2021年9月9日傍晚，国赛题目在官网挂出来，各个建模群瞬间刷屏。2021年高教社杯全国大学生数学建模竞赛的五道题，横跨天文工程、化学工艺、供应链管理、钢铁连铸和中药鉴别，难度梯度拉得特别明显。很多人第一眼被A题FAST吸引，觉得"射电望远镜"听着就高端，结果做进去才发现，难点根本不在天文知识，而在于怎么把一个大型球面反射体的调节问题，翻译成一个能算、能求解、能解释的优化模型。

我每年都会带队伍刷国赛真题，这篇文章就把2021年这五道题摊开聊一聊。不打算写成标准答案汇编，而是从"拿到题目之后到底该怎么想"这个角度出发，把每道题的核心难点、建模思路、容易翻车的地方，以及一些通用的赛程安排和论文写作经验，一次性讲透。无论你是准备组队参赛，还是想拿往年赛题练手，这篇文章应该能帮你省下一大段自己摸索的时间。

1. 2021年国赛五道题全景扫描：从FAST到中药材鉴别

先有个整体印象比什么都重要。2021年这五道题，真正体现了一个趋势：国赛已经不爱考"套公式题"了，而是更看重你对真实问题的理解、数据挖掘能力，以及把工程问题抽象成数学模型的能力。我做了一张表，把五道题的信息浓缩在这里，方便你做选题参考。

这五道题，各有各的"脾气"。A题看起来最硬核，实际上是一个非常典型的工程优化问题，几何关系多，但一旦把模型写清楚，求解路径是明确的；B题是典型的实验数据题，不涉及复杂机理，拼的是统计功底和对工艺逻辑的理解；C题是纯数据决策题，数据量最大，很多队伍第一问还没做完，时间就没了；D题偏算法，适合编程能力强、对组合优化熟悉的队伍；E题对机器学习基础有要求，但数据规模不大，特征工程做得好就能拿到不错的分数。

1.1 A题：FAST主动反射面形状调节——工程优化题

A题的背景是FAST射电望远镜。它的反射面是一个半径300米的球冠，但球面天生不能把平行电磁波汇聚到一个点上，必须通过促动器把反射面调节成抛物面，电磁波才能被聚焦到馈源舱。题目给了大量几何参数和结构数据，要求你建立模型，设计反射面的调节方案，计算理想抛物面参数和偏差。

这题的关键在于：它不是让你设计望远镜，而是让你做"形状控制"。优化变量是每个主索节点的径向位移，约束是促动器行程、面板变形协调，优化目标是让反射面尽可能贴近理想工作抛物面。我后面会专门拆解。

1.2 B题：乙醇偶合制备C4烯烃——实验数据回归题

B题给了不同催化剂组合、不同温度、不同乙醇浓度下的实验数据，要求分析这些因素对C4烯烃收率的影响，并优化工艺条件。它本质上是"实验设计+回归建模+优化"的组合。很多队伍一看到"催化剂""收率"这种化学词就发怵，其实题目并不需要你懂化学机理，它考察的是你能不能从数据中找到规律，并用统计方法验证。

做这道题时，注意别一上来就做复杂神经网络。C4烯烃收率与温度、催化剂配比之间的关系，往往用多项式回归、响应面分析就能解释得很清楚，而且更容易写出可解释的结论。

1.3 C题：生产企业原材料的订购与运输——数据决策题

C题给了5年内的订货量、供货量数据，402家供应商和8家转运商的信息。你要解决三件事：一是评估供应商供货特征并选出一批重要的；二是制定未来24周的订购计划；三是选择转运商并安排运输，让企业以最低成本保障生产。

这题的数据量是五道题里最大的，Excel文件打开都要卡一下。它真实模拟了企业供应链里的"货期不确定"问题——供应商的到货量经常少于订货量。所以光会优化模型远远不够，能不能把数据洗干净、把供应商的"可靠度"算明白，才是拿分的关键。

1.4 D题与E题：连铸切割优化与中药鉴别

D题是连铸切割的优化问题。连铸过程中，钢水凝固成铸坯，要按订单需求切割成不同长度的坯料，切割点选得不好就会产生废料。它本质上是一个离散优化问题，可以用动态规划或整数规划建模。对于熟悉算法竞赛的同学来说，D题反而比A题更容易上手。

E题是中药材鉴别，典型的分类问题。它给了不同药材的近红外光谱数据，要求建立模型识别药材种类。特征降维和分类器选择是核心，PCA、LDA、随机森林、SVM这些常规方法就够用。需要注意的是，光谱数据往往存在共线性，不能直接把几百个波长的数据扔进模型，必须先做主成分分析或偏最小二乘。

2. 拆解A题：为什么抛物面拟合不是一句"最小二乘"就能收工

如果让我只挑一道题细讲，我会选A题。因为每年都有队伍把A题做成了"最小二乘拟合抛物面"，然后发现结果惨不忍睹。问题在哪？在于他们忽略了物理约束和几何约束。这一章我把A题从建模到求解的完整思路拆给你看。

2.1 几何模型的本质：球面如何"变成"抛物面

FAST的基准态是球面，但球面反射的电磁波不会汇聚到一个焦点。你可以这样理解：手电筒的反光碗是抛物面的，因为抛物面能把点光源发出的光变成平行光；反过来，平行光打到抛物面上也会被汇聚到焦点。FAST要接收的是来自遥远天体的平行电磁波，所以必须把球面"掰"成抛物面。

但这个"掰"不是随心所欲的。FAST的反射面是由数千块三角形面板拼成的，每块面板的顶点在主索节点上，主索节点通过促动器连接在地面上。促动器伸缩时，节点沿径向移动，面板跟着变形。所以，真正能控制的变量，是每个主索节点的径向位移量，面板的形状是被动跟随的。

建模的核心问题是：给定一个理想的工作抛物面，每条促动器应该伸缩多少，才能让所有节点尽量落在抛物面上，同时不超出物理限制？

关键点在于：理想抛物面的位置和姿态不是随便定的。它的焦点要与馈源舱重合，它的主轴要指向被观测天体的方向。第1问天顶方向入射，主轴就是FAST的对称轴；第2问目标偏离天顶，主轴就得跟着倾斜。很多队伍把主轴方向定错，后面算出的位移全是错的。

2.2 决策变量、目标函数与约束条件的完整写法

为了让你看得更清楚，我把模型写成一个标准优化问题。

设基准球面的球心为 O，半径为 R。建立空间直角坐标系，将 O 放在原点，z 轴指向天顶。每个主索节点的初始位置在球面上，用球坐标 (R, θ_i, φ_i) 表示，转换为直角坐标为：

x_i = R * sin(θ_i) * cos(φ_i) y_i = R * sin(θ_i) * sin(φ_i) z_i = R * cos(θ_i)

促动器沿径向调整后，节点移动到：

P_i' = (R + Δr_i) * (sin(θ_i) * cos(φ_i), sin(θ_i) * sin(φ_i), cos(θ_i))

其中 Δr_i 就是第 i 个节点的径向位移，这是我们的决策变量。

理想工作抛物面可以用顶点坐标、焦距和主轴方向三个要素确定。设主轴方向为 n，顶点为 A，焦点为 F，焦距为 f。抛物面上任意一点 Q 满足"到焦点的距离等于到准平面的距离"。用这个几何定义，可以写出每个节点 P_i' 到理想抛物面的"偏差距离" d_i。

目标函数是：

min Σ (d_i)^2

约束条件至少有两类：

• 促动器行程约束：|Δr_i| ≤ Δr_max，Δr_max 是允许的最大伸缩量；
• 面板变形协调约束：同一块三角形面板的三个顶点，位移差不能太大，否则面板内部会产生过大应力。可以写成相邻节点的位移差上限。

这个模型难在哪里？难在 d_i 的计算涉及抛物面参数的隐式表达，而抛物面的参数（顶点、主轴、焦距）也要作为优化变量一起求解。它不是普通的最小二乘，而是一个"外层优化变量和内层优化变量耦合"的非线性规划问题。

2.3 求解时真正卡住人的三个细节

第一个细节：坐标系和量纲。很多人把经纬度直接当成角度代入公式，忘记转弧度，或者把球坐标和直角坐标混在一起用，导致位移算出来全是几千米的离谱值。我的建议是：所有几何计算统一用直角坐标系，先写一个坐标转换函数，再用几个已知节点做校验。比如把球心放原点后，任意节点的模长都应该等于 R，差超过1e-6就是代码有bug。

第二个细节：工作抛物面的参数化。理想抛物面的主轴不是随便取的。第1问目标在天顶，主轴就是 z 轴；第2问目标在天体的某个方位，主轴就是天体的反方向。正确的做法是：根据入射电磁波方向确定主轴方向，再根据馈源舱位置确定焦点，最后用顶点、焦点、主轴三个条件确定抛物面方程。

第三个细节：约束的物理可实现性。最小二乘只管"节点尽量贴近抛物面"，不管促动器行程够不够、面板会不会被撕裂。所以模型里必须带上位移范围约束。实操中更稳的做法是"两阶段"：先用无约束或弱约束的最小二乘求出理想位移，再检查哪些节点超限，对超限节点做二次调整。这个思路写进论文里，评委一看就知道你考虑过物理可实现性。

求解方向上，如果不想一上来就碰复杂的非线性规划，可以先固定抛物面参数，把内层问题用带约束的二次规划解出来，再用粒子群或网格搜索在抛物面参数空间里寻找最优解。如果你用的是Python，scipy.optimize.minimize的 SLSQP 方法比较适合处理这类问题。下面是内层求解的大致代码框架：

import numpy as np from scipy.optimize import minimize def displacement_objective(dr, nodes, p): # dr: 节点径向位移向量 # nodes: 节点球坐标 # p: 抛物面参数 (顶点, 焦点, 主轴方向) # 返回所有节点到抛物面的偏差平方和 p_nodes = nodes_shift(nodes, dr) # 计算位移后的节点坐标 dists = paraboloid_distance(p_nodes, p) return np.sum(dists ** 2) def constraint_travel(dr): # 促动器行程约束 return max_travel - np.abs(dr).max() cons = [{'type': 'ineq', 'fun': constraint_travel}] res = minimize( lambda dr: displacement_objective(dr, nodes, p), x0=np.zeros(n_nodes), method='SLSQP', constraints=cons )

外层对抛物面参数用网格搜索或粒子群更新，不断重复"更新抛物面参数→内层求最优位移"这个过程，直到收敛。这个方法思路清晰，第三天写论文时也容易讲明白。

3. 拆解C题：供应链数据题拼的不是算法，而是数据清洗和目标取舍

C题是我个人觉得最贴近真实工作场景的一道题。你以后进企业、做供应链优化，遇到的基本就是这类问题——数据又脏又碎，目标互相冲突，供应商还不老实。这一章我重点讲三个环节：供应商画像、订购转运联合优化、灵敏度分析。

3.1 从零散的48周数据里找到供应商的"可靠度"

C题给的数据，是企业过去5年每周对每家供应商的订货量、实际供货量，以及原材料分类和转运商信息。很多队伍拿到数据就开始想复杂模型，结果连"重要供应商有哪些"都没说清楚。其实第一步要做的是供应商画像，也就是用几个关键指标，把每一家供应商的"靠谱程度"算出来。

我建议至少统计四类指标：

• 供货完成率：总实际供货量除以总订货量，反映供应商"说多少给多少"的程度；
• 供货稳定性：每周供货量的变异系数，变异系数越小，供货越稳定，说明供应商的生产能力有保障；
• 原材料质量：A类、B类、C类原材料的占比，这直接关系到企业产品的质量；
• 合作持续性：供应商在5年数据里出现多少周，偶尔出现和持续合作的供应商，信任程度完全不同。

把这些指标用熵权法或者简单的加权平均合成一个综合评分，按评分把402家供应商分成核心供应商、备选供应商和淘汰供应商三档。这个分档结果，是后续所有问题的基础。

这里有一个容易被忽略的点：原始数据里有很多周供货量为0的记录。0有两种含义，一种是"没订货"，一种是"订了但没送到"。这两种情况必须分开处理，否则统计出来的供货完成率会被严重扭曲。我处理时会把"订货量为0"的记录直接剔除，只保留"订货量>0且实际供货量>=0"的记录来算供货特征。

3.2 订购+转运联合优化：目标函数该列几项

第二问要求制定未来24周的订购计划，并选择转运商。这个问题的本质是一只多目标优化。你至少要同时考虑采购成本、转运成本、缺货风险和库存容量。

我把目标函数写成了这样：

min Z = α * 采购成本 + β * 转运成本 + γ * 缺货惩罚 + δ * 库存超限惩罚

其中 α、β、γ、δ 是权重系数，用来表达企业对不同目标的重视程度。采购成本是每家供应商的原材料单价乘以订购量；转运成本取决于选哪家转运商，以及每周运输数量；缺货惩罚是当周实际到货量低于生产需求时产生的损失；库存超限惩罚是库存量超过了仓库容量时的惩罚费用。

约束条件里，必须包含以下几个方面：

• 供应商供货能力：每家供应商每周的最大供货量从历史数据里取分位数估计，不能无限订货；
• 转运商运力上限：每家转运商每周能运的总量有限，不可能全压在一家身上；
• 库存容量约束：企业仓库容量有限，库存不能超过上限；
• 供需平衡约束：每周到货量加上期初库存，减去生产消耗，等于期末库存。

这个模型是一个混合整数规划。是否选择某家转运商是0-1变量，每家每周的订货量是连续变量。如果你用Python，可以用PuLP或scipy.optimize.milp求解。我自己的经验是：先把模型规模写小一点，比如先只考虑10家核心供应商、3家转运商，跑通之后再把所有核心供应商加进去，这样排查建模错误会快很多。

3.3 评分模型、灵敏度分析和论文呈现

第三问通常要求你把方案做得更"聪明"一些，比如优化转运损耗、或者考虑供应商的风险。这时候评分模型就派上用场了。供应商评分可以用来设置订货量的优先级：评分高的供应商，可以多下订单；评分低的供应商，只作为补充。转运商的选择同理，可以把"平均损耗率"和"单位运输成本"两个指标做一个平衡。

灵敏度分析是我要特别强调的部分。供应链问题的数据质量并不高，供应商供货波动很大，你的最优方案在数据稍微变化之后是否还成立，这非常关键。我通常的做法是：把供应商平均供货能力下调10%重新求解，把某家转运商的损耗率上调5%重新求解，看目标函数值的变化幅度。如果变化在可接受范围内，说明方案是稳健的；如果稍微一扰动结果就崩了，那这个方案就不够可靠。

论文呈现上，你不需要把24周、几十家供应商的订货量全部列成表格。评委最关心的是三张图：每周总订购量折线图、每周实际到货量和库存量柱状图、各转运商的运量分配堆叠图。这三张图摆出来，你的方案一目了然，剩下的是公式和文字解释。

4. 三天赛程怎么分配：从读题到交卷的高效节奏

很多队伍不是输在模型上，而是输在时间管理上。第一天晚上还在换题，第二天下午还在争论建模框架，第三天晚上开始疯狂赶论文。这种节奏基本等于放弃国奖。下面是我自己带队时惯用的时间表，你可以直接拿去做模板。

4.1 第一天：读题、定题、把数据摸清

上午8点到10点，全员独立浏览五道题，每个人记下自己第一感觉好做的题和难点。10点到12点，团队讨论定题。这里我有一条硬规矩：最晚当天下午2点前必须定题，之后不允许再换。换题的隐性成本极大，看似重新选了一条容易的路，实际上前面所有读题投入全部归零。

下午的时间用来做三件事：一是确认题目的每一条要求，列出"问题一、问题二、问题三"分别要输出什么结果；二是把数据完整读入，统计数据量、缺失值、异常值，画出初步的分布图；三是把题目里的专业术语翻译成建模语言。这个过程最好把关键结论记录在共享文档里，写论文的时候能直接引用。

4.2 第二天：建模求解和"跑出第一版结果"

第二天上午，模型假设要定下来，至少问题一要有初步模型。下午开始编程求解，务必在傍晚前跑出第一版结果。这一版可以粗糙一些，参数先取粗略值，目标函数先保留主要项。我要强调的是：先有一个"能跑通的结果"，比什么都重要。哪怕这个结果还不够好，它可以验证你的模型有没有逻辑错误、代码有没有bug、求解器能不能收敛。

很多队伍第二天晚上还在无限细化模型，我特别不建议这样。正确做法是：第二天晚上就把论文框架搭好，把"引言""模型假设""符号说明"这些不太受数值结果影响的部分写起来，让写作的人先动笔。否则第三天你会发现，论文根本写不完。

4.3 第三天：论文写作、灵敏度分析和最终检查

第三天上午，补充模型细节，把灵敏度分析跑完。关于灵敏度分析，我建议挑1到2个最有说服力的参数来扰动，比如成本系数、供应商供货系数，分别增加和减少5%到10%，记录目标函数值的变化情况。这样既能让评委看到你的模型经得起检验，又不会把自己累垮。

中午开始写摘要。摘要的重要程度怎么强调都不过分，我见过太多队伍在最后两小时草草写摘要，结果文章质量高也拿不到好成绩。下午2点到4点，全面检查公式编号、图表标题、单位、参考文献格式，然后花最后的时间把摘要改到每个字都删不掉为止。

5. 评阅视角下的加分项与失分点：我反复踩过的坑

最后聊一聊评阅视角。这些年我看了不少国赛论文，也跟一些评委交流过，有些规律是一再出现的。

5.1 摘要：评委可能只看这一页

国赛论文的评阅时间非常有限，摘要几乎是决定第一印象的唯一内容。摘要里必须包含四件事：问题是什么、你建立了什么模型、用什么方法求解、得到了什么关键结果。不要用"本文介绍了"这种废话开头，第一句就点明问题。数字要有，但要写关键数字，比如"优化后反射面偏差降低至0.7毫米"，这比"明显改善"有说服力得多。

5.2 图表和结果呈现的细节

图表质量直接体现你的认真程度。每张图必须有图号、图题、坐标轴标签和单位，每张表必须有表号、表题、表头单位和必要的注释。公式要用编号，模型假设要逐条列清楚。这些细节看起来琐碎，但在评阅阶段非常拉好感。我还见过有队伍把Excel里的坐标轴标题都忘了删，这种错误一出现，论文档次立刻就下来了。

5.3 灵敏度分析与模型检验：为什么一定要写

有些参赛队把模型建立和求解做得很漂亮，但缺少灵敏度分析，导致评委无法判断模型的鲁棒性。其实灵敏度分析并不难，难的是你有没有这个意识。任何一个有参数、有权重的模型，都可以做扰动分析。你只要在论文里设一个"参数变化范围"，再给出目标函数值随参数变化的表格或曲线，这一部分就完成了。对于评价类模型，还可以做一致性检验或交叉验证，这类内容同样能在评阅时体现出模型的严谨性。

根据我个人经验，拿国奖的队伍，通常不是算法最高级的，而是"模型合理、求解靠谱、写得清楚"的。算法的炫技往往是一把双刃剑，用得好是亮点，用不好反而暴露短板。

最后再分享一个我带队伍时常说的话：建模比赛最迷人的地方，不是那个获奖证书，而是你在72小时里被迫学会从一堆乱糟糟的信息里抓住本质。2021年的赛题五道题风格各异，但内核都在考察同一件事——你面对一个真实世界的问题时，能不能用数学的语言把它说清楚。2024年的国赛马上又要开始了，如果你正在纠结怎么准备，从这篇拆解里的任何一道题开始动手，都比翻十篇经验帖有用。祝你和你的队友，在下一个9月的夜晚，都能交出一份自己满意的答卷。