math-modeling

# 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**：

  ```bash
  # 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"