATLAB：直接调用全局优化工具箱的ga函数，或使用谢菲尔德大学遗传算法工具箱。2.4BP神经网络适用场景：输入输出关系复杂、难以用显式公式表达的非线性映射，如模式识别、多维时间序列预测、图像分类初步。Python模板(scikit-learn风格)：fromsklearn.neural_networkimportMLPRegressor#或MLPClassifier用于分类

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.preprocessingimportStandardScaler

importnumpyasnp

#1.准备数据（假设X是输入，y是输出）

X=np.array([...])#shape:(样本数,特征数)

y=np.array([...])#shape:(样本数,)

#2.划分训练集和测试集

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2)

#3.必须归一化！

scaler_X=StandardScaler()

scaler_y=StandardScaler()

X_train=scaler_X.fit_transform(X_train)

y_train=scaler_y.fit_transform(y_train.reshape(-1,1)).ravel()

#4.构建并训练模型

model=MLPRegressor(

hidden_layer_sizes=(10,6),#两个隐藏层，节点数分别为10和6

activation='relu',

solver='adam',

max_iter=1000,

random_state=42

)

model.fit(X_train,y_train)

#5.预测

X_test_scaled=scaler_X.transform(X_test)

y_pred_scaled=model.predict(X_test_scaled)

y_pred=scaler_y.inverse_transform(y_pred_scaled.reshape(-1,1))

print(f"预测值:{y_pred.ravel()}")MATLAB：直接使用fitnet或feedforwardnet函数，配合train命令。2.5粒子群算法适用场景：与遗传算法类似，处理连续变量的全局优化问题，收敛速度通常更快，适合求解多维函数极值、控制器参数整定。Python模板：importnumpyasnp

defpso(fitness_func,n_particles=30,n_dims=2,bounds=(-1,1),max_iter=100):

lower,upper=bounds

#初始化

X=np.random.uniform(lower,upper,(n_particles,n_dims))

V=np.random.uniform(-1,1,(n_particles,n_dims))

pbest_X=X.copy()

pbest_val=np.array([fitness_func(x)forxinX])

gbest_idx=np.argmax(pbest_val)

gbest_X=pbest_X[gbest_idx].copy()

w_max,w_min=0.9,0.4

c1,c2=2.0,2.0

fortinrange(max_iter):

w=w_max-(w_max-w_min)*t/max_iter#惯性权重线性递减

r1,r2=np.random.rand(n_particles,n_dims),np.random.rand(n_particles,n_dims)

#更新速度和位置

V=w*V+c1*r1*(pbest_X-X)+c2*r2*(gbest_X-X)

V=np.clip(V,-0.2*(upper-lower),0.2*(upper-lower))#限速

X=X+V

X=np.clip(X,lower,upper)

#更新个体和全局最优

cur_val=np.array([fitness_func(x)forxinX])

improved=cur_val>pbest_val

pbest_X[improved]=X[improved]

pbest_val[improved]=cur_val[improved]

ifnp.max(pbest_val)>fitness_func(gbest_X):

gbest_X=pbest_X[np.argmax(pbest_val)].copy()

returngbest_X,fitness_func(gbest_X)MATLAB：直接调用全局优化工具箱的particleswarm函数。三、论文写作的“公式化”话术每个模型在论文中都需要规范描述，这里直接给你模板。3.1数据预处理话术“为消除量纲影响，避免数值范围大的特征主导模型，本文对原始数据进行了离差标准化（Min-MaxNormalization）处理，将其映射至[0,1]区间。针对