1. 项目概述：数模竞赛论文的本质与价值
如果你参加过数学建模竞赛，或者正准备参加，那你一定对“论文”这两个字又爱又恨。爱的是，它是你三天三夜心血的最终载体，是向评委展示你所有工作的唯一窗口；恨的是，它往往成为决定你最终成绩的“阿喀琉斯之踵”。我见过太多队伍，模型建得精巧，算法跑得飞快，结果却因为论文写得一塌糊涂，最终与奖项失之交臂。这篇内容，就是想把我在多年指导与评审中，关于数模竞赛论文写作的那些“只可意会”的经验，掰开揉碎了讲给你听。
数模竞赛论文，本质上是一份技术报告，但它又不同于普通的实验报告或学术论文。它的核心目标是：在有限的篇幅内（通常是20页左右），清晰、准确、有说服力地向评委展示你们队对问题的理解、建模的思路、求解的过程以及结论的价值。评委通常没有时间一行行读你的代码，也没法现场运行你的程序，他们评判你工作的唯一依据，就是这篇论文。因此，写作不是建模的“副产品”，而是建模工作的核心组成部分，甚至可以说，写作本身就是建模过程的延伸和精炼。一个清晰的写作思路，往往能倒逼你理清模糊的模型逻辑；而一个糟糕的表述，则可能让再好的模型明珠蒙尘。
那么，这篇内容适合谁？首先是所有即将参加国赛、美赛、研究生赛等各类数模竞赛的同学，无论你是编程主力、建模核心还是写作担当，都需要透彻理解论文的写作逻辑。其次，对于需要撰写技术报告、项目文档的理工科学生和从业者，其中的结构化思维和表达技巧也同样适用。我们将避开那些空泛的“要清晰、要准确”的说教，直接深入到摘要怎么写、模型怎么描述、结果怎么展示、行文怎么布局这些最实际的环节，并提供大量可以直接“抄作业”的模板和避坑指南。
2. 论文的整体架构与核心逻辑拆解
一篇优秀的数模论文，其结构是严谨的、服务于评审逻辑的。它不是日记，不能想到哪写到哪。标准的架构通常包括：摘要、问题重述、模型假设与符号说明、模型建立与求解、模型检验与结果分析、模型评价与改进、参考文献、附录。这个骨架大家可能都见过，但为什么是这样一个顺序？每个部分究竟承担什么使命？很多人并没想明白。
2.1 核心逻辑：以评审视角构建叙事线
你要时刻记住，评委是在高强度、短时间内阅读大量论文。他们的阅读路径和心理预期是有规律的。你的论文结构，本质上是一条精心设计的“叙事线”，目的是高效地引导评委理解并认可你的工作。
- 第一印象（摘要）：评委拿到论文，几乎100%先看摘要。摘要必须在300-500字内，讲清楚“针对什么问题，用了什么方法，得到了什么结果，有什么亮点和结论”。这是你的“电梯演讲”，决定评委是否愿意继续细读。摘要写砸了，后面内容再好也可能被匆匆略过。
- 问题理解（问题重述）：这不是让你抄题！而是展示你对问题的解读和转化能力。你需要用自己的语言，精炼地复述问题背景、条件和目标，并明确指出问题的关键点、难点以及你们关注的焦点。这相当于告诉评委：“我们完全读懂了题，并且知道要从哪里下手。”
- 建模准备（假设与符号）：这是体现你们科学严谨性和思维清晰度的关键。合理的假设是为了简化问题，使模型可解，但必须说明理由。清晰、规范的符号说明表，能让评委在阅读后续复杂的模型公式时，不至于迷失。一个混乱的符号系统，会极大增加阅读成本。
- 核心展示（模型建立与求解）：这是论文的“心脏”。叙事逻辑应该是：针对问题的哪个部分或哪个步骤，我们为什么选择某种模型或算法（理由），这个模型/算法是什么（定义和公式），以及我们是如何求解或实现的（求解思路、算法步骤、软件工具）。一定要强调“为什么”，这是区分普通队和优秀队的关键。
- 可信度证明（检验与分析）：模型建好了，结果出来了，然后呢？评委凭什么相信你的结果？这部分就是提供证据。包括模型的稳定性检验（如灵敏度分析）、结果的合理性分析（与常识或预期对比）、以及模型的优劣讨论。这是将你的工作从“纸上谈兵”提升到“有说服力解决方案”的环节。
- 反思与延伸（评价与改进）：展示你们的批判性思维和视野。客观地评价自己模型的优点、缺点（不要怕说缺点，有缺点的模型才是真实的），并提出可行的改进方向。这体现了工作的完整性和思维的深度。
- 规范性与工作量（参考文献与附录）：规范的参考文献体现学术素养。附录则用来存放那些重要但放入正文会打断主线的材料，如大型数据表格、核心代码片段、冗长的推导过程等。它既是正文的支撑，也展示了你们扎实的工作量。
这个结构环环相扣，每一部分都为下一部分铺垫，共同构建一个完整的故事。你的写作过程，就是把这个故事讲得引人入胜、逻辑自洽的过程。
2.2 常见结构误区与纠正
- 误区一：把“问题重述”写成“题目复制”。
- 错误示范：直接大段粘贴题目原文。
- 正确做法：提炼整合。例如，原题可能有一段背景描述，你可以总结为：“本题旨在研究XX背景下，基于XX数据，优化XX目标的问题。其核心要求包括：(1)… (2)… (3)…。其中，如何量化XX因素以及处理XX数据的不完整性是本问题的难点。”
- 误区二：模型部分只罗列公式，没有逻辑串联。
- 错误示范：直接给出目标函数和约束条件，然后说“由此建立模型”。
- 正确做法：采用“总-分”或“流程化”叙述。例如：“针对问题一，我们将其拆解为两个阶段：首先是数据预处理与特征提取，我们采用XX方法…；其次是建立预测模型，考虑到数据具有XX特性，我们选择了XX模型，其形式如下…；该模型的求解我们使用了XX算法，其步骤是…”
- 误区三：结果分析部分只有图表，没有文字解读。
- 错误示范：放上一张图或一个表格，下面写“结果如图X所示”。
- 正确做法：图表是证据，文字是论点。你应该写道：“由图X可知，当参数A在[0.1, 0.5]区间内时，系统效率B稳定在85%以上（图中阴影区域），这表明我们的模型在该参数范围内具有较好的鲁棒性。然而，当A超过0.5后，B值急剧下降，原因可能是…”
注意：论文的目录应该自动生成，并且与正文标题严格对应。在Word中熟练使用“样式”功能定义各级标题，再插入自动目录，是保证格式规范、节省后期调整时间的基础技能。很多队伍在最后时刻手调页码和目录，极易出错。
3. 摘要：论文的“黄金五百字”写作精要
摘要的重要性再怎么强调都不为过。它是论文的微缩版，是评委对你工作的第一眼判断。一篇糟糕的摘要，就像一份简历的抬头写得一塌糊涂，可能让你直接失去机会。
3.1 摘要的核心要素与“倒金字塔”结构
摘要必须包含以下六个要素，且最好按照这个顺序展开，形成“倒金字塔”结构，即最重要的信息放在最前面：
- 问题背景与目标（1-2句）：用最简洁的语言说明研究的是什么问题，要达成什么目标。
- 建模思路与方法（2-3句）：概括你们解决该问题的总体思路，以及所采用的主要模型、方法或理论。
- 具体模型与算法（2-3句）：简要说明核心模型的名字（如“基于熵权法的TOPSIS评价模型”、“结合LSTM的时间序列预测模型”）和关键算法。
- 主要结果与结论（2-3句）：给出最重要的、量化的结果（例如，“最终方案使得成本降低了15.8%”、“预测准确率达到96.2%”），并得出核心结论。
- 模型优点与特色（1-2句）：点睛之笔，说明你们模型的创新点、优势或灵敏度分析等关键检验结果。
- 关键词：列出3-5个核心关键词。
示例模板（假设题目为“电动汽车充电站布局优化”）：
“针对电动汽车充电站布局优化问题，本文旨在建立一套选址模型以最大化服务覆盖率并最小化建设成本。首先，我们通过核密度估计和出行OD矩阵分析，量化了城市区域的充电需求空间分布。在此基础上，构建了一个以最大化加权需求覆盖率为目标、以建设预算和最小服务距离为约束的整数规划模型。为求解该NP难问题，我们设计了一种结合贪婪初始化与模拟退火局部搜索的两阶段启发式算法。求解结果显示，在给定预算下，优化布局方案能使全市85%的充电需求在3公里内得到满足，较均匀布局方案提升覆盖率22%。灵敏度分析表明，模型对建设成本参数变化不敏感，鲁棒性良好。本文提出的‘需求驱动’建模框架与高效求解算法，可为城市规划者提供决策支持。【关键词】充电站布局；整数规划；启发式算法；需求覆盖；灵敏度分析”
3.2 摘要写作的“要”与“不要”
- 要：
- 要精炼：严格控制在规定字数内（通常一页以内），删除一切冗余修饰词。
- 要具体：避免“较好的效果”、“一定的提升”这种模糊表述，必须使用具体数据。
- 要完整：六大要素缺一不可，形成一个闭环。
- 要独立：即使不读正文，仅看摘要也能完全理解你们做了什么、得到了什么。
- 要最后写：摘要一定是全文完稿后，对全文精髓的提炼，而不是一开始写的提纲。
- 不要：
- 不要出现图表、参考文献引用。
- 不要写未来工作展望、自我评价（如“本文尚有不足”）。
- 不要使用“我们”开头过多，可以直接用“本文”作为主语。
- 不要出现公式，除非是极其关键且简单的定义（通常也尽量避免）。
实操心得：写摘要时，我习惯先强迫自己用一句话回答：“我们用什么方法，解决了什么问题，得到了什么关键结果？” 这句话就是摘要的脊梁。然后围绕它，把方法稍微展开一点，把结果说得再具体一点，把亮点点明，最后补充背景和目标，一篇合格的摘要就出来了。写完后再大声读一遍，任何拗口、冗长的地方都要修改。
4. 模型表述：从思路到公式的清晰转化
这是论文最硬核的部分，也是最容易写得混乱的部分。目标是把你们团队的思考过程，清晰、有条理地翻译成书面语言。
4.1 模型描述的层次化展开
不要一上来就堆砌公式。应该像给一个同行讲解一样，层层递进：
- 总体建模框架图：在章节开头，用一个流程图（可以用Visio、PPT甚至draw.io绘制）展示你们解决整个问题的技术路线。例如：“数据预处理 → 特征工程 → 模型A求解子问题1 → 模型B求解子问题2 → 结果集成”。这张图能让评委在30秒内把握你们的全局思路。
- 分模块阐述：按照框架图的模块，逐个击破。
- 对于数据预处理部分：要说明原始数据有什么问题（缺失、异常、量纲不一），你们为什么选择某种处理方法（如均值填充、箱线图剔除异常值、标准化），以及处理后的效果。
- 对于特征工程部分：要解释提取或选择了哪些特征，为什么这些特征对问题有用（基于领域知识或相关性分析）。
- 对于核心模型部分：这是重点。叙述逻辑应是：
- 动机：“考虑到问题的XX特性（如动态性、非线性、多目标性），我们认为XX模型/理论是合适的，因为该模型擅长处理…”
- 定义与引入：“我们引入以下符号：… 定义决策变量为… 其物理意义是…”
- 公式化：清晰地列出目标函数和所有约束条件。每一个公式都要有对应的文字解释，说明它代表了现实中的哪一条规则或限制。
- 求解方法：如果模型是标准模型且有现成求解器（如线性规划用Lingo、MATLAB的linprog），直接说明即可。如果是复杂模型需要设计算法，则需要描述算法步骤（伪代码或流程图），并解释关键步骤（如初始化、邻域搜索、接受准则）的设计理由。
4.2 公式编辑与排版规范
公式的美观和规范直接影响阅读体验。
- 工具：强烈推荐使用LaTeX，其公式排版质量远胜Word。如果只能用Word，请使用其自带的公式编辑器（Alt+=），不要用图片插入公式。
- 编号：正文中的主要公式应连续编号，如(1)、(2)。在文中引用时使用“式(1)”的形式。
- 解释：公式下方应有简短解释。例如：
$$ \max Z = \sum_{i=1}^{n} c_i x_i \tag{1} $$其中，$Z$为总收益；$c_i$为第$i$种产品的单位利润；$x_i$为第$i$种产品的产量，为决策变量。 - 符号一致性：确保全文同一符号含义一致，并在“符号说明”部分集中列出。
避坑指南：新手常犯的一个错误是，把编程实现的细节（比如某个循环的索引怎么设）一股脑写进模型描述里。记住，论文描述的是数学模型和算法逻辑，而不是具体的编程代码。代码细节应该放在附录里。模型部分应该让一个不懂你所用编程语言的人，也能看懂你的数学逻辑。
5. 结果可视化：让图表自己“说话”
“一图胜千言”，在数模论文中尤其如此。好的图表能瞬间传达复杂信息，差的图表则让人迷惑。
5.1 图表设计的基本原则
- 自明性：每个图表都应有完整的标题（图X. 描述性标题）、坐标轴标签（带单位）、图例。确保读者在不看正文的情况下，也能理解图表大意。
- 简洁性：避免过于花哨的3D效果、渐变填充。学术图表首选清晰、对比度高的颜色（如Set2, Set3等色盲友好配色），多用线型、点型区分系列。如果打印，请确保灰度模式下也能区分。
- 准确性：坐标轴刻度要合理，不能为了美观而扭曲数据比例。如有必要，可使用断裂轴，但需明确标注。
- 类型匹配：
- 趋势展示：折线图。
- 对比关系：柱状图（不同类别）、分组柱状图（多组别对比）。
- 占比关系：饼图（少于6类）或环形图。
- 分布关系：散点图、直方图、箱线图。
- 地理空间数据：热力图、分级统计图。
- 流程或结构：流程图、结构图。
5.2 高级技巧：组合图与动态分析展示
- 组合图：例如，用柱状图表示实际值，用折线图表示预测值或增长率，在同一坐标系下对比，信息量更丰富。
- 结果对比图：将你们模型的结果、基准模型的结果、或题目提供的参考数据，放在同一张图中对比，优劣一目了然。
- 灵敏度分析可视化：这是拿高分的亮点。不要只说“模型对参数A敏感”，而要展示出来。例如，画一张“参数A变化 vs. 目标函数值变化”的折线图，并标出关键拐点或稳定区间。还可以用热力图展示两个参数同时变化对结果的影响。
表格同样重要：对于精确的数字结果（如不同方案的成本、效率对比），表格比图更合适。表格应设计得清晰，使用三线表格式，重要数据可以加粗显示。
实操心得：我习惯用Python的Matplotlib或Seaborn库绘图，它们虽然需要一些代码，但可定制化程度极高，能做出非常专业的图表。导出时设置高DPI（如300）以保证打印清晰。所有图表在插入论文后，一定要在正文中对其进行引导和解读。不能只写“结果如表5所示”，而要写“由表5可知，方案三在总成本上比方案一高出5%，但其服务覆盖率提升了18%，综合性价比最优”。这个解读的过程，就是在向评委陈述你的论点。
6. 行文语言与细节打磨：专业性与可读性的平衡
论文的语言风格应该是准确、简洁、客观的学术英语（或中文），但同时要追求良好的可读性。
6.1 语言风格要点
- 客观第三人称：多使用“本文”、“本研究”、“模型结果表明”，慎用“我们”。（但美赛等比赛中，用“we”也是可以接受的，需保持全文统一）。
- 主动语态：在描述你们的工作时，使用主动语态更清晰有力。例如，“我们建立了模型”优于“模型被建立”。
- 精确用词：
- 使用“构建”、“建立”模型，而不是“做”模型。
- 使用“求解”、“计算”结果，而不是“算”结果。
- 使用“分析”、“探讨”原因，而不是“看”原因。
- 避免“大概”、“可能”、“应该”等模糊词汇，对于结论要肯定。
- 段落与过渡：一个段落只讲一个中心意思。段首可使用主题句概括本段内容。段落之间使用恰当的过渡词或句子，如“在此基础上”、“然而”、“值得注意的是”、“综上所述（用于段落内小结）”等，使文章流畅。
6.2 细节决定成败：格式、排版与检查清单
最后时刻的格式错误和笔误，会给人极其不专业的印象。
- 排版：页边距、行距、字体字号（正文通常宋体小四或五号，英文Times New Roman）、标题级别格式，全文必须统一。
- 图表标题与引用：图标题在下，表标题在上。文中引用应为“见图1”、“如表2所示”。
- 参考文献：格式必须规范统一（如国赛常用GB/T 7714，美赛无强制要求但需一致）。文中引用处标号，如[1]。尽量引用权威、经典的文献或数据来源。
- 附录：附录中放置核心代码（关键函数或算法主干，而非全部）、大型原始数据表、复杂的公式推导过程。在正文中相应位置注明“详见附录A”。
提交前终极检查清单：
- [ ] 摘要是否独立、完整、包含所有要素和关键数据？
- [ ] 所有图表是否都有编号和自明性标题？文中是否都进行了引用和解读？
- [ ] 所有公式是否编号正确？文中引用是否准确？
- [ ] 符号说明表是否完整，与正文使用是否一致？
- [ ] 参考文献列表格式是否统一，文中引用是否一一对应？
- [ ] 全文有无错别字、语法错误？（可使用Word拼写检查，并大声朗读一遍，这是发现不通顺句子的最好方法）
- [ ] 页码、目录是否准确无误？
- [ ] 文件命名是否符合要求（如“选题号_队伍编号_论文.pdf”）？
7. 常见问题与实战应对策略
在实际写作和评审中，一些反复出现的问题值得单独拿出来讨论。
7.1 时间分配与团队协作问题
写作不是最后一天的任务。理想的时间分配应该是：
- 第一天：确定选题，完成问题分析、初步查阅资料，搭建论文框架（写出所有一级、二级标题），并开始撰写“问题重述”和“模型假设”。
- 第二天：模型构建与求解的关键期。写作同学应同步记录建模思路、算法步骤，并开始绘制模型框架图。编程同学给出结果后，写作同学立即开始描述模型和制作结果图表。
- 第三天上午：完成模型求解、结果分析、模型评价的初稿。开始撰写摘要草稿。
- 第三天下午：整合全文，进行第一次通读和修改。完成参考文献和附录。
- 第三天晚上：集中精力打磨摘要，完成最终排版，进行终极检查。留出至少1小时应对突发状况（如格式错乱、文件损坏）。
团队协作中，写作同学不是“打字员”，而应是项目的总设计师和最终整合者。他/她需要不断与建模、编程同学沟通，确保准确理解他们的工作，并用最清晰的方式表达出来。建议使用在线协作文档（如Overleaf for LaTeX， 或腾讯文档、语雀）进行实时协作。
7.2 遇到模型不完美或结果不理想怎么办？
这是常态，关键是如何在论文中“包装”和“坦诚”。
- 模型简化了现实：这本身就是“模型假设”部分要说明的。在“模型评价”部分，可以明确指出：“本模型为简化计算，忽略了XX因素，这可能导致在XX情形下出现偏差。未来的改进方向可考虑引入XX机制。”
- 结果未达预期：不要隐瞒或篡改数据。首先，检查计算过程无误后，在“结果分析”部分客观呈现。然后，重点分析原因：“结果表明，XX指标仅提升了5%，未达预期。我们分析可能原因有：1）数据质量限制，存在噪声；2）模型中的XX假设过于严格；3）参数选择有待优化。” 这种分析体现了你们的思考深度。
- 算法未收敛或存在误差：说明你们使用的停止条件（如迭代次数、误差容限），并给出最终得到的最佳可行解。可以讨论误差范围，或与其他近似解进行对比。
7.3 关于使用AI辅助写作与查重的边界
当前，LLM写作助手是一个热门工具，但必须谨慎、合理地使用。
- 可用之处：
- 辅助翻译：将中文思路草稿润色为更地道的英文（用于美赛）。
- 检查语法：帮助修正明显的语法错误和不通顺的句子。
- 激发思路：当某个概念描述不清时，可以询问AI“如何向大学生解释XXX概念”，获取一些表述角度。
- 生成代码注释：帮助为附录中的代码生成清晰的注释。
- 绝对禁止：
- 让AI直接生成论文核心内容（如模型推导、结果分析）。这会导致内容空洞、逻辑断裂，且极易被评委识别。
- 抄袭AI生成的内容而不加修改。这属于学术不端，且AI生成的内容可能存在事实错误。
- 依赖AI完成本应自己完成的思考。写作是整理和深化思考的过程，这一步不能省。
核心原则：AI是辅助工具，不是写手。它只能加工你输入的思想原料，而不能替代你产生思想。论文的灵魂——独特的建模思路、严谨的推导、深刻的分析——必须来自于你们团队自己。
写作是数模竞赛中一项可训练、可提升的核心技能。它考验的不仅是文字功底，更是逻辑思维、技术表达和项目整合能力。希望这篇内容能为你提供一个清晰的路线图和实用的工具箱。记住，最好的学习方式就是动手实践，找一篇往年的优秀论文，对照着它的结构，想想作者为什么这样写，然后在你自己的下一次竞赛中，有意识地去运用和体会。当你能够清晰、有力地将你们团队的工作呈现出来时，你就已经握住了通往好成绩的重要钥匙。
