1. 赛题背景与核心价值解析“电工杯”全国大学生电工数学建模竞赛在咱们工科圈子里尤其是电气、自动化、计算机这些相关专业的学生和老师看来分量一直不轻。它不像一些纯理论的数学竞赛更侧重于用数学工具去解决电气工程、能源电力、工业控制这些领域里实实在在的问题。2022年的第十四届在我看来是赛事风格走向成熟和更具挑战性的一届。为什么这么说因为从这一届的题目设置上你能明显感觉到命题组在努力平衡几个关键点一是问题的工程背景非常鲜明几乎每个题都能找到现实中的原型二是对数学建模的综合能力要求更高不再是单一方法的套用三是开始更多地融入数据分析、优化算法等“新工科”元素紧跟技术发展趋势。对于参赛者而言无论你是大二刚接触建模的新手还是有过经验的老手吃透这一届的赛题价值远超一次比赛本身。它像是一份精心设计的“能力体检表”能帮你系统性地检验自己在问题分析、模型构建、算法实现和结果阐释上的短板。更重要的是这些题目背后映射的正是当前智能电网、新能源调度、生产优化、故障诊断等领域的热点与难点。通过解题你实际上是在模拟解决一线工程师可能面临的真实困境这种训练对后续的科研、求职乃至职业发展都有潜移默化的加成。我常跟学生说把一次电工杯的赛题从头到尾扎扎实实地做一遍、复盘一遍比泛泛地看十篇论文收获都大。2. A题边缘计算与任务卸载的联合优化问题深度拆解2.1 问题场景与核心矛盾A题“边缘计算任务卸载与资源分配优化”一出来当时就在我们实验室引起了热议。它描述的场景非常“时髦”在一个由无线基站和边缘服务器构成的网络里有一堆计算任务比如来自智能工厂的视觉检测、来自车辆的实时路径规划需要在终端、边缘服务器和远处的云中心之间决定在哪里执行。每个任务都有对计算资源的需求、对完成时间的 deadline截止期限而网络带宽、服务器算力都是有限的。这里的核心矛盾是什么是**“本地算力不足、云上延迟太高、边缘资源有限”**这个三元悖论。终端设备如摄像头、传感器自己算力弱搞不定复杂任务全丢到云中心吧数据上传下载的通信延迟可能就让实时应用崩溃了于是折中的方案——边缘计算应运而生把算力下沉到网络边缘的服务器上。但边缘服务器的资源也不是无限的这就带来了一个经典的优化问题如何在一大堆任务和有限的边缘资源之间做匹配才能让整体效益比如任务完成的总数量、总延迟最小、资源利用率最高最优这绝不是一个纸上谈兵的问题。在工业物联网、自动驾驶、VR/AR这些对延迟极其敏感的领域这个问题每天都在发生。题目巧妙地将这个宏大的产业问题抽象成了一个可建模、可求解的数学优化模型。2.2 模型构建的关键决策与思路面对这样一个问题建模的第一步是定义决策变量。最核心的决策变量通常是一个0-1变量x_ij表示任务i是否卸载到边缘服务器j上执行。如果j0可能代表本地执行jN1代表卸载到云中心。光有这个还不够因为每个任务被分配后还会占用服务器的计算资源如CPU核数、内存所以可能还需要连续变量f_ij来表示分配给任务i在服务器j上的计算资源比例。接下来要构建目标函数。题目通常会给出优化方向可能是多目标的。常见的目标包括最大化任务完成数在截止期限前完成的任务越多越好。这需要将任务完成情况是否在deadline前完成与决策变量关联起来。最小化总系统成本成本可能包括计算能耗与分配的计算资源f_ij相关和通信能耗与传输数据量、距离相关。最小化平均任务延迟延迟包括传输延迟数据上传到服务器/云的时间和执行延迟任务在服务器上计算的时间。在实际建模时我们往往需要根据题目侧重点选择一个主要目标或者通过加权求和、 Pareto 最优解集等方式处理多目标。约束条件则是问题现实的体现资源约束每个边缘服务器j的总计算资源如总CPU周期是有限的所有分配给它任务所占用的资源之和不能超过这个上限。任务约束每个任务i最多只能被分配到一个地方执行本地、某个边缘服务器或云中心即对于每个ix_ij的和为1。延迟约束每个任务的完成时间传输时间执行时间可能的回传时间必须小于其截止期限deadline_i。带宽约束同一基站下同时传输的任务共享上行链路带宽它们的总传输速率不能超过带宽容量。2.3 算法选型与求解策略实录这是一个典型的**混合整数非线性规划MINLP**问题因为既有0-1整数变量x_ij又有连续变量f_ij目标函数和约束中很可能有非线性项比如延迟与资源分配的关系通常是反比非线性。这类问题属于NP-hard直接求精确最优解对于大规模问题成百上千个任务是不现实的。因此在竞赛的有限时间内三天我们通常采用启发式或元启发式算法来寻找高质量的可接受解。当时主流且有效的思路有几种基于贪心策略的改进算法这是上手最快的方法。核心思想是“先易后难”例如优先处理截止期限最紧迫Deadline最早的任务或者优先处理计算量最大的任务。然后为每个任务尝试将其分配给“性价比”最高的服务器——这里的“性价比”需要自定义一个度量比如“传输延迟计算延迟/ 服务器剩余资源”。贪心算法速度快但容易陷入局部最优。一个常见的改进是引入“后悔”机制即允许后续调整前面已分配的任务这就是迭代贪心或贪心随机自适应搜索GRASP的思想。遗传算法GA非常适合这类组合优化问题。编码方式很直接一条染色体长度等于任务数基因位上的值表示该任务被分配到的服务器编号。例如染色体[2, 0, 3, 1, ...]表示任务1分配给服务器2任务2本地执行0任务3分配给服务器3任务4分配给服务器1...。适应度函数就是目标函数的倒数如果是最小化问题。通过选择、交叉、变异操作迭代进化种群。实操心得编码时务必在初始化种群和变异操作中保证解的可行性即服务器资源不超限否则会浪费大量计算时间在修复不可行解上。可以设计专门的修复算子。粒子群优化PSO需要将离散问题连续化处理或者采用离散PSODPSO变种。对于新手实现起来比遗传算法稍复杂但有时收敛速度更快。分层优化或分解思想这是一个高级技巧。将原问题分解成两个子问题a)卸载决策问题决定每个任务去哪这可以用启发式或整数规划求解b)资源分配问题给定卸载决策后如何在每个服务器上给任务分配具体资源这通常是一个凸优化问题可以用拉格朗日乘子法等方法快速求解。两个子问题迭代进行直到收敛。注意在论文中描述算法时切忌只写“我们采用了遗传算法”必须详细说明你的编码设计、适应度函数构造、遗传算子特别是交叉和变异如何保证资源约束的具体实现方式。流程图和伪代码能极大增加说服力。2.4 仿真设计与结果分析要点模型和算法建好了需要用仿真来验证。数据生成要合理任务数量设置不同规模如50 100 200个任务以测试算法可扩展性。任务参数计算量CPU周期、数据量传输大小、截止期限这些值应在一定范围内随机生成如均匀分布或正态分布并让它们之间有一定相关性比如计算量大的任务数据量也可能大。网络拓扑合理设置基站和边缘服务器的数量、位置以及它们之间的传输速率。结果分析不能只罗列数据要会对比和解读纵向对比将自己的算法在不同规模数据集上的表现完成任务数、总成本等进行对比说明算法在不同压力下的稳定性。横向对比设计基准算法进行对比。最起码要和一个简单的贪心算法对比如果能和经典算法如文献中的某种启发式对比更好。对比时使用折线图、柱状图来展示目标函数值随任务数变化的趋势。灵敏度分析这是拿高分的关键。探讨某些关键参数变化对结果的影响。例如边缘服务器计算能力增强10%对任务完成率提升有多大论证边缘基础设施建设的重要性任务的平均截止期限缩短即任务更紧急系统性能下降有多严重说明系统处理紧急任务的瓶颈带宽资源变得充裕后是更多任务选择卸载到云还是边缘分析通信资源与计算资源的权衡关系把这些分析用图表清晰地展示出来并从工程角度解释背后的原因你的论文深度立刻就上去了。3. B题光伏-储能系统协同调度与容量优化全流程3.1 问题本质不确定性下的经济性博弈B题“考虑光伏出力不确定性的家庭储能系统优化运行”聚焦于一个非常具体的能源应用场景——家庭光储系统。题目给出了一个家庭的典型日负荷曲线、光伏发电的预测数据以及实际可能出现的波动场景、分时电价政策。你需要做两件事一是确定储能系统比如家用电池的最佳功率和容量即买多大的电池二是在这个电池规格下制定一天24小时的最优充放电策略目标是最小化总用电成本包括从电网买电的费用以及考虑储能设备折旧的成本。这个问题的本质是在光伏发电的随机性、用户用电的规律性以及电价信号的时变性三者之间进行一场经济性的博弈。光伏白天发电可能用不完晚上没光但家里要用电。电网电价峰谷差别大白天贵晚上便宜。储能系统就像一个“时间搬运工”和“风险对冲工具”它可以把便宜时或光伏过剩时的电存起来在电贵时或光伏不足时放出来从而节省电费。但电池本身有成本充放电有损耗容量有限这就构成了一个带约束的动态优化问题。3.2 两阶段建模法容量规划与运行调度的耦合最清晰的建模思路是采用两阶段优化或双层规划。上层优化容量规划决策变量是储能系统的额定功率P_ess和额定容量E_ess。目标函数是全生命周期总成本最小化包括投资成本电池的购置成本通常与P_ess和E_ess成正比如C_inv a*P_ess b*E_ess。运行成本这就需要调用下层优化来计算给定容量配置下最优运行策略对应的日运行成本。维护成本可与循环次数相关。残值设备寿命结束后的剩余价值。 上层优化的约束主要是电池功率和容量的物理上下限以及经济性约束如投资回收期。下层优化运行调度在给定的P_ess和E_ess下以一天为周期决策每个时刻比如每15分钟一个点储能系统的充放电功率P_ch(t),P_dis(t)注意同一时刻不能同时充放电这是一个0-1组合约束以及从电网的购电功率P_grid(t)。目标函数是日运行成本最小化电费成本sum(电价(t) * P_grid(t) * Δt)电池损耗成本可将充放电循环折损计入或简单用充放电效率η来体现能量损失。 约束条件包括功率平衡P_load(t) P_pv(t) P_grid(t) P_dis(t) - P_ch(t)。负荷必须时刻被满足。储能动态E(t1) E(t) (η_ch * P_ch(t) - P_dis(t)/η_dis) * Δt即下一时刻的储能电量等于当前电量加上净充入电量。E(t)必须在[0, E_ess]之间。功率限制充放电功率不能超过P_ess且P_ch(t) * P_dis(t) 0互斥约束。难点在于如何处理光伏出力的不确定性。题目中给出的可能是多个典型日场景晴天、多云、阴天的光伏曲线或者直接给出了预测误差的概率分布。常用方法有场景法生成大量可能的光伏出力场景通过历史数据或分布抽样然后求解一个随机优化或鲁棒优化模型。对于下层运行调度可以建立两阶段随机规划第一阶段决策储能充放电计划基于预测第二阶段根据实际光伏出力进行“补救性”调整如从电网多买或少买电目标是最小化“期望总成本”。这种方法理论漂亮但计算量大。鲁棒优化法假设光伏出力在一个不确定集合内波动如预测值±20%优化在最坏情况下的性能。这样得到的策略非常保守但能保证任何情况下都不“崩盘”。实际竞赛中更可行的办法采用多场景模拟确定性优化。即分别针对题目给出的几个典型场景如晴天、阴天各自求解最优运行策略和日成本。然后上层规划时将多个场景下的平均日运行成本或最差场景下的日运行成本代入计算全生命周期成本。这样既考虑了不确定性又避免了过于复杂的随机规划求解。3.3 求解技巧与经济学分析下层运行调度是一个典型的**混合整数线性规划MILP**问题因为有充放电互斥的0-1变量。对于24小时96个时间点15分钟间隔的规模使用专业的优化求解器如LINGO、Gurobi、CPLEX可以直接高效求解。在MATLAB中可以使用优化工具箱的intlinprog函数。关键技巧是如何线性化充放电互斥约束。标准做法是引入一个0-1辅助变量u(t)表示t时刻是否在充电并添加约束0 P_ch(t) u(t) * P_ess0 P_dis(t) (1 - u(t)) * P_ess这样就将非线性约束P_ch(t) * P_dis(t) 0转化为了线性约束。上层容量规划是一个连续变量的优化问题但目标函数中嵌套了下层优化比较复杂。可以采用枚举法或智能优化算法。枚举法因为家用储能容量和功率可选范围是离散的比如容量从5kWh到30kWh步长5kWh功率从3kW到10kW步长1kW。可以遍历所有可能的(P_ess, E_ess)组合对每个组合调用下层优化计算运行成本然后计算总成本找出最小值点。这种方法简单粗暴结果准确只要搜索空间不大完全可行。智能算法如果搜索空间大可以用粒子群优化PSO等算法来搜索最优容量配置。此时每个粒子的位置就是(P_ess, E_ess)适应度函数就是计算该配置下的全生命周期总成本需要调用下层优化。结果分析要突出经济学洞察最优配置与策略展示给出你推荐的最佳电池功率和容量并用图表展示在典型日如晴天下的运行策略负荷曲线、光伏曲线、储能SOC荷电状态曲线、电网购电曲线四者叠在一起一目了然地看出储能何时充电光伏过剩或谷电、何时放电负荷高峰或峰电。成本效益分析计算对比“无储能”、“有储能但非优化运行”、“优化运行”三种情况下的日用电成本。清晰地算出储能系统带来的日节省费用进而计算静态投资回收期投资成本 / 日节省费用 / 365。敏感性分析电价影响如果峰谷电价差缩小或扩大对最优容量和投资回收期有何影响这能论证分时电价政策对推动储能应用的关键作用。光伏装机影响如果家庭光伏装机容量增大最优储能容量是同步增大、减小还是存在一个最优配比这涉及到光伏消纳和储能替代作用的关系。电池成本下降假设电池单位成本每年下降5%对未来几年储能经济性的影响如何这是一个很有前瞻性的分析点。4. C题齿轮箱故障诊断与特征工程实战4.1 从振动信号到健康指标特征提取的艺术C题“基于振动信号的齿轮箱故障诊断”是一个经典的工业预测性维护问题。题目通常会提供多组齿轮箱在不同健康状态正常、齿轮磨损、断齿、轴承故障等下运行时的振动加速度信号。你的任务就是建立一个分类模型能够根据一段振动信号判断齿轮箱当前处于哪种状态。拿到振动信号数据通常是时域的一维时间序列第一步也是最关键的一步就是特征工程。直接扔进机器学习模型效果往往很差因为原始信号噪声大、信息冗余。我们需要从信号中提取出能够表征不同故障模式的“指纹”特征。这些特征主要来自三个域时域特征计算简单物理意义明确。有量纲指标均值、均方根值RMS反映振动能量、峰值、峰峰值、方差、标准差。无量纲指标这些指标对载荷和转速变化相对不敏感在故障诊断中非常有用。峭度Kurtosis对冲击信号极其敏感。早期故障如局部点蚀会产生瞬时冲击峭度值会显著增大。偏度Skewness衡量信号分布的不对称性。波形因子、峰值因子、脉冲因子、裕度因子这些是各种比值的组合对不同类型的故障敏感度不同。例如峰值因子峰值/RMS在出现冲击故障时会变大。频域特征通过快速傅里叶变换FFT将信号从时域转换到频域得到频谱。齿轮和轴承故障会产生特定的特征频率。特征频率处的幅值计算齿轮啮合频率及其倍频、边频带以及轴承各部件内圈、外圈、滚动体、保持架的故障特征频率处的幅值。这些幅值的升高是相应部件故障的直接证据。频带能量将频谱划分成若干频带如低频、中频、高频计算每个频带的能量占比。不同故障可能会激发不同频带的振动。频谱重心、频率方差描述频谱整体分布的特征。时频域特征对于非平稳信号转速变化时单纯的频域分析不够需要时频分析如小波变换Wavelet Transform、希尔伯特-黄变换HHT等提取时频联合分布的特征比如小波包分解后各节点的能量。实操心得不要试图使用所有特征特征过多会导致维度灾难和过拟合。一定要进行特征选择。可以先计算所有候选特征然后计算每个特征在不同故障类别下的方差过滤掉方差过小区分度低的特征。计算特征与故障标签之间的相关性如互信息、最大信息系数MIC选取相关性最高的Top-N个特征。使用递归特征消除RFE等包装法结合你最终要用的分类器如SVM、随机森林来筛选特征。 一个包含10-30个高区分度特征的集合往往比一个包含上百个特征的集合效果更好且模型更简单、泛化能力更强。4.2 诊断模型构建与对比验证特征准备好后就是构建分类模型。这是一个有监督的多分类问题。常用的模型有支持向量机SVM在小样本、高维特征下表现优异。关键是核函数的选择线性、多项式、径向基RBF和参数如RBF核的gamma和惩罚系数C的调优。可以使用网格搜索Grid Search配合交叉验证来寻找最优参数。随机森林Random Forest非常强大且不易过拟合的集成算法。它能给出特征重要性排序这对于解释故障机理很有帮助。主要参数是树的数量n_estimators和树的最大深度max_depth。梯度提升树如XGBoost, LightGBM性能通常优于随机森林但需要更仔细的参数调优且训练时间可能更长。人工神经网络ANN如果数据量足够大可以尝试构建一个多层感知机MLP。但对于振动信号这种结构化特征数据树模型和SVM往往更具优势且更易解释。深度学习1D-CNN这是更前沿的做法。可以尝试用一维卷积神经网络直接从原始振动信号或简单的FFT频谱中自动学习特征并进行分类。这省去了复杂的人工特征工程但需要更多的数据、更长的训练时间和更强的计算资源且在竞赛有限时间内调参难度较大。一个稳健的建模流程应该是数据预处理对原始信号去噪如小波阈值去噪、去趋势。对提取的特征进行标准化StandardScaler或归一化MinMaxScaler使不同量纲的特征在同一尺度上。数据集划分按一定比例如7:3或8:2划分训练集和测试集。务必注意要确保同一个齿轮箱、同一次实验的数据不要同时出现在训练集和测试集防止数据泄露。应该按样本ID或实验批次来划分。模型训练与调参在训练集上训练多个候选模型并使用交叉验证评估性能。模型评估在独立的测试集上评估最终模型。不要只看准确率Accuracy对于类别可能不平衡的数据集要综合考察精确率Precision、召回率Recall、F1-score并绘制混淆矩阵Confusion Matrix。混淆矩阵能清晰告诉你模型最容易把哪种故障误判为另一种故障这对分析故障模式的相似性非常有价值。4.3 故障机理关联与模型可解释性优秀的论文不能只当一个“调包侠”给出一个黑箱模型和结果就完了。需要将模型诊断结果与物理故障机理关联起来提升工作的深度。特征重要性分析如果使用随机森林或XGBoost绘制特征重要性条形图。分析排在前列的特征是时域的峭度、还是频域某个特征频率的幅值。然后解释为什么这个特征对区分某种故障特别有效例如峭度值高可能对应着齿轮的局部断齿产生的周期性冲击某个特定轴承频率幅值升高直接指向该轴承部件的损伤。混淆矩阵分析如果模型总是将“轻微磨损”误判为“正常”这可能说明你提取的特征对早期故障不敏感需要引入更精细的特征如小波包能量熵、希尔伯特边际谱特征等。如果“断齿”和“缺齿”容易混淆说明这两种故障的振动模式可能非常接近需要寻找更能刻画其差异的特征比如调制边频带的形态。可视化辅助绘制正常信号和各类故障信号的时域波形、频谱图、包络谱图进行对比。在图上标注出理论计算出的故障特征频率位置观察实际频谱中这些位置是否出现了明显的谱线。这种图文并茂的分析能极大地增强论文的说服力展示你对问题本质的理解。5. 竞赛策略、论文写作与常见陷阱5.1 三天时间如何高效分配电工杯三天时间合理规划是成功的一半。一个经过验证的时间分配方案如下第一天Day 1选题与深度剖析约8-10小时上午3-4小时三人小组务必一起仔细阅读所有赛题A、B、C每道题花至少40分钟讨论。不是简单看问题而是评估① 问题背景是否理解② 需要哪些数学工具和编程技能③ 数据是否清晰④ 初步思路是否形成结合团队优势擅长优化算法、数据分析、硬件仿真等做出选择。切忌草率决定。下午至晚上5-6小时确定选题后进行深度文献调研和思路细化。搜索相关关键词如“边缘计算 任务卸载 优化”、“光储系统 容量配置”、“振动信号 故障诊断 特征提取”快速阅读3-5篇核心文献或综述了解主流模型和算法。同时开始构建问题数学模型明确决策变量、目标函数、约束条件。第一天结束前必须完成模型的初步框架。第二天Day 2模型求解与初步实现约12-14小时全天这是攻坚期。分工合作一人主要负责编程实现算法、求解一人主要负责数据整理、仿真和结果计算一人开始撰写论文的“问题重述”、“模型假设”、“符号说明”和“模型建立”部分。编程者要搭建好求解环境实现核心算法并跑出初步结果。即使结果不理想也要有输出以便分析问题。建模者要确保数学模型表述严谨、无歧义。关键晚上小组必须开会对照初步结果审视模型看是否需要调整假设或算法。第三天Day 3结果深化与论文完稿约12-16小时上午4-5小时基于第二天的结果进行深入的灵敏度分析、多场景对比、参数优化。绘制核心结果图表趋势图、对比柱状图、混淆矩阵、拓扑图等。确保所有结果都支持你们的结论。下午至深夜8-11小时论文写作冲刺。将之前写的部分整合补充“模型求解”、“结果分析”、“结论”部分。摘要和关键词一定要最后写因为它们是全文的浓缩。摘要必须精炼包含问题、方法、模型、算法、主要结果和结论。反复检查公式、图表编号、参考文献格式。在提交前留出至少1小时进行全文通读检查逻辑连贯性、错别字和语法错误。5.2 论文写作的“隐形评分点”评委在短时间内评审大量论文一些格式和呈现上的细节会极大影响印象分摘要这是门面。采用“结构化摘要”虽非必须但极其清晰。可以按“针对…问题建立了…模型采用了…方法得到了…结论进行了…分析”的逻辑来组织。避免空洞描述务必包含具体的模型名称如“两阶段随机规划模型”、算法名称如“改进的遗传算法”、关键量化结果如“使得任务完成率提高了15%”、“最优储能容量为20kWh投资回收期为4.2年”、“诊断准确率达到98.5%”。模型假设合理且必要的假设能简化问题体现你的思考。例如A题中假设“任务间相互独立”、“传输延迟与数据量成正比”B题中假设“电池充放电效率恒定”、“光伏预测误差服从正态分布”C题中假设“不同故障模式相互独立”、“传感器采集信号无畸变”。要解释为什么做这个假设以及如果假设不成立会有什么影响。符号说明用三线表格清晰列出所有主要变量、符号、含义及单位。这是专业性的体现。图表规范每个图表必须有编号和标题如“图1 不同算法任务完成率对比”、“表1 特征重要性排序”。图表中的线条、柱状要清晰可辨不同系列用不同线型/颜色区分并在图例中注明。坐标轴标签要完整包含物理量和单位。避免使用截图或模糊的图片。参考文献引用3-5篇高质量的、与问题直接相关的学术文献可以从知网、IEEE Xplore等查找并在文中正确引用。这体现了你们工作的基础扎实。5.3 常见陷阱与避坑指南模型过于复杂或过于简单为了炫技堆砌复杂模型如用深度学习解优化问题但求解不了或结果解释不清是大忌。同样模型过于简单如忽略关键约束也会失分。把握“够用就好”的原则选择团队最能驾驭、最能解释清楚的模型。算法描述空洞写“我们采用了遗传算法”只能得基础分。必须详细描述编码方式实数编码、二进制编码、适应度函数如何构造如何处理约束、选择、交叉、变异算子的具体设计如两点交叉、自适应变异率。最好附上伪代码或流程图。缺乏对比分析结果部分只有自己模型的一组数据。必须设计合理的对比基线如与简单规则First-Fit, Greedy、经典算法或题目提供的参考数据进行对比并用图表直观展示优势。灵敏度分析流于形式不要只说“改变参数A结果B会变化”。要分析变化趋势线性增长边际递减并解释其背后的物理或经济原因。例如“当电价峰谷差低于0.5元/kWh时储能系统投资回收期将超过10年经济性较差”这样的分析才有深度。编程与论文脱节论文中的结果、图表必须与程序输出一致。严禁编造、篡改数据。一旦被发现后果严重。保持代码的整洁和注释便于检查和复现。忽视排版与细节公式编辑器混乱、图表模糊、错别字连篇、参考文献格式不统一会给评委留下极不专业的印象可能直接导致降档评分。最后留足时间进行排版和校对。参加这类竞赛获奖固然可喜但最大的收获在于这个高强度的、系统性的解决问题的过程。从模糊的实际问题到清晰的数学模型从复杂的约束条件到可行的求解算法从冰冷的计算结果到有温度的经济社会分析这其中的每一步都是对工科学生综合能力的绝佳锤炼。把每一次赛题都当作一个真实的微型科研项目来做你的收获将远超一纸证书。