AI 辅助模型选择与设计

9.1 引言

数学建模竞赛中，模型选择与设计是决定论文质量的核心环节。面对一道赛题，参赛者往往需要在有限时间内完成以下决策链：

\[ \text{问题理解} \rightarrow \text{问题分类} \rightarrow \text{模型族筛选} \rightarrow \text{具体模型确定} \rightarrow \text{模型构建} \rightarrow \text{模型改进} \]

传统做法依赖经验积累——熟悉的模型用得多，不熟悉的模型即使更适合也难以想到。AI 的介入改变了这一局面：它可以作为“模型顾问“，帮助我们系统性地分析问题特征、推荐候选模型、设计模型结构，甚至提出创新性的组合方案。

本章的核心理念： AI 不是替代你思考，而是扩展你的模型视野。你需要掌握的是如何向 AI 提出正确的问题，如何评估 AI 给出的建议，以及如何将 AI 的输出转化为严谨的数学模型。

本章将系统介绍：

• AI 辅助模型选择的方法论框架
• 各类场景下的 Prompt 模板
• 完整实战案例
• 常见陷阱与应对策略

9.2 AI 辅助模型选择的方法论框架

9.2.1 问题类型到模型族的映射

数学建模问题可以划分为若干基本类型，每种类型对应一组候选模型族。我们可以用决策树的思路来组织这种映射关系：

赛题问题
├── 评价/决策类
│   ├── 主观权重 → AHP、BWM
│   ├── 客观权重 → 熵权法、CRITIC
│   ├── 综合评价 → TOPSIS、灰色关联、模糊综合评价
│   └── 效率评价 → DEA、超效率DEA
├── 优化类
│   ├── 线性规划 → 单纯形法、对偶理论
│   ├── 非线性规划 → KKT条件、序列二次规划
│   ├── 整数规划 → 分支定界、割平面法
│   ├── 多目标优化 → 加权法、帕累托前沿、NSGA-II
│   └── 动态规划 → 状态转移方程设计
├── 预测类
│   ├── 时间序列 → ARIMA、指数平滑、Prophet
│   ├── 回归预测 → 多元回归、岭回归、LASSO
│   ├── 机器学习 → 随机森林、XGBoost、神经网络
│   └── 灰色预测 → GM(1,1)、灰色Verhulst
├── 分类/聚类类
│   ├── 有监督分类 → 逻辑回归、SVM、决策树
│   └── 无监督聚类 → K-means、层次聚类、DBSCAN
└── 其他
    ├── 图论/网络 → 最短路、最大流、网络优化
    ├── 排队论 → M/M/1、M/M/c
    └── 博弈论 → 纳什均衡、Stackelberg博弈

9.2.2 让 AI 分析数据特征并推荐模型

模型选择不能脱离数据特征。向 AI 提供数据的描述性统计信息，可以获得更精准的模型推荐。关键数据特征包括：

• 样本量：\( n \) 的大小直接影响模型复杂度的上限
• 特征维度：\( p \) 与 \( n \) 的比值决定是否需要降维或正则化
• 数据类型：连续型、离散型、混合型
• 分布特征：正态性、偏度、峰度、异方差性
• 时间依赖性：是否存在趋势、季节性、自相关
• 缺失模式：随机缺失(MCAR)、条件随机缺失(MAR)、非随机缺失(MNAR)

9.2.3 多模型方案设计与对比矩阵

优秀的数学建模论文通常不会只用一个模型。多模型对比是展示分析深度的重要策略。对比矩阵的维度通常包括：

9.3 模型设计的 Prompt 策略

9.3.1 描述问题让 AI 推荐模型

核心原则： 向 AI 描述问题时，要提供足够的上下文信息，包括问题背景、数据特征、约束条件和评价标准。

Prompt 模板一：基础模型推荐

## 问题背景
[描述赛题背景，1-2段]

## 具体问题
[明确需要解决的数学问题]

## 数据描述
- 样本量：[n]
- 特征数：[p]
- 数据类型：[连续/离散/混合]
- 时间跨度：[如有]
- 特殊情况：[缺失值、异常值等]

## 约束条件
- [列出已知约束]

## 请帮我：
1. 判断这属于哪类数学建模问题
2. 推荐3-5个候选模型，按适用度排序
3. 说明每个模型的优势和局限
4. 推荐一个主模型和一个对比模型的组合方案

Prompt 模板二：带数据特征的精准推荐

我正在参加数学建模竞赛，需要你帮我选择合适的模型。

## 赛题摘要
[赛题核心内容]

## 数据特征分析结果
- 相关系数矩阵显示：[描述变量间关系]
- 分布检验结果：[正态性等]
- 时间序列特征：[平稳性、自相关等]
- 数据量级：[具体数值]

## 我的初步想法
[你目前考虑的模型方向]

## 请你：
1. 评估我的初步想法是否合理
2. 基于数据特征推荐更合适的模型
3. 指出可能遗漏的建模角度
4. 给出模型选择的理由（结合数据特征）

9.3.2 让 AI 设计数学模型

当确定了模型方向后，可以让 AI 帮助构建完整的数学模型框架。

Prompt 模板三：完整模型设计

请帮我设计一个[模型类型]来解决以下问题：

## 问题描述
[具体问题]

## 请给出完整的数学模型，包括：

### 1. 变量定义
- 决策变量（需要求解的量）
- 参数（已知常量）
- 中间变量（辅助计算的量）

### 2. 目标函数
- 用严格的数学符号表达
- 说明优化方向（最大化/最小化）

### 3. 约束条件
- 等式约束
- 不等式约束
- 变量范围约束

### 4. 模型假设
- 列出所有隐含假设
- 说明假设的合理性

请使用LaTeX格式书写数学公式。

Prompt 模板四：逐步精化模型

我已经建立了一个基础模型：

[写出你的基础模型]

现在需要改进，具体需求：
1. 基础模型没有考虑[某个因素]，请帮我将其纳入模型
2. 约束条件[某条]过于严格，请帮我放松为软约束
3. 目标函数是单目标的，请帮我扩展为多目标优化模型

请给出改进后的完整模型，并解释每处改动的数学含义。

9.3.3 让 AI 对比不同模型的优劣

Prompt 模板五：模型对比分析

针对[问题描述]，我考虑了以下几个模型：

模型A：[名称和简述]
模型B：[名称和简述]
模型C：[名称和简述]

请从以下维度进行对比分析：
1. 理论假设要求（哪个假设最弱/最容易满足）
2. 对数据量的要求
3. 计算复杂度
4. 结果的可解释性
5. 在数学建模竞赛中的适用性
6. 潜在的改进空间

请用表格形式呈现对比结果，并给出最终推荐。

9.3.4 让 AI 给出模型改进方向

Prompt 模板六：模型改进

我当前使用的模型是：

[模型描述和公式]

存在以下问题：
- [问题1：如拟合效果不佳]
- [问题2：如某些假设不满足]
- [问题3：如缺乏创新性]

请给出改进方向：
1. 针对每个问题的具体改进方案
2. 改进后模型的数学表达
3. 改进的代价（计算量增加、可解释性下降等）
4. 是否有替代模型可以同时解决这些问题

9.4 各类建模问题的 AI 辅助决策

9.4.1 评价问题：选择 AHP/TOPSIS/熵权法/DEA

评价问题是数学建模竞赛中最常见的题型之一。核心挑战在于权重确定和评价方法的选择。

问题特征判断框架：

\[ \text{评价问题} \xrightarrow{\text{分析}} \begin{cases} \text{有专家经验} & \rightarrow \text{AHP/BWM（主观权重）} \\ \text{有充分数据} & \rightarrow \text{熵权法/CRITIC（客观权重）} \\ \text{需要排序} & \rightarrow \text{TOPSIS/灰色关联} \\ \text{效率评价} & \rightarrow \text{DEA} \end{cases} \]

Prompt 示例：评价问题模型选择

我需要解决一个综合评价问题：

## 背景
[例：评价30个城市的可持续发展水平]

## 数据情况
- 评价对象数量：30
- 指标数量：15
- 指标类型：正向指标8个，负向指标5个，适度指标2个
- 数据来源：统计年鉴（客观数据）
- 无专家打分数据

## 请帮我：
1. 推荐合适的评价方法组合
2. 设计权重确定方案（主客观结合）
3. 给出具体的计算步骤
4. 提出结果验证的方法（如灵敏度分析）

AI 辅助决策的关键点：

• 当数据为客观统计数据且无专家参与时，优先使用熵权法确定权重
• 当需要排序时，TOPSIS 方法简洁有效
• 组合策略：熵权法确定权重 + TOPSIS 综合排序，是竞赛中的经典组合
• DEA 适用于“投入-产出“结构明确的效率评价问题

9.4.2 优化问题：建立数学规划模型

优化问题的核心是将实际问题转化为标准的数学规划形式：

\[ \begin{aligned} \min_{x} \quad & f(x) \\ \text{s.t.} \quad & g_i(x) \leq 0, \quad i = 1, 2, \ldots, m \\ & h_j(x) = 0, \quad j = 1, 2, \ldots, p \\ & x \in \mathcal{X} \end{aligned} \]

Prompt 示例：优化模型构建

请帮我将以下实际问题转化为数学规划模型：

## 问题描述
某物流公司有3个仓库、10个配送点。已知各仓库库存量、各配送点
需求量、以及仓库到配送点的运输成本矩阵。需要确定最优配送方案，
使总运输成本最小，同时满足：
- 每个配送点的需求必须被满足
- 每个仓库的发货量不超过库存
- 某些路线有运力上限

## 请给出：
1. 决策变量的精确定义（用数学符号）
2. 目标函数（最小化总成本）
3. 所有约束条件的数学表达
4. 模型的类型判断（线性/非线性/整数规划）
5. 推荐的求解方法和工具

进阶策略——多目标优化的 Prompt：

上述问题现在需要同时考虑两个目标：
1. 最小化总运输成本
2. 最小化最大配送时间（均衡性）

请帮我：
1. 将模型扩展为多目标优化
2. 提供至少两种处理多目标的方法（如加权法、epsilon约束法）
3. 给出帕累托前沿的求解思路
4. 讨论两个目标之间的权衡关系

9.4.3 预测问题：选择回归/时序/机器学习模型

预测问题的模型选择高度依赖数据特征。以下是基于数据特征的决策框架：

Prompt 示例：预测模型选择

我有一组时间序列数据需要预测：

## 数据特征
- 数据量：过去5年的月度数据（60个观测值）
- ADF检验：p值=0.03（一阶差分后平稳）
- ACF/PACF：显示明显的12期季节性
- 趋势：整体呈缓慢上升趋势
- 异常值：2020年有明显的结构性突变

## 预测需求
- 需要预测未来12个月的值
- 需要给出预测区间
- 赛题要求模型具有可解释性

## 请推荐：
1. 最适合的2-3个模型及理由
2. 如何处理结构性突变点
3. 模型精度验证方案（训练集/测试集划分策略）
4. 如何在论文中呈现预测结果

9.4.4 分类问题：设计分类方案

分类问题需要关注的核心要素：

• 类别数量：二分类 vs 多分类
• 类别平衡性：是否存在严重的类别不平衡
• 特征空间：线性可分 vs 非线性可分
• 可解释性要求：是否需要给出分类规则

Prompt 示例：分类模型设计

我需要解决一个分类问题：

## 问题描述
[例：根据企业财务指标判断企业是否存在财务风险]

## 数据特征
- 样本量：500家企业
- 正样本（有风险）：50家（10%）
- 负样本（无风险）：450家（90%）
- 特征数：20个财务指标
- 存在多重共线性

## 关键约束
- 需要模型可解释（能说明哪些指标最重要）
- 漏报代价远大于误报代价（风险企业被判为安全更严重）
- 赛题要求与传统方法对比

## 请帮我：
1. 设计分类方案（考虑类别不平衡）
2. 推荐主模型和对比模型
3. 给出处理多重共线性的策略
4. 设计评价指标体系（不能只看准确率）
5. 提出如何体现模型创新性

9.5 AI 辅助模型创新

9.5.1 组合模型设计

组合模型是竞赛中体现创新性的重要途径。常见的组合策略包括：

串联组合（Sequential）：

\[ \text{数据} \xrightarrow{\text{模型A（预处理）}} \text{中间结果} \xrightarrow{\text{模型B（主体）}} \text{最终结果} \]

例如：PCA降维 + SVM分类，小波分解 + LSTM预测

并联组合（Parallel）：

\[ \text{最终结果} = \sum_{i=1}^{K} w_i \cdot f_i(x), \quad \sum_{i=1}^{K} w_i = 1 \]

例如：多个基学习器的加权融合（Stacking/Blending）

嵌套组合（Nested）：

用一个模型的输出作为另一个模型的输入参数。例如：遗传算法优化神经网络超参数。

Prompt 模板七：组合模型设计

我希望设计一个创新性的组合模型来解决[问题]。

## 目前的单一模型方案
- 模型A：[名称]，优点是[...]，缺点是[...]
- 模型B：[名称]，优点是[...]，缺点是[...]

## 组合目标
- 希望结合A的[某优点]和B的[某优点]
- 克服A的[某缺点]或B的[某缺点]
- 体现建模的创新性和深度

## 请帮我设计：
1. 组合方案（串联/并联/嵌套，给出具体结构）
2. 组合模型的数学表达
3. 各组件之间的接口设计（输入输出如何衔接）
4. 组合模型相比单一模型的理论优势
5. 可能的实现难点和解决方案

9.5.2 模型改进的 Prompt 技巧

模型改进是从“能用“到“出彩“的关键步骤。以下是几种有效的改进方向及其 Prompt 策略：

方向一：放松假设

我当前模型假设[列出假设]，但实际数据中[违反假设的证据]。
请帮我：
1. 将模型推广到不需要这一假设的情况
2. 给出推广后的数学形式
3. 分析推广后模型的性质变化

方向二：引入不确定性

我的确定性模型是：[模型公式]

实际问题中，参数[某参数]具有不确定性。请帮我：
1. 将确定性模型扩展为随机规划模型
2. 或设计鲁棒优化版本
3. 给出不确定性集合的构造方法
4. 分析鲁棒解与确定性最优解的差异

方向三：提升精度

我的模型在验证集上的表现为：[给出指标]
分析残差发现：[残差的模式，如异方差、非线性趋势]

请帮我改进模型以提升精度：
1. 基于残差模式诊断模型缺陷
2. 给出针对性的改进方案
3. 改进后模型的数学表达
4. 预期改进幅度的估计

方向四：增强可解释性

我使用了[复杂模型，如XGBoost]，效果很好但可解释性不足。
赛题要求给出明确的决策建议。

请帮我：
1. 添加模型解释层（如SHAP值分析）
2. 或设计一个可解释的近似模型（如规则提取）
3. 如何在论文中平衡精度和可解释性的呈现

9.6 实战案例：从赛题到完整模型设计

9.6.1 案例背景

赛题（模拟）： 某地区有50个社区卫生服务中心，需要评估其服务效率并优化资源配置方案。已知数据包括：各中心的人员配置（医生数、护士数）、设备投入、年服务人次、患者满意度、平均候诊时间等。

要求：

1. 建立综合评价模型，评估各中心的服务效率
2. 识别效率低下的中心并分析原因
3. 给出资源优化配置方案

9.6.2 第一步：问题分析与分类

与 AI 的交互：

我正在分析一道数学建模赛题，请帮我进行问题分解：

## 赛题核心
评估50个社区卫生服务中心的效率并优化资源配置。

## 已知数据
- 投入指标：医生数、护士数、设备投入（万元）
- 产出指标：年服务人次、患者满意度(0-100)
- 其他：平均候诊时间、覆盖人口数

## 请分析：
1. 这道题涉及哪几类子问题？
2. 每个子问题的数学本质是什么？
3. 子问题之间的逻辑关系是什么？
4. 建议的整体建模思路（先做什么，后做什么）

AI 可能的分析结果：

• 子问题1（评价类）：服务效率的综合评价 → 考虑DEA方法
• 子问题2（分类/聚类类）：识别低效中心并归因 → 聚类+判别分析
• 子问题3（优化类）：资源配置优化 → 数学规划模型

9.6.3 第二步：模型选择

与 AI 的交互：

针对子问题1（效率评价），我在考虑以下模型：
- DEA（数据包络分析）
- 熵权法+TOPSIS
- 因子分析

数据特点：
- 有明确的投入和产出结构
- 50个决策单元
- 投入3个，产出3个
- 各指标量纲不同

请对比这三个模型在本题中的适用性，并推荐最佳方案。

基于 AI 建议的决策：

DEA 方法最适合本题，因为：

• 问题具有“投入-产出“结构，这正是 DEA 的设计初衷
• 不需要事先确定权重（数据驱动）
• 可以识别有效单元和无效单元
• 可以给出投入冗余和产出不足的信息

最终方案：DEA-CCR 模型（规模报酬不变）+ DEA-BCC 模型（规模报酬可变），通过对比获得规模效率信息。

9.6.4 第三步：模型构建

与 AI 的交互：

请帮我建立DEA-CCR模型的完整数学表达：

## 设定
- 决策单元(DMU)数量：n=50
- 投入指标：x₁(医生数)、x₂(护士数)、x₃(设备投入)
- 产出指标：y₁(服务人次)、y₂(满意度)、y₃(1/候诊时间)

## 请给出：
1. CCR模型的对偶形式（包络形式）
2. 模型中各变量的含义
3. 效率值θ的解读
4. 松弛变量的含义
5. 如何判断DEA有效

AI 输出的模型（整理后）：

对于第 \( k \) 个决策单元，DEA-CCR 包络形式为：

\[ \begin{aligned} \min \quad & \theta_k \\ \text{s.t.} \quad & \sum_{j=1}^{50} \lambda_j x_{ij} \leq \theta_k x_{ik}, \quad i = 1, 2, 3 \\ & \sum_{j=1}^{50} \lambda_j y_{rj} \geq y_{rk}, \quad r = 1, 2, 3 \\ & \lambda_j \geq 0, \quad j = 1, 2, \ldots, 50 \end{aligned} \]

其中：

• \( \theta_k \in (0, 1] \) 为第 \( k \) 个DMU的效率值
• \( \theta_k = 1 \) 表示 DEA 有效
• \( 1 - \theta_k \) 表示投入可以等比例缩减的比例

9.6.5 第四步：模型改进

与 AI 的交互：

我已建立DEA-CCR模型，但存在以下问题：
1. 多个DMU效率值都为1，无法进一步区分
2. 没有考虑各中心覆盖人口不同的因素
3. 缺乏时间维度（今年vs去年的效率变化）

请帮我改进：
1. 解决多个有效单元的区分问题
2. 将覆盖人口作为环境变量纳入模型
3. 引入Malmquist指数分析效率变化

改进后的方案：

1. 使用超效率DEA模型区分有效单元：

\[ \begin{aligned} \min \quad & \theta_k \\ \text{s.t.} \quad & \sum_{j=1, j \neq k}^{50} \lambda_j x_{ij} \leq \theta_k x_{ik}, \quad i = 1, 2, 3 \\ & \sum_{j=1, j \neq k}^{50} \lambda_j y_{rj} \geq y_{rk}, \quad r = 1, 2, 3 \\ & \lambda_j \geq 0 \end{aligned} \]

2. 采用三阶段DEA方法处理环境变量
3. 引入Malmquist生产率指数进行跨期分析

9.6.6 第五步：资源优化配置

与 AI 的交互：

基于DEA分析结果，我需要建立资源优化配置模型：

## 已知信息
- DEA无效的中心有15个
- 投入冗余量已计算出（各中心的松弛变量值）
- 总预算增量：500万元
- 新增医生名额：20人

## 优化目标
- 最大化整体效率提升
- 兼顾公平性（薄弱中心优先）

## 约束
- 总预算不超过500万
- 人员增量不超过20
- 每个中心最多增加3名医生
- 设备投入增量不超过该中心现有投入的50%

请建立完整的资源配置优化模型。

最终优化模型：

设 \( \Delta x_{ik} \) 为第 \( k \) 个无效中心在第 \( i \) 种投入上的调整量：

\[ \begin{aligned} \max \quad & \sum_{k \in \text{无效}} w_k \cdot \Delta\theta_k \\ \text{s.t.} \quad & \sum_{k=1}^{15} \Delta x_{3k} \leq 500 \quad \text{（预算约束）} \\ & \sum_{k=1}^{15} \Delta x_{1k} \leq 20 \quad \text{（人员约束）} \\ & \Delta x_{1k} \leq 3, \quad \forall k \\ & \Delta x_{3k} \leq 0.5 \cdot x_{3k}^{(0)}, \quad \forall k \\ & \Delta\theta_k = g(\Delta x_{1k}, \Delta x_{2k}, \Delta x_{3k}) \quad \text{（效率提升函数）} \end{aligned} \]

其中 \( w_k \) 为公平性权重，效率越低的中心权重越大。

9.7 注意事项与常见陷阱

9.7.1 AI 推荐模型的常见问题

陷阱一：过度复杂化

AI 倾向于推荐它“知道“的复杂模型，但竞赛中并非越复杂越好。

• 表现： 对简单问题推荐深度学习、集成学习等复杂方法
• 判断标准： 如果数据量 \( n < 100 \)，复杂模型大概率过拟合
• 应对策略： 在 Prompt 中明确数据量和计算资源限制

注意：我的数据只有[n]个样本，请推荐复杂度适中的模型。
数学建模竞赛评审更看重模型选择的合理性而非复杂度。
简单模型如果有充分的理论依据同样可以获奖。

陷阱二：忽略模型假设

AI 推荐模型时可能不会主动检验假设条件是否满足。

• 表现： 推荐线性回归但数据存在严重多重共线性
• 应对策略： 追问假设条件

你推荐的[模型名]需要满足哪些假设条件？
请逐条列出，并告诉我如何检验每个假设是否成立。
如果假设不满足，替代方案是什么？

陷阱三：不符合竞赛规范

AI 不了解特定竞赛的评审标准和论文规范。

• 表现： 推荐的模型虽然效果好但缺乏数学推导，或者与赛题要求的“建立数学模型“不符
• 应对策略： 明确竞赛背景

这是一道[国赛/美赛/电工杯]的题目。该竞赛的评审特点：
- 重视模型的数学表达和理论推导
- 需要有明确的假设、定义、定理
- 结果需要有灵敏度分析
- 论文篇幅约20-30页

请基于这些约束调整你的建议。

陷阱四：缺乏实际可操作性

AI 可能推荐理论上最优但实际难以实现的模型。

• 表现： 推荐需要大量标注数据的监督学习方法，但实际只有无标注数据
• 应对策略： 明确资源约束

请注意以下实际约束：
- 建模时间：72小时（含论文撰写）
- 编程能力：熟悉Python/MATLAB
- 计算资源：普通笔记本电脑
- 软件限制：[列出可用工具]

请推荐在这些约束下可以完成的模型方案。

陷阱五：模型堆砌而非有机组合

AI 可能给出多个模型但缺乏逻辑联系。

• 表现： 罗列5-6个模型但彼此独立，论文读起来像方法综述
• 应对策略： 要求逻辑链

请不要简单罗列模型。我需要一个有逻辑递进关系的建模方案：
1. 基础模型解决核心问题
2. 改进模型解决基础模型的不足
3. 扩展模型处理更一般的情况

每个模型之间要有明确的递进关系和改进动机。

9.7.2 使用 AI 辅助模型选择的最佳实践

实践一：先思考，再询问

不要一拿到题目就问 AI。先独立思考5-10分钟，形成初步想法，再向 AI 求证和补充。这样做的好处：

• 你有了对比基准，能判断 AI 建议的质量
• 你的初步想法为 AI 提供了更好的上下文
• 避免完全依赖 AI 导致思维惰性

实践二：多轮迭代，逐步深入

不要试图一个 Prompt 解决所有问题。推荐的迭代流程：

\[ \text{问题分类} \xrightarrow{第1轮} \text{候选模型} \xrightarrow{第2轮} \text{模型细节} \xrightarrow{第3轮} \text{模型改进} \xrightarrow{第4轮} \text{实现方案} \]

实践三：交叉验证 AI 的建议

同一个问题，尝试用不同的描述方式询问，或者换一个 AI 模型询问。如果多次得到一致的建议，可信度更高。如果建议不一致，需要深入分析分歧的原因。

实践四：建立个人模型库

将每次竞赛中使用的模型、AI 的建议、最终效果记录下来，逐步形成自己的“问题-模型“映射经验库。

实践五：注重模型的数学严谨性

AI 给出的模型框架需要你自己补充：

• 严格的变量定义和符号说明
• 模型假设的明确陈述
• 定理或命题的证明（如果涉及）
• 算法的收敛性分析
• 计算复杂度分析

9.7.3 AI 辅助与独立思考的平衡

数学建模竞赛的核心考察能力是建模思维，而非工具使用。AI 辅助模型选择应当遵循以下原则：

1. AI 是顾问，不是决策者。 最终的模型选择必须由你基于对问题的理解来决定。
2. 理解优于应用。 使用 AI 推荐的模型前，确保你理解其数学原理，能够独立推导关键公式。
3. 批判性接受。 对 AI 的每一条建议都要问“为什么“，而非无条件接受。
4. 记录决策过程。 在论文中体现模型选择的思考过程，包括为何排除某些候选模型。

9.8 本章小结

AI 辅助模型选择与设计是现代数学建模的重要能力。本章提供的方法论和 Prompt 模板可以帮助你：

• 系统化思考模型选择问题，避免遗漏重要的候选方案
• 高效地获取模型建议并进行对比分析
• 结构化地与 AI 交互，获得更高质量的输出
• 批判性地评估 AI 建议，避免常见陷阱

最终，优秀的建模者不是依赖 AI 选模型的人，而是能够与 AI 高效协作、将 AI 的建议转化为严谨数学模型的人。

核心公式回顾：

模型选择的“适配度“可以形式化为：

\[ \text{Score}(M) = \alpha \cdot \text{适用性}(M) + \beta \cdot \text{可行性}(M) + \gamma \cdot \text{创新性}(M) \]

其中 \( \alpha + \beta + \gamma = 1 \)，权重分配取决于竞赛类型和赛题特点。对于国赛，建议 \( \alpha : \beta : \gamma \approx 0.4 : 0.4 : 0.2 \)；对于美赛，建议 \( \alpha : \beta : \gamma \approx 0.3 : 0.3 : 0.4 \)。

下一章预告： 第10章将介绍如何利用 AI 辅助完成模型求解与代码实现，包括让 AI 编写求解算法、调试数值计算问题、以及优化代码性能。