进行98年数学建模的编程，可以遵循以下步骤：
学习编程语言
选择一门适合数学建模的编程语言，如Python或MATLAB。这些语言具有丰富的数学计算库和简洁的语法，便于进行数值计算和科学计算。
熟悉数学库和工具
掌握数学建模中常用的数学库和工具，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
根据你的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。在演示环节，注意向评委展示你的代码和算法的有效性和可行性。
具体编程任务示例
数据读取和处理：使用Python的`pandas`库读取CSV文件，进行数据清洗和特征提取。
数学模型编写：使用MATLAB或Python编写数学模型，如线性回归、微分方程等。
模型求解和优化：使用数值方法（如牛顿迭代法）求解方程，或使用优化算法（如梯度下降法）寻找最优解。
结果可视化：使用Matplotlib或Python的`matplotlib`库进行数据可视化，展示模型的结果和分析。
示例代码（Python）
```python
import pandas as pd
import numpy as np
from scipy.optimize import minimize
import matplotlib.pyplot as plt
数据读取和处理
data = pd.read_csv（'data.csv'）
X = data[['feature1', 'feature2']]
y = data['target']
数学模型编写
def model（params, X）:
a, b = params
return a * X[:, 0] + b * X[:, 1]
模型求解和优化
def objective（params）:
y_pred = model（params, X）
return np.mean（（y_pred - y） 2）
initial_params = [1, 1]
result = minimize（objective, initial_params）
结果可视化
params = result.x
y_pred = model（params, X）
plt.scatter（X[:, 0], y, label='Actual'）
plt.plot（X[:, 0], y_pred, label='Predicted', color='red'）
plt.legend（）
plt.show（）
```
通过以上步骤和示例代码，你可以更好地进行98年数学建模的编程工作。建议多实践和练习，以提高编程能力和数学模型的应用水平。