论文写作指导
数学建模论文的结构、写作技巧和注意事项，帮助你写出高质量的竞赛论文
📐 论文结构
数学建模论文通常遵循以下结构，不同竞赛可能有细微差别，但总体框架一致：
摘要 (Abstract)
全文精华，包含问题概述、方法、结果和结论，200-300字
问题重述 (Restatement)
用自己的话重新描述问题，明确建模目标
模型假设 (Assumptions)
列出所有简化假设，说明合理性
符号说明 (Notation)
表格形式列出所有符号及其含义
模型建立与求解 (Model)
核心部分，详细阐述模型构建和求解过程
模型评价 (Evaluation)
分析模型优缺点，讨论改进方向
参考文献 (References)
规范引用所有参考资料
📝 摘要写作
摘要是论文的"门面"，评委往往通过摘要决定是否继续阅读。一个好的摘要应该：
- 独立完整：不读全文也能理解研究内容
- 信息密集：在有限字数内传达核心信息
- 结构清晰：按"问题-方法-结果-结论"组织
- 客观准确：避免夸大，数据准确
写作技巧
摘要最后写！完成全文后再提炼，确保与正文一致。控制在200-300字（中文）或250-350词（英文）。
摘要结构模板
第一句（问题背景）：针对XXX问题，本文建立了XXX模型...
第二句（方法概述）：首先，使用XXX方法处理XXX；然后，基于XXX建立XXX模型...
第三句（主要结果）：求解结果显示，XXX的最优值为XXX，相比XXX提高了XXX%...
第四句（模型验证）：通过XXX验证了模型的可靠性，敏感性分析表明...
第五句（结论/推广）：最后，将模型推广到XXX场景，结果表明...
🎯 问题重述
问题重述不是简单复制题目，而是：
- 用自己的语言重新表述问题
- 明确问题的关键要素和约束条件
- 将复杂问题分解为若干子问题
- 说明建模的目标和预期产出
常见错误
直接复制粘贴题目原文！这会被视为缺乏理解和思考。一定要用自己的话重新组织。
📋 模型假设
合理的假设是简化复杂问题的关键。好的假设应该：
- 必要性：确实有助于简化问题
- 合理性：与实际情况偏差不大
- 明确性：表述清晰，无歧义
- 可验证性：能够通过数据或逻辑验证
假设分类
- 简化性假设：忽略次要因素（如"忽略空气阻力"）
- 约束性假设：限定问题范围（如"假设市场需求稳定"）
- 机制性假设：描述变量关系（如"假设传播速度与人际接触频率成正比"）
假设1：假设城市人口在短期内保持稳定，不考虑人口迁移对需求的影响。
理由：根据统计数据，该城市年人口流动率低于2%，对结果影响可忽略。
🔣 符号说明
使用表格清晰列出所有符号：
- 按符号出现顺序或类别排序
- 符号用LaTeX格式（斜体变量，正体单位）
- 单位使用国际单位制
- 避免一个符号多种含义
表1 主要符号说明
$x_i$ — 第$i$个决策变量，单位：个
$v$ — 车辆行驶速度，单位：m/s
$T$ — 总时间周期，单位：h
$C_{total}$ — 总成本，单位：元
$\alpha$ — 衰减系数，无量纲
🏗️ 模型建立
这是论文的核心部分，应该：
- 循序渐进：从简单到复杂，逐步构建
- 图文并茂：使用流程图、框图说明模型结构
- 公式规范：每个公式都有编号，变量含义明确
- 逻辑清晰：说明"为什么这样建模"
写作建议
- 先介绍建模思路，再给出数学表达
- 复杂模型分步骤说明，不要一次性抛出
- 使用图表辅助说明（流程图、概念图）
- 引用相关理论或已有模型时注明出处
黄金法则
一个陌生人能否不看代码，只看论文就能复现你的模型？这是检验模型描述清晰度的标准。
🧮 模型求解
求解部分应该展示：
- 算法选择：为什么选择这种算法？
- 求解步骤：关键步骤的详细说明
- 参数设置：算法参数的取值和依据
- 结果展示：数据表格、图表可视化
结果呈现技巧
- 使用表格展示对比结果
- 使用图表展示趋势和规律
- 关键数据用粗体或颜色标注
- 对结果进行简要分析和解释
⚖️ 模型评价
客观评价模型是体现思考深度的重要部分：
优点（Strengths）
- 模型的创新点
- 相比传统方法的优势
- 计算效率或精度提升
缺点（Weaknesses）
- 假设的局限性
- 模型的适用范围
- 数据或计算资源的限制
改进方向（Future Work）
- 如何放松某些假设
- 可以引入的扩展因素
- 其他可能的求解方法
写作技巧
缺点不要回避，但要委婉表达。例如不说"模型精度低"，而说"在数据有限的情况下，模型仍有改进空间"。
📊 灵敏度分析
灵敏度分析是检验模型稳健性的关键步骤，也是竞赛评分的重要加分项。它回答一个核心问题：当输入参数发生微小变化时，模型的输出结果会如何变化？
为什么需要灵敏度分析？
- 验证稳健性：证明模型对参数扰动不敏感
- 识别关键参数：找出对结果影响最大的因素
- 评估风险：量化不确定性对决策的影响
- 指导数据收集：确定哪些参数需要更精确的测量
常用方法
- 单因素灵敏度分析：每次只改变一个参数，观察结果变化
- 多因素灵敏度分析：同时改变多个参数，考察交互效应
- 蒙特卡洛模拟：随机抽样参数空间，统计分析结果分布
- 正交试验设计：用较少的试验次数考察多因素影响
写作模板
5.1 灵敏度分析
为验证模型的稳健性，我们对关键参数α（权重系数）进行灵敏度分析。在基准值α=0.5的基础上，分别取α=0.3, 0.4, 0.6, 0.7，观察目标函数值的变化趋势。
表5 灵敏度分析结果
α=0.3时，最优解为X₁=120，目标值Z=4560；
α=0.4时，最优解为X₁=115，目标值Z=4680；
α=0.5时，最优解为X₁=110，目标值Z=4750；
α=0.6时，最优解为X₁=105，目标值Z=4720；
α=0.7时，最优解为X₁=100，目标值Z=4650。
分析表明，当α在[0.4, 0.6]范围内变化时，目标值波动不超过3%，说明模型对该参数具有较好的稳健性。当α>0.6时，目标值开始下降，表明过高的权重会导致次优解。
高分技巧
灵敏度分析不仅要"做"，更要"写清楚"。给出灵敏度系数计算公式，用图表展示变化趋势，最后给出明确的结论。
灵敏度系数计算
灵敏度系数定义为输出变化率与输入变化率的比值：
$S = \frac{\Delta Y / Y}{\Delta X / X}$
其中，$X$为输入参数，$Y$为输出结果。$|S| < 1$表示弱灵敏，$|S| > 1$表示强灵敏。
🏆 竞赛评分标准
了解评分标准有助于有的放矢地优化论文。以下是主要数学建模竞赛的评分要点：
CUMCM（全国大学生数学建模竞赛）
摘要（20-25%）：独立完整性、信息密度、结构清晰度
模型建立（30-35%）：合理性、创新性、数学严谨性
模型求解（15-20%）：算法选择、计算准确性、效率
结果分析（15-20%）：合理性检验、灵敏度分析、推广性
论文质量（10-15%）：格式规范、逻辑清晰、图表质量
MCM/ICM（美国大学生数学建模竞赛）
Summary Sheet（核心）：评委首先看摘要，决定是否继续阅读
Problem Understanding：对问题的深入理解和合理假设
Modeling Approach：方法选择的合理性和创新性
Analysis & Validation：结果分析、误差分析、灵敏度分析
Communication：英文表达、图表质量、逻辑流畅度
Memorandum（ICM必需要）：给决策者的非技术建议信
关键提醒
CUMCM是"盲评"，论文中不得出现学校、姓名等信息；MCM/ICM的Summary Sheet是单独提交的一页，需要在有限空间内浓缩全文精华。
📝 各竞赛写作差异
不同竞赛对论文的要求和风格有所区别，需针对性调整：
CUMCM vs MCM/ICM 对比
语言：CUMCM使用中文；MCM/ICM必须使用英文
篇幅：CUMCM一般20-30页；MCM/ICM不超过25页（含Summary）
格式：CUMCM有统一模板；MCM/ICM自由排版但需包含Summary Sheet
摘要：CUMCM摘要在正文开头；MCM/ICM的Summary Sheet单独一页
风格：CUMCM偏重数学推导；MCM/ICM偏重问题解决和实际意义
ICM特有：需提交1-2页Memorandum（给决策者的建议信）
其他竞赛特点
- 电工杯：侧重电气工程背景，强调物理模型和工程实践
- 深圳杯：结合深圳产业实际，偏好应用型和产业化方案
- MathorCup：鼓励创新思维，对非常规解法包容度高
- 亚太地区APMCM：类似MCM但难度略低，适合练手
备赛建议
建议先参加APMCM或MathorCup积累经验，再冲击CUMCM和MCM/ICM。每种竞赛至少研读3篇往届优秀论文，把握风格差异。
📊 数据可视化与图表规范
高质量的图表是论文的"门面"，直接影响评委的第一印象。
图表基本要求
- 编号规范：图1、图2...；表1、表2...，按出现顺序编号
- 标题完整：图表标题需自明，不看正文也能理解
- 单位标注：坐标轴、表头必须注明单位
- 分辨率：图片分辨率不低于300dpi，避免模糊
- 字体统一：图中文字字号一致，建议使用无衬线字体
常用图表类型选择
折线图：展示时间序列趋势（如气温变化、人口增长）
散点图：展示变量关系和相关性（如回归分析、聚类结果）
柱状图：对比分类数据（如不同方案性能对比）
热力图：展示矩阵数据和空间分布（如相关系数矩阵、距离矩阵）
饼图：展示占比关系（慎用，一般不超过6类）
箱线图：展示数据分布和异常值
流程图：展示算法步骤和模型结构
雷达图：多维度评价对比（如TOPSIS结果可视化）
配色建议
- 避免使用纯红、纯绿等高饱和颜色
- 多组数据对比时使用色盲友好配色（如蓝-橙-灰）
- 同一篇论文中保持配色方案一致
- 打印后仍需可辨识（避免仅靠颜色区分）
高质量图表技巧
使用矢量图格式（PDF/SVG）导出，避免JPG压缩失真。Python中使用plt.savefig('fig.pdf', dpi=300, bbox_inches='tight')，MATLAB中使用exportgraphics(gcf, 'fig.pdf')。
📝 摘要写作完整范文
以下是两篇典型摘要范文，分别对应优化问题和预测问题：
范文一：优化问题摘要
针对城市物流配送路径优化问题，本文建立了带时间窗的车辆路径问题（VRPTW）模型，目标是在满足客户时间窗约束的前提下最小化总配送成本。
首先，对原始数据进行预处理，使用K-Means聚类将100个配送点划分为5个区域，降低问题规模。然后，建立了以车辆固定成本、行驶成本和等待成本为目标的混合整数规划模型。针对问题NP难特性，设计了改进的自适应大邻域搜索算法（ALNS），引入模拟退火机制避免陷入局部最优。
求解结果显示，相比传统节约里程法，本文算法使总成本降低18.7%，车辆使用减少20%，平均等待时间缩短35.2%。灵敏度分析表明，时间窗宽度对成本影响显著，时间窗放宽10%可使成本降低约5%。最后，将模型推广到多车场场景，验证了算法的通用性。
范文二：预测问题摘要
针对城市空气质量预测问题，本文基于某市2018-2023年逐日AQI数据，建立了组合预测模型，实现对未来7天空气质量的准确预报。
首先，对缺失数据采用三次样条插值补全，使用STL分解剔除季节性和趋势项。然后，分别建立SARIMA时间序列模型和LSTM神经网络模型，捕捉数据的线性与非线性特征。进一步，基于历史预测误差构建加权组合模型，权重通过滚动窗口优化确定。
实验结果表明，组合模型的MAE为12.3，RMSE为18.7，较单一SARIMA和LSTM模型分别降低23.5%和15.8%。在重度污染天气下的预报准确率达到85.6%，满足业务预报需求。模型已成功应用于该市环保局日常预报业务。
范文分析
两篇摘要均遵循"问题→方法→结果→验证→推广"的五段式结构，信息密度高，数据具体，避免空洞表述。注意每段都有量化结果支撑。
💻 代码与算法描述规范
虽然论文正文不需要包含完整代码，但算法描述必须清晰规范。
算法伪代码规范
- 使用
algorithm和algorithmic宏包排版 - 算法需有编号和标题
- 输入输出明确标注
- 关键步骤添加注释
算法1 自适应大邻域搜索算法（ALNS）
输入：初始解S₀，最大迭代次数N，温度参数T₀
输出：最优解S*
步骤：
1. 初始化：S ← S₀, S* ← S₀, T ← T₀
2. while 迭代次数 < N do
3. 根据权重随机选择破坏和修复算子
4. 生成新解S' ← Repair(Destroy(S))
5. if accept(S, S', T) then S ← S'
6. if f(S') < f(S*) then S* ← S'
7. 更新算子权重，降温 T ← αT
8. end while
9. 返回 S*
代码附件规范
- CUMCM允许提交代码附件，需单独文件
- MCM/ICM不要求提交代码，但需在论文中说明算法实现
- 代码需有完整注释，变量命名规范
- 注明运行环境和依赖库版本
注意事项
不要在正文中贴大段代码！评委关注的是建模思路而非编程实现。用伪代码和流程图说明算法，完整代码放在附录或单独文件。
📚 参考文献
规范引用是学术诚信的体现：
- 使用统一的引用格式（GB/T 7714、APA等）
- 正文中引用处用上标编号[1]或(作者, 年份)
- 参考文献按正文中出现顺序编号
- 网络资源注明访问日期
[1] 姜启源, 谢金星, 叶俊. 数学模型[M]. 第5版. 北京: 高等教育出版社, 2018.
[2] COMAP. HiMCM Rules[EB/OL]. (2023-09-01)[2024-01-15]. https://www.comap.com/...
[3] 张三, 李四. 基于机器学习的预测模型研究[J]. 数学建模学报, 2023, 15(2): 45-52.
✅ 提交检查清单
提交前逐项检查，避免低级错误：