编写数学建模的编程题可以按照以下步骤进行：
学习编程语言
选择一门适合的编程语言，如Python或MATLAB，并学习其基本语法和特性。
熟悉数学库和工具
掌握数学建模中常用的数学库和工具，例如NumPy、SciPy等，这些库提供了许多数学函数和操作，能方便你进行数学计算和分析。
确定编程任务
根据数学建模的要求，确定需要实现的具体编程任务。这可能包括数据的读取和处理、数学模型的编写、模型的求解和优化等。
设计算法和数据结构
根据数学模型的特点和需求，设计相应的算法和数据结构。选择合适的算法可以提高程序的运行效率和准确性。
编写代码
根据算法和数据结构设计，开始编写代码。合理的组织代码结构，使用注释和命名规范来增加程序的可读性。
测试和调试
编写完成后，进行测试和调试，确保程序的正确性。通过输入不同的数据和情况，检验程序的输出是否符合预期。
优化和改进
对于效率低下或存在问题的代码，进行优化和改进。可以使用一些技巧和方法，如向量化计算、并行计算等，提高程序的性能。
提交和演示
准备好最终的程序版本，并按照比赛要求进行提交。如果需要，还可以准备演示，向评审人员展示程序的功能和效果。
示例题目
优化问题
给定一定的约束条件，如何最大化一个目标函数的值，或者如何使得某个指标达到最小值。例如，旅行推销员问题（TSP）。
随机模拟
对于一些复杂的系统，难以通过解析方法求解，可以使用随机模拟的方法来近似求解。例如，使用蒙特卡洛方法对概率分布进行模拟。
动态规划
对于具有递推关系的问题，可以使用动态规划来求解最优解。例如，背包问题、最长公共子序列问题等。
图论问题
图论是建模编程中常用的工具之一，可以用来解决网络优化、路径规划、图的遍历等问题。例如，最短路径问题、最小生成树问题等。
线性规划
线性规划是一种将问题转化为线性约束条件下的线性目标函数的数学模型，并通过单纯形方法进行求解的优化问题。例如，运输问题、资源分配问题等。
反问题
反问题是指根据已知的观测数据，逆推出导致这些数据的模型参数或模型结构。例如，逆向问题求解模型参数或模型结构等。
编程规范
在编写数学建模的编程题时，还需要注意以下几点：
代码规范
代码需要按照一定的规范和要求进行编写，包括变量的命名规范、代码的注释和文档的编写，以便于他人理解和维护。
测试和调试
代码编写完成后，必须进行充分的测试和调试，确保代码的正确性和稳定性。可以通过输入不同的数据和情况，检验程序的输出是否符合预期。
优化和改进
为了提高代码的效率和可读性，可以考虑使用一些优化技巧和工具，如合理选择数据结构和算法、使用函数和模块化编程等。
需求分析和设计
在编写代码之前，先进行一定的需求分析和设计，明确代码的功能和实现方式，这样可以更好地完成数学建模任务。
通过以上步骤和技巧，你可以更好地编写数学建模的编程题，并在比赛中取得好成绩。