国际高校数学建模竞赛Problem B实战：用熵权TOPSIS与蒙特卡洛预测全球AI竞争格局

1. 拿到题目先别急着找数据把“赢”这个字拆透如果你今年打算打2026年的国际高校数学建模竞赛Problem B“谁会赢下全球人工智能竞赛”这个题目大概率会让你第一眼觉得热血压高第二眼觉得无从下手。因为它不像某些B题那样给出一个明确的物理对象比如“预测某区域的用水量”“优化某个仓库的配送路径”它给的是一句带博弈感的宏大叙事“谁”是主体“全球”是空间边界“人工智能竞赛”是内容领域“赢”是判断结果。四个词放一起几乎没有任何现成数据直接告诉你答案。这类题目在数学建模里其实属于“战略预测型”问题核心不是建一个多么复杂的神经网络而是先完成两件事第一把“赢”这个词操作化成一组可以量化的指标第二把“全球竞赛”这个连续过程拆成一个随时间变化的动态比较模型。谁要是直接跳到翻阅AI行业报告、把几个知名参赛方历年数据堆在一张表里然后拍脑袋说“根据得分第一某某、第二某某”基本上就掉入了最具迷惑性的常见坑——用静态排名冒充动态预测。我在准备这道题时第一步做的事特别朴素在白纸上写清楚“‘谁赢了’这句话可以从几个角度理解”。这个动作看着像在咬文嚼字但恰恰决定了后面所有建模方向。如果把“赢”理解成“当前谁的综合实力最强”那就是一个综合评价问题用TOPSIS这类多属性决策办法就能处理如果把“赢”理解成“谁先在某项关键指标上突破某个阈值”那就是一个首次穿越时间问题需要在时序预测模型之后做阈值判断如果把“赢”理解成“谁在较长周期内持续占据领先地位”那就是一个动态博弈与过程演化问题需要考虑相互影响和路径依赖。这三种理解没有绝对对错但一篇竞赛论文必须自洽地选择一种或者把三种都纳入一个框架里分层回应。题目问“Will Win”用的是将来时意味着它本质上更偏向第二种和第三种理解。静态排名只能作为起点不能作为终点。你真正要回答的是按照当前的发展逻辑和可能的变量扰动在未来某个目标年份之前哪些参赛方最有可能成为领跑者以及这种领先有多大置信度。这就决定了你的论文至少要包含“现在谁强”“未来增长谁快”“竞争中谁先触发领先条件”三个递进层次。我在构建这个框架时哪怕是在内部讨论环节也刻意把讨论对象统一写成“参赛方A、参赛方B、参赛方C”而不是直接称呼具体地缘实体。一来是因为这类宏观题目容易让写作带入主观倾向二来是为了让评委注意力回到模型本身。你论文里真正要卖的是建模逻辑不是情绪化判断。把对象抽象成参赛方反而能让你在做数据归一化、参数扰动、灵敏度分析时更冷静也更符合竞赛题“用数学语言说话”的底层要求。2. 指标体系从“技术攀比”升级成“体系竞争”2.1 为什么单靠AI论文数量撑不起这个题目很多第一次拿到这道题的人第一反应是找各国AI论文发表量、专利授权量、顶尖会议录用数然后做成柱状图对比。这样做不是错是太单薄。人工智能竞赛不是一场短跑而是一场马拉松式的综合性竞赛算法层只是冰山一角。举个最简单的类比一个人跑步快不等于他能在越野赛中拿冠军因为越野还要看耐力、装备、路线判断、天气适应。人工智能竞赛同样是复合赛道包括科研原创力、高端人才储备、数据资源规模、算力基础设施、产业落地能力、制度环境开放程度六个子赛场。只在论文这一个子赛场上比较就像只比百米冲刺显然不符合题目中“全球竞赛”所暗示的系统性。从建模角度讲指标体系的作用是把你对“赢”的理解翻译成可计算的变量。指标选得全模型就有了骨架指标选得烂后面不管用多漂亮的算法都是空中楼阁。我建议把指标体系分成六个一级维度研究底座、人才池、数据禀赋、算力与基础设施、产业应用生态、制度与开放环境。每个维度下再设二到四个可获取时间的二级指标总数控制在18到24个之间。为什么要把维度控制在这个数量级太少了比如只设四个指标会导致某个参赛方因为单一指标数据高就被顶上前排抗不住异常值冲击太多了比如30个以上数据获取难度和缺失率都会爆炸而且很多指标之间高度相关权重计算也没了稳定性。18到24个指标既能让维度齐全又能保证每个指标都有数据来源可追溯后期做灵敏度分析时也好解释。2.2 一份可以直接抄作业的指标表下面这张表是我在实际准备过程中反复调整后觉得最顺手的一个版本供参考。注意指标类型分“效益型”和“成本型”效益型越大越好成本型越小越好后边的数据标准化阶段要用到。一级维度二级指标建议指标类型数据获取来源类型研究底座高水平论文年产出量效益型学术数据库索引研究底座高被引论文占比效益型学术评价报告研究底座人工智能发明专利累计量效益型专利局统计人才池人工智能相关专业毕业生规模效益型教育统计年鉴人才池顶尖AI学者数量效益型专业学者库人才池人才净流入率效益型移民与签证统计数据禀赋高质量公开数据集数量效益型开放数据平台数据禀赋数据存储与流通规模效益型行业白皮书算力基础设施超级计算机峰值算力效益型超算中心名单算力基础设施智能计算中心数量效益型规划公示算力基础设施能源成本与电网稳定性成本型/效益型混合能源统计产业应用生态AI企业数量效益型企业数据库产业应用生态AI领域年度融资总额效益型投资数据库产业应用生态独角兽企业数量效益型创投研究机构产业应用生态产业渗透率效益型行业报告制度与开放环境研发投入占产出比重效益型科学统计年鉴制度与开放环境数据跨境流通便利度效益型政策文本量化制度与开放环境标准与伦理规则完善度效益型政策文本量化这张表最大的价值在于“每个指标都问得到出处”。竞赛评委不是看你指标设计得多花哨而是看你给的数据是不是能现场解释来源。任何拍脑袋编出来的数据在论文答辩环节都会成为硬伤。所以我实际写论文时每个指标后面都跟着一个备注列写上数据来自哪一类公开渠道、最新年份是哪一年、如果缺失我用什么方法补齐。2.3 数据处理三条军规数据预处理是把上述指标从“表格上的数”变成“模型里的输入”的关键。我在这个过程里吃过三次亏总结成三条“军规”。第一缺失数据不能随便填零。很多参赛方早期年份根本没有AI专利分类你不能因为查不到就当成零否则给后边的权重计算带来巨大偏差。处理办法是如果缺失年份不超过总时间长度的一半用前后年份线性插值如果连续缺失较多用同类参赛方的平均增速推估并在论文里明确标注“此处为估算值”。估算不可耻不告诉读者你估算了才可耻。第二量纲不同必须标准化。论文数是以“万篇”记的融资金额是以“亿美元”记的人才数量是以“万人”记的直接加和等于把西瓜和芝麻放在一起称重。我习惯用极差标准化对效益型指标用当前值减最小值除以最大值减最小值对成本型指标用最大值减当前值除以最大值减最小值。如果你想用Z-score也就是标准化到均值为零、方差为1也要保持全体指标统一不要在论文里混用两套标准。第三异常值要缩尾不要删除。某一年某个参赛方突然冒出一笔超级融资数据点在图上明显是孤立峰值这时候如果把整行删除等于把这个参赛方真实的发展趋势也删掉了。更合理的办法是缩尾处理比如把所有指标数据的上限设在95分位数超过95分位数的值直接替换成95分位数。这样既抑制异常波动又保留趋势信息。3. 核心建模思路静态评价、增长拟合、模拟推演三段式3.1 第一段用熵权TOPSIS把“当前的强弱”定下来模型的第一步是对最近一个有效年份做综合评价。我首选熵权TOPSIS而不是纯层次分析法AHP核心原因在于AHP需要两两比较判断矩阵20个指标做起来要反复填几百次判断主观性太强而且答辩时很容易被评委质疑“为什么这个指标权重是0.2而不是0.3”。熵权法用数据本身的信息量来定权虽然不能百分之百反映真实重要程度但至少提供了一个客观基准再去和主观认知交叉验证说服力强很多。操作步骤我给你完整捋一遍。第一步把原始指标矩阵做标准化得到每个参赛方在20个指标上的标准值。第二步计算第j个指标下第i个参赛方的贡献度也就是把每个标准值除以该列总和。第三步算各指标的信息熵公式是某指标的信息熵等于负的ln分之一乘以该指标下各贡献度乘以其自然对数的加和。第四步得到差异系数用1减信息熵差异系数越大说明该指标区分度越高权重也应该越大。最后把差异系数归一化就是每个指标的熵权。熵权算好后继续用TOPSIS综合评价。把各项标准值乘以权重得到加权决策矩阵然后找出每个指标的最大值和最小值构成理想解和负理想解。每个参赛方距离正理想解越近、距离负理想解越远得分就越高最终用一个相对贴近度来排序。这个方法的一大好处是结果非常直观评委会很容易读懂“距离最优解最近的选手排最前”完全不需要复杂的背景知识。我要提醒一个容易翻车的细节熵权算出来的权重不会因为你认为“算力比制度更重要”就自动偏袒算力。如果某个指标的原始数据差异很小熵权会主动给它降权如果差异很大的一列数据里混入了异常值那个指标权重会被异常值拉到极高。所以做完初步权重计算后一定要人工检查一遍权重最高的三个指标是不是符合题目常识如果出现类似“数据跨境流通便利度权重遥遥领先”这种违反直觉的结果多半是数据预处理没做好别急着把权重算出来就开始排名。3.2 第二段用增长曲线把“未来的变化”推出来静态排名只回答“现在谁最靠前”但题目问的是“谁将赢”所以你必须有动态预测模块。AI相关指标在时间序列上有个明显特征不是匀速直线增长也不是简单指数爆炸而是更接近S型增长曲线早期积累慢、中期加速、后期趋于饱和。拿论文发表量和算力规模来说前者受科研人员增速和科研经费约束不可能无限翻倍后者受芯片产能和能耗约束同样有上限。这就非常适合用带饱和水平的Logistic增长模型。Logistic模型的基本形式是未来时刻的预测值等于饱和水平除以一加e的负相关参数乘以时间与拐点之差。其中饱和水平K可以依据领域专家的上限估计设定也可以取历史数据最高值乘以1.5到2作为区间估计。增长速率r和时间拐点t0用历史数据拟合。拟合办法很简单先用最小二乘法估参数再用交叉验证看拟合误差。如果你的数据只有很少几个年份灰色GM(1,1)模型会更稳因为它不要求严格的时间序列长度只要四五个连续点就能建模。我不建议只赌一种模型最好把Logistic、GM(1,1)、简单线性外推三个模型同时跑然后取加权平均权重要倾向拟合误差小的那个。这里有个容易被忽视的操作细节时序预测要对每个二级指标单独做不能算完一级综合得分后直接对总分做趋势预测。因为不同指标的增速差异非常大论文量可能已经进入增速放缓阶段而算力扩容可能还在高速增长。如果合并后再预测等于把所有指标当成一个整体增速会抹掉关键结构变化把那些算力快速追赶的参赛方的优势藏掉。分指标预测后再用先验权重合成综合得分才能体现动态竞争。3.3 第三段用蒙特卡洛模拟回答“谁会赢”动态预测的最大问题是未来不是单一的任何一个变量变化都会让排名重排。参赛方A的算力增速突然放缓参赛方B的数据开放政策突然推进整个预测结果就变了。这时候只输出一条预测曲线是不够的必须给结果配置信区间甚至输出概率。我的做法是引入蒙特卡洛模拟。给每个关键指标的预测参数设定一个随机扰动范围比如算力增速的年度波动在正负10%之间人才净流入率波动在正负15%之间。然后做几千次模拟每次重新生成一套参数重新计算各参赛方的综合得分。跑完之后统计两件事第一目标年份比如2030年各参赛方综合得分最高的次数占比这就是“夺冠概率”第二某个参赛方首次在综合得分上超越当前第一名的时刻分布这就是“反超时间”。模拟脚本用Python写非常方便核心就三步生成海量随机参数、循环计算综合得分、统计排名频率。几十个参赛方、三千次模拟笔记本跑几分钟就够。如果担心评委看不懂蒙特卡洛可以把结果画成一个排名热力图或者概率堆积图X轴是年份Y轴是参赛方颜色深浅代表领先概率一眼就能看出谁在什么阶段有领跑优势。这类图在竞赛论文里非常出彩因为它呈现的不是一个死结论而是一个动态系统。有一点我必须强调概率高不等于“必然赢”。如果模拟结果显示几个头部参赛方的夺冠概率都在20%到30%之间说明竞争格局非常胶着论文的结论部分就应该写“多方选手均有夺冠可能领先优势并不稳固”而不是硬挑一个概率最大的名字当成唯一答案。竞赛评委特别反感这种“预测式霸权”他们更愿意看你对待不确定性是否诚实。3.4 结果解读分档比排名更有意义模型跑完后直接输出精确到小数点后三位的总分排名看着很专业实际没什么解释力。综合指数的高低在差异很小时没有统计意义。我更建议你按聚类结果把参赛方分成四档第一档是综合得分和预测增速都领先的领跑集团第二档是综合得分较高但增速波动的追赶集团第三档是单项特长明显但整体存在短板的潜力集团第四档是基础积累较薄、短期难以冲击前排的参与型集团。分档的价值在于让“谁会赢”这个问题有了层次化的答案从当前实力看第一档大概率继续保持前列从变化趋势看第二档存在跃升进入第一档的可能从黑马视角看第三档如果某项关键短板在数年内补齐也不排除爆冷。你甚至可以用一个小模型来划分档次比如把“当前综合得分”和“预测期年均增速”两个变量做成散点图加两条分界线直观又漂亮。这种方法比单纯看总分排名更稳健也更好写进论文的结论与建议部分。4. 实操中的坑与排查我从数据到答辩踩过的五个雷4.1 数据口径不一致排名直接失真第一个雷永远出在数据来源上。AI论文量有的统计用第一作者归属有的用通讯作者归属专利统计有的只计授权发明专利有的把实用新型也算进去企业数量有的按注册地有的按总部所在地。口径不同同一参赛方的数据可以差到三五倍。我实际处理时想出的办法是确立一个“统一口径规则”写进模型假设。比如全部统一为“第一作者机构所在地区归属口径”凡是不符合的数据一律不用。这样虽然牺牲了一部分样本量但至少保证了指标可比性。竞赛论文的数据来源一页不止是摆参考文献更是告诉评委“我的数据不是你随便挑来支持结论的”。4.2 标准化之前忘记区分指标方向成本型指标和效益型指标一旦混淆结果方向就会反过来。比如“能源成本”是成本型成本越高竞争力越弱如果你用效益型公式做标准化成本高的反倒得分高排名直接扭曲。这种错在代码里非常隐蔽因为跑完全部流程每个参赛方都有一组分数你不容易直觉看出毛病。排查办法很简单手动挑一个指标比如能源成本看它对最终综合得分的贡献方向是否符合常识。不对立刻回头检查标准化公式不要在那里拔头发。4.3 时序模型的“外推短路”问题时间序列外推最大的坑是预测着预测着某个指标变成了零或者负数。这事我遇到过某个研发表井喷的参赛方Logistic饱和水平K设置得太小结果预测后期增长率变得极低给评委一种“发展要停滞”的错误印象。后来我把饱和水平K的设定改成区间估计不只设一个固定值而是取一个从1.2倍到2倍当前最大值的连续区间在模拟中随机抽样。这样一来每个指标的输出都是一个弹性区间而不是一根被参数绑架的僵直线。4.4 灵敏度分析做成了“走过场”很多论文的灵敏度分析就是把权重都乘0.9、乘1.1看排名动不动。这实在有点把评委当外行。更好的做法是选两到三个你认为最关键的假设参数比如算力增速、数据开放程度、人才净流入率分别做单因素扰动和双因素交互扰动展示排名变动并说明模型对哪些参数最敏感。如果你的结果表明“只要算力增速下降10%第一第二名就发生互换”那这个发现本身就极有价值说明竞赛格局远没有固化结论也从“预测冠军”升级成了“不确定性分析”。4.5 图表漂亮但信息量不足最后一个雷在呈现层。有人把每个指标各画一张折线图20个指标20张图密密麻麻塞进附录答辩现场根本讲不完。评委要看的不是你数据处理多辛苦而是结论的支撑链。我最推荐的图是三张当前综合得分排名条形图、未来综合得分预测区间折线图、蒙特卡洛模拟夺冠概率热力图。三张图分别对应“现在谁强”“未来怎么变”“谁赢的概率多大”逻辑链条完整讲解效率也高。表格则用来放指标体系、权重结果、灵敏度分析结果这些辅助说明图为主表为辅。5. 想拿高分最后这三件事值得专门磨一磨第一摘要要写成一个“讲得清楚的故事”。Problem B这类宏观预测题评委看摘要时最怕看到一堆算法名词堆砌而不见逻辑。我的建议是摘要按五句话展开题目是什么问题、我如何定义“赢”、我构建了什么指标体系和模型、我得到什么预测结果、我的结论在什么条件下成立。尤其最后一句“结论成立的条件”很多选手不屑写但恰恰是它体现建模素养。第二模型假设不要写浮在水面上的废话。像“假设数据真实可靠”这种话写十个评委也不会多看一眼。要写就写能产生后续影响的可操作假设比如“假设未来三年全球主要参赛方的人工智能政策不发生重大方向性调整”“假设增长曲线在预测期内处于S型增长的中段未进入衰减期”。这类假设与模型参数和结论直接挂钩答辩时也能顺着往下推。第三建议部分要落到“模型使用者”而不是“评奖委员会”。既然是全球人工智能竞赛的题目论文最后给出的建议应该是给参赛方决策者和全球产业协同组织看的而不只是像中学生作文一样喊几句“重视人才、加大投入”。你要结合自己的模拟结果比如指出某一类短板最容易成为发展瓶颈或者某一项基础设施投入对综合排名提升贡献最大让建议真正从数据推导中来。就我个人的备赛经验来说Problem B这一类“宏大叙事型”建模题最容易得的分往往不是靠模型复杂度而是靠问题定义的精准、指标体系的可追溯、不确定性呈现的诚实。你不需要把全世界所有变量都装进模型里你需要展示的是我清楚我在算什么、我知道这个算法在什么边界内有效、我敢面对预测结果的波动。做到这三点哪怕最后预测的“赢家”和实际略有偏差也仍然是一份高质量竞赛论文。毕竟竞赛模型从来不承诺预知未来它承诺的是用系统、可复现、可质疑的方式把未来的多种可能摆到桌面上。