企业官网建设流程全解析

最近在准备数学建模国赛的同学，尤其是瞄准C题的队伍，普遍反映一个痛点：题目涉及的知识模块多且杂，从数据处理到模型构建，再到算法实现，每个环节都可能成为“拦路虎”。网上资料虽多，但往往不成体系，或是浅尝辄止，难以支撑起一篇有深度的国赛论文。本文将为你系统梳理数模国赛C题（通常为数据驱动型或优化类题目）的四大核心模块——相关性分析、3D图像处理、拟合插值与优化算法，提供从理论理解、工具使用到代码实战的完整闭环指南。无论你是初次参赛的新手，还是希望优化方法的老手，都能从中找到可直接复用的策略和代码，助你高效备赛，全力冲刺奖项。

1. 背景与核心概念：数模国赛C题为何是“硬骨头”？

全国大学生数学建模竞赛（以下简称“国赛”）的题目通常分为A、B、C三题，其中C题往往偏向于数据分析、统计预测或运筹优化。这类题目不要求过于高深的纯数学理论，但对参赛者的数据处理能力、编程实现能力和模型综合应用能力提出了极高要求。其核心挑战在于，题目给出的数据可能杂乱无章，问题目标复杂多元，需要选手通过一系列技术模块的“组合拳”来解决问题。

四大核心模块的定位与价值：

1. 相关性分析：这是数据探索的“侦察兵”。面对海量数据，第一步不是盲目建模，而是通过相关性分析（如Pearson, Spearman）找出关键变量之间的关系，为后续的特征选择、模型构建指明方向。它解决的是“哪些因素可能重要”的问题。
2. 3D图像处理与可视化：这是呈现复杂数据和模型结果的“显示器”。对于涉及空间分布、三维关系的问题（如地质数据、环境监测、物体表面形貌），将数据或模型结果以3D图形展示，不仅能直观发现问题规律，更是论文获得高分的亮点。它解决的是“如何让评委一眼看懂复杂关系”的问题。
3. 拟合与插值：这是连接离散数据与连续模型的“桥梁”。竞赛数据常有缺失或需要预测未知点的情况。拟合用于寻找数据背后的整体趋势函数（如多项式拟合），而插值（如克里金插值）用于估计已知数据点之间位置的值。它解决的是“如何从有限数据中获取全局或局部信息”的问题。
4. 优化算法：这是寻找问题最佳方案的“决策引擎”。无论是资源分配、路径规划还是参数调优，最终都归结为一个优化问题。掌握经典的优化算法（如线性规划、整数规划、智能优化算法）及其实现，是解决C题最终问题的关键。它解决的是“在众多方案中，哪个最好”的问题。

吃透这四大模块，意味着你具备了应对大多数C题需求的核心工具箱，能够从容地从数据预处理一路推进到最优解的输出与验证。

2. 环境准备与工具栈说明

工欲善其事，必先利其器。一个高效、统一的编程环境是团队协作和快速开发的基石。对于数学建模，Python因其强大的科学计算库和简洁的语法，已成为绝对主流。

推荐环境配置：

• 操作系统：Windows 10/11， macOS 或 Linux 均可。团队内部建议统一。
• 编程语言：Python 3.8 或以上版本。避免使用Python 2.x。
• 集成开发环境（IDE）：
  • Jupyter Notebook / JupyterLab：强烈推荐。非常适合数据探索、可视化以及分步执行代码，写论文时也方便将代码和结果直接粘贴。
  • PyCharm / VS Code：适合大型项目或更规范的工程开发。
• 必备Python库：请使用以下命令安装核心库。

  pip install numpy pandas matplotlib scipy scikit-learn

针对四大模块的专项库：

• 相关性分析：pandas,scipy.stats,seaborn(用于高级可视化)
• 3D图像：matplotlib(mplot3d工具包),plotly(交互式图形，效果更炫)
• 拟合与插值：numpy,scipy.interpolate,scipy.optimize
• 优化算法：scipy.optimize(传统优化),pulp或ortools(线性/整数规划)， 对于智能优化算法（如粒子群、遗传算法），可安装sko(一个不错的国产库) 或自行实现。

pip install seaborn plotly pulp scikit-opt

项目结构建议：在比赛开始后，立即建立清晰的文件夹结构，例如：

2025_国赛_C题/ ├── data/ # 存放原始数据和清洗后的数据 ├── src/ # 存放所有源代码 │ ├── 01_data_preprocessing.py │ ├── 02_correlation_analysis.py │ ├── 03_fitting_interpolation.py │ ├── 04_optimization.py │ └── utils.py # 公共函数 ├── output/ # 存放生成的图表、结果文件 ├── paper/ # 论文LaTeX或Word源文件 └── requirements.txt # 依赖库列表

3. 核心模块一：相关性分析实战

相关性分析是建模的起点，目的是量化变量之间的线性或单调关系。

3.1 Pearson vs Spearman：如何选择？

• Pearson相关系数：衡量两个连续变量之间的线性相关程度。要求数据近似正态分布，且为连续数值。
  • 范围：[-1, 1]。1为完全正相关，-1为完全负相关，0为无线性相关。
  • 使用场景：分析身高与体重、温度与销量等假设为线性关系的数据。
• Spearman等级相关系数：衡量两个变量单调关系的强弱。不要求数据服从正态分布，可用于顺序数据（等级数据）。它通过计算变量的排名（rank）来评估相关性。
  • 范围：[-1, 1]。
  • 使用场景：分析成绩排名与满意度等级、任何不满足Pearson假设的数据，或数据中存在异常值时。

简单规则：当不确定是否为线性关系，或数据分布异常时，优先使用Spearman。

3.2 代码实战：分析与可视化

假设我们有一个包含多个指标的数据集data.csv。

import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt from scipy.stats import pearsonr, spearmanr # 1. 加载数据 df = pd.read_csv('data/data.csv') print("数据前5行：\n", df.head()) print("\n数据基本信息：") print(df.info()) # 2. 计算相关系数矩阵 (以数值型列为例) numeric_cols = df.select_dtypes(include=[np.number]).columns corr_matrix_pearson = df[numeric_cols].corr(method='pearson') corr_matrix_spearman = df[numeric_cols].corr(method='spearman') print("\nPearson相关系数矩阵：") print(corr_matrix_pearson) print("\nSpearman相关系数矩阵：") print(corr_matrix_spearman) # 3. 可视化相关系数矩阵（热力图） fig, axes = plt.subplots(1, 2, figsize=(16, 6)) sns.heatmap(corr_matrix_pearson, annot=True, fmt=".2f", cmap='coolwarm', center=0, ax=axes[0]) axes[0].set_title('Pearson Correlation Matrix') sns.heatmap(corr_matrix_spearman, annot=True, fmt=".2f", cmap='coolwarm', center=0, ax=axes[1]) axes[1].set_title('Spearman Correlation Matrix') plt.tight_layout() plt.savefig('output/correlation_heatmap.png', dpi=300) plt.show() # 4. 对特定变量对进行详细分析 var1 = '指标A' var2 = '指标B' if var1 in numeric_cols and var2 in numeric_cols: pearson_coef, pearson_p = pearsonr(df[var1], df[var2]) spearman_coef, spearman_p = spearmanr(df[var1], df[var2]) print(f"\n{var1} 与 {var2} 的详细分析：") print(f" Pearson 系数: {pearson_coef:.3f}, P值: {pearson_p:.3e}") print(f" Spearman 系数: {spearman_coef:.3f}, P值: {spearman_p:.3e}") # 绘制散点图观察关系 plt.figure(figsize=(8,6)) plt.scatter(df[var1], df[var2], alpha=0.6) plt.xlabel(var1) plt.ylabel(var2) plt.title(f'{var1} vs {var2} Scatter Plot') plt.grid(True, linestyle='--', alpha=0.5) plt.savefig(f'output/scatter_{var1}_{var2}.png', dpi=300) plt.show()

结果解读与论文写作要点：

• 在论文中，不仅要展示热力图，更要解读关键的相关性。例如：“由图X可知，变量A与变量B的Pearson相关系数高达0.85（p<0.01），表明二者存在极强的显著正线性相关，这为后续将变量A作为模型的关键输入提供了依据。”
• P值非常重要。通常p<0.05认为相关性在统计上是显著的。需要在论文中说明显著性水平。
• 高相关性不一定代表因果关系，在论文分析中需注意措辞。

4. 核心模块二：3D图像绘制与空间数据可视化

3D图像能将复杂的高维数据关系直观呈现，在分析空间分布、三维曲面拟合结果时不可或缺。

4.1 基础3D散点图与曲面图

使用Matplotlib的mplot3d工具包。

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 1. 生成示例数据 np.random.seed(42) n_points = 100 x = np.random.rand(n_points) * 10 y = np.random.rand(n_points) * 10 # z 与 x, y 存在一定关系，并加上噪声 z = 2 * x + 3 * y + 5 + np.random.randn(n_points) * 2 # 2. 创建3D散点图 fig = plt.figure(figsize=(12, 5)) ax1 = fig.add_subplot(121, projection='3d') scatter = ax1.scatter(x, y, z, c=z, cmap='viridis', s=50, alpha=0.8) ax1.set_xlabel('X Axis') ax1.set_ylabel('Y Axis') ax1.set_zlabel('Z Axis') ax1.set_title('3D Scatter Plot of Spatial Data') fig.colorbar(scatter, ax=ax1, shrink=0.5, aspect=10, label='Z Value') # 3. 创建3D曲面图 (需要网格数据) ax2 = fig.add_subplot(122, projection='3d') # 生成网格 X_grid, Y_grid = np.meshgrid(np.linspace(0, 10, 20), np.linspace(0, 10, 20)) # 定义一个曲面函数，例如一个鞍面 Z_grid = 0.1 * (X_grid**2 - Y_grid**2) + 5 surf = ax2.plot_surface(X_grid, Y_grid, Z_grid, cmap='plasma', alpha=0.8, linewidth=0.2, antialiased=True) ax2.set_xlabel('X Axis') ax2.set_ylabel('Y Axis') ax2.set_zlabel('Z Axis') ax2.set_title('3D Surface Plot (e.g., Fitted Model)') fig.colorbar(surf, ax=ax2, shrink=0.5, aspect=10, label='Z Value') plt.tight_layout() plt.savefig('output/3d_basic_plots.png', dpi=300) plt.show()

4.2 进阶：交互式3D图表（Plotly）

Plotly生成的图表可以旋转、缩放，交互体验极佳，能让论文的电子版增色不少。

import plotly.graph_objects as go import pandas as pd # 假设我们有一个包含经纬度和某个值（如PM2.5浓度）的DataFrame # df_spatial = pd.read_csv('spatial_data.csv') # 这里用模拟数据 np.random.seed(2025) lat = np.random.uniform(30, 40, 50) # 纬度 lon = np.random.uniform(110, 120, 50) # 经度 value = np.random.randn(50) * 10 + 50 # 模拟的测量值 fig = go.Figure(data=[ go.Scatter3d( x=lon, y=lat, z=value, mode='markers', marker=dict( size=8, color=value, colorscale='Rainbow', opacity=0.8, colorbar=dict(title="浓度值") ), text=[f'经度:{lon[i]:.2f}, 纬度:{lat[i]:.2f}<br>值:{value[i]:.2f}' for i in range(len(lat))], hoverinfo='text' ) ]) fig.update_layout( title='空间监测数据3D散点图（可交互）', scene=dict( xaxis_title='经度', yaxis_title='纬度', zaxis_title='测量值', camera=dict(eye=dict(x=1.5, y=1.5, z=1.5)) # 调整初始视角 ), width=900, height=700 ) # 保存为html文件，可在浏览器中打开交互 fig.write_html('output/interactive_3d_scatter.html') # 也可以在notebook中直接显示 # fig.show()

论文应用提示：将Plotly生成的HTML文件作为附件提交，并在论文中注明“交互式可视化结果见附件X”，这是体现工作完整性和技术先进性的好方法。

5. 核心模块三：拟合与插值算法精讲

拟合与插值是处理不完整数据、构建连续模型的关键。

5.1 曲线拟合（Curve Fitting）

以多项式拟合为例，寻找一条曲线最佳地描述数据趋势。

import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit # 1. 准备数据 x_data = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) y_data = np.array([1.2, 2.8, 4.5, 5.1, 7.8, 9.2, 11.5, 13.0, 15.3, 16.8]) # 2. 使用 numpy 进行多项式拟合 (例如3次多项式) coefficients = np.polyfit(x_data, y_data, deg=3) # deg为多项式阶数 poly_func = np.poly1d(coefficients) # 生成多项式函数 print(f"拟合的多项式系数（从高次到低次）: {coefficients}") print(f"多项式函数: y = {poly_func}") # 生成拟合曲线上的点 x_fit = np.linspace(x_data.min(), x_data.max(), 100) y_fit = poly_func(x_fit) # 3. 使用 scipy 进行自定义函数拟合 (例如指数函数 y = a * exp(b*x) + c) def exp_func(x, a, b, c): return a * np.exp(b * x) + c # 进行拟合，popt是最优参数，pcov是参数的协方差矩阵 popt, pcov = curve_fit(exp_func, x_data, y_data, p0=(1, 0.1, 1)) # p0是初始猜测值 print(f"\n指数拟合参数: a={popt[0]:.3f}, b={popt[1]:.3f}, c={popt[2]:.3f}") y_fit_exp = exp_func(x_fit, *popt) # 4. 可视化比较 plt.figure(figsize=(10, 6)) plt.scatter(x_data, y_data, color='red', label='原始数据', s=80, alpha=0.7) plt.plot(x_fit, y_fit, 'b-', linewidth=2, label=f'多项式拟合 (3阶)') plt.plot(x_fit, y_fit_exp, 'g--', linewidth=2, label=f'指数拟合: y={popt[0]:.2f}*exp({popt[1]:.2f}*x)+{popt[2]:.2f}') plt.xlabel('X') plt.ylabel('Y') plt.title('曲线拟合示例：多项式 vs 指数函数') plt.legend() plt.grid(True) plt.savefig('output/curve_fitting_demo.png', dpi=300) plt.show() # 5. 计算拟合优度 R^2 def r_squared(y_true, y_pred): ss_res = np.sum((y_true - y_pred) ** 2) ss_tot = np.sum((y_true - np.mean(y_true)) ** 2) return 1 - (ss_res / ss_tot) r2_poly = r_squared(y_data, poly_func(x_data)) r2_exp = r_squared(y_data, exp_func(x_data, *popt)) print(f"\n多项式拟合 R^2: {r2_poly:.4f}") print(f"指数拟合 R^2: {r2_exp:.4f}")

关键点：R^2越接近1，拟合效果越好。但要注意过拟合（在训练数据上R^2很高，但预测新数据很差），高阶多项式尤其容易过拟合。

5.2 空间插值（Spatial Interpolation）——以克里金（Kriging）为例

当数据在空间上不均匀分布时，我们需要插值来估计未知点的值。克里金法是一种考虑空间自相关性的高级插值方法。

import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import Rbf # 径向基函数插值，可作为克里金的简化理解 # 对于真正的克里金插值，推荐使用 `pykrige` 库，这里用RBF演示概念 # 模拟空间离散观测点 np.random.seed(123) n_samples = 30 x_obs = np.random.rand(n_samples) * 10 y_obs = np.random.rand(n_samples) * 10 # 观测值，假设与位置有关 z_obs = np.sin(x_obs) * np.cos(y_obs) + np.random.randn(n_samples) * 0.1 # 创建插值函数（使用径向基函数，thin-plate） rbf_interp = Rbf(x_obs, y_obs, z_obs, function='thin_plate') # 生成密集网格用于插值 grid_x, grid_y = np.mgrid[0:10:100j, 0:10:100j] # 100x100的网格 grid_z = rbf_interp(grid_x, grid_y) # 可视化 fig, axes = plt.subplots(1, 2, figsize=(14, 5)) # 子图1：原始观测点 sc1 = axes[0].scatter(x_obs, y_obs, c=z_obs, s=50, cmap='jet', edgecolor='k') axes[0].set_xlabel('X') axes[0].set_ylabel('Y') axes[0].set_title('原始空间观测点') plt.colorbar(sc1, ax=axes[0], label='观测值 Z') # 子图2：插值后的曲面 contour = axes[1].contourf(grid_x, grid_y, grid_z, levels=20, cmap='jet') axes[1].scatter(x_obs, y_obs, c='black', s=20, alpha=0.8, label='观测点') # 叠加观测点 axes[1].set_xlabel('X') axes[1].set_ylabel('Y') axes[1].set_title('径向基函数（RBF）插值结果') plt.colorbar(contour, ax=axes[1], label='插值 Z') axes[1].legend() plt.tight_layout() plt.savefig('output/spatial_interpolation_demo.png', dpi=300) plt.show() print("插值完成。可以通过 rbf_interp(x_new, y_new) 来预测任何新坐标点的值。")

注意：实际竞赛中若涉及地理空间插值，应使用更专业的克里金法（如pykrige库），并考虑变异函数建模。在论文中需要阐述选择该插值方法的理由（如考虑空间相关性）。

6. 核心模块四：优化算法建模与求解

优化是C题的终极考验，目标是在约束条件下找到使目标函数最优（最大或最小）的决策变量值。

6.1 线性/整数规划（LP/IP）实战

对于运输问题、排班问题、资源分配等，线性规划是首选。我们使用pulp库，它语法直观。

问题示例：某工厂生产两种产品A和B，需要两道工序。每件A产品在工序1耗时2小时，工序2耗时1小时，利润30元。每件B产品在工序1耗时1小时，工序2耗时2小时，利润20元。工序1每天可用16小时，工序2每天可用12小时。问如何安排生产使利润最大？

import pulp # 1. 定义问题 prob = pulp.LpProblem('Factory_Production_Planning', pulp.LpMaximize) # 2. 定义决策变量 (生产数量，必须非负) x_A = pulp.LpVariable('Product_A', lowBound=0, cat='Integer') # 产品A数量，整数 x_B = pulp.LpVariable('Product_B', lowBound=0, cat='Integer') # 产品B数量，整数 # 3. 定义目标函数 prob += 30 * x_A + 20 * x_B, 'Total_Profit' # 4. 定义约束条件 prob += 2 * x_A + 1 * x_B <= 16, 'Process_1_Time' prob += 1 * x_A + 2 * x_B <= 12, 'Process_2_Time' # 5. 求解问题 prob.solve(pulp.PULP_CBC_CMD(msg=False)) # 使用CBC求解器，不显示求解日志 # 6. 打印结果 print(f"求解状态: {pulp.LpStatus[prob.status]}") print(f"最大利润: {pulp.value(prob.objective)} 元") print(f"产品A最优产量: {pulp.value(x_A)} 件") print(f"产品B最优产量: {pulp.value(x_B)} 件") # 7. 打印约束条件松弛情况（影子价格/对偶变量） for name, constraint in prob.constraints.items(): print(f"{name}: 剩余资源 {constraint.slack} 小时")

6.2 智能优化算法：粒子群优化（PSO）示例

当问题非线性、非凸、难以用解析方法求解时，智能优化算法（元启发式算法）就派上用场了。这里使用sko库快速实现PSO。

问题示例：求解一个经典的非凸函数最小值，例如f(x) = x * sin(10π * x) + 2.0，定义域为 [-1, 2]。

import numpy as np import matplotlib.pyplot as plt from sko.PSO import PSO # 1. 定义目标函数 def demo_func(x): # x 可以是一个向量，这里是一维 return x * np.sin(10 * np.pi * x) + 2.0 # 2. 定义搜索空间 lb = [-1] # 下界 ub = [2] # 上界 # 3. 初始化并运行PSO算法 pso = PSO(func=demo_func, n_dim=1, pop=40, max_iter=150, lb=lb, ub=ub, w=0.8, c1=0.5, c2=0.5) pso.run() # 4. 输出结果 print('PSO找到的最优解: x =', pso.gbest_x) print('对应的最优函数值: f(x) =', pso.gbest_y) # 5. 绘制收敛曲线和函数图像 plt.figure(figsize=(12, 4)) # 子图1：收敛曲线 plt.subplot(1, 2, 1) plt.plot(pso.gbest_y_hist) plt.xlabel('迭代次数') plt.ylabel('全局最优值') plt.title('PSO收敛曲线') plt.grid(True) # 子图2：函数图像与粒子位置（最后一次迭代） plt.subplot(1, 2, 2) x_plot = np.linspace(-1, 2, 1000) y_plot = demo_func(x_plot) plt.plot(x_plot, y_plot, 'b-', label='目标函数') plt.scatter(pso.X, demo_func(pso.X), c='red', alpha=0.6, s=30, label='最终粒子群') plt.scatter(pso.gbest_x, pso.gbest_y, c='gold', s=200, marker='*', edgecolors='black', label='全局最优解') plt.xlabel('x') plt.ylabel('f(x)') plt.title('目标函数与PSO搜索结果') plt.legend() plt.grid(True) plt.tight_layout() plt.savefig('output/pso_optimization_demo.png', dpi=300) plt.show()

算法选择指南：

• 线性/整数规划：目标函数和约束均为决策变量的线性表达式。求解速度快，能保证找到全局最优。用pulp,ortools。
• 非线性规划：目标函数或约束中存在非线性项。可用scipy.optimize.minimize。
• 智能优化算法（PSO, GA, 模拟退火等）：问题复杂、非凸、多峰、离散、组合优化。不保证全局最优，但通常能找到满意解。适用于模型难以用传统优化方法描述的情况。

7. 常见问题与国赛实战避坑指南

7.1 数据处理与相关性分析

• 问题：计算出的相关系数很高，但模型效果很差。
  • 原因：可能是伪相关，或者存在异常值、非线性关系被误判为线性。
  • 解决：务必绘制散点图观察关系形态；进行异常值检测和处理（如IQR法则）；尝试Spearman相关系数；不要仅依赖相关系数筛选变量，要结合业务/问题背景。
• 问题：数据量纲不一致，影响后续建模。
  • 解决：在建模前进行标准化（StandardScaler）或归一化（MinMaxScaler）。

7.2 3D可视化

• 问题：3D图角度不好，关键信息被遮挡。
  • 解决：在Matplotlib中通过ax.view_init(elev=20, azim=45)调整仰角（elevation）和方位角（azimuth）。多尝试几个角度，选择最能展示数据规律的一个放入论文。
• 问题：图形模糊，打印不清晰。
  • 解决：保存图片时指定高DPI，如plt.savefig('figure.png', dpi=300)。

7.3 拟合与插值

• 问题：拟合的R²很高，但预测新数据误差巨大（过拟合）。
  • 解决：1) 增加数据量；2) 降低模型复杂度（如降低多项式阶数）；3) 使用正则化方法；4) 最重要的：划分训练集和测试集，用测试集评估模型泛化能力。
• 问题：插值结果在边缘区域出现剧烈震荡（龙格现象）。
  • 解决：谨慎使用高阶多项式插值。考虑使用样条插值（scipy.interpolate.UnivariateSpline）或径向基函数插值，它们更稳定。

7.4 优化建模

• 问题：模型求解时间过长，比赛时间不够。
  • 解决：1) 简化模型，抓住主要矛盾；2) 对于智能算法，合理设置种群大小和迭代次数，先小规模测试；3) 考虑使用启发式规则或贪心算法先得到一个可行解，再优化。
• 问题：求解器报“无可行解”。
  • 解决：检查约束条件是否相互矛盾。放松某些约束，或检查决策变量的上下界是否合理。可能是建模错误。
• 问题：整数规划求解慢。
  • 解决：尝试不同的求解器（如CBC, GLPK）；如果问题规模大，考虑使用启发式算法或松弛整数约束后取整（需验证可行性）。

8. 国赛C题最佳实践与论文写作要点

1. 问题重述与分析：不要照抄题目。用自己的话精炼概括问题，并拆解为“数据处理-模型构建-求解-验证”几个关键步骤。
2. 模型假设：清晰列出合理且必要的假设，这是模型的基石。例如“假设监测数据在短时间内是稳定的”、“假设运输成本与距离成正比”。
3. 符号说明：用三线表列出所有模型中用到的变量、符号及其含义，显得专业且便于阅读。
4. 模型建立：图文并茂。用流程图展示整体建模思路。对每个子模块（如相关性分析、拟合模型、优化目标函数），给出数学公式，并解释每个参数和变量的意义。
5. 求解过程：详细说明使用了什么算法、什么工具（如Python的哪个库）、关键参数如何设置（如PSO的种群数、迭代次数）。将核心代码以附录形式给出，并在正文中引用。
6. 结果分析：结果要用图表说话。对图表进行详细描述，例如“从图5可以看出，优化后的方案比原始方案成本降低了15%”。分析结果的合理性、敏感性和稳定性（灵敏度分析）。
7. 模型评价与推广：客观评价自己模型的优点（如精度高、实用性强）和缺点（如未考虑某些因素、计算复杂）。提出模型的改进方向和可能的推广场景。
8. 摘要：最后写，但最重要。评委第一眼看的就是摘要。摘要必须独立成文，清晰陈述问题、方法、模型、算法、主要结果和结论。避免细节，突出亮点。

代码与论文整合：在论文中，不要大段粘贴代码。应描述算法步骤，给出关键公式，然后将完整的、可运行的代码放在附录中。确保附录中的代码有必要的注释。

掌握这四大模块，并遵循科学的建模流程和论文写作规范，你就能构建一个结构完整、方法扎实、结果可信的国赛解决方案。剩下的，就是通过大量练习，将这些工具内化，并在紧张的72小时内灵活运用。预祝各位在2026年的国赛中取得优异成绩！