1. 从“写论文”到“做产品”：数学建模竞赛论文的本质认知
很多同学一听到“数学建模竞赛论文”，第一反应就是“写作文”，或者“把模型和结果整理成报告”。如果你也这么想，那从一开始就错了，而且会错失很多拿奖的机会。我参加过多次国赛和美赛，也指导过不少队伍，一个最深刻的体会是：数学建模竞赛的论文，本质上是一个“产品说明书”和“技术解决方案”的复合体，而你的评委，就是那个在极短时间内需要评估你产品价值的“客户”或“技术总监”。
这个认知的转变至关重要。它意味着你的写作目标不是“完成一篇结构完整的文章”，而是“清晰、有力、高效地向一个时间紧迫的专家，推销你的解决方案”。国赛（全国大学生数学建模竞赛）和美赛（美国大学生数学建模竞赛）虽然风格迥异，但核心诉求一致：评委需要在浩如烟海的论文中，快速抓住你的核心思想、逻辑链条和创新亮点。如果你的论文像一本晦涩难懂的天书，或者一篇平铺直叙的流水账，那么无论你的模型多精巧、计算多准确，都可能被埋没。
为什么强调“产品思维”？因为产品需要解决用户痛点。评委的痛点是什么？时间紧、任务重、论文多。他们可能只有10-15分钟来初步评判一篇论文。因此，你的论文必须在视觉上清晰、在逻辑上自洽、在表达上精准，让评委能像看一份优秀的商业计划书或技术白皮书一样，迅速找到他们关心的所有关键信息：问题理解是否到位？模型假设是否合理？建模方法是否恰当？求解过程是否可靠？结论是否有力？创新点在哪里？
基于这个核心认知，本教程将彻底抛开传统的“八股文”式写作框架，而是从评委视角和产品思维出发，为你拆解国赛和美赛论文写作中，那些真正决定成败的“道”与“术”。我们将不仅告诉你“应该怎么写”，更会深入剖析“为什么必须这样写”，以及“如果不这样写会踩哪些坑”。无论你是初次参赛的新手，还是希望突破瓶颈的老手，相信都能从中获得全新的启发和可直接落地的实操技巧。
2. 国赛与美赛：两种截然不同的“产品”定位与设计策略
在动笔之前，你必须明确你是在为哪个“市场”设计产品。国赛和美赛在评审风格、价值取向和写作要求上差异显著，用同一套模板去应对，无异于刻舟求剑。
2.1 国赛论文：严谨的“工程技术报告”
国赛评审更偏向于传统的工科思维，强调模型的正确性、计算的精确性和逻辑的严密性。你可以把国赛论文想象成一份提交给总工程师的详细技术论证报告。
核心特点与写作策略：
- 问题重述不是“抄题”：这是很多新手会犯的致命错误。直接用“本文针对XX问题……”开头，然后大段复制题目原文，是极其敷衍的做法。正确的“问题重述”应该是对题目进行消化后的转述和提炼。你需要用自己的语言，清晰、无歧义地概括问题的背景、条件和目标，必要时可以将冗长的题目描述分解为几个明确的子问题或任务点。这相当于向评委展示：“我已经完全读懂了题目，并且抓住了核心。”
- 模型假设是“安全边界”：国赛非常看重假设的合理性与明确性。你的所有模型都建立在假设之上，因此假设部分必须写得具体、可操作、有依据。避免使用“假设数据是准确的”、“假设系统是稳定的”这类模糊表述。应该写成：“假设附件1中提供的销售数据无系统录入错误，且能代表整体市场趋势”；“假设在预测的时间范围内，外部经济政策环境不发生剧烈变动”。同时，要说明关键假设的必要性及其对模型可能产生的影响。
- 模型建立与求解需“步步为营”：这部分是国赛论文的脊梁。写作时，务必体现清晰的推导过程。
- 符号说明要规范：在模型建立前，集中列出所有使用到的变量、参数及其含义、单位。表格形式最佳，确保全文统一。
- 公式推导要完整：不要直接扔出一个最终模型公式。应该从最基本的原理或公认的公式出发，一步步推导到你的模型形式。例如，如果使用回归模型，应从最小二乘原理开始；如果构建微分方程，应从物质守恒或能量守恒定律开始。这展示了你的基本功。
- 算法描述要具体：对于自己编程实现的算法（如改进的遗传算法、模拟退火算法），不能只说“我们采用了遗传算法”。需要描述清楚编码方式、适应度函数设计、选择、交叉、变异算子的具体实现，以及终止条件。可以配合流程图，但文字描述必须能让同行复现你的核心步骤。
- 计算过程可适当展示：对于关键的计算步骤或中间结果，可以简要呈现，以佐证你的求解过程是扎实的，而非直接调用黑箱函数得出结果。
- 结果分析必须“对照验证”：给出结果图表后，分析必须深入。不能只说“由图X可知，A比B好”。要分析：结果是否符合常识或题目的预期？模型的灵敏度如何（改变某个参数，结果变化大吗）？模型的稳定性如何？是否用不同的方法（如交叉验证）或不同的初始值进行了验证？有没有进行误差分析？这部分是体现你科学素养和批判性思维的关键。
- 摘要的“倒金字塔”结构：国赛摘要极度重要，通常是评委第一眼，也是最后定稿前必看的部分。推荐采用“倒金字塔”写法：
- 第一句：高度概括解决了什么问题。
- 第二段：简要说明针对每个问题用了什么方法（模型名称）。
- 第三段：精炼地给出最重要的结果（用具体数值，如“预测精度达到95%”、“成本降低了18%”）。
- 最后：点明模型的优点、特色或推广价值。
- 切记：摘要必须独立成篇，不使用“本文”、“我们”等词，避免出现图表、公式编号引用。它应该是一份完整的微型论文。
2.2 美赛论文：创新的“解决方案提案”
美赛更看重故事的完整性、模型的创意性和表述的吸引力。你可以把美赛论文想象成一份给风险投资人的创新解决方案提案或科学故事。
核心特点与写作策略：
- 重问题分析，轻公式堆砌：美赛评委希望看到你对问题背景的深刻理解。Introduction部分需要花更多笔墨，将题目置于一个更大的现实或学术背景中，阐述其重要性。可以引用一些相关的社会现象或简短的学术背景，但需精炼。重点是引出你的核心思路（Key Idea）。
- 模型建立强调“创意包装”：你可以使用一个经典的模型，但必须赋予它新的解释或进行巧妙的组合。写作时，重点描述模型的设计思想和创新点。例如，与其详细推导一个标准SIR传染病模型的微分方程，不如花更多篇幅解释你是如何根据本题中人群的特殊流动模式，对SIR模型中的“接触率”参数进行了动态化、网络化的改造，这个改造如何更贴合实际。公式要有，但解释公式背后的物理或社会意义更重要。
- 可视化是“讲故事”的利器：美赛论文对图表的美观度和信息量要求极高。一图胜千言。
- 避免使用Excel默认图表：尽量使用Python的Matplotlib/Seaborn、R的ggplot2、MATLAB的定制化绘图工具，生成更具学术感和设计感的图表。
- 图表要有“叙事性”：比如，用一组子图（subplot）来展示模型随某个关键参数变化的动态过程；用地图来可视化空间分布结果；用信息图（Infographic）来总结你的工作流程。
- 配色和排版要专业：使用和谐的配色方案（如渐变色表示程度，对比色突出差异），避免花里胡哨。图表标题和标注要清晰、完整。
- 灵敏度分析与模型检验是“加分项”：美赛特别注重模型的可信度。你需要系统地展示：如果改变假设或输入数据，你的结论是否依然稳健？这部分可以单独成节（如“Sensitivity Analysis and Model Testing”），通过设计不同的情景（Scenario）来进行测试，并用图表直观展示结果的变化范围。这能极大地提升论文的说服力。
- 摘要（Summary）与“亮点营销”：美赛摘要同样关键，但风格可以更灵活、更有吸引力。开头可以用一句吸引人的话引出问题。然后，用清晰的逻辑线串起你的整个解决方案：我们发现了问题的关键是什么 -> 为此我们提出了一个怎样的核心模型/思路 -> 这个模型如何一步步解决问题 -> 我们得到了哪些有趣或重要的发现 -> 最后，我们的方案有什么优势、建议或未来展望。要在摘要中就突出你模型的最大亮点。
- 行文风格可以更“活泼”：在保证专业性的前提下，美赛论文的语句可以稍显生动。小标题可以取得更巧妙一些（但不要过于花哨），段落之间的过渡可以更自然，像在引导读者阅读一个科学发现的故事。
核心心法：准备国赛，你的武器是“严谨”和“扎实”；准备美赛，你的武器是“创意”和“呈现”。从下笔的第一个字开始，就要进入对应的角色。
3. 论文骨架的黄金法则：结构、逻辑与可读性的三位一体
一篇优秀的建模论文，读起来应该像一部节奏明快的电影，有起承转合，有高潮迭起。结构是骨架，逻辑是经脉，可读性是皮肉。三者缺一不可。
3.1 设计一个评委友好的导航结构
不要死守“摘要-问题重述-模型假设-符号说明-模型建立-模型求解-结果分析-参考文献-附录”的固定目录。应根据你的内容进行微调，使其更符合逻辑流。
经典结构的优化版：
- 1. Introduction / 问题背景与重述：融合背景介绍和问题分析，自然过渡到你的工作。
- 2. Model Development / 模型的建立与求解：这是一个大章节，可以根据模型数量或问题子任务，拆分为2.1, 2.2等子节。强烈建议将模型建立和求解合并，因为对于一个具体的子模型，建立后紧接着就是如何求解它，分开写会割裂逻辑。
- 3. Results and Discussion / 结果分析与讨论：展示结果，并立即进行分析、对比、验证。这是体现你思考深度的地方。
- 4. Sensitivity Analysis and Model Testing / 灵敏度分析与模型检验（美赛尤其重要）：专门检验模型的稳健性。
- 5. Conclusions and Recommendations / 结论与建议：总结核心发现，提出实际建议或模型展望。
- 6. References / 参考文献
- 7. Appendices / 附录：放核心代码、大型数据表格、额外推导过程等。
一个高级技巧：使用“引导性小标题”。例如，在模型部分，不使用“模型一”、“模型二”，而是使用：
- “针对任务一：基于时间序列的短期需求预测模型”
- “针对任务二：融合地理信息的资源优化配置模型”
- “针对任务三：多目标权衡下的综合决策模型” 这样，评委一眼就知道每个部分对应解决哪个问题，逻辑线索无比清晰。
3.2 构建坚不可摧的内在逻辑链
论文的每一部分、每一段、每一句都应该为你的核心论点服务，形成闭环。
- “问题-模型-结果”的三角闭环：这是最基本的逻辑单元。你在问题分析中指出的难点，必须在模型部分有对应的解决方案；你模型设计的特点，必须在结果部分有对应的体现和验证。例如，你分析说“传统模型忽略了因素A的非线性影响”，那么你的模型就必须引入机制来处理这种非线性，并且在结果分析中要专门展示，考虑非线性后，预测精度提升了多少。
- 使用“逻辑连接词”：避免段落、句子之间生硬地跳跃。多使用“因此”、“然而”、“值得注意的是”、“与此相对应”、“为了验证这一点”等词语，引导评委的思维跟随你的论证。
- 设立“路标”句子：在每个章节或重要段落的开头或结尾，使用一句话来承上启下。例如，在模型章节开头写：“基于上一节对数据特征的分析，我们发现线性关系假设并不成立。因此，本节我们将引入一个非线性变换层，构建广义加性模型（GAM）。” 这就像给评委一张地图，让他们始终知道自己在你的论证旅程中处于什么位置。
3.3 打造极致舒适的可读性体验
评委也是人，面对几十页的论文，视觉疲劳是真实的。你的排版和表述，要为他们“减负”。
- 排版是“第一印象”：
- 字体与行距：中文（国赛）推荐使用宋体、黑体，英文（美赛）推荐使用Times New Roman, Calibri。正文行距1.25倍或1.5倍，段后间距0.5行。避免密密麻麻的文字墙。
- 页边距：适中，不宜过窄，留出批注空间。
- 图表规范：所有图表必须有编号和自解释性的标题（如“图1：2010-2023年全球气温变化趋势及拟合曲线”）。图表要居中，大小合适，清晰可辨。图表中的文字字号不能小于正文字号。
- 语言表达要“精准而简洁”：
- 避免口语化：不用“我们觉得”、“大概可能”这类不确定词汇。用“结果表明”、“数据显示”、“模型预测”。
- 杜绝冗长句：尽量使用短句。一个长句可以拆分成两到三个短句，意思更明确。
- 主动语态优先：相比“该模型被用于预测”，使用“我们使用该模型进行预测”更直接有力。
- 术语使用一致：全文对同一概念使用同一术语。如果自己定义了新概念，首次出现时需加粗并给出简短解释。
4. 摘要、图表与代码：决定生死的三个“关键部件”
如果说论文整体是一座大厦，那么摘要、图表和附录的代码就是门面、橱窗和地基。它们往往在关键时刻决定评委的最终判断。
4.1 摘要：论文的“电梯演讲”
评委可能只细读摘要。你必须用300-500字（美赛一页以内）完成一次完美的“电梯演讲”。
写作流程（强烈建议最后写）：
- 列出清单：拿出一张纸，列出你最核心的：解决了哪几个问题？针对每个问题用了什么模型/方法？（写出模型标准名称，如“基于ARIMA的时间序列模型”、“结合A*算法的路径规划模型”）得到了哪些关键定量结果？（把最重要的数字圈出来）模型的主要优点或创新点是什么？
- 编织故事线：不要按清单顺序堆砌。思考如何用一条逻辑线把它们串起来。通常的顺序是：问题概述 -> 核心方法（针对问题一…针对问题二…）-> 主要结果 -> 结论亮点。
- 精炼语言：
- 开头一击即中：“本文针对[某具体问题]，通过建立[XX模型]和[YY模型]，解决了[核心难点]，实现了[最终目标]。”
- 中间具体明确：“对于问题一，我们建立了基于层次分析法（AHP）的评价模型，确定了影响因素的权重体系，其中XX因素的权重最高（0.35）。进而，我们采用熵权TOPSIS法对10个候选方案进行了排序，最优方案为方案C，其贴近度为0.872。”
- 结果用数据说话：避免“效果很好”、“显著提升”这类模糊词。用“预测误差降低了15%”、“覆盖率达到了98.5%”、“成本节约了22万元”。
- 结尾拔高立意：简要指出模型的稳健性、创新性（如“本模型创新性地将网络分析法与蒙特卡洛模拟结合，有效处理了不确定性”）或实用价值。
- 反复修改朗读：写完后大声读出来。检查是否流畅、有无废话、逻辑是否跳跃。确保任何一个对本领域不熟悉的专家，读完摘要都能对你的工作有一个准确、完整的印象。
4.2 图表：不言自明的“证据链”
图表不是装饰，是核心证据。
- 一图一主题：一张图只说明一个核心问题。不要试图在一张散点图上同时展示趋势、分类和相关性。
- 图表类型选择学：
- 趋势对比：折线图（多于5条线建议用子图或改变线型）。
- 成分占比：饼图（类别少于6种）或堆叠柱状图。
- 分布关系：散点图（可加趋势线）、直方图、箱线图（展示数据分布特征极佳）。
- 流程结构：流程图、组织结构图。
- 地理空间：热力图、分级统计图。
- 专业细节：
- 坐标轴：标注清楚变量和单位。刻度密度要合理，必要时使用对数坐标。
- 图例：位置要得当，清晰区分不同系列。
- 颜色：区分类别时用差异明显的颜色（如Set2, Set3色系），表示数据大小时用渐变色（如viridis, plasma色系）。考虑黑白打印是否仍可区分。
- 标注：对图中需要特别关注的点、线、区域，可以添加箭头和文字标注。
- “图表+文字”的叙述模式：在文中引用图表时，不要写“结果如图1所示”。要写：“如图1所示，随着参数α的增大，系统收敛速度显著加快，但当α超过0.8后，性能出现波动。” 文字要解读图表揭示的现象和结论。
4.3 附录与代码：可信度的“最后防线”
附录是存放“重要但不必在正文展示”材料的地方，代码是模型可复现性的保证。
- 附录放什么：
- 大型的原始数据或处理后的数据表格（前几行示例即可）。
- 重要的、但推导过程较长的公式推导。
- 次要模型的详细描述或额外结果。
- 核心代码片段（非全部）。
- 代码提交的艺术：
- 必须提交：即使竞赛不强制，提交一份整理良好的代码也是极大的加分项，体现了科学工作的严谨性。
- 代码结构：按模型或功能分文件夹存放。有一个主运行脚本（如
main.m或run.py），可以一键运行所有分析，生成主要图表。 - 代码注释：关键步骤、复杂算法、自定义函数，必须有清晰的注释。注释不是解释编程语法（如“这里是一个for循环”），而是解释数学逻辑或算法意图（如“此处实现牛顿-拉夫逊迭代，收敛容差为1e-6”）。
- README文件：在代码根目录提供一个简短的README.txt文件，说明运行环境（MATLAB R2023a, Python 3.10 with pandas, numpy等）、主要文件功能、如何运行。这专业到令人发指。
- 代码风格：变量名要有意义（如
population_data而非a），保持缩进一致。混乱的代码会让评委怀疑你结果的可靠性。
5. 从完成到卓越：打磨论文的进阶心法与避坑指南
论文初稿写完，只是完成了50%。剩下的50%在于反复的打磨、审视和优化。这部分工作，往往区分了合格与优秀。
5.1 批判性自查清单
以“最挑剔的评委”视角，逐项检查你的论文：
- [ ]全局逻辑：抛开所有细节，快速浏览各级标题和小标题，能否在3分钟内理清你的整体解决方案脉络？从问题到结论，中间有无逻辑断点？
- [ ]摘要：是否包含了所有关键模型方法名称和核心结果数据？一个完全不懂你具体工作的人，读完后能否准确复述你做了什么、得到了什么？
- [ ]问题与模型对应：在模型部分，是否明确回应了问题分析中提出的每一个难点和挑战？
- [ ]模型描述：对于你使用的每一个模型或算法，描述是否足够让一个同专业的高年级同学复现其主要思想？是否避免了“调包侠”式的模糊描述（如“我们使用了机器学习算法”）？
- [ ]结果展示：每一个重要的结论，是否都有图表或数据支撑？图表是否清晰、自明？
- [ ]分析深度：对结果的分析，是否超越了“描述现象”（如图中曲线上升），达到了“解释原因”（为什么上升）和“探讨影响”（上升意味着什么）的层次？
- [ ]语言与格式：全文有无错别字、语法错误？公式、图表编号是否连续、引用是否正确？参考文献格式是否规范统一？
- [ ]创新点凸显：你的工作最与众不同、最费心思的那一两点，在摘要、引言和结论中，是否被明确地、反复地强调了？
5.2 团队协作与高效修改流程
数学建模是团队作战，论文写作更是如此。
- 明确分工与融合：常见的分工是一人主笔、一人主模型、一人主编程。但主笔人必须深度参与模型讨论，否则写出来的东西会与模型脱节。最佳模式是：三人共同确定全文大纲和核心论点 -> 分章节写作 -> 集中整合 -> 交叉审阅。
- 建立“问题-修改”跟踪表：在修改阶段，使用一个共享在线文档或表格，列出发现的所有问题（如“P5图3坐标轴单位缺失”、“P8对模型缺点的论述过于轻描淡写”），并指定负责人、标注状态（待处理/已解决）。避免口头沟通导致遗漏。
- “朗读修改法”：这是最有效的修改方法之一。团队坐在一起，由一个人大声、缓慢地朗读论文全文。耳朵比眼睛更容易发现不通顺的句子、重复的词语和跳跃的逻辑。听的人随时喊停，提出修改意见。
- 寻求“外部视角”：在截止日期前，如果时间允许，可以请一位不参与你们具体建模、但有一定专业背景的同学或学长，快速浏览你们的论文。让他们告诉你，哪里没看懂、哪里觉得疑惑。他们的“小白视角”往往能发现你们深陷其中而忽略的表述不清之处。
5.3 国赛美赛常见“致命伤”与规避策略
国赛典型坑：
- 模型假设空洞无物：写“假设数据准确”。规避：必须具体化，说明数据来源、做了哪些预处理、假设其在此问题背景下具有代表性。
- 符号说明缺失或混乱：文中突然出现未定义的符号。规避：建立符号表，并在全文首次出现该符号时加以说明。
- 只有模型，没有求解：详细推导了模型方程，然后直接说“使用MATLAB求解”。规避：必须说明求解方法（如“采用四阶龙格-库塔法数值求解上述微分方程组，步长设置为0.01”）。
- 结果分析像“看图说话”：只描述图表显示了什么，不分析为什么和怎么办。规避：对每个重要结果，追问三个问题：这合理吗？为什么会出现这个结果？这个结果有什么含义或应用价值？
美赛典型坑：
- Introduction写成背景资料堆砌：大段抄录题目背景或网络资料。规避：快速切入主题，重点写你对问题的独特理解和分析，引出你的工作。
- 滥用复杂模型，缺乏解释：为了显得高大上，堆砌深度学习、神经网络等复杂模型，但对其在本问题中的适用性、参数设置、输出解释一笔带过。规避：模型复杂度应与问题匹配。如果用了复杂模型，必须花篇幅解释为什么它适合本问题，以及你是如何训练和调参的。
- 可视化花哨但无效：使用3D旋转饼图、彩虹色等干扰信息读取的图表。规避：可视化第一原则是清晰、准确传达信息。坚持使用学术出版物中常见的、经典的图表类型。
- 忽略灵敏度分析：给出一个结果就认为万事大吉。规避：必须设计实验，测试关键参数或假设变化时，你的结论是否依然成立。这是体现模型鲁棒性和你思维严谨性的黄金环节。
写作一篇优秀的数学建模竞赛论文，是一场对逻辑思维、文字表达和审美呈现的综合考验。它没有绝对的模板，但有共通的法则。其核心始终是：以评委为中心，以清晰传递解决方案价值为目的。当你不再把它视为一项被迫完成的任务，而是作为一个展示你们团队智慧、创造力和专业素养的作品去精心雕琢时，你的论文就已经赢在了起跑线上。记住，在评委眼中，一篇条理清晰、论证扎实、表达专业的论文，本身就是建模能力最有力的证明。
