数学建模技能 - Math Modeling

本技能为数学建模竞赛和项目提供结构化的三阶段工作流程：建模分析、代码实现、论文撰写。确保建模、编程、论文撰写三个环节紧密衔接，产出高质量的数学建模成果。

技能概述

数学建模是利用数学方法解决实际问题的过程，核心流程包括：

1. 问题分析：理解题意，选择合适的数学模型
2. 模型建立：将实际问题转化为数学表达式
3. 模型求解：通过编程实现模型求解
4. 结果分析：对结果进行解释和可视化
5. 论文撰写：将完整过程整理成学术论文

本技能采用三阶段协作模式，各阶段按顺序依次执行。

---

💡 创新指南

本技能鼓励创新和灵活性：

算法组合

• 可组合多个算法：如"灰色预测+神经网络"
• 参考不同类别的算法：如图论算法用于优化

题目特殊分析

• 当常规方法不适用时，灵活调整
• 分析题目独特性，选择或设计专门方法

创新记录

• 在分析文档中说明选择理由
• 在论文中突出创新点

---

工作流程

第一阶段：建模分析

⚠️ 执行前提（必须最先执行）：

在开始建模分析之前，必须先读取角色指导文档：

• references/建模手说明.md

  - 详细的建模分析工作流程、模型选择原则、注意事项

执行任务：分析题目，确定数学模型，产出分析文档。

执行步骤：

• 阅读并理解题目要求
• 为每道题确定合适的数学模型和算法
• 记录模型对应的公式、论文引用等信息
• 创建术语表格保持术语一致性

重要约束：本阶段不编写代码，仅产出分析文档供后续阶段使用。

产出文件：

• 题目分析报告.md

  - 包含问题分析、模型选择、公式推导、参考文献

• 术语表格.md

  - 中英文术语对照表

第二阶段：代码实现

⚠️ 执行前提（必须最先执行）：

在开始代码实现之前，必须先读取角色指导文档：

• references/编程手说明.md

  - 详细的代码实现工作流程、代码规范、可视化要求

执行任务：根据题目原文和建模阶段产出的文档，编写解题代码并生成结果。

执行步骤：

• 确认用户指定的编程语言（Python、MATLAB等）
• 按每道题目分开编写结构清晰的代码
• 运行代码并将结果写入表格（保持表格原有结构）
• 绘制符合SCI/Nature风格的精美图表进行数据可视化
• 创建README文档说明项目

产出文件：

• 问题X_求解.py

  （或其他语言）- 各题目的解题代码

• 结果表格.csv

  - 计算结果

• README.md

  - 项目说明文档
• 生成的可视化图表

第三阶段：论文撰写

⚠️ 执行前提（必须最先执行）：

在开始论文撰写之前，必须先读取角色指导文档：

• references/论文手说明.md

  - 详细的论文撰写工作流程、论文模板、撰写规范

执行任务：根据题目原文、建模分析和代码实现的产出，撰写完整论文。

执行步骤：

• 检查用户是否提供论文模板
• 使用默认模板或用户模板撰写论文
• 避免死板罗列，使用段落式自然陈述
• 完成所有标准章节

产出文件：

• 论文.md

  - 完整的数学建模论文

附加资源

算法资源库

详细的算法说明文档，包含数学原理、适用范围、可视化图表、关键文献和代码实现：

• assets/01-优化算法说明.md

  - 线性规划、整数规划、动态规划、遗传算法、PSO、模拟退火、蚁群、差分进化、禁忌搜索、灰狼优化、免疫算法、鲸鱼优化、麻雀搜索、多目标优化、鲁棒优化

• assets/02-预测类算法说明.md

  - 灰色预测、插值拟合、线性回归、神经网络、SVM、ARIMA、指数平滑、Prophet、LSTM、XGBoost/LightGBM、时空预测模型

• assets/03-评价类算法说明.md

  - AHP、Fuzzy-AHP、熵权法、TOPSIS、灰色关联分析、秩和比法、变异系数法、主观赋权法、数据包络分析、区间数评价、改进的TOPSIS

• assets/04-图论与网络分析算法说明.md

  - 最短路径、最小生成树、网络流、关键路径、欧拉/哈密顿路径、匹配问题

• assets/05-统计分析与数据处理算法说明.md

  - 数据预处理、聚类分析(K-Means/层次/DBSCAN)、假设检验、PCA、因子分析、典型相关分析、非负矩阵分解

• assets/06-综合类算法说明.md

  - 蒙特卡洛、排队论、博弈论、元胞自动机、马尔科夫链、微分方程建模

• assets/07-机器学习算法说明.md

  - 随机森林、AdaBoost、孤立森林

查看

assets/README.md

获取算法快速索引和使用指南。

角色说明文档

各阶段的详细工作指南：

• references/建模手说明.md

  - 建模分析阶段工作细则、模型选择原则、注意事项

• references/编程手说明.md

  - 代码实现阶段工作细则、代码规范、可视化要求

• references/论文手说明.md

  - 论文撰写阶段工作细则、论文模板、撰写规范

论文模板

• references/默认论文模板.md

  - 标准数学建模论文模板结构

工具脚本

• scripts/analyze_appendix.py

  - 附录表格转换工具

  将Excel文件无损转换为CSV格式，便于AI直接读取。

  使用方法：

  # 转换当前目录下的 附录/ 文件夹
  python scripts/analyze_appendix.py
  
  # 转换指定路径
  python scripts/analyze_appendix.py --path ./data
  
  # 转换单个文件
  python scripts/analyze_appendix.py --file 附录1.xlsx
  

  使用流程：

  1. 运行转换脚本：

     python scripts/analyze_appendix.py

  2. 脚本自动将Excel文件转换为同名的CSV文件
  3. 使用Read工具直接读取转换后的CSV文件查看完整数据

  转换特点：

  • 自动查找

    附录/

    、

    附件/

    、

    data/

    等文件夹
  • 支持 .xlsx、.xls 格式
  • 无损转换：保留所有行、列、单元格数据
  • UTF-8 with BOM编码，支持中文
  • 每个sheet生成独立的CSV文件

使用建议

1. 按顺序执行各阶段：建模分析 → 代码实现 → 论文撰写，确保信息正确传递
2. 保持文件组织：为每个建模项目创建独立文件夹
3. 术语一致性：建模分析阶段创建的术语表格应被后续阶段使用
4. 模型选择原则：优先选择高效、快速、准确的模型，谨慎使用神经网络等复杂模型
5. 可视化质量：代码实现阶段绘制的图表应符合学术出版标准

典型使用场景

• "帮我做这道数学建模题"
• "分析这道数模题目用什么模型"
• "帮我写数模论文"
• "这道建模题怎么用Python求解"
• "帮我完善数学建模竞赛论文"