math-modeling-paper

name math-modeling-paper description 数学建模竞赛论文写作全流程指导。覆盖国赛(CUMCM)和美赛(MCM/ICM)，从论文结构规划、各章节撰写、模型检验、参考文献规范到最终格式检查。与math-modeling-solver形成"解题→写作"配对——可接收solver输出的论文草稿片段直接展开写作。当用户提及数学建模论文写作、建模比赛、国赛/美赛/电工杯/亚太杯/深圳杯/华为杯论文、CUMCM、MCM/ICM、数模论文结构、摘要写作、模型检验、灵敏度分析、latex建模模板、word建模排版、Memo/Letter写作、模型命名、Our Work流程图，或需要写/修改/优化/检查建模论文的任何部分时，都必须使用此 skill。 数学建模竞赛论文写作 使用流程 收到写作任务后，按以下步骤操作： Step 0: 检查建模来源 先判断用户是否已完成建模： 用户已用 math-modeling-solver 完成建模，有论文草稿片段 → 识别 [PAPER_READY] 信号或用户说"建模做完了/准备写论文"，直接加载草稿片段，从对应章节开始写作 用户未建模，直接要写论文 → 建议先用 math-modeling-solver 完成建模，或直接进入 Step 1 确定写作阶段 用户已有自己的建模方案 → 直接进入 Step 1 Step 1: 识别比赛类型和写作阶段 向用户确认（如果信息不全）： 比赛类型 ：国赛(CUMCM) 还是 美赛(MCM/ICM)？这会决定结构模板、语言和评审重点。 当前阶段 ： 规划 ：还没动笔，需要确定论文结构和各部分要点 写作 ：正在写某个具体章节，需要指导 润色 ：已有初稿，需要优化表述、检查逻辑 检查 ：全文已完成，需要做最终的格式和规范检查 Step 2: 加载对应参考文件 根据比赛类型加载详细指南： 国赛 → 读取 references/cumcm-guide.md 美赛 → 读取 references/mcm-icm-guide.md 必读： 文献查阅/综述写作 → 读取 references/literature-review.md （模型选择理由、参数溯源、引用格式必须有文献支撑） 根据当前阶段按需加载： 摘要相关 → 读取 references/abstract-writing.md 模型检验相关 → 读取 references/model-validation.md 需要句式参考 → 读取 references/common-phrases.md 确定题型策略 → 读取 references/problem-type-strategies.md 图表/代码规范 → 读取 references/figure-and-code-guide.md 美赛 Memo/Letter → 读取 references/memo-writing.md Step 3: 逐节指导或检查 按照论文结构顺序，对每个章节执行「目的 → 结构 → 写什么 → 红线」四步指导。具体规则见下文各节。 Step 4: 交付前自审（必做） 论文全文完成后， 必须 执行四轮系统性自审。加载以下两个文件： references/self-review-framework.md — 四轮自审框架：论证逻辑 → 章节结构 → 表述质量 → 格式规范 references/de-ai-writing.md — 去 AI 味写作指南：八类 AI 痕迹识别与去除 + 注入真实感 自审流程： 第一轮 （论证逻辑）：检查每个主张是否有证据支撑，悬空主张/跳跃逻辑/循环论证必须修复 第二轮 （章节结构）：检查摘要六要素、建模求解七要素是否完整 第三轮 （表述质量）：对照 de-ai-writing.md 逐条扫描 AI 痕迹，检查数据准确性 第四轮 （格式规范）：图表编号、参考文献、页码等格式一致性 给出自审结论：✅ 通过 / ⚠️ 有条件通过 / ❌ 不通过 如为 ❌，修复后重新自审 每轮通过后才进入下一轮。如果时间紧迫，至少完成第一轮（论证逻辑）——这是区分三等奖和一等奖的关键差距。 论文结构模板 国赛 (CUMCM) 标准结构 章节 建议篇幅 核心要点 摘要 1页（500-800字） 每问必须有量化结果 问题重述 0.5-1页 用自己的语言拆题，不是复制 问题分析 1-2页 为什么选这个模型，不是"将用什么方法"；建议放整体建模流程图 模型假设与符号说明 1页 每个假设服务于建模，拒绝废话 数据处理 2-4页 说明为什么这么处理（如内容少可嵌入第一个子问题中） 问题一建模与求解 4-6页 目标→理由→公式→求解→结果→分析→检验 问题二建模与求解 5-7页 同上（每个子问题末尾嵌入灵敏度/误差分析） 问题三建模与求解 5-7页 同上 模型评价与改进 1-2页 优缺点+检验结论汇总；评价本模型，不是评价算法 参考文献 0.5-1页 ≥6条，含期刊论文和英文文献 附录 按需 完整代码+支撑材料列表 正文总篇幅：20-28页（不含附录） 关于模型检验的位置 ：实际获奖论文中，灵敏度分析/误差分析通常嵌入在每个子问题求解的末尾（如 5.1.6 灵敏度分析），而非独立成章。如果检验内容充实（2页以上），可独立设「模型检验」章；如果每个子问题检验内容较短，在「模型评价与改进」章汇总检验结论即可。 美赛 (MCM/ICM) 标准结构 章节 建议篇幅 核心要点 Summary Sheet 1页 英文，hook句+量化结果全覆盖 Table of Contents 0.5页 自动生成 Introduction 2-3页 Background + Restatement + Literature Review + Our Work 流程图 Assumptions & Notations 1-2页 5-6条，每条有 Justification Data Processing 1-2页 独立成章，方法+理由 Model 1-3 (per task) 每模型4-6页 每个模型起名字+缩写，含算法伪代码 Sensitivity Analysis 1-3页 多方法验证，独立或嵌入均可 Strengths & Weaknesses 1页 针对本模型的具体评价 References 1页 ≥5条，期刊为主 AI Usage Report 1页 声明 AI 工具使用 Appendix 按需 代码 正文总篇幅：25-26页 分节写作规则 1. 标题 国赛 ：点明研究对象 + 核心方法。如《基于多目标优化与灵敏度分析的XX调度模型》 美赛 ：创造有记忆点的标题+模型名。如《Golden Dynamics: Bayesian-AI Olympic Forecasting》 避免：直接抄赛题、太虚的标题 2. 摘要（最关键的1页） 这是评审第一轮筛选的依据。两地比赛都必须遵守的黄金规则： 红线 1：每问必有一数。 摘要中每个子问题都必须包含至少一个具体的定量结果。禁止只写方法不写结果。对比： 错误写法 正确写法 建立了多元线性回归模型对影响因素进行分析 共热解过程中，焦油产率与INS含量呈显著负相关(R²=0.873, p<0.01) 使用遗传算法求得最优解 最优种植方案总利润为4024.48万元，较基准方案提升23.7% 红线 2：结果要精确。 不要只给范围或不给数据。美赛论文更要给出置信区间、NRMSE、覆盖率等误差指标。 国赛摘要结构 ：问题背景(1句) → 总体思路(1句) → 问题一方法+结果 → 问题二方法+结果 → 问题三方法+结果 → 模型检验/优点(1-2句) → 关键词(3-5个) 美赛摘要结构 ：Hook句(1句) → 问题陈述(1-2句) → 每个Task的模型名+方法简述+量化结果 → 关键结论 → 关键词(6-8个) 详细模板和句式见 references/abstract-writing.md 。 3. 问题重述 用自己的语言重新拆题，不要复制粘贴题目原文。 好的做法 ：先概括题目背景，再把任务拆成小问题，最后说明每个问题的解题目标。 篇幅控制 ：国赛 0.5-1 页，美赛 2-3 页（含背景和研究综述）。 4. 问题分析 这是区分"套模型"和"理解问题"的关键章节。 获奖论文在此投入 1-2 页深入分析 ，而不是简单罗列方法。 红线：不要写成"我们将用A方法做X"。 这是方法罗列，不是分析。 正确的写法遵循「为什么」逻辑： 这个问题的数学本质是什么？（预测/评价/分类/优化/机理？） 输入变量和输出结果分别是什么？ 为什么选这个模型而不是别的？（ 必须 对比至少一种替代方案，并引用文献证据支撑选择理由） 各问题之间的递进关系是什么？ 有什么难点？如何应对？ 格式 ：按子问题分开写，每个子问题一段独立分析（如 2.1 问题一分析、2.2 问题二分析）。 强烈建议 ：在问题分析末尾放一张 整体建模流程图 （框图/箭头图），展示各子问题对应的模型及其之间的数据流。获奖论文中约 70% 包含此图。 示例写法（好） ： 问题一要求评价不同方案的综合效益。这是一个典型的多指标综合评价问题。评价类问题常用方法有层次分析法(AHP)、TOPSIS法和模糊综合评价法。考虑到本问题指标数量较多且部分指标具有一定模糊性，本文选用模糊综合评价法，既能处理定量指标也能处理专家对定性指标的模糊判断。指标权重的确定采用熵权法以降低主观性。问题一的评价结果将作为问题二优化模型的输入约束。 示例写法（差） ： 针对问题一，我们首先进行数据处理，然后使用模糊综合评价法进行评价，最后得到评价结果。 5. 模型假设 红线 1：禁止写废话假设。 以下类型的假设必须删除： "假设数据真实可靠" ← 题目已给定数据 "假设忽略偶然因素" ← 太过笼统 "假设不考虑突发情况" ← 没服务于建模 红线 2：每个假设必须在后文被用到。 写假设时就要想清楚它在模型中如何体现。 正确做法 ：假设应服务于建模，格式为「假设内容 + 为什么这样假设合理」。分类列出（如：物理简化类、数据类、参数类）。 6. 符号说明 只放核心变量，不要把所有变量堆进去。每个符号包含：符号、含义、单位（必须）。 7. 数据处理 红线：不能只写方法，要说明为什么。 内容覆盖：数据来源 → 缺失值处理 → 异常值处理 → 标准化/归一化 → 特征提取 → 可量化分析 每种处理要说明原因。例如："由于不同作物产量量纲差异较大，采用Z-score标准化消除量纲影响"。 美赛论文将数据处理作为独立章节，这是加分项。 8. 模型建立与求解 这是正文核心，每个子问题按以下结构展开： 标准六步结构 ： 问题目标（这段要解决什么） 模型选择理由（为什么是这个模型，不是别的） 模型公式（从问题出发推导，不是抄教科书） 参数解释（每个参数的含义和取值依据） 求解步骤（可用算法伪代码+流程图） 结果展示（表+图） 结果分析（这个结果说明了什么） 红线 1：公式要有问题针对性。 禁止抄教科书通用公式而不做问题适配。从第一性原理推导，公式中的符号要对应到本题的具体变量。 红线 2：结果必须配解释。 每个表格/图片后面必须有 1-3 句话解释"这个结果说明了什么"和"为什么会出现这个结果"，不能只描述"图中展示了……"。 红线 3：代码和论文必须一致。 论文中声称的方法必须在代码中实现。声称用 XGBoost 就写 XGBoost，不能代码跑的是线性回归。 美赛额外要求 ：每个模型起一个创意名称+缩写（如 HARMONIE、CHAMPS），提供算法伪代码框（Input / Output / Steps）。 9. 模型检验（冲高奖的核心） 这是从三等奖到一等奖的关键差距。实际获奖论文中，灵敏度分析/误差分析通常嵌入在每个子问题求解末尾（如 5.1.6 灵敏度分析），篇幅 0.5-1 页/子问题。 必做项 ： 灵敏度分析 ：改变关键参数（推荐 ±10%, ±20%），观察结果变化。画出龙卷风图或灵敏度曲线。 误差分析 ：报告 MSE/MAE/R²，讨论误差来源和可接受性。 加分项 ： 稳定性/鲁棒性检验 ：Monte Carlo 随机扰动，报告可靠度曲线 假设验证 ：回头检查关键假设是否在模型中成立 对比实验 ：用另一种方法求解同一问题，对比结果差异 交叉验证 ：K-fold 或留出法验证 组织方式 ： 方式一（推荐）：在每个子问题章节末尾嵌入（如 5.1.6 灵敏度分析），最后在模型评价章汇总关键检验结论 方式二：所有检验内容集中为独立章节（适合检验内容超过 2 页或使用了多种检验方法的情况） 详细方法见 references/model-validation.md 。 10. 结果分析与解释 红线：不要只放图表不加解释。 每个图表后必须有分析段落。 分析三段式： 这个结果是什么？（一句话概括） 为什么是这个结果？（联系模型机制或数据特征） 这个结果对题目背景有什么意义？（回到实际问题） 11. 优缺点与改进 红线：评价的是「本模型」，不是「所用算法」。 错误写法（评算法） 正确写法（评本模型） 线性回归简单直观，易于实现 本模型将作物产量假设为晴雨因子的线性函数，结构清晰但未考虑交互效应 遗传算法容易陷入局部最优 本模型采用的AGA通过自适应交叉变异概率，有效改善了对XX问题的收敛性 缺点写 3-5 条 ，每条应是承认本模型具体建模选择带来的局限。不要写"数据依赖性强"这种放之四海皆准的话。 12. 参考文献 红线 1：禁止引用 CSDN 博客、知乎、百度百科、AI 工具（如 DeepSeek/ChatGPT）等非学术来源。 红线 2：正文中引用了就要列出，列出了就要在正文中出现。 数量要求 ：国赛 ≥6 条，美赛 ≥5 条。能引用英文期刊论文是加分项，但不强制。推荐美赛引用 8 条以上以体现文献调研深度。 正确来源 ： 期刊论文（中文：知网核心期刊；英文：IEEE/Elsevier/Springer 等） 教材（如姜启源《数学模型》、司守奎《数学建模算法与应用》） 学位论文 国家标准（如 GB 12327-1998） 官方数据来源（如国家统计局、世界银行） 13. 附录 必须包含： 完整可运行源代码 （不要只放片段）。2026 年国赛规则明确：缺少必要源程序或程序不能运行，可能被取消评奖资格。 支撑材料文件列表 较长的中间结果表格（可选） 代码规范 ： 代码应有清晰的分节注释，标注对应哪个子问题 代码中的方法名/变量名应与论文中的符号一致 MATLAB/Python/C++ 均可，选择取决于题目类型（见 references/problem-type-strategies.md ） 代码不需在正文中逐行解释，但论文声称的方法必须在代码中实现 详细图表和代码规范见 references/figure-and-code-guide.md 。 两赛关键差异速查 维度 国赛 CUMCM 美赛 MCM/ICM 语言 中文 英文 最重视 摘要量化结果、模型检验 模型创新性、多模型融合、原创新推导 模型命名 不必须，可直呼算法名 必须有创意名称+缩写 灵敏度分析 嵌入子问题或独立章 必做（1-3页，独立或嵌入均可） 参考文献 ≥6条 ≥5条 文献综述 必须（可并入问题分析） 近乎必须（Introduction 中必含 Literature Review）；模型选择理由必须有文献支撑 AI 使用报告 2024起建议 ~37%论文包含（1页），列出工具+查询 流程图 推荐（问题分析中放整体框架图） 近乎必须（Our Work 图，标志性特征） Memo/Letter 不涉及 B/D/E/F 题常见，见 memo-writing.md 摘要页 在正文第一页 独立 Summary Sheet（~400-550 词） 评审侧重 方法正确性、结果合理性、模型检验 建模思路创新性、写作表达能力 LaTeX / Word 排版检查清单 论文完成后，逐项检查： 通用检查 所有公式有编号，编号格式统一 所有图表有标题，表格标题在上方，图标题在下方 图表标题有足够描述性（不是"图1：结果图"） 所有符号在符号说明表中出现 所有引用的参考文献在正文中被标注 正文字数在要求范围内（国赛<30页，美赛<25页） 美赛额外检查 英文拼写和语法（可用 Grammarly 检查） Summary Sheet 独立一页 AI Usage Report 独立一页 图表标题用英文 算法伪代码格式规范（Algorithm 1, 2, 3...） 参考资源 references/cumcm-guide.md — 国赛各章节详细写法 references/mcm-icm-guide.md — 美赛各章节详细写法 references/abstract-writing.md — 摘要模板和句式（中英双语） references/model-validation.md — 模型检验方法大全 references/literature-review.md — 文献检索策略、综述写作、引用格式、参数溯源 references/common-phrases.md — 常用学术句式（中英双语） references/problem-type-strategies.md — A/B/C 题差异化策略 references/figure-and-code-guide.md — 图表规范与代码附录要求 references/memo-writing.md — 美赛 Memo/Letter 写作指导 references/de-ai-writing.md — 去 AI 味写作指南（八类 AI 痕迹识别 + 注入真实感 + 数模专用规范） references/self-review-framework.md — 四轮自审框架（论证逻辑→章节结构→表述质量→格式规范）