数学建模参考论文的正确读法：以2003年国赛D题为例

简介这是2003年全国大学生数学建模竞赛大专组D题“抢渡长江”的参考论文与参考答案面向备赛数模竞赛的学生、指导教师以及想了解最优控制建模的读者。论文从运动方程出发把求最短渡江时间转化为最优控制问题推导出直线路径、二次方程求解最优角度与速度并给出恒定流速、垂直游动和分段流速三种情形的计算示例便于对照验证。压缩包内为1个doc格式文档共124KB内容紧凑涵盖完整解题模型、公式推导与数值结果适合快速查阅与考前回顾。已有776人学习下载可作为理解竞赛命题思路、规范论文表达和检验自身求解过程的实用参考。1. 数学建模2003年全国赛D题参考论文看懂它你就能少走一半弯路参考论文是建模学习里最容易被误解的资料。拿到一篇2003年全国赛D题的参考论文很多人的第一反应是翻到摘要扫一眼结论然后收藏之后再也不打开。但真正让参考论文产生价值的读法是先认清“参考”两个字参考它的建模思路、论文结构和求解流程而不是参考它的结论和文字。对准备参赛的队伍来说这篇参考论文相当于一套完整的样板房对已经比完赛想复盘的人来说它是检验自己建模过程是否完整的一把尺。接下来的内容就围绕一件事怎么把一篇参考论文拆成能照着练、能写进自己论文的六步。2. 第一遍读参考论文先找问题、数据和模型的骨架阅读参考论文最忌讳一上来就抱着公式啃。公式只有在理解了论文骨架之后才有意义。所谓骨架就是把论文压缩成一条主线题目给了什么问题、作者把它抽象成了什么模型、用了什么算法求解、得到了什么结果。第一遍读的目的不是学会每一个细节而是把这条主线用三五句话复述出来。2.1 通读前先看摘要和结论确定这篇论文值不值得细读摘要是一篇建模论文里信息密度最高的部分通常两三百字内就把问题、方法、结果全部交代完。读摘要的时候我会盯三类词第一类是“建立了”“采用”“基于”它们告诉你作者用了什么方法第二类是“求得”“误差为”“精度达到”它们告诉你结果落到什么指标第三类是“适用于”“局限性”它们告诉你模型的边界在哪。第一遍读只做一件事把摘要里这三类词圈出来作为后续拆解的线索。结论部分则是摘要的展开版会把摘要里一句带过的结果拆成具体数值比如误差从多少降到多少、最优解在什么位置、对比实验差了多少。如果摘要和结论看完仍然不知道作者在做什么说明你欠缺这个题目所在领域的基础概念需要先去补背景知识而不是硬啃正文。反过来如果摘要和结论能顺利读下来这篇参考论文就值得你花一整个晚上细读。这一步还有一个用途判断论文质量。好的摘要一定会出现具体数值比如“误差控制在3%以内”而不是“效果良好”如果摘要从头到尾都是定性描述这篇论文的参考价值就打个折扣读的时候要带着批判眼光不能全信。2.2 模型假设和问题重述建模逻辑的真正起点问题重述不是抄题而是对题干的再组织。好的问题重述会把“要解决的核心矛盾”明确拆成几条比如题目里有几个对象、几个约束、几个待求量。读参考论文时我会拿题目原文对着问题重述逐句看作者把哪些条件提到了前面、哪些条件放在了假设里、哪些条件直接忽略了。这个对照过程能让你看出作者对题目的理解深度。模型假设是更重要的部分。每个假设背后都对应一个“如果不简化会怎样”的权衡。比如在车辆调度类问题里假设“行驶速度恒定”很常见它让时间计算从时变函数变成线性关系在资源分配类问题里假设“资源可分割与否”会直接决定模型是连续优化还是整数规划。你把每个假设单拎出来问一句“如果不加这个假设模型哪里会变复杂”就能理解作者省略了什么试探成本。我一般会把假设逐条抄到一个表格里左边是原文假设右边是题目对应的原始条件中间留一列写“该假设简化了什么”。以2003年国赛D题这类偏实际场景的题目为例诸如“数据无缺失”“单位统一”“短期内参数不变”这类基础假设基本都会出现但每一条都要问清楚它在我自己的数据里成立吗如果题目数据里明显有缺失值那这条假设就不能直接沿用必须在数据处理部分先做补齐再谈假设。2.3 用“输入-处理-输出”拆掉论文的中间过程模型建立和求解是参考论文中最厚的部分也是读起来最容易迷失的部分。我有一个常用的拆解框架输入-处理-输出。不管论文写得有多绕每个模块总能归属到这三类里去。拿到什么数据叫输入做了什么样的数学变换或迭代叫处理最后算出什么叫输出。用这个框架读论文在你眼里就不再是一堆公式而是一条可追踪的数据流。论文模块输入处理输出问题分析段题目背景与原始数据把现实问题抽象为目标函数加约束明确的求解目标模型建立段符号表、模型假设列方程、写算法流程一组可计算的数学表达式模型求解段方程、参数初值迭代求解或解析求解数值结果和图表模型检验段结果数据与实际数据对比、灵敏度分析误差指标与稳健性结论具体操作是读每个小节时用笔在纸上写一个三列表格。左边列输入中间列处理右边列输出。如果某个小节你填不出“输入”是什么或者填不出“输出”是什么说明这段你还没读懂标记为重读区。这一步看起来繁琐但能极大压缩第二遍细读的时间。以参考论文的求解部分为例很多论文会把算法步骤写成自然段比如“先初始化参数再循环迭代直到收敛”。用输入-处理-输出拆开之后输入是初值和迭代停止条件处理是每一步迭代的更新公式输出是收敛后的解和迭代次数表。拆到这种颗粒度论文才真正变成了你可以复现的东西。2.4 判断建模方法从公式形态和求解过程反推不同建模方法在论文里有非常明显的“气味”。第一遍读的时候不需要深究每个公式只需要通过一些特征词反推作者用了哪一类方法。这是熟手和新手在阅读速度上拉开差距的地方也是把参考论文快速归类到自己的“方法库”里的关键。建模方法大类论文里的标志词典型输出形态优化模型目标函数、约束条件、最优解一组决策变量取值微分方程模型增长率、变化率、初值条件随时间变化的曲线统计回归模型显著性、拟合优度、残差回归系数和拟合图动态规划模型状态转移、阶段、最优策略分阶段的决策表仿真模型随机数、蒙特卡洛、大量实验分布直方图和置信区间具体反推时可以数一数论文里公式的形态出现求和号、约束条件和大括号基本可以判断是优化类出现递推关系式可能是动态规划出现概率分布函数多半是统计类。再看求解部分的动词如果反复出现“迭代”“收敛”“遍历”说明作者用了数值求解而非纯解析推导如果出现“抽样”“模拟”“多次实验”大概率是仿真思路。图表量纲也是判断线索横轴是时间还是序号纵轴是百分比还是绝对数值能帮你快速锁定问题类型。比如横轴是时间、纵轴是累计数量那很可能是描述动态过程的模型横轴是参数取值、纵轴是目标值那很可能是优化模型中的参数分析。把这一步做完第一遍读就算完成了你手里应该有一张写满术语和线索的纸可以合上电脑用三句话向队友讲清这篇论文在干什么。讲不清就回 2.3 重新拆。3. 第二遍拆解参考论文把别人的框架改写成自己的论文第一遍读是“看懂”第二遍读是“拆下来”。参考论文最有价值的部分不是文字而是它背后那套完整的写作结构。第二遍的目标是把参考论文的骨架拆成零件然后用自己的语言重新组装。任何一篇建模参赛论文都能拆成四个核心零件摘要、模型假设、符号说明、模型建立与求解。每一件都值得单独打磨。3.1 摘要重写四句话模板解决八成摘要难题摘要难写是因为要在两三百字里把完整逻辑链压缩进去。参考论文的摘要就是最好的模板但不能照着抄句式要拆它的功能结构。几乎所有高质量建模摘要都能拆成四个句位背景交代、方法选取、结果呈现、适用边界。我把这个结构叫四句话模板写摘要的时候按这个顺序填内容比对着空白文档发呆有效得多。句位功能内容标准第一句交代问题背景和研究对象把题目里的实际问题用一句话说清第二句说明建模思路和方法把核心模型和算法名称写出来第三句给出主要结果和数值必须有具体指标如误差、最优值第四句限定适用范围和局限诚实说明模型的边界条件拿参考论文练手的做法是把它的摘要抄下来按四个句位分段然后删掉所有形容词和套话只留主谓宾。比如原文写“建立了基于层次分析和灰色关联度的综合评价模型”删除修饰后是“建立综合评价模型”这时你就能看出哪个句位的信息量不足。对自己写摘要也一样四句话填完检查一遍哪句没有数值、哪句方法名称不具体一目了然。这里有一个提醒模仿结构可以但不要连续五个字以上照抄参考论文的表述。现在的论文查重对句子相似度很敏感参考论文本来就是公开来源直接搬运会带来不必要的风险。你要抄的是信息组织方式不是句子本身。3.2 模型假设改写把“合理简略”写成完整句参考论文里的模型假设往往只有一行短语比如“假设数据无缺失”“假设车辆匀速行驶”。直接抄到自己的论文里会留下两个隐患一是没有说明“为什么做这个假设”二是没有界定“假设在什么范围内成立”。评阅老师看到一条孤立假设只会觉得你是在凑字数。我一般会把每一条假设改写成“假设 原因 适用范围”的三段式。举个例子参考论文写“假设车辆行驶速度恒定”我会改成“假设车辆在开放道路上以恒定速度行驶忽略红绿灯和拥堵造成的速度波动该假设在城际运输场景下基本成立但在城市路况中需要引入速度修正系数。”两句话的差别在于后者既交代了假设的经济性也交代了它的局限性评阅老师能看出你对模型边界有意识。改写的时候要逐条回看 2.2 里做的映射表。如果某条假设在你自己的数据里明显不成立要么改写成符合你实际情况的假设要么删除并在模型检验部分说明不成立的影响。最怕的是假设写了一堆自己在后面求解时根本没用上这种假设在评委眼里就是无效信息。3.3 符号说明表提前整理避免答辩时被问倒符号说明表是评阅老师第一眼就会看的部分也是最容易出低级错误的地方。同一篇论文里同一个符号前面是向量、后面变成标量公式里是黑体、说明表里是斜体这种不一致直接暴露论文是拼凑出来的。参考论文的符号表可以对照着看但最终必须以你自己的公式为准。我的习惯是写作之前先把符号表建起来而不是写完再补。建一张四列表格符号、含义、单位、首次出现的页码或公式编号。每写一个公式就把新符号登记进这张表如果中间改了符号立刻全局查找替换并同步更新表格。用这种方式强制自己保持符号一致性比最后半小时统一检查靠谱得多。符号命名也有讲究。常用的约定是大写字母表示矩阵或参数集小写字母表示单值变量希腊字母表示系数或误差项下标区分不同对象。这套约定本身不重要重要的是全篇统一。如果你的参考论文使用了一套约定你可以沿用它的整体风格但所有符号必须和你的公式体系完全匹配。3.4 模型建立章节的“三步走”写法模型建立是论文正文最核心的部分也是参考论文里最值得花时间拆的部分。我看过不少参赛论文这一章的问题惊人一致直接抛公式不写公式怎么来的或者只写推导不写模型和问题之间的对应关系。正确写法可以固定成三步先讲转化思路再列模型方程最后说明求解方案。第一步讲清楚现实问题是怎么变成数学问题的。比如题目给了一个调度场景你要说明决策变量是什么、目标函数怎么定义、约束条件对应题目里的哪些限制。这一段是给评阅老师看的目的是让他相信你对题目的理解是准确的。第二步列出完整的模型方程包括目标函数和约束条件。每个公式后面必须跟一段中文说明解释这个式子的每一项是什么意思、单位是什么、为什么是这个形式。参考论文里如果公式后直接接下一个公式中间没有解释那是它的写作缺陷不要跟着学。第三步写求解思路。这里要说清楚你用的是现成求解器还是自己写的算法。如果用了现成的优化求解器要说明参数设置和求解精度如果自己写了迭代算法要说明终止条件、初值设定和收敛判断。参考论文在这个部分经常会省略细节比如只写“通过编程求解”不写初始参数这也是你读的时候要特别留意补全的地方。三步走写完之后模型建立这一章就不再是公式堆砌而是有逻辑链条的完整论证。评阅老师读下来能清楚地知道每一步从哪来、到哪去你的论文章节之间就有了连贯性。这也正是参考论文真正值得学的地方不在于某个公式多漂亮而在于每个部分都在回答“为什么”和“怎么做”。4. 第三遍动手复现参考论文用 Python 还原图表和灵敏度分析读参考论文的最高境界是动手复现。只有把论文里的一幅图、一个灵敏度分析表自己跑出来你才算真正理解了那篇论文。复现不需要追求结果一模一样因为数据预处理方式不同、参数初值不同都会导致偏差关键是复现它的方法和流程用这种练习把你的“看懂”变成“会做”。4.1 还原图表前先整理论文中的数据表复现的第一步是整理数据。参考论文里的图表背后都有数据来源一部分来自题目原文一部分来自论文内部的中间计算一部分来自作者自己构造的测试数据。你要做的是把这些数据从论文里逐条摘出来整理成一个干净的 CSV 文件列名用英文加下划线方便 Python 读取。整理数据时要注意单位统一。论文里如果横轴写的是“时间/min”说明原始数据可能以秒为单位记录你需要先换算。遇到论文里只给了图、没给具体数值的不要瞎猜先把图里的趋势记录下来标注“来自论文图X”等跑出自己结果后再对比形状是否一致。数据表里缺了某个值就填 NaN不要为了好看强行填 0否则后续复现结果会失真。整理完的数据表建议放在项目根目录下的 data 文件夹里脚本单独放 scripts 文件夹输出图放 figures 文件夹。这个习惯对参赛也适用最后提交的时候评阅老师不一定看你的代码但答辩时你可能需要现场演示干净的项目结构会让你省很多事。4.2 绘图脚本从数据文件到论文配图的最小模板复现图表不需要复杂的绘图技巧一张标准的折线图就能覆盖大多数建模论文的配图需求。下面的脚本是一个最小可用模板它做的事情是读入 CSV、按第一列排序、绘制折线图并保存为高分辨率图片。所有建模论文的“结果随参数变化图”都可以套这个模板。import pandas as pd import matplotlib.pyplot as plt # 读取整理好的模型结果数据 df pd.read_csv(data/model_result.csv, encodingutf-8) # 先看数据结构确认哪一列是自变量、哪一列是目标值 print(df.head()) # 按第一列参数值升序排序保证折线图从左到右平滑 df df.sort_values(bydf.columns[0]) # 绘制折线图markero 突出每个计算点 fig, ax plt.subplots(figsize(8, 5)) ax.plot( df[df.columns[0]], df[df.columns[1]], markero, linewidth1.5, label模型输出 ) ax.set_xlabel(参数取值, fontsize12) ax.set_ylabel(输出指标, fontsize12) ax.grid(True, linestyle--, alpha0.6) ax.legend() fig.tight_layout() # 保存为 300dpi 的 PNG满足论文印刷要求 plt.savefig(figures/result_curve.png, dpi300)代码逻辑并不复杂先用 pandas 读取 CSV 并打印前几行确认列顺序再按第一列排序这一步很关键因为原始数据的参数值可能是乱序的不排序画出来的折线会来回折返然后创建一个画布用 plot 函数画出折线图最后保存。第一列表示参数值第二列表示对应的模型输出如果你的数据有多列就再增加一条 ax.plot 画第二条曲线。参数说明里有两个值得关注的点。figsize(8, 5) 控制图片宽高比论文通常是双栏排版宽度控制在 6 到 8 英寸比较合适dpi300 是印刷精度屏幕上看 150 就够但论文配图最好 300。如果你用的是中文标签需要在脚本开头加上plt.rcParams[font.sans-serif] [SimHei]否则图里的中文会显示成方块。这个细节在复现时很容易踩先写进模板里可以省一次返工。4.3 灵敏度分析脚本单参数扫描的通用模板灵敏度分析是建模论文里必须有的环节也是参考论文中常常一带而过的地方。它的作用是回答一个问题模型结果对某个参数的变化有多敏感如果参数改变 10% 结果剧烈波动说明模型对这个参数依赖很强论文里需要重点讨论如果结果几乎不变说明模型稳健。下面这段脚本以单参数扫描为例是灵敏度分析里最常见也最基础的做法。import numpy as np import pandas as pd def model_output(param_value): 占位函数把参考论文中模型的输出计算逻辑封装在这里 # 根据参考论文的模型方程把 param_value 代入计算 # 这里只做一个示例实际使用时替换成你自己的模型代码 return 2.0 * param_value np.sin(param_value) / 3.0 # 参数扫描范围以基准值 10 为中心从 50% 到 150% 按 10% 步长扫描 base_value 10.0 ratio_list [0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2, 1.3, 1.4, 1.5] records [] for ratio in ratio_list: p base_value * ratio y model_output(p) records.append({参数比例: ratio, 参数值: round(p, 4), 模型输出: round(y, 4)}) # 转成 DataFrame 并计算相对于基准值的相对变化率% result_df pd.DataFrame(records) base_index ratio_list.index(1.0) result_df[相对变化率%] ( (result_df[模型输出] / result_df[模型输出].iloc[base_index] - 1) * 100 ).round(4) print(result_df) result_df.to_csv(figures/sensitivity_result.csv, indexFalse)脚本核心是 model_output 这个占位函数。参考论文里模型的完整计算过程可能很长但灵敏度分析不关心计算细节只关心输出随输入的变化趋势所以你就把模型求解过程封装成一个函数输入参数值、返回模型输出即可。range 从基准值的 50% 扫到 150%步长 10%一共 11 个点足够看出变化趋势。循环结束后计算相对变化率以 ratio1.0 那一行为基准这样得到的百分比直接可以写进论文的灵敏度表格里。运行脚本后你要重点观察两件事第一相对变化率是否呈单调趋势单调说明模型在这个区间内行为简单第二有没有某个区间内变化率突然增大如果有说明模型在参数临界点附近不稳定这个点就是论文里需要讨论的重点。如果参考论文里做了多参数灵敏度分析你可以在单参数模板基础上改成双层循环外层扫参数 A内层扫参数 B输出结果用热力图展示。但比赛论文绝大多数做到单参数就够多参数灵敏度分析用表格列出即可不要为了显得高级而堆内容评委看的是你有没有做这个环节而不是做了多少个参数。4.4 图表排版与说明文字让图在评委那里拿分复现出图只是第一步图表能不能在论文里拿分取决于排版和说明文字。建模论文的图基本规范是图必须有编号、有标题、坐标轴要有名称和单位曲线要有图例多个子图要用字母编号。这些规范看起来是细节但评阅老师翻论文速度很快规范清晰的图表会显著降低他的阅读成本。表的一般规范是三线表即顶线、底线和表头分隔线其他线条一律不要。生成三线表可以直接用 Word 的表格样式也可以在 LaTeX 里用 booktabs 宏包。表头要写明变量名称和单位比如“参数比例”“模型输出”不要用纯符号不解释。图后面跟的说明文字标准结构是三句话第一句指出图号第二句描述趋势第三句给出结论或者数据支撑。例如“从图3可以看出随着参数A从基准值的50%增加到150%模型输出先上升后下降在参数比例为1.1时达到最大值说明参数A在当前区间内存在最优取值。”这样的说明比单独写一句“结果如图所示”有价值得多。你复现参考论文图表时就用这个结构去对照原论文的图说如果原论文写得不完整正好当作一次补全练习。5. 参考论文避坑指南五个让队伍翻车的隐藏问题参考论文读得好是加速器读得不好就会变成坑。这一章讲的五个问题都是我在看建模论文和指导队伍时反复遇见的翻车现场每一条都按现象、原因、解决思路来讲。写论文前对照一遍能帮你避开大部分低级失误。5.1 直接抄格式导致格式分被扣现象队伍把参考论文的字体、字号、行距、标题样式原封不动搬到自己的论文里连“摘要”两个字的排版都和参考论文一样结果被评阅老师以“不符合竞赛格式要求”为由扣掉格式分。原因把格式理解成了固定的排版样式忽略了每届竞赛的格式要求可能不同。参考论文用的是当年要求不一定适用于今年。还有一个常见心理是“照着已获奖论文的格式总没错”但格式规范每年以通知为准获奖论文的格式只能证明当年合规。解决动笔前先找当年竞赛官方通知里的格式要求字体、字号、页边距、页码、参考文献格式逐条对照。参考论文只用来学习内容组织方式不用于复制排版参数。格式规范可以用一张检查表逐项打勾提交前过一遍比事后补救靠谱。5.2 模型假设照搬导致结论失真现象参考论文里写“假设数据无缺失”队伍直接抄进自己的论文。但题目给的数据里明明有几行空值队伍为了圆这个假设用均值填了空填完也没在论文里说明结果模型结果和真实情况偏差很大。原因模型假设是从参考论文里“搬运”的没有和实际数据处理流程对照。表面上是假设问题实际上是数据处理和建模之间的链条断了。解决写假设时把每一条和你的数据预处理记录比对。数据有缺失就写“对缺失值采用线性插值处理”不要写“数据无缺失”。如果假设可以改为“缺失值对结果影响可忽略”那先做一次带缺失和不带缺失的对比实验再决定能不能写这句话。假设的每一句话都必须有你的操作支撑。5.3 公式符号前后不一致现象同一个符号 W公式(3) 里表示权重向量公式(7) 里变成了标量权重符号说明表里写的又是另一种含义。评阅老师一看到这种问题基本会认定论文在后期没有统一检查过。原因写作顺序混乱先写求解部分再补模型建立部分中间改过符号但没有全局更新。多数情况下是手动复制公式时改了符号忘记同步属于典型的“写到最后人已经麻了”。解决用符号说明表作为唯一基准。每写一个公式每个新符号都必须登记每个符号的含义改变立刻全局查找替换。最后定稿前用文档编辑器的查找功能逐个检查高频符号确认全篇含义一致。还有一个笨方法但很有效让队友互相读一遍对方的符号表两双眼睛比一双眼睛看得全。5.4 没有灵敏度分析导致答辩被问倒现象答辩时评委问“某个参数改变 10%结果会变化多少”队伍对着屏幕翻了半天才找到一个不痛不痒的表格实际并没有做过这个分析只能现场拍脑袋回答评委对这个队伍的信任何其低。原因只做了模型建立和求解把模型检验当成可做可不做的部分。很多参赛队伍觉得求解完就万事大吉灵敏度分析是“加分项”时间不够就省略。实际上它是论文完整性的必要组成也是评委检验模型可信度的主要手段。解决最低限度用 4.3 节的单参数扫描脚本每个核心参数至少扫一遍。灵敏度分析的结果可以是一个表也可以是一句话但必须真实存在。答辩前把所有参数扫描结果打印在手边评委问到哪个参数都能直接回答。时间充裕的话再做两个参数的正交实验能对应上参考论文里“多因素敏感性分析”的写法。5.5 把参考结论当成自己的结论现象队伍把自己的模型结果写完后发现和参考论文的结果差得比较多心里没底于是把参考论文里的数据稍作改动填进自己的论文。答辩时评委问“你这组数据的初始条件是什么”队伍答不上来彻底暴露。原因一方面是不自信觉得自己算的结果“肯定错了”另一方面是参考论文在队伍心里的权重太高默认它就是标准答案。但实际上每支队伍的数据处理方式、参数设定、求解精度都不同结果有差异是正常的。解决自己模型跑出的数值只能来自自己的代码参考论文的价值是提供“合理性区间”如果自己的结果在参考论文结果的可接受偏差范围内就正常偏差很大去跑一遍参考论文的流程找差异出在哪个步骤而不是直接改结果。论文里如果需要和参考论文对比写成“与文献结果相比本文结果偏差约 X%”这是有分量的写法把自己伪装成参考论文本身没有任何分量。6. 用“反向摘要法”检验你是否真读懂了参考论文最后一个技巧是“反向摘要法”操作起来很简单把参考论文的摘要盖住只读问题重述、模型建立、求解和检验部分然后自己写一段两三百字的摘要再揭开原摘要对照。看起来是个笨方法但它逼你把“阅读”变成“复述”只有真读懂才能写出来。具体步骤分四步。第一步遮住原摘要只保留正文。第二步用前面讲的“输入-处理-输出”框架把正文每一节压缩成一句话。第三步把这几句话组合成一段摘要不许看原摘要不许回翻正文。第四步揭开原摘要逐句对比。如果你的摘要里缺少“模型建立的具体方法”这一层说明你读正文时注意力都在结果上没吃透求解过程如果你的摘要里写了结果数值但说不清这个数值是怎么算出来的说明求解部分被你跳过了。这个方法还能用来检验参考论文本身的质量。写完自己的摘要后如果你发现自己写的比原摘要更清晰说明原论文的摘要结构是有问题的如果你写的逻辑不通说明原论文的正文信息有断层这种断层往往就是作者省略了关键步骤的地方。倒过来说这也是你自己写摘要时的练习方向。我最早带队伍的时候总以为把参考论文读一遍就算看完了结果答辩时被评委问一个模型里的关键参数我只能说出它是参考论文里来的却说不清它为什么取这个值十分狼狈。后来我把反向摘要法当成标准动作每篇参考论文都必须过一遍这关队伍对论文的掌控度明显提升。看一篇参考论文前先问自己“能不能不看摘要复述出来”这个习惯值得保留。希望帮到你。本文还有配套的精品资源点击获取