Scientifydata/raw + data/clean编程手原始数据只读；清洗结果由脚本生成。
主计算
Python / MATLAB 二选一
快速核对
Excel + 导出 CSV
论文交付
国赛 Word｜美赛 Word 或 LaTeX
默认组合先跑通一套往年题。只有遇到主环境明显处理不了的模型、规模或交付格式，再增加专业求解器或领域软件。
先定主环境
这张表给出默认职责和换用条件。判断标准是团队能否在限定时间内复现结果。
Python
- 默认职责
- 数据清洗、统计学习、优化接口、批量实验和统一出图
- 适合选择
- 队员熟悉 pandas、SciPy、statsmodels / scikit-learn，且会管理依赖环境
- 何时换用或加用
- 已有 MATLAB 模板和工程工具箱，或连续系统仿真主要依赖 Simulink
- 现场风险
- 临场安装库、环境不一致、Notebook 单元乱序都会破坏复现
MATLAB
- 默认职责
- 矩阵计算、数值求解、优化、信号处理和工程仿真
- 适合选择
- 团队已有算法脚本，熟悉 Optimization / Statistics 等所需工具箱
- 何时换用或加用
- 数据清洗、文本处理、机器学习流水线或自动化实验占主要工作量
- 现场风险
- 先核对学校许可和工具箱；接收代码的人必须有相同环境
Excel
- 默认职责
- 查看原始表、抽查中间结果、手工构造小样本和整理最终表格
- 适合选择
- 需要让写作手快速核对字段、量纲和几行计算
- 何时换用或加用
- 出现重复清洗、参数搜索、复杂公式链或多轮实验时立即脚本化
- 现场风险
- 隐藏公式、手工覆盖和复制粘贴很难追踪，不能作为唯一结果源
专业求解器
- 默认职责
- 大规模线性 / 整数规划、约束优化和可行性证明
- 适合选择
- 基础库已经难以在时限内求解，并且团队会读取状态、界和最优间隙
- 何时换用或加用
- 小规模模型先用 SciPy、PuLP、OR-Tools 或 MATLAB 快速建立基线
- 现场风险
- 只抄最优值而不保存模型、求解日志和停止条件，论文无法解释结果
Word / LaTeX
- 默认职责
- 公式、图表、交叉引用、参考文献和最终 PDF
- 适合选择
- 国赛优先用全队熟悉的 Word；美赛可在队伍已有模板时使用 LaTeX
- 何时换用或加用
- 长文档的编号和引用频繁出错，且写作手赛前已经熟练 LaTeX
- 现场风险
- 比赛期间现学排版系统会挤占写作；最终仍需逐页检查 PDF
按题型直接套用
先用下列组合做出可解释的基线，再依据数据规模和验证结果升级。工具不会替代模型选择，但可以减少无效切换。
01
评价、统计与预测
Python + Excel + Word
pandas、SciPy、statsmodels / scikit-learn、Matplotlib
这样配的原因
同一脚本可完成清洗、描述统计、训练验证和图表导出；Excel 只负责抽查。
交给论文手
字段字典、清洗后 CSV、误差表、残差图、模型参数和随机种子。
02
规划与组合优化
Python 或 MATLAB + 求解器
SciPy / PuLP / OR-Tools，或 MATLAB Optimization Toolbox；必要时接专业求解器
这样配的原因
先确认变量、约束和目标能跑通，再为规模、整数变量或求解速度升级内核。
交给论文手
模型表达式、数据输入、求解状态、最优间隙、运行时间和方案表。
03
微分方程与连续仿真
MATLAB，或熟练的 Python 科学计算栈
MATLAB / Simulink，或 SciPy integrate + NumPy
这样配的原因
优先沿用团队演练过的求解器、步长设置和可视化模板，避免现场学习仿真界面。
交给论文手
方程与初值、步长和容差、基线轨迹、参数扰动图和数值稳定性说明。
04
图论、路径与网络
Python + NetworkX / OR-Tools
NetworkX、OR-Tools、pandas、Matplotlib
这样配的原因
图数据、算法结果和可视化可保持同一节点编号，适合快速检查路径与连通关系。
交给论文手
节点边表、编号映射、算法参数、路径清单、网络图和复杂度说明。
05
小样本快速核验
主计算环境 + Excel 双算
Python / MATLAB 生成结果，Excel 对 5–20 行代表样本复算
这样配的原因
双算用于发现量纲、索引、百分比和边界值错误，Excel 不承担完整实验。
交给论文手
抽查样本、两套结果差异、修正记录和最终结果版本号。
72 小时协作
获奖团队复盘反复提到：建模、编程、写作不能彼此隔离。下面的节奏让三个人始终能并行推进。
- 1
0–3h
共同读题、抽查数据、确定选题与最小可行模型。
一人查背景与约束，一人做数据侧写，一人搭论文目录和术语表。
本阶段冻结
题目理解、变量含义、评价指标和第一版文件目录。
- 2
3–18h
编程手跑通基线，建模手写公式，论文手同步完成重述、假设与数据分析。
每次讨论形成简短记录；图表从脚本导出，正文数字引用结果表。
本阶段冻结
可运行基线、清洗后数据、模型 v1 和第一批可用图。
- 3
18–48h
围绕误差、约束和失败样本改模型，完成敏感性或稳健性实验。
写作手整理结果表并追问解释，建模手校验公式，编程手保留每轮参数与日志。
本阶段冻结
主结论所用结果表、图表编号、参数版本和淘汰方案原因。
- 4
48–60h
停止无边界扩展，补齐摘要、结果解释、优缺点和引用。
用干净目录重跑关键脚本，另一人逐项核对论文数字与图表。
本阶段冻结
最终模型、最终数据、可复现命令和论文主体。
- 5
最后 12h
只修致命问题和表达问题，完成支撑材料与 PDF 检查。
一人查格式，一人查数字，一人查附件和命名；三人共同读摘要与结论。
本阶段冻结
提交包校验值、最终 PDF、代码附件和备份。
至少保留这六类交接文件
工具组合是否可靠，最终看另一名队员能否找到数字来源并重新运行。文件名可调整，职责不能缺失。
src/q1_*.py 或 .m编程手按问题拆分入口，写明依赖和运行顺序。
results/baseline.csv建模手 + 编程手保存参数、指标、单位和模型版本。
results/sensitivity.csv建模手记录扰动范围、失败点和结论边界。
figures/figure_*.png编程手 + 论文手图名对应论文编号，保留生成脚本。
notes/decision-log.md论文手 / 队长记录关键选择、弃用方案和待核对问题。
Scientify 端到端完成国赛一等奖级产出
作为数学建模智能体，Scientify 调度 Python、MATLAB 等计算语言，自主完成赛题拆解、模型选择、代码编写、计算执行、结果验证、图表生成和论文写作。全部过程与产出保存在同一云端工作区。
- 解读赛题，形成可执行的建模路线与任务分工
- 调度 Python、MATLAB 等语言建立模型并运行计算
- 自动完成基线、敏感性与稳定性实验，迭代优化结果
- 生成图表、结果解释和结构完整的竞赛论文
交付完整模型、可运行代码、实验结果、图表和国赛一等奖级论文。
数学建模软件常见问题
数学建模用 Python 还是 MATLAB？
优先选择团队已经用往年题完整跑通过的一种。Python 更便于连接数据、机器学习和自动化实验；MATLAB 的矩阵、数值计算和工程工具箱更集中。若两者熟练度相同，再按题型和许可选择。
国赛只学 Python 可以吗？
可以，前提是队伍能用它完成数据读取、模型求解、验证和出图，并提前准备常用模板。遇到依赖专用 MATLAB 工具箱的仿真题时，再根据团队能力决定换题或增加工具。
Excel 能完成数学建模吗？
Excel 适合查看数据、构造小样本、抽查结果和整理表格。重复清洗、参数搜索、复杂公式链和多轮验证应放到脚本环境中，并让 Excel 回到核对工具的位置。
比赛前应该准备多少算法代码？
准备已经读懂并用往年题跑过的模板，价值高于收集大量陌生代码。每个模板至少要知道输入格式、参数含义、失败状态、输出文件和验证方法。