华为杯研赛F题全攻略：从数据预处理到多目标优化的代码实现与论文写作
1. 从F题看研究生数学建模的破题逻辑
1.1 这道题到底在考什么
每年华为杯研赛的F题都有一个很鲜明的特点：题目背景往往来自真实的工程场景或产业痛点，数据量大、约束条件多、开放性强。2026年这道F题也不例外。从题目给出的信息来看，核心考察的是多约束条件下的优化决策能力，同时要求参赛者具备数据处理、模型构建、算法实现和结果验证的完整闭环能力。
很多队伍拿到题目后的第一反应是“这题要用什么模型”，这个思路其实是有问题的。正确的顺序应该是：先搞清楚题目要你做什么决策，决策变量是什么，约束条件有哪些，目标函数怎么定义，然后再去匹配模型。F题的四个问题通常是递进关系——第一问打基础，第二问加约束，第三问引入不确定性或动态因素，第四问做综合优化或敏感性分析。这个递进逻辑决定了你不能孤立地看待每一问，后面的问题往往需要复用前面的中间结果。
我见过太多队伍在第一问就卡住，原因是他们试图一步到位建一个“完美模型”，结果参数标定做不下去，数据预处理也没做好，后面三问全部崩盘。所以我的建议是：第一问用最简单的可行模型先跑通全流程，哪怕精度差一点也没关系，关键是拿到一个baseline，后面再逐步迭代。
1.2 四问之间的递进关系拆解
根据历年F题的出题规律和2026年题目的具体描述，四问的递进关系大致如下：
- 第一问：通常要求建立基础模型，在理想条件下求解最优方案。这一问的核心是变量定义要清晰，目标函数和约束条件要写规范。很多队伍在这一问丢分不是因为模型不够复杂，而是因为变量定义混乱、约束条件遗漏。
- 第二问：在第一问基础上引入新的约束或改变目标函数。这一问的关键是识别新增约束对可行域的影响，很多时候第一问的最优解在第二问直接变成不可行解，需要重新搜索。
- 第三问：引入随机性、动态性或不确定性。这一问往往需要从确定性优化转向随机优化或鲁棒优化，蒙特卡洛模拟是常用手段。
- 第四问：综合前三问的结果做全局优化或敏感性分析，有时还会要求给出政策建议或管理启示。
理解了这个递进关系，你在写代码和论文的时候就能做到心中有数——每一问的代码不是孤立的脚本，而是一个可以复用的模块化系统。
1.3 为什么大多数队伍在F题上翻车
翻车的原因我总结下来无非三类：
第一类是数据预处理没做好。F题的数据通常有缺失值、异常值、量纲不统一等问题，如果不做清洗直接建模，结果根本不可信。我见过有队伍用原始数据直接跑回归，R²只有0.3，后来做了异常值剔除和标准化，R²直接上到0.85。
第二类是模型选择与问题不匹配。比如题目要求做多目标优化，有队伍非要用单目标加权法，权重怎么定都说不清楚，最后结果被评委质疑。正确的做法是根据问题特性选择合适的多目标优化算法，如NSGA-II或MOEA/D。
第三类是论文写作不规范。华为杯的评审非常看重论文的规范性和可读性，公式编号、图表标注、参考文献格式这些细节都会影响得分。很多队伍模型做得不错，但论文写得像实验报告，最后与奖项失之交臂。
注意：F题的评审标准中，模型的合理性占40%，结果的准确性占30%，论文的规范性占30%。三者缺一不可。
2. 代码实现的核心模块与关键细节
2.1 数据预处理模块的完整实现
数据预处理是整个建模流程的地基。F题的数据通常以Excel或CSV格式给出，字段多、量大，手动处理不现实。我一般用Pandas做全套预处理，流程如下：
这段代码看起来简单，但有几个细节值得展开说。缺失值填充为什么用中位数而不是均值？因为F题的数据往往有偏态分布，均值容易被极端值拉偏，中位数更稳健。异常值检测为什么用IQR而不是3σ？因为3σ假设数据服从正态分布，而实际数据往往不满足这个假设，IQR是非参数方法，适用性更广。
还有一个容易被忽略的点：量纲统一。F题中不同指标的取值范围可能差好几个数量级，比如一个指标是百分比（0-100），另一个是金额（百万级），如果不做标准化，优化算法会被大量纲指标主导，小量纲指标的作用被完全掩盖。
2.2 优化模型的代码框架
F题的核心是优化问题，我一般用PuLP或Gurobi做建模求解。PuLP是开源的，适合中小规模问题；Gurobi性能更强，但需要许可证。对于研赛来说，PuLP基本够用。
这段代码的关键在于决策变量的类型选择。连续变量用Continuous，整数变量用Integer，0-1变量用Binary。F题中经常出现“是否选择某个方案”这类决策，必须用Binary变量。如果错误地用了Continuous，求解结果可能出现小数，不符合实际意义。
约束条件的写法也有讲究。上面的代码用的是循环添加约束，当约束数量很大时（比如上千个），这种写法效率较低。更高效的方式是直接用矩阵形式：
不过对于研赛的规模来说，循环写法完全够用，没必要过度优化。
2.3 多目标优化的处理策略
F题的第三问或第四问经常涉及多目标优化。多目标优化的核心难点在于目标之间的权衡。常见的处理方法有三种：
| 方法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 加权求和法 | 将多个目标加权组合为单目标 | 实现简单，求解快 | 权重难以确定，无法找到非凸Pareto前沿 |
| ε-约束法 | 保留一个主目标，其余转为约束 | 可以找到非凸前沿 | 需要预设ε值，计算量大 |
| NSGA-II | 基于遗传算法的Pareto前沿搜索 | 一次运行得到多个Pareto解 | 参数调优复杂，收敛速度慢 |
我的建议是：如果题目没有明确要求Pareto前沿，用加权求和法就够了，但要在论文中说明权重的确定依据（如熵权法、AHP法）。如果题目明确要求分析多目标之间的权衡关系，那就必须用NSGA-II或ε-约束法。
NSGA-II的Python实现可以用pymoo库：
pymoo的好处是封装完善，几行代码就能跑出Pareto前沿。但要注意种群规模和迭代次数的设置，太小了收敛不到最优前沿，太大了跑得慢。一般种群规模取100-200，迭代次数取200-500比较合适。
2.4 结果可视化与论文图表制作
华为杯评审对图表的清晰度要求很高。我一般用Matplotlib做基础图，用Seaborn做统计图，用Plotly做交互图（但论文里只能放静态图）。几个关键点：
- 配色：不要用默认的蓝色，用
plt.cm.viridis或plt.cm.RdYlBu这类色盲友好的配色方案。 - 字体：论文里中文用宋体，英文用Times New Roman，字号不小于8pt。
- 分辨率：保存图片时
dpi=300以上，否则打印出来模糊。 - 图注：每张图必须有编号和标题，如“图1 不同参数下的优化结果对比”。
提示：论文中的图表不要直接截图，一定要用代码生成后保存为高清图片再插入。截图的分辨率通常不够，打印出来会糊。
3. 论文写作的保姆级拆解
3.1 摘要怎么写才能拿高分
摘要是论文的门面，评审老师看的第一眼就是摘要。华为杯的摘要要求是一页纸以内，包含问题背景、方法概述、主要结果和结论。我见过很多队伍的摘要写得像引言，废话太多，关键结果一个没有。
高分摘要的结构应该是：
- 第一段：一句话点明问题背景，一句话概括本文做了什么。
- 第二段：针对问题一，用了什么方法，得到了什么结果（带具体数值）。
- 第三段：针对问题二，新增了什么约束，方法做了什么调整，结果如何。
- 第四段：针对问题三和四，简要说明方法和核心结论。
- 最后一段：总结全文的创新点和实际意义。
关键原则：每一问的结果都要有具体数值。不要写“得到了较好的优化方案”，要写“优化后总成本降低了23.7%，从原来的158万元降至120.5万元”。
3.2 模型建立部分的写作规范
模型建立是论文的核心章节，写作要点如下：
- 假设条件：每条假设都要编号，并说明为什么做这个假设。比如“假设1：不考虑突发事件对供应链的影响，因为题目给定的时间窗口内无相关数据支持”。
- 符号说明：用三线表列出所有符号及其含义，符号要统一，不要前面用$x$后面用$y$表示同一个变量。
- 模型构建：先写目标函数，再写约束条件，每个公式都要有编号和文字解释。
- 模型求解：说明用了什么算法、什么工具、什么参数设置。
公式的LaTeX写法示例：
其中$c_{ij}$表示从节点$i$到节点$j$的单位运输成本，$x_{ij}$为决策变量。
3.3 结果分析与敏感性分析的写法
结果分析不能只放一张表就完事，必须有解读、有对比、有讨论。我一般按以下结构写：
- 基准结果展示：给出最优解的具体数值。
- 与基准方案的对比：优化前vs优化后，用百分比说明改进幅度。
- 敏感性分析：改变关键参数（如成本系数、约束右端项），观察最优解的变化。
- 管理启示：从结果中提炼出对实际决策有指导意义的结论。
敏感性分析的代码实现：
3.4 附录代码的整理技巧
附录代码是评审老师检查你工作量的重要依据。整理原则：
- 按问题分节：问题一代码、问题二代码……不要把所有代码堆在一起。
- 加注释：关键步骤必须有中文注释，变量命名要有意义。
- 可运行：附录代码必须是能直接跑的，不要放伪代码或片段。
- 格式统一：用等宽字体，行号可加可不加，但缩进要规范。
我一般用listings宏包在LaTeX中插入代码：
4. 常见问题与排查技巧实录
4.1 求解器报错与调试方法
问题一：PuLP求解返回Infeasible
这是最常见的问题，原因是约束条件互相矛盾，可行域为空。排查方法：
- 逐个注释掉约束，看哪个约束导致不可行。
- 检查约束的符号方向是否正确（
<=vs>=）。 - 检查变量边界是否合理（如
lowBound=0但约束要求变量为负）。
问题二：Gurobi许可证报错
研赛期间Gurobi会提供临时许可证，但需要提前申请。如果报错“No license found”，检查环境变量GRB_LICENSE_FILE是否指向正确的许可证文件。
问题三：求解时间过长
F题的规模可能很大，求解时间可能超过预期。应对策略：
- 设置求解时间上限：
prob.solve(pulp.PULP_CBC_CMD(timeLimit=300)) - 使用启发式算法替代精确算法（如遗传算法、模拟退火）
- 对问题进行分解，化为多个子问题分别求解
4.2 论文格式被扣分的典型场景
| 扣分项 | 具体表现 | 正确做法 |
|---|---|---|
| 公式无编号 | 文中引用“上面的公式” | 每个公式都要有编号，如式(1) |
| 图表无标题 | 直接放一张图，没有图注 | 图下方写“图1 xxx”，表上方写“表1 xxx” |
| 参考文献格式混乱 | 有的有年份，有的没有 | 统一用GB/T 7714格式 |
| 页码缺失 | 论文没有页码 | 页脚居中加页码 |
| 摘要超页 | 摘要写了两页 | 严格控制在一页以内 |
4.3 时间分配与团队协作建议
研赛通常是四天三夜，时间分配建议：
- 第一天上午：读题、讨论、确定选题（F题通常是六题中选一题）。
- 第一天下午到第二天上午：数据预处理、第一问建模求解。
- 第二天下午到第三天上午：第二问、第三问建模求解。
- 第三天下午：第四问、敏感性分析。
- 第三天晚上到第四天上午：论文写作、图表制作。
- 第四天下午：检查、排版、提交。
团队分工建议：一人主攻建模，一人主攻编程，一人主攻论文。但不要完全割裂，建模的要懂代码，编程的要懂模型，写论文的要懂前两者的工作。
注意：提交前一定要检查文件格式和命名规范，每年都有队伍因为提交格式错误被取消资格。
5. 从F题延伸出去的一些经验
5.1 代码复用的模块化设计
如果你打算长期参加数学建模竞赛，建议把常用的代码模块封装成函数库。比如：
data_preprocess.py：数据清洗、缺失值处理、标准化optimization.py：线性规划、整数规划、多目标优化visualization.py：常用图表模板sensitivity.py：敏感性分析框架
这样下次比赛时可以直接调用，节省大量时间。我自己的代码库已经积累了三年，现在拿到新题基本上半天就能搭好框架。
5.2 模型创新点的挖掘思路
华为杯评审很看重创新性，但创新不一定是发明新算法。以下几种方式都算创新：
- 组合创新：把两个已有方法结合起来解决新问题。
- 改进创新：对已有算法做针对性改进（如改进遗传算法的交叉算子）。
- 应用创新：把某个领域的方法首次应用到另一个领域。
- 数据创新：引入外部数据增强模型的说服力。
5.3 赛后复盘与能力提升
比赛结束后，不管成绩如何，都要做复盘：
- 把优秀论文找来对比，看别人的模型和写作比自己强在哪里。
- 把代码整理归档，标注哪些部分可以复用。
- 把踩过的坑记录下来，形成自己的“避坑手册”。
我个人的体会是，数学建模能力的提升不是线性的，而是阶梯式的。每次比赛都会遇到新问题，解决之后能力就上一个台阶。F题作为华为杯的经典题型，值得反复研究。把历年F题的优秀论文都读一遍，你会发现很多套路是相通的——数据预处理的方法、优化模型的框架、论文写作的结构，这些都可以迁移到新的题目中。
最后分享一个小技巧：比赛期间如果卡住了，不要死磕，先跳过去做其他问。很多时候你在做后面的问题时，会突然想到前面问题的解法。大脑在后台处理信息的能力比你想象的要强。
337 358 1121 1980 1489 1123 2349 354 1577 949 220