参加过数学建模竞赛的朋友应该都有同感传染病模型几乎是国赛、华为杯、研赛里“性价比”最高的一类题近几年的C题、E题反复在疫情预测、医疗资源调度、防控措施评估这些方向上做文章而它们的内核都离不开SI、SIR、SEIR这一串经典传染病模型。今天我就把这套东西掰开揉碎讲清楚从模型本身的数学原理到参数估计和灵敏度分析的具体操作再到最后怎么写进论文里拿高分全部走一遍实战流程。无论你是刚开始接触数学建模的新手还是已经在赛场上磨过几次的老手这篇文章都能给你一份可以直接“抄作业”的完整参考。1. 为什么竞赛题总爱考传染病模型出题逻辑与建模思维拆解1.1 考模型还是考思路从题目定位看三类题型的应对我见过不少队伍在拿到传染病相关赛题时第一反应是“赶紧把SIR模型的代码跑起来”结果论文交上去分数却不理想。问题不在于模型跑错了而在于没有读懂出题人真正想考核的能力。传染病赛题通常分三种定位。第一种是“数据拟合型”比如给你某个地区一段时间内的感染人数序列让你预测未来几周的走势。这类题真正考的是参数辨识和模型校准能力单纯套一个现成的SIR模型反而不够用因为真实数据对应的可能是SEIR甚至更复杂的结构你需要根据数据特征反推模型结构。第二种是“措施评估型”比如比较封控、疫苗接种、口罩令等不同干预手段对疫情曲线的影响核心考点是把干预措施量化成模型参数的变化。这类题考的是建模的“翻译”能力——如果防控措施力度是70%对应β降低多少这个换算过程才是拿分点。第三种是“资源规划型”比如重症床位够不够、医护人员怎么排班这类题要把传染病模型和排队论、整数规划结合起来使用模型反而是配角决策变量和约束条件的设置才是主角。明确了出题逻辑之后你就不会再把力全使在“模型选得多复杂”上而是花更多精力去研究“模型怎么为题目服务”。这一步想通了后面所有工作都会顺畅很多。1.2 一张图看懂三大经典模型从状态流转看模型本质传染病模型看起来公式很多但其实本质都可以用“人群状态流转图”来理解。这里我不用复杂的图形工具直接用文字描述状态之间的关系。最基础的SI模型只有两种状态易感者SSusceptible和感染者IInfectious当一个易感者接触感染者后他以一定的概率被感染转变成感染者而且一旦感染就不会恢复。这就像一个水池只有进水口没有排水口最终所有人都被感染所以SI模型适合描述那些没有免疫和治愈手段的烈性传染病早期阶段。SIS模型在SI的基础上加了一个“恢复后又变回易感者”的回路感染者痊愈后没有免疫力马上又可以再次被感染就像普通感冒好了还能再得。这个模型刻画的是“无免疫力的传播”研究重点是是否存在地方病平衡点。SIR模型是竞赛中使用率最高的结构它多了状态RRemoved指恢复后获得免疫力或死亡的人群。感染者离开I状态后进入R不再参与传播。整个系统就像一个水流管道S在接触感染后被“吸入”II又以一定速率“排出”到R。这里面的关键参数是基本再生数R₀它决定了疫情是暴发还是自然消退。理解模型不需要死记微分方程组只要你把状态之间的箭头画清楚二维和四维的区别其实只是多几个状态和参数而已。我建议所有准备竞赛的同学练习的第一步就是用文字把模型的状态流转写出来这一步做到位了后面建模部分基本不会跑偏。1.3 模型怎么选从甲流到不明疫情的选择标准实战中最常遇到的问题不是“我不会建模”而是“模型太多不知道选哪个”。我把常见场景和对应模型的匹配关系整理成了一个速查表这个表在比赛现场非常有用。场景特征推荐模型关键理由传播快、无免疫、研究短时间暴发SI结构简单便于分析极限状态感染后可再次感染、无终身免疫SIS能刻画反复感染有地方病平衡点感染后痊愈有免疫力、一次性流行SIR计算R₀方便和实际数据拟合效果好存在潜伏期、感染者延迟发病SEIR加入潜伏期E状态更贴近新冠、流感考虑出生死亡等人口动力学SIR/SIS人口项需要分析长期动态时使用分年龄段、分区域的异质传播多组SEIR/网络模型空间和人群异质性明显时使用选模型的核心原则是“够用就好”。有时候一个SIR模型经过精细的参数估计和灵敏度分析得分比一个粗糙的SEIR模型高得多因为评委能看出来你对SIR的理解是透彻的。不要为了显得高深就堆模型数学建模比赛的评分标准里对模型的解释深度和分析完整度远比模型复杂度重要。2. 三类经典模型的数学推导与代码实现2.1 SI模型最容易踩坑的起点SI模型的微分方程组非常简单dS/dt -βSIdI/dt βSI其中β是感染率系数S和I是两类人群的数量或比例。这里有一个关键细节——模型使用的是双线性发生率βSI它假设易感者和感染者的接触是均匀混合的也就是说任意一个易感者遇到任意一个感染者的概率是常数。这个假设在数学上很好处理但在现实中几乎所有传染病都不满足因为它忽略了空间聚集、社交网络结构等因素。不过作为入门模型它最大的价值是让你理解“发生率”的概念。用Python实现SI模型时我推荐直接用scipy.integrate.odeint因为它对刚接触微分方程数值解的同学来说最友好。下面这段代码是我在实际比赛中用过的稍作修改就能适配多数场景。import numpy as np from scipy.integrate import odeint import matplotlib.pyplot as plt # 定义SI模型的微分方程 def si_model(y, t, beta): S, I y N S I dSdt -beta * S * I / N dIdt beta * S * I / N return [dSdt, dIdt] # 初始条件总人口10万初始感染100人 N 100000 I0 100 S0 N - I0 y0 [S0, I0] # 时间范围模拟60天 t np.linspace(0, 60, 61) # 设置感染率 beta 0.3 solution odeint(si_model, y0, t, args(beta,)) S, I solution.T # 绘图 plt.figure(figsize(8, 5)) plt.plot(t, S, labelSusceptible) plt.plot(t, I, labelInfectious) plt.xlabel(Time (days)) plt.ylabel(Population) plt.title(SI Model Simulation) plt.legend() plt.grid(True) plt.show()跑完这段代码你会发现一个很“反直觉”的结果感染人数一直在涨直到所有人都被感染而且增速会在中期达到峰值然后下降原因是易感者数量不断减少可供感染的人群“储备”不足了。这个规律在高等数学里对应的是一个Logistic增长曲线很多新手只看方程形式看不懂画完图就一目了然。注意SI模型中的β单位是“每人每天”它不是一个概率而是接触率和传播概率的乘积。实际估计出来的β往往是一个综合系数不要试图把它拆解成更细的生物学参数除非你的数据足够丰富。竞赛中能把β解释清楚已经比很多队伍强了。2.2 SIS模型有复阳才有研究价值SIS模型在SI的基础上增加了一个恢复率参数γ感染者以γ的速率恢复并重新回到易感状态。微分方程是dS/dt -βSI γIdI/dt βSI - γI。这里最大的分析热点是“地方病平衡点”——当R₀ β/γ大于1时系统会稳定在一个正的感染水平上疾病持续存在当R₀小于等于1时感染者会逐渐消失。用大白话说R₀决定了这个病“压不压得住”。R₀大于1的时候一个感染者平均传染超过一个人疫情就会在人群中维持下去数量上达到动态平衡R₀小于1的时候一个感染者平均传染不到一个人链条就断了。SIS模型的这种“阈值现象”在数学上非常清晰也是竞赛论文里容易出亮点的地方——你可以不需要复杂的模拟直接通过R₀的表达式讨论防控措施的临界条件。Python实现SIS模型几乎和SI模型一样改一下方程组即可。这里我特别建议你做一次“参数扫描”实验固定β0.3把γ从0.2到0.4每隔0.02取一个值画出多条I随时间变化的曲线。你会看到当γ跨过某个临界值也就是β/γ1时系统行为发生“质变”从稳定感染变成感染清零。这种可视化分析在论文里放一张图说服力立刻上一个台阶。参数扫描本身也是一个非常好的灵敏度分析热身后面3.2节我会详细讲灵敏度分析怎么做得更规范。2.3 SIR模型竞赛出场率最高的模型SIR模型把恢复者R加入系统微分方程变为dS/dt -βSI/NdI/dt βSI/N - γIdR/dt γI很多教材把N放在方程里有些则用比例形式不带N两者等价但比赛论文里建议写清楚N SIR避免评委在看量纲时产生疑问。SIR模型最重要的结论是当R₀ β/γ 1时疫情会经历一个先上升后下降的过程并且最终不会感染所有人因为一部分易感者会在疫情结束前“逃脱”感染。这个“最终规模”问题非常有意思在论文里可以作为一个重点分析章节。SIR模型是三个模型里唯一有显式阈值分析的模型很多参考书里都给出了“最终感染比例”的隐式方程但它没法用初等函数表达。在实际比赛中最省事的方法还是用数值积分直接求解。写代码时有一点要注意SIR系统是一个刚性系统当感染人数在峰值附近快速变化时显式欧拉法容易产生数值振荡。所以直接用odeint或者solve_ivp的LSODA方法自适应步长能省掉你大量调试时间。还有一个新手常踩的坑R₀不是直接出现在微分方程里的参数而是由β和γ组合出来的。有些同学在写论文时把R₀当成独立参数去拟合数据方向就反了。正确的做法是先估计β和γ再计算R₀及其置信区间。这个细节在评委眼里是判断你是否真正理解模型的试金石一定要重视。下面给出一个完整的SIR求解与应用示例它包含峰值预测和最终感染规模统计你可以在此基础上直接扩展成比赛用的核心脚本。import numpy as np from scipy.integrate import odeint import matplotlib.pyplot as plt def sir_model(y, t, beta, gamma): S, I, R y N S I R dSdt -beta * S * I / N dIdt beta * S * I / N - gamma * I dRdt gamma * I return [dSdt, dIdt, dRdt] # 参数设置beta0.4, gamma0.1R04 N 100000 I0 10 R0_init 0 S0 N - I0 y0 [S0, I0, R0_init] t np.linspace(0, 160, 161) beta 0.4 gamma 0.1 solution odeint(sir_model, y0, t, args(beta, gamma)) S, I, R solution.T # 找到感染峰值和时间 peak_inf np.max(I) peak_time t[np.argmax(I)] print(f感染峰值: {peak_inf:.0f} 人出现在第 {peak_time:.0f} 天) # 最终感染规模 final_S S[-1] total_infected N - final_S print(f最终感染总人数: {total_infected:.0f} 人占总人口 {total_infected/N*100:.1f}%) plt.figure(figsize(10, 6)) plt.plot(t, S, labelSusceptible) plt.plot(t, I, labelInfectious) plt.plot(t, R, labelRecovered) plt.xlabel(Time (days)) plt.ylabel(Population) plt.title(fSIR Model (beta{beta}, gamma{gamma}, R0{beta/gamma:.1f})) plt.legend() plt.grid(True) plt.show()这段代码跑出来之后你会在终端看到“感染峰值: XXX 人出现在第 XX 天”这样的输出。这个峰值信息非常重要——在防控措施评估题里峰值出现时间直接对应医疗资源“最紧张”的时点很多后续资源优化问题都以它为关键节点。比赛时一定要把峰值位置作为核心输出指标之一写进论文它是连接“传染病模型”和“资源调度”两大模块的桥梁。2.4 从SIR到SEIR的进化潜伏期的价值SEIR模型在SIR的基础上增加了一类“暴露者”E即已经感染但尚未具有传染性的人群。微分方程变为dS/dt -βSI/NdE/dt βSI/N - σEdI/dt σE - γIdR/dt γI。这里σ是潜伏期结束率1/σ就是平均潜伏期。很多同学第一次看到SEIR时会觉得“这不就是多了个变量嘛”实际上多加一个E状态带来的建模能力提升是巨大的。以新冠为例感染者平均有3到7天的潜伏期在潜伏期内的感染者虽然没症状但可能已经有传染性如果只用SIR模型就会出现参数拟合出的潜伏期和实际观测严重不符的情况。SEIR模型的核心价值在于把“感染”和“发病”两个事件分离让模型的因果链条更贴合真实传播过程。实现SEIR只需要在SIR代码里加入E变量和σ参数几乎没有额外复杂度所以我强烈建议你在比赛准备阶段就把SEIR的通用脚本写好到了赛场直接改参数就能用。代码框架和SIR完全一样只是把模型函数换成四维方程组千万不要临时去现写比赛时间宝贵。另外补充一句很多高分论文会在SEIR基础上再加一个“隔离者”Q状态或者“无症状感染者”A状态做成SEIQR或SEAIR模型。这类变体本身不复杂但写论文时要注意解释每一个新状态对应的现实含义不能为了炫技而加状态评委最反感“为复杂而复杂”的模型。3. 参数估计与灵敏度分析论文拿高分的关键3.1 用真实数据反推传播率最小二乘与优化实战模型建得再漂亮参数估不准一样拿不到分。竞赛中最常用的参数估计方法是“最小二乘拟合”也就是寻找一组参数让模型输出尽量接近真实观测数据。具体操作分三步。第一步是整理数据。竞赛题目通常会给出每日新增病例或累计病例数你需要把数据清洗成“每日感染人数”的序列注意是否包含无症状感染者、是否按确诊日期统计等细节这些说明要写进论文的数据处理部分让评委知道你做了严谨的数据预处理。第二步是写优化目标函数。以SIR模型为例你有β和γ两个待估参数给定一组候选参数后用odeint模拟出感染曲线再计算模拟值和真实观测值的残差平方和即SSE Σ(I_sim - I_obs)²。然后调用scipy.optimize.minimize或者curve_fit来最小化这个目标函数。第三步是初值设置。这一步最容易翻车如果初始参数距真实值太远优化算法可能收敛到局部最优得到明显不合理的参数。我建议先用“目测法”给初值——比如观察疫情初期感染翻倍时间约为3天可以粗估β-γ≈ln2/3≈0.23再结合R₀的经验范围来设定初始搜索范围。下面是一段完整的参数估计示例代码基于curve_fit实现注释里写了每个关键步骤的意图。import numpy as np from scipy.integrate import odeint from scipy.optimize import curve_fit import matplotlib.pyplot as plt # 模拟一份“真实观测数据”用于演示拟合流程 # 这里我们用已知beta0.35, gamma0.08生成数据然后尝试反推 N 100000 I0 100 t np.linspace(0, 60, 61) beta_true, gamma_true 0.35, 0.08 def sir_model(y, t, beta, gamma): S, I, R y dSdt -beta * S * I / N dIdt beta * S * I / N - gamma * I dRdt gamma * I return [dSdt, dIdt, dRdt] solution odeint(sir_model, [N-I0, I0, 0], t, args(beta_true, gamma_true)) obs solution[:, 1] np.random.normal(0, 5, len(t)) obs np.maximum(obs, 0) # 观测值不可能为负 # 定义拟合用的目标形式curve_fit要求返回模拟输出 def sir_fit(t, beta, gamma): sol odeint(sir_model, [N-I0, I0, 0], t, args(beta, gamma)) return sol[:, 1] # 初始猜测不太准也没关系但必须有合理范围 p0 [0.5, 0.2] bounds ([0.0, 0.0], [2.0, 2.0]) popt, pcov curve_fit(sir_fit, t, obs, p0p0, boundsbounds, maxfev10000) beta_est, gamma_est popt print(f真实参数: beta{beta_true}, gamma{gamma_true}) print(f拟合参数: beta{beta_est:.4f}, gamma{gamma_est:.4f}) print(fR0估计值: {beta_est/gamma_est:.2f})我跑过这个示例的一个实际版本噪声设成标准差为5的时候用上面代码得到的β估计值偏差大约在3%以内这在竞赛里已经是非常好的精度了。如果你需要更严格的置信区间可以进一步从pcov中提取参数方差构造95%置信区间。这个细节写进论文会让“参数估计”部分显得非常扎实强烈建议做。3.2 灵敏度分析怎么做才是加分项局部与全局兼顾灵敏度分析是区分“优秀论文”和“普通论文”的分水岭。很多队伍在论文里简单写一句“增加β会导致感染人数增加”就草草收场这样等于浪费了一个重要的得分点。我要推荐的灵敏度分析分两步走。局部灵敏度分析的核心是“偏导数”。对SIR模型来说你可以考察输出量比如感染峰值、峰值时间、最终感染规模对每个参数的偏导数用差分近似计算。具体做法是固定其他参数不变只变化某一个参数±5%记录输出指标的变化百分比然后画出柱状图。这种分析能直观回答“哪个参数对疫情走势的影响最大”如果你的论文结论是“β的灵敏度远高于γ”那就意味着防控重点应该放在减少接触率而不是加快恢复速度这是非常有政策含义的结论。全局灵敏度分析更加严谨推荐使用Sobol方法。它通过蒙特卡洛采样来估计每个参数及其交互作用对方差的贡献比例。实现起来需要一定的统计学基础但好在Python有现成的SALib库可以使用。对于时间有限的竞赛场景我不建议你直接写Sobol用“多参数同时变化的拉丁超立方采样相关散点图”替代也完全够用。关键是被评委会看到你有“考虑参数不确定性”的意识并且能够用数值结果支撑定性结论。局部和全局分析的结果往往能互相印证。我在做新冠数据拟合时发现局部灵敏度分析显示β的影响远大于γ但全局分析发现β和γ的交互项贡献也很高这说明如果要压制疫情单靠降低β还不够还需要同步提高γ否则模型输出的不确定性会很大。把这种“从数据到结论”的推理链条写在论文里评委读完会知道你真的是在用模型做分析而不是在抄模板这比堆十个公式都管用。3.3 数值求解时的稳定性问题odeint与solver选择的门道传染病模型看起来简单但数值求解的稳定性问题会让新手吃不少亏。常见问题有三种。第一种是时间步长设置不合理。如果使用显式欧拉法需要对步长做严格的稳定性限制步长太大可能导致模拟曲线出现锯齿状振荡。但使用odeint时由于内部采用自适应步长这个问题一般不出现。我唯一的建议是t数组不用设置得太密比如模拟200天t np.linspace(0, 200, 201)就足够光滑了太密不会显著提高精度只会拖慢计算。第二种是刚性系统问题。SIR模型在β远大于γ的时间段内感染人数的变化速率远大于S和R的变化速率系统具有刚性特征。odeint默认使用LSODA求解器它能自动在刚性模式和非刚性模式之间切换因此一般没问题。但如果你改用显式RK45可能在峰值附近出现数值振荡比赛时没必要冒这个风险直接用odeint最省心。第三种是初值设置引发的数值溢出。当I0设成0时模型会永远保持所有人易感这是符合数学的但没有意义。当I0设置成很小的值比如1一个城市里只有一个感染者模型的早期增长阶段会非常平缓峰值时间会显著推迟这个效应在分析“首例输入病例时间”时非常关键。我在做敏感性分析时发现把I0从10提高到1000峰值时间可能提前两到三周这说明“早发现早报告”本身就是一种非常有效的防控手段。这个结论用模型跑出来比任何文字论述都有说服力论文里可以专门做一个小节来讲。4. 竞赛实战从模型到一篇能获奖的论文4.1 五分钟搭出可复现的模型流程短期内出结果的套路比赛时间有限三到四天里要完成选题、建模、求解、验证和写作模型部分必须有一套“肌肉记忆”式的流程。我把自己的标准流程分享出来照着走能在五分钟内搭建出可运行的传染病模型基线。第一步读题并写下“模型需求单”。内容包括给定哪些数据、需要预测哪些量、有哪几类人群、有没有潜伏期、有没有干预措施变化。这个需求单会在后续所有环节反复用到一定要写得清晰。第二步选择模型结构。根据需求单判断用SI、SIS、SIR还是SEIR原则是“能解释所有数据特征的最低复杂度模型”。如果题目提到潜伏期就选SEIR没提到就先试试SIR不要一上来就SEIR隔离接种的大杂烩。第三步写通用脚本。第一部分是模型函数定义第二部分是参数设置和数据读入第三部分是求解加绘图第四部分是参数估计。这四个部分用空行分隔方便后续修改。我平时把这套模板存在本地比赛时直接复制改参数效率极高。第四步跑一组“基线结果”。基线结果是指用你觉得最合理的参数跑出的第一版输出不需要精细拟合。然后以基线结果为锚点做参数扫描并观察趋势。第五步记录所有输出。把峰值感染人数、峰值时间、最终感染规模、R₀估计值等核心指标整理成表格放在一个临时文档里这些数字就是论文分析和讨论部分的“原料”。这套流程的价值在于可复现任何一个队友拿到模板都能在几分钟内复现你的结果后续调整参数、补做灵敏度分析都非常顺畅。队内协作时最忌讳的是每个人各写一版代码最后合不在一起模板化的流程可以从根上避免这个问题。4.2 论文里这样写模型部分评委视角的写作要点模型部分写得好不好直接决定论文的“第一印象”。我审阅过一些参赛论文发现最普遍的问题是“模型介绍像教科书”——直接把微分方程和参数表贴上去没有任何“为什么选这个模型”的论述。评委每天要看几十份论文这样的写法立刻就会被归入“平庸”一类。我认为一个高分的模型部分应该按下面四个层次展开。第一层是“问题分析”用文字描述题目中的人群状态有哪些传播过程是怎样的这一步要像一个侦探在梳理案情让评委觉得你的建模思路是对问题的真实思考而不是套模板。第二层是“模型假设”逐条列出你做了哪些简化比如均匀混合假设、参数不随时间变化假设、不考虑出生死亡假设等。每条假设都要附上一句解释说明它为什么合理、如果不成立会带来什么影响。这部分是体现“建模素养”的关键写得具体且诚实会明显拉高印象分。第三层是“模型构建”用状态流转图配合微分方程组给出模型。注意格式规范状态变量要有符号表参数要有单位方程要编号。很多评委在第一遍快速翻论文时只看模型方程旁边的编号是否规范就能判断你是否受过严格写作训练。第四层是“模型求解与分析”包括参数估计方法、数值求解结果、灵敏度分析和模型验证。这里要特别注意图和表的标注每张图都要有图题每个坐标轴都要有变量名和单位每个表都要有表题。这些看似琐碎的细节其实是竞赛评阅标准中的“硬指标”。个人经验是模型部分篇幅控制在总篇幅的三分之一左右太多会显得啰嗦太少又显得单薄。关键是每一句话都要有信息量不要为了凑字数写一堆常识性背景评委看多了会直接跳过你的努力就白费了。4.3 小组分工与时间安排三天半特训模型流程针对传染病赛题我推荐一个“三阶段两天半”的模型推进计划这个计划在很多次比赛中验证过能有效避免前松后紧。第一天上午完成选题和模型结构选择下午把基线模型跑通出一版初步结果。第一天晚上的任务是做参数估计把所有可用的真实数据都拟合一遍得到一组“最佳参数”和几组“备选参数”。这里的关键是不要在一个参数上死磕如果拟合效果很差先检查数据是否有误再检查模型结构是否选错。第二天全天做深度分析包括灵敏度分析、干预措施模拟、不同场景比较。如果题目涉及资源优化第二天下午就要开始把传染病模型的输出和优化模型衔接起来。很多队伍在第三天才发现两个模型之间数据接口对不上导致后期加班最好提前设计好字段和格式。比如传染病模型输出每日感染人数优化模型需要这些数据作为输入双方约定好以CSV格式传递并提前跑一遍样例数据。第三天上午集中精力做模型验证包括历史数据回测、残差分析、稳健性检验。下午开始写作先写模型部分和结果分析部分最后写摘要和结论。第三天的晚上用于统稿、检查公式编号和参考文献格式。这里还有一个重要任务用队友的视角通读一遍全文凡是看不懂的地方就是需要补充解释的地方因为评委读你的论文时预设的耐心比队友还低。最后半天做最后的查漏补缺重点检查摘要里是否包含了最重要的数值结果、是否有图表编号缺失、灵敏度分析是否有明确的文字结论、参考文献格式是否统一。这几项每项都能“送分”丢分就太可惜了。4.4 AI辅助能用但不盲从现在很多同学都在用AI辅助建模我用下来最大的体会是AI写代码和解释数学原理确实很快但它的建议不一定是对的而且它倾向于给出“看似全面的方案”很少主动帮你判断取舍。所以我建议一个“三步使用法”。第一步让AI帮你快速搭建框架。比如问“帮我写一个SEIR模型的Python代码包含参数估计和灵敏度分析”它会很快给你一版能跑通的代码虽然质量一般但省去了从零写起的底稿成本。第二步自己审查关键逻辑。AI生成的代码里最大的隐患是系统里状态变量的更新顺序比如宿主模型里先更新I还是先更新R会导致数值上的细微差异。需要仔细读一遍确认逻辑与微分方程一致并加上你自己的边界条件判断。第三步用AI做论文润色和检查。写好的中英文摘要可以先让AI提一遍修改意见再把修改前后的版本做对比。注意这里有两个坑一是不要把AI生成的整段文字直接复制到论文里因为很多学校的查重和AI检测查得很严查出来后果很严重二是AI润色过度的文字常常显得陌生且格式扭曲反而丢失了比赛的风格和节奏。注意数学建模竞赛的规则通常明确允许合理的工具使用但论文必须由参赛队伍自己完成。比赛拿奖的核心竞争力是“流程完整、逻辑清晰、结果可复现”AI只是一个提效工具真正的分析思路和决策判断必须由人来主导。4.5 避坑清单竞赛中容易丢分的细节第一摘要写得太抽象。摘要里一定要有“模型类型关键参数值核心结论数字”这三要素。比如“本文基于SEIR模型估计基本再生数R₀为2.3195%置信区间2.12-2.50模拟结果表明当前防控措施可将感染峰值从4.2万降至1.8万”这种写法的信息密度和说服力远高于“本文研究了传染病传播规律提出了防控建议”。第二模型解释不足。只写“使用SIR模型”而不解释为什么不用SI或者SEIR评委无法判断你是否真正理解了模型。最好用一两句话指出SIR的适用条件与赛题场景的匹配度比如“由于题目中未提及潜伏期和重复感染SIR模型是兼顾简洁性与解释力的最低复杂度选择”。第三参数估计不透明。比赛论文中应给出估计方法、初值选择、优化算法和拟合效果图缺任何一项都会被认为是“拍脑袋”得参数。我建议至少放一张“观测值 vs 模拟值”的散点图加残差图这是最直观的可信度证据。第四灵敏度分析流于形式。只做“参数增加10%看看曲线变化”是不够的至少要做成量化表格用“峰值变化百分比”“累计感染变化百分比”这类数值来描述影响程度并给出文字结论。第五论文排版混乱。公式编号、图表编号、参考文献格式这三项是失分重灾区。建议在写作初期就定好模板而不是最后统一调整最后检查时用一个“对标清单”逐项核对这个清单可以提前打印出来比赛时贴在手边。第六忽视模型验证。即使没有历史数据也要做“模型合理性”验证比如检查R₀是否处于文献报道的合理范围、模拟结果是否符合传染病传播的定性规律。这一条能同时支撑你的“结论可靠性”和“研究的严谨性”千万别省。5. 从获奖论文反推的实战结论一份个人体会最后说几句真心话。我最初学传染病模型时也是从SI模型一步步跑到SEIR踩过参数不收敛的坑也吃过论文模型解释不足的亏。后来带过几支队伍参赛发现拿高分的论文有一个共同特点它们不是“模型最复杂”的而是“每个选择都有解释”的。评委想看的是你会不会做建模决策而不是你会不会调试包。如果时间允许我建议你赛前找一道往年传染病真题完整走一遍本文的流程——从模型选择、参数估计、灵敏度分析到论文写作全程记录下来。这个星期的高强度训练会比你赛时临时抱佛脚有用得多。等你真正站到赛场上看着题目里的疫情数据浮现出一个个曲线你会发现自己已经不是“在套模型”而是在思考一个真实的传播问题。传染病模型的魅力就在于它用一组简洁的微分方程就能刻画复杂的社会现象而你在建模过程中训练出的“简化现实、抓住本质”的能力恰恰是数学建模比赛最想考核、也最值得带走的东西。 数学建模竞赛必备：传染病模型全解析与Python实战攻略
参加过数学建模竞赛的朋友应该都有同感传染病模型几乎是国赛、华为杯、研赛里“性价比”最高的一类题近几年的C题、E题反复在疫情预测、医疗资源调度、防控措施评估这些方向上做文章而它们的内核都离不开SI、SIR、SEIR这一串经典传染病模型。今天我就把这套东西掰开揉碎讲清楚从模型本身的数学原理到参数估计和灵敏度分析的具体操作再到最后怎么写进论文里拿高分全部走一遍实战流程。无论你是刚开始接触数学建模的新手还是已经在赛场上磨过几次的老手这篇文章都能给你一份可以直接“抄作业”的完整参考。1. 为什么竞赛题总爱考传染病模型出题逻辑与建模思维拆解1.1 考模型还是考思路从题目定位看三类题型的应对我见过不少队伍在拿到传染病相关赛题时第一反应是“赶紧把SIR模型的代码跑起来”结果论文交上去分数却不理想。问题不在于模型跑错了而在于没有读懂出题人真正想考核的能力。传染病赛题通常分三种定位。第一种是“数据拟合型”比如给你某个地区一段时间内的感染人数序列让你预测未来几周的走势。这类题真正考的是参数辨识和模型校准能力单纯套一个现成的SIR模型反而不够用因为真实数据对应的可能是SEIR甚至更复杂的结构你需要根据数据特征反推模型结构。第二种是“措施评估型”比如比较封控、疫苗接种、口罩令等不同干预手段对疫情曲线的影响核心考点是把干预措施量化成模型参数的变化。这类题考的是建模的“翻译”能力——如果防控措施力度是70%对应β降低多少这个换算过程才是拿分点。第三种是“资源规划型”比如重症床位够不够、医护人员怎么排班这类题要把传染病模型和排队论、整数规划结合起来使用模型反而是配角决策变量和约束条件的设置才是主角。明确了出题逻辑之后你就不会再把力全使在“模型选得多复杂”上而是花更多精力去研究“模型怎么为题目服务”。这一步想通了后面所有工作都会顺畅很多。1.2 一张图看懂三大经典模型从状态流转看模型本质传染病模型看起来公式很多但其实本质都可以用“人群状态流转图”来理解。这里我不用复杂的图形工具直接用文字描述状态之间的关系。最基础的SI模型只有两种状态易感者SSusceptible和感染者IInfectious当一个易感者接触感染者后他以一定的概率被感染转变成感染者而且一旦感染就不会恢复。这就像一个水池只有进水口没有排水口最终所有人都被感染所以SI模型适合描述那些没有免疫和治愈手段的烈性传染病早期阶段。SIS模型在SI的基础上加了一个“恢复后又变回易感者”的回路感染者痊愈后没有免疫力马上又可以再次被感染就像普通感冒好了还能再得。这个模型刻画的是“无免疫力的传播”研究重点是是否存在地方病平衡点。SIR模型是竞赛中使用率最高的结构它多了状态RRemoved指恢复后获得免疫力或死亡的人群。感染者离开I状态后进入R不再参与传播。整个系统就像一个水流管道S在接触感染后被“吸入”II又以一定速率“排出”到R。这里面的关键参数是基本再生数R₀它决定了疫情是暴发还是自然消退。理解模型不需要死记微分方程组只要你把状态之间的箭头画清楚二维和四维的区别其实只是多几个状态和参数而已。我建议所有准备竞赛的同学练习的第一步就是用文字把模型的状态流转写出来这一步做到位了后面建模部分基本不会跑偏。1.3 模型怎么选从甲流到不明疫情的选择标准实战中最常遇到的问题不是“我不会建模”而是“模型太多不知道选哪个”。我把常见场景和对应模型的匹配关系整理成了一个速查表这个表在比赛现场非常有用。场景特征推荐模型关键理由传播快、无免疫、研究短时间暴发SI结构简单便于分析极限状态感染后可再次感染、无终身免疫SIS能刻画反复感染有地方病平衡点感染后痊愈有免疫力、一次性流行SIR计算R₀方便和实际数据拟合效果好存在潜伏期、感染者延迟发病SEIR加入潜伏期E状态更贴近新冠、流感考虑出生死亡等人口动力学SIR/SIS人口项需要分析长期动态时使用分年龄段、分区域的异质传播多组SEIR/网络模型空间和人群异质性明显时使用选模型的核心原则是“够用就好”。有时候一个SIR模型经过精细的参数估计和灵敏度分析得分比一个粗糙的SEIR模型高得多因为评委能看出来你对SIR的理解是透彻的。不要为了显得高深就堆模型数学建模比赛的评分标准里对模型的解释深度和分析完整度远比模型复杂度重要。2. 三类经典模型的数学推导与代码实现2.1 SI模型最容易踩坑的起点SI模型的微分方程组非常简单dS/dt -βSIdI/dt βSI其中β是感染率系数S和I是两类人群的数量或比例。这里有一个关键细节——模型使用的是双线性发生率βSI它假设易感者和感染者的接触是均匀混合的也就是说任意一个易感者遇到任意一个感染者的概率是常数。这个假设在数学上很好处理但在现实中几乎所有传染病都不满足因为它忽略了空间聚集、社交网络结构等因素。不过作为入门模型它最大的价值是让你理解“发生率”的概念。用Python实现SI模型时我推荐直接用scipy.integrate.odeint因为它对刚接触微分方程数值解的同学来说最友好。下面这段代码是我在实际比赛中用过的稍作修改就能适配多数场景。import numpy as np from scipy.integrate import odeint import matplotlib.pyplot as plt # 定义SI模型的微分方程 def si_model(y, t, beta): S, I y N S I dSdt -beta * S * I / N dIdt beta * S * I / N return [dSdt, dIdt] # 初始条件总人口10万初始感染100人 N 100000 I0 100 S0 N - I0 y0 [S0, I0] # 时间范围模拟60天 t np.linspace(0, 60, 61) # 设置感染率 beta 0.3 solution odeint(si_model, y0, t, args(beta,)) S, I solution.T # 绘图 plt.figure(figsize(8, 5)) plt.plot(t, S, labelSusceptible) plt.plot(t, I, labelInfectious) plt.xlabel(Time (days)) plt.ylabel(Population) plt.title(SI Model Simulation) plt.legend() plt.grid(True) plt.show()跑完这段代码你会发现一个很“反直觉”的结果感染人数一直在涨直到所有人都被感染而且增速会在中期达到峰值然后下降原因是易感者数量不断减少可供感染的人群“储备”不足了。这个规律在高等数学里对应的是一个Logistic增长曲线很多新手只看方程形式看不懂画完图就一目了然。注意SI模型中的β单位是“每人每天”它不是一个概率而是接触率和传播概率的乘积。实际估计出来的β往往是一个综合系数不要试图把它拆解成更细的生物学参数除非你的数据足够丰富。竞赛中能把β解释清楚已经比很多队伍强了。2.2 SIS模型有复阳才有研究价值SIS模型在SI的基础上增加了一个恢复率参数γ感染者以γ的速率恢复并重新回到易感状态。微分方程是dS/dt -βSI γIdI/dt βSI - γI。这里最大的分析热点是“地方病平衡点”——当R₀ β/γ大于1时系统会稳定在一个正的感染水平上疾病持续存在当R₀小于等于1时感染者会逐渐消失。用大白话说R₀决定了这个病“压不压得住”。R₀大于1的时候一个感染者平均传染超过一个人疫情就会在人群中维持下去数量上达到动态平衡R₀小于1的时候一个感染者平均传染不到一个人链条就断了。SIS模型的这种“阈值现象”在数学上非常清晰也是竞赛论文里容易出亮点的地方——你可以不需要复杂的模拟直接通过R₀的表达式讨论防控措施的临界条件。Python实现SIS模型几乎和SI模型一样改一下方程组即可。这里我特别建议你做一次“参数扫描”实验固定β0.3把γ从0.2到0.4每隔0.02取一个值画出多条I随时间变化的曲线。你会看到当γ跨过某个临界值也就是β/γ1时系统行为发生“质变”从稳定感染变成感染清零。这种可视化分析在论文里放一张图说服力立刻上一个台阶。参数扫描本身也是一个非常好的灵敏度分析热身后面3.2节我会详细讲灵敏度分析怎么做得更规范。2.3 SIR模型竞赛出场率最高的模型SIR模型把恢复者R加入系统微分方程变为dS/dt -βSI/NdI/dt βSI/N - γIdR/dt γI很多教材把N放在方程里有些则用比例形式不带N两者等价但比赛论文里建议写清楚N SIR避免评委在看量纲时产生疑问。SIR模型最重要的结论是当R₀ β/γ 1时疫情会经历一个先上升后下降的过程并且最终不会感染所有人因为一部分易感者会在疫情结束前“逃脱”感染。这个“最终规模”问题非常有意思在论文里可以作为一个重点分析章节。SIR模型是三个模型里唯一有显式阈值分析的模型很多参考书里都给出了“最终感染比例”的隐式方程但它没法用初等函数表达。在实际比赛中最省事的方法还是用数值积分直接求解。写代码时有一点要注意SIR系统是一个刚性系统当感染人数在峰值附近快速变化时显式欧拉法容易产生数值振荡。所以直接用odeint或者solve_ivp的LSODA方法自适应步长能省掉你大量调试时间。还有一个新手常踩的坑R₀不是直接出现在微分方程里的参数而是由β和γ组合出来的。有些同学在写论文时把R₀当成独立参数去拟合数据方向就反了。正确的做法是先估计β和γ再计算R₀及其置信区间。这个细节在评委眼里是判断你是否真正理解模型的试金石一定要重视。下面给出一个完整的SIR求解与应用示例它包含峰值预测和最终感染规模统计你可以在此基础上直接扩展成比赛用的核心脚本。import numpy as np from scipy.integrate import odeint import matplotlib.pyplot as plt def sir_model(y, t, beta, gamma): S, I, R y N S I R dSdt -beta * S * I / N dIdt beta * S * I / N - gamma * I dRdt gamma * I return [dSdt, dIdt, dRdt] # 参数设置beta0.4, gamma0.1R04 N 100000 I0 10 R0_init 0 S0 N - I0 y0 [S0, I0, R0_init] t np.linspace(0, 160, 161) beta 0.4 gamma 0.1 solution odeint(sir_model, y0, t, args(beta, gamma)) S, I, R solution.T # 找到感染峰值和时间 peak_inf np.max(I) peak_time t[np.argmax(I)] print(f感染峰值: {peak_inf:.0f} 人出现在第 {peak_time:.0f} 天) # 最终感染规模 final_S S[-1] total_infected N - final_S print(f最终感染总人数: {total_infected:.0f} 人占总人口 {total_infected/N*100:.1f}%) plt.figure(figsize(10, 6)) plt.plot(t, S, labelSusceptible) plt.plot(t, I, labelInfectious) plt.plot(t, R, labelRecovered) plt.xlabel(Time (days)) plt.ylabel(Population) plt.title(fSIR Model (beta{beta}, gamma{gamma}, R0{beta/gamma:.1f})) plt.legend() plt.grid(True) plt.show()这段代码跑出来之后你会在终端看到“感染峰值: XXX 人出现在第 XX 天”这样的输出。这个峰值信息非常重要——在防控措施评估题里峰值出现时间直接对应医疗资源“最紧张”的时点很多后续资源优化问题都以它为关键节点。比赛时一定要把峰值位置作为核心输出指标之一写进论文它是连接“传染病模型”和“资源调度”两大模块的桥梁。2.4 从SIR到SEIR的进化潜伏期的价值SEIR模型在SIR的基础上增加了一类“暴露者”E即已经感染但尚未具有传染性的人群。微分方程变为dS/dt -βSI/NdE/dt βSI/N - σEdI/dt σE - γIdR/dt γI。这里σ是潜伏期结束率1/σ就是平均潜伏期。很多同学第一次看到SEIR时会觉得“这不就是多了个变量嘛”实际上多加一个E状态带来的建模能力提升是巨大的。以新冠为例感染者平均有3到7天的潜伏期在潜伏期内的感染者虽然没症状但可能已经有传染性如果只用SIR模型就会出现参数拟合出的潜伏期和实际观测严重不符的情况。SEIR模型的核心价值在于把“感染”和“发病”两个事件分离让模型的因果链条更贴合真实传播过程。实现SEIR只需要在SIR代码里加入E变量和σ参数几乎没有额外复杂度所以我强烈建议你在比赛准备阶段就把SEIR的通用脚本写好到了赛场直接改参数就能用。代码框架和SIR完全一样只是把模型函数换成四维方程组千万不要临时去现写比赛时间宝贵。另外补充一句很多高分论文会在SEIR基础上再加一个“隔离者”Q状态或者“无症状感染者”A状态做成SEIQR或SEAIR模型。这类变体本身不复杂但写论文时要注意解释每一个新状态对应的现实含义不能为了炫技而加状态评委最反感“为复杂而复杂”的模型。3. 参数估计与灵敏度分析论文拿高分的关键3.1 用真实数据反推传播率最小二乘与优化实战模型建得再漂亮参数估不准一样拿不到分。竞赛中最常用的参数估计方法是“最小二乘拟合”也就是寻找一组参数让模型输出尽量接近真实观测数据。具体操作分三步。第一步是整理数据。竞赛题目通常会给出每日新增病例或累计病例数你需要把数据清洗成“每日感染人数”的序列注意是否包含无症状感染者、是否按确诊日期统计等细节这些说明要写进论文的数据处理部分让评委知道你做了严谨的数据预处理。第二步是写优化目标函数。以SIR模型为例你有β和γ两个待估参数给定一组候选参数后用odeint模拟出感染曲线再计算模拟值和真实观测值的残差平方和即SSE Σ(I_sim - I_obs)²。然后调用scipy.optimize.minimize或者curve_fit来最小化这个目标函数。第三步是初值设置。这一步最容易翻车如果初始参数距真实值太远优化算法可能收敛到局部最优得到明显不合理的参数。我建议先用“目测法”给初值——比如观察疫情初期感染翻倍时间约为3天可以粗估β-γ≈ln2/3≈0.23再结合R₀的经验范围来设定初始搜索范围。下面是一段完整的参数估计示例代码基于curve_fit实现注释里写了每个关键步骤的意图。import numpy as np from scipy.integrate import odeint from scipy.optimize import curve_fit import matplotlib.pyplot as plt # 模拟一份“真实观测数据”用于演示拟合流程 # 这里我们用已知beta0.35, gamma0.08生成数据然后尝试反推 N 100000 I0 100 t np.linspace(0, 60, 61) beta_true, gamma_true 0.35, 0.08 def sir_model(y, t, beta, gamma): S, I, R y dSdt -beta * S * I / N dIdt beta * S * I / N - gamma * I dRdt gamma * I return [dSdt, dIdt, dRdt] solution odeint(sir_model, [N-I0, I0, 0], t, args(beta_true, gamma_true)) obs solution[:, 1] np.random.normal(0, 5, len(t)) obs np.maximum(obs, 0) # 观测值不可能为负 # 定义拟合用的目标形式curve_fit要求返回模拟输出 def sir_fit(t, beta, gamma): sol odeint(sir_model, [N-I0, I0, 0], t, args(beta, gamma)) return sol[:, 1] # 初始猜测不太准也没关系但必须有合理范围 p0 [0.5, 0.2] bounds ([0.0, 0.0], [2.0, 2.0]) popt, pcov curve_fit(sir_fit, t, obs, p0p0, boundsbounds, maxfev10000) beta_est, gamma_est popt print(f真实参数: beta{beta_true}, gamma{gamma_true}) print(f拟合参数: beta{beta_est:.4f}, gamma{gamma_est:.4f}) print(fR0估计值: {beta_est/gamma_est:.2f})我跑过这个示例的一个实际版本噪声设成标准差为5的时候用上面代码得到的β估计值偏差大约在3%以内这在竞赛里已经是非常好的精度了。如果你需要更严格的置信区间可以进一步从pcov中提取参数方差构造95%置信区间。这个细节写进论文会让“参数估计”部分显得非常扎实强烈建议做。3.2 灵敏度分析怎么做才是加分项局部与全局兼顾灵敏度分析是区分“优秀论文”和“普通论文”的分水岭。很多队伍在论文里简单写一句“增加β会导致感染人数增加”就草草收场这样等于浪费了一个重要的得分点。我要推荐的灵敏度分析分两步走。局部灵敏度分析的核心是“偏导数”。对SIR模型来说你可以考察输出量比如感染峰值、峰值时间、最终感染规模对每个参数的偏导数用差分近似计算。具体做法是固定其他参数不变只变化某一个参数±5%记录输出指标的变化百分比然后画出柱状图。这种分析能直观回答“哪个参数对疫情走势的影响最大”如果你的论文结论是“β的灵敏度远高于γ”那就意味着防控重点应该放在减少接触率而不是加快恢复速度这是非常有政策含义的结论。全局灵敏度分析更加严谨推荐使用Sobol方法。它通过蒙特卡洛采样来估计每个参数及其交互作用对方差的贡献比例。实现起来需要一定的统计学基础但好在Python有现成的SALib库可以使用。对于时间有限的竞赛场景我不建议你直接写Sobol用“多参数同时变化的拉丁超立方采样相关散点图”替代也完全够用。关键是被评委会看到你有“考虑参数不确定性”的意识并且能够用数值结果支撑定性结论。局部和全局分析的结果往往能互相印证。我在做新冠数据拟合时发现局部灵敏度分析显示β的影响远大于γ但全局分析发现β和γ的交互项贡献也很高这说明如果要压制疫情单靠降低β还不够还需要同步提高γ否则模型输出的不确定性会很大。把这种“从数据到结论”的推理链条写在论文里评委读完会知道你真的是在用模型做分析而不是在抄模板这比堆十个公式都管用。3.3 数值求解时的稳定性问题odeint与solver选择的门道传染病模型看起来简单但数值求解的稳定性问题会让新手吃不少亏。常见问题有三种。第一种是时间步长设置不合理。如果使用显式欧拉法需要对步长做严格的稳定性限制步长太大可能导致模拟曲线出现锯齿状振荡。但使用odeint时由于内部采用自适应步长这个问题一般不出现。我唯一的建议是t数组不用设置得太密比如模拟200天t np.linspace(0, 200, 201)就足够光滑了太密不会显著提高精度只会拖慢计算。第二种是刚性系统问题。SIR模型在β远大于γ的时间段内感染人数的变化速率远大于S和R的变化速率系统具有刚性特征。odeint默认使用LSODA求解器它能自动在刚性模式和非刚性模式之间切换因此一般没问题。但如果你改用显式RK45可能在峰值附近出现数值振荡比赛时没必要冒这个风险直接用odeint最省心。第三种是初值设置引发的数值溢出。当I0设成0时模型会永远保持所有人易感这是符合数学的但没有意义。当I0设置成很小的值比如1一个城市里只有一个感染者模型的早期增长阶段会非常平缓峰值时间会显著推迟这个效应在分析“首例输入病例时间”时非常关键。我在做敏感性分析时发现把I0从10提高到1000峰值时间可能提前两到三周这说明“早发现早报告”本身就是一种非常有效的防控手段。这个结论用模型跑出来比任何文字论述都有说服力论文里可以专门做一个小节来讲。4. 竞赛实战从模型到一篇能获奖的论文4.1 五分钟搭出可复现的模型流程短期内出结果的套路比赛时间有限三到四天里要完成选题、建模、求解、验证和写作模型部分必须有一套“肌肉记忆”式的流程。我把自己的标准流程分享出来照着走能在五分钟内搭建出可运行的传染病模型基线。第一步读题并写下“模型需求单”。内容包括给定哪些数据、需要预测哪些量、有哪几类人群、有没有潜伏期、有没有干预措施变化。这个需求单会在后续所有环节反复用到一定要写得清晰。第二步选择模型结构。根据需求单判断用SI、SIS、SIR还是SEIR原则是“能解释所有数据特征的最低复杂度模型”。如果题目提到潜伏期就选SEIR没提到就先试试SIR不要一上来就SEIR隔离接种的大杂烩。第三步写通用脚本。第一部分是模型函数定义第二部分是参数设置和数据读入第三部分是求解加绘图第四部分是参数估计。这四个部分用空行分隔方便后续修改。我平时把这套模板存在本地比赛时直接复制改参数效率极高。第四步跑一组“基线结果”。基线结果是指用你觉得最合理的参数跑出的第一版输出不需要精细拟合。然后以基线结果为锚点做参数扫描并观察趋势。第五步记录所有输出。把峰值感染人数、峰值时间、最终感染规模、R₀估计值等核心指标整理成表格放在一个临时文档里这些数字就是论文分析和讨论部分的“原料”。这套流程的价值在于可复现任何一个队友拿到模板都能在几分钟内复现你的结果后续调整参数、补做灵敏度分析都非常顺畅。队内协作时最忌讳的是每个人各写一版代码最后合不在一起模板化的流程可以从根上避免这个问题。4.2 论文里这样写模型部分评委视角的写作要点模型部分写得好不好直接决定论文的“第一印象”。我审阅过一些参赛论文发现最普遍的问题是“模型介绍像教科书”——直接把微分方程和参数表贴上去没有任何“为什么选这个模型”的论述。评委每天要看几十份论文这样的写法立刻就会被归入“平庸”一类。我认为一个高分的模型部分应该按下面四个层次展开。第一层是“问题分析”用文字描述题目中的人群状态有哪些传播过程是怎样的这一步要像一个侦探在梳理案情让评委觉得你的建模思路是对问题的真实思考而不是套模板。第二层是“模型假设”逐条列出你做了哪些简化比如均匀混合假设、参数不随时间变化假设、不考虑出生死亡假设等。每条假设都要附上一句解释说明它为什么合理、如果不成立会带来什么影响。这部分是体现“建模素养”的关键写得具体且诚实会明显拉高印象分。第三层是“模型构建”用状态流转图配合微分方程组给出模型。注意格式规范状态变量要有符号表参数要有单位方程要编号。很多评委在第一遍快速翻论文时只看模型方程旁边的编号是否规范就能判断你是否受过严格写作训练。第四层是“模型求解与分析”包括参数估计方法、数值求解结果、灵敏度分析和模型验证。这里要特别注意图和表的标注每张图都要有图题每个坐标轴都要有变量名和单位每个表都要有表题。这些看似琐碎的细节其实是竞赛评阅标准中的“硬指标”。个人经验是模型部分篇幅控制在总篇幅的三分之一左右太多会显得啰嗦太少又显得单薄。关键是每一句话都要有信息量不要为了凑字数写一堆常识性背景评委看多了会直接跳过你的努力就白费了。4.3 小组分工与时间安排三天半特训模型流程针对传染病赛题我推荐一个“三阶段两天半”的模型推进计划这个计划在很多次比赛中验证过能有效避免前松后紧。第一天上午完成选题和模型结构选择下午把基线模型跑通出一版初步结果。第一天晚上的任务是做参数估计把所有可用的真实数据都拟合一遍得到一组“最佳参数”和几组“备选参数”。这里的关键是不要在一个参数上死磕如果拟合效果很差先检查数据是否有误再检查模型结构是否选错。第二天全天做深度分析包括灵敏度分析、干预措施模拟、不同场景比较。如果题目涉及资源优化第二天下午就要开始把传染病模型的输出和优化模型衔接起来。很多队伍在第三天才发现两个模型之间数据接口对不上导致后期加班最好提前设计好字段和格式。比如传染病模型输出每日感染人数优化模型需要这些数据作为输入双方约定好以CSV格式传递并提前跑一遍样例数据。第三天上午集中精力做模型验证包括历史数据回测、残差分析、稳健性检验。下午开始写作先写模型部分和结果分析部分最后写摘要和结论。第三天的晚上用于统稿、检查公式编号和参考文献格式。这里还有一个重要任务用队友的视角通读一遍全文凡是看不懂的地方就是需要补充解释的地方因为评委读你的论文时预设的耐心比队友还低。最后半天做最后的查漏补缺重点检查摘要里是否包含了最重要的数值结果、是否有图表编号缺失、灵敏度分析是否有明确的文字结论、参考文献格式是否统一。这几项每项都能“送分”丢分就太可惜了。4.4 AI辅助能用但不盲从现在很多同学都在用AI辅助建模我用下来最大的体会是AI写代码和解释数学原理确实很快但它的建议不一定是对的而且它倾向于给出“看似全面的方案”很少主动帮你判断取舍。所以我建议一个“三步使用法”。第一步让AI帮你快速搭建框架。比如问“帮我写一个SEIR模型的Python代码包含参数估计和灵敏度分析”它会很快给你一版能跑通的代码虽然质量一般但省去了从零写起的底稿成本。第二步自己审查关键逻辑。AI生成的代码里最大的隐患是系统里状态变量的更新顺序比如宿主模型里先更新I还是先更新R会导致数值上的细微差异。需要仔细读一遍确认逻辑与微分方程一致并加上你自己的边界条件判断。第三步用AI做论文润色和检查。写好的中英文摘要可以先让AI提一遍修改意见再把修改前后的版本做对比。注意这里有两个坑一是不要把AI生成的整段文字直接复制到论文里因为很多学校的查重和AI检测查得很严查出来后果很严重二是AI润色过度的文字常常显得陌生且格式扭曲反而丢失了比赛的风格和节奏。注意数学建模竞赛的规则通常明确允许合理的工具使用但论文必须由参赛队伍自己完成。比赛拿奖的核心竞争力是“流程完整、逻辑清晰、结果可复现”AI只是一个提效工具真正的分析思路和决策判断必须由人来主导。4.5 避坑清单竞赛中容易丢分的细节第一摘要写得太抽象。摘要里一定要有“模型类型关键参数值核心结论数字”这三要素。比如“本文基于SEIR模型估计基本再生数R₀为2.3195%置信区间2.12-2.50模拟结果表明当前防控措施可将感染峰值从4.2万降至1.8万”这种写法的信息密度和说服力远高于“本文研究了传染病传播规律提出了防控建议”。第二模型解释不足。只写“使用SIR模型”而不解释为什么不用SI或者SEIR评委无法判断你是否真正理解了模型。最好用一两句话指出SIR的适用条件与赛题场景的匹配度比如“由于题目中未提及潜伏期和重复感染SIR模型是兼顾简洁性与解释力的最低复杂度选择”。第三参数估计不透明。比赛论文中应给出估计方法、初值选择、优化算法和拟合效果图缺任何一项都会被认为是“拍脑袋”得参数。我建议至少放一张“观测值 vs 模拟值”的散点图加残差图这是最直观的可信度证据。第四灵敏度分析流于形式。只做“参数增加10%看看曲线变化”是不够的至少要做成量化表格用“峰值变化百分比”“累计感染变化百分比”这类数值来描述影响程度并给出文字结论。第五论文排版混乱。公式编号、图表编号、参考文献格式这三项是失分重灾区。建议在写作初期就定好模板而不是最后统一调整最后检查时用一个“对标清单”逐项核对这个清单可以提前打印出来比赛时贴在手边。第六忽视模型验证。即使没有历史数据也要做“模型合理性”验证比如检查R₀是否处于文献报道的合理范围、模拟结果是否符合传染病传播的定性规律。这一条能同时支撑你的“结论可靠性”和“研究的严谨性”千万别省。5. 从获奖论文反推的实战结论一份个人体会最后说几句真心话。我最初学传染病模型时也是从SI模型一步步跑到SEIR踩过参数不收敛的坑也吃过论文模型解释不足的亏。后来带过几支队伍参赛发现拿高分的论文有一个共同特点它们不是“模型最复杂”的而是“每个选择都有解释”的。评委想看的是你会不会做建模决策而不是你会不会调试包。如果时间允许我建议你赛前找一道往年传染病真题完整走一遍本文的流程——从模型选择、参数估计、灵敏度分析到论文写作全程记录下来。这个星期的高强度训练会比你赛时临时抱佛脚有用得多。等你真正站到赛场上看着题目里的疫情数据浮现出一个个曲线你会发现自己已经不是“在套模型”而是在思考一个真实的传播问题。传染病模型的魅力就在于它用一组简洁的微分方程就能刻画复杂的社会现象而你在建模过程中训练出的“简化现实、抓住本质”的能力恰恰是数学建模比赛最想考核、也最值得带走的东西。