davepoon/buildwithclaude / plugins/all-skills/skills/mcm-o-guide
mcm-o-guide
VerifiedMCM/ICM 优秀论文写作全流程指南——基于 502 篇历年获奖论文(2004–2024)语料库的结构化分析与评委点评提炼。覆盖:摘要逐句模板、6 类题型模型选择矩阵、25 页页预算分配、图表黄金法则、灵敏度/稳健性分析范式、全文一致性检查清单。当用户准备美赛、写论文、打磨论文、查结构、选模型、做摘要、看评委标准、读优秀论文时使用。也适用于任何需要高质量数学建模论文写作的场景。
references/advanced-techniques.md
View on GitHub# 高级技术手册:灵敏度、验证、可视化
> 比案例复盘更聚焦具体方法。每个技术给出:
> - **适用场景**(何时用)
> - **具体做法**(怎么实施)
> - **O 奖原文示例**(引用哪篇论文)
> - **产出物模板**(怎么写/画)
---
## 第一部分:灵敏度分析方法族
### 1.1 单参数扫描(One-at-a-Time, OAT)
**适用场景:** 参数少(≤5 个)、评委要求快速稳健性说明。
**难度:** ★☆☆
**O 奖频次:** 2021+ 覆盖率 82-93% 中的大部分。
**做法:**
```
1. 选定关键参数 α
2. 设基线值 α₀
3. 扰动:α = {0.5α₀, 0.8α₀, α₀, 1.2α₀, 1.5α₀}
4. 每次重跑模型
5. 记录输出指标 y
6. 画图:α vs y
7. 写结论句
```
**结论句模板:**
```
"The model is robust with respect to α: varying α within [0.5α₀, 1.5α₀]
changes the total biomass by less than X%, as shown in Figure N."
```
**O 奖示例:** 2023 A 干旱(Page 18)
```
"We set the probability of drought to 30% and the precipitation in a
drought year to 1/2 of a normal year. When the frequency of drought
increases, we adjust the probability of drought to 50%; when the
magnitude of drought increases, we change the precipitation in a
drought year to 1/3 of a normal year."
```
3 组参数 × 5 个物种 = 15 次仿真,一图说清。
**产出物:** 一张参数-输出曲线 + 1 段结论。
---
### 1.2 参数重要性排序(Rank-Oval Plot)
**适用场景:** 参数多(>5 个),需要说清"哪个参数最影响结果"。
**难度:** ★★☆
**做法:**
```
1. 所有参数扰动 ±50%
2. 记录每个参数扰动时的输出变化百分比
3. 按变化率排序
4. 画横向条形图(参数排序 + 变化率)
5. 结论:识别 Top-3 敏感参数
```
**产出物模板:**
| 参数 | 变化率(%) | 影响方向 |
|---|---|---|
| $\alpha$ | 32.4 | ↑ |
| $r$ | 18.7 | ↑ |
| $K$ | 12.1 | ↓ |
| $\beta$ | 5.3 | ↑ |
| $\gamma$ | 2.1 | ↓ |
**结论句:** "The top-3 sensitive parameters are α, r, and K. In practice,
these parameters must be measured with higher accuracy."
---
### 1.3 蒙特卡洛扰动(Monte Carlo)
**适用场景:** 参数不确定性大 + 需要构造置信区间。
**难度:** ★★★
**做法:**
```
1. 每个参数设为概率分布(如 α ~ Normal(α₀, σ))
2. 采样 N=1000 组参数
3. 每组跑一次模型,收集输出 y
4. 计算 y 的 5%-95% 分位数
5. 画扇形图(置信带)
```
**O 奖示例:** 2021 C 大黄蜂(Page 22-23)
```
"We run 1000 Monte Carlo simulations with parameters drawn from
empirical distributions. The 95% confidence interval of AGH density
is shown as a shaded region in Figure N."
```
**产出物:** 一张扇形置信带图 + 1 段解释。
---
### 1.4 Sobol 敏感性指数
**适用场景:** 需要识别参数交互效应。
**难度:** ★★★★
**O 奖出现频次:** 极少(<5%),一旦出现就是显著创新点。
**做法:**
```
1. 计算一阶 Sobol 指数 S_i(参数 i 单独贡献)
2. 计算总阶指数 ST_i(含交互)
3. ST_i - S_i = 交互贡献
4. 画条形图对比
```
**结论句:** "The interaction effect between α and r is significant
(ST - S = 0.18), suggesting these parameters must be calibrated jointly."
---
### 1.5 初始条件扰动(Initial Condition Robustness)
**适用场景:** 空间/时序模型(CA、SEIR、仿真类)。
**难度:** ★★☆
**做法:**
```
1. 生成 K 组初始条件(不同空间分布)
2. 每组跑完整仿真
3. 在关键时刻 t 比较输出
4. 计算 KL 散度或欧氏距离
5. 构造置信区间
```
**O 奖示例:** 2021 C 大黄蜂(Page 22)
```
"We generate 9 different initial distributions. The KL divergence
between outputs at t=300, 600, 1800, 3600 days is calculated.
Result shows the model is robust against disturbance, and the
95% confidence interval tends to become even smaller as the
evolution continues."
```
**为什么高于平均:** 用 KL 散度量化分布差异(而非简单均值比较)。
---
### 1.6 情景分析(Scenario Analysis)
**适用场景:** F 题(政策)、E 题(环境)——多情景对比。
**难度:** ★★☆
**做法:**
```
1. 定义 3-5 个情景(乐观/中性/悲观)
2. 每个情景设不同的参数组合
3. 跑多个模型
4. 对比关键指标
5. 讨论"什么情况下政策有效"
```
**O 奖示例:** 2023 E 光污染
```
Scenario 1 (Baseline): RL = 0.5154
Scenario 2 (Strategy I+II): RL = 0.0309 after 20 years (-94%)
Scenario 3 (Strategy II+III): RL = 0.0885 after 20 years (-47%)
```
---
## 第二部分:模型验证技术
### 2.1 与真实数据对照(Backtesting)
**适用场景:** 有历史数据可用于验证。
**难度:** ★☆☆
**做法:**
```
1. 用 t=1 到 t=N 的数据训练模型
2. 用 t=N+1 到 t=M 的数据预测
3. 计算 RMSE / MAPE / R²
4. 画仿真 vs 实际对照图
```
**产出物:** 一张双线图(仿真线 + 实际点)+ 3 个误差指标。
---
### 2.2 与基线模型对比(Baseline Comparison)
**适用场景:** A/B/C 题——需要证明"我的模型更好"。
**难度:** ★★☆
**做法:**
```
1. 选 1-2 个基线模型(如 Logistic 对比 SIR)
2. 同一数据训练
3. 同一指标评估(准确率/误差)
4. 画对比图
5. 给出改进百分比
```
**O 奖示例:** 2021 C 大黄蜂
```
"VGG-11 + SVM achieves 90.2% accuracy, compared to 72.5% for
a single SVM baseline—a 24.4% improvement."
```
**产出物:** 一张对比柱状图 + 一行改进百分比。
---
### 2.3 与简单模型理论对比(Theoretical Validation)
**适用场景:** A 题连续模型——理论极限作为验证。
**难度:** ★★★
**做法:**
```
1. 从复杂模型简化出极限情况(如"无竞争"退化为 Logistic)
2. 用解析解验证数值解
3. 一致性证明
```
**评委原话佐证(2009 A):** *"The best were able to develop multiple
models of different complexity and then verify their numerical models
with the theoretical results of the simpler models."*
---
### 2.4 双度量交叉验证(Metric Robustness)
**适用场景:** D 题网络科学——相似度度量选择可能影响结果。
**难度:** ★★☆
**做法:**
```
1. 选 2 个不同的度量(Minkowski + 余弦)
2. 分别计算相似度矩阵
3. 画两个热力图
4. 目视比较色块分布
5. 结论:结果对度量选择不敏感
```
**O 奖示例:** 2021 D 音乐(Page 9-10)
```
"We use Minkowski distance and cosine distance. The two similarity
heatmaps show similar color block distributions, indicating the
results are robust to metric choice."
```
---
### 2.5 子网络一致性(Subgroup Consistency)
**适用场景:** D 题网络——全网络结果可能受少数节点支配。
**难度:** ★☆☆
**做法:**
```
1. 选 1-2 个子网络
2. 分别跑算法
3. 对比全局排名 vs 子网排名
4. 一致性高 → 结果稳定
```
**O 奖示例:** 2021 D 音乐(Page 8)
```
"We apply our algorithm to the Pop/Rock subnetwork. The top 10
ranking matches the overall network, proving model stability."
```
---
### 2.6 残差分析(Residual Analysis)
**适用场景:** 回归/拟合类模型(B/C/E 题)。
**难度:** ★★☆
**做法:**
```
1. 计算残差 e_i = y_i - ŷ_i
2. 画残差 vs 预测值散点图
3. 检查:随机分布、无系统偏差、方差齐性
4. 正态概率图(Q-Q 图)
```
---
## 第三部分:可视化决策树
### 3.1 决策树:该画什么图?
```
结果类型?
├─ 时序数据 → 线图(折线)+ 阴影带(置信区间)
├─ 类别比较 → 条形图 / 分组柱状图
├─ 分布 → 直方图 / KDE
├─ 相关 → 散点图 + 回归线
├─ 排序 → 横向条形图
├─ 层级 → 树图 / 桑基图
├─ 二维空间 → 热力图 / 地理图
├─ 网络 → 力导向图( Gephi)
├─ 多变量 → 雷达图 / 平行坐标
└─ 决策 → 甘特图 / 时间线
```
### 3.2 图表密度参考
| 题型 | O 奖中位数 | 目标 |
|---|---|---|
| A 连续 | 15-20 图 | ≥ 14 |
| B 离散 | 10-15 图 | ≥ 12 |
| C 数据 | 18-25 图 | ≥ 20 |
| D 网络 | 12-18 图 | ≥ 15 |
| E 环境 | 15-20 图 | ≥ 15 |
| F 政策 | 12-18 图 | ≥ 14 |
### 3.3 图表配色(评委偏好)
**避坑:**
- ❌ 纯红/纯绿(色盲不友好)
- ❌ 灰色 + 深灰(区分度低)
- ❌ 超过 7 种颜色
**推荐:**
- ✅ ColorBrewer 的 Set2 / Paired / Dark2 调色板
- ✅ Matplotlib `tab10`(默认,10 色区分度好)
- ✅ 学术论文:黑 + 蓝 + 红 + 橙(安全组合)
### 3.4 每张图必配 3 件事
1. **图注(caption):** `Figure N: [What] vs [What] under [condition]`
2. **正文引用:** `From Figure N, we find that...`
3. **结论句:** 从图得出的 1-3 条 bullet 结论
---
## 第四部分:方程呈现规范
### 4.1 编号规则
- 关键方程编号 (1)(2)(3)...
- 后续引用:"substituting (3) into (5) yields..."
- 附录方程不编号
### 4.2 参数分组
- 系统参数:$\alpha, \beta, \gamma$(希腊字母)
- 状态变量:$x, y, z$(拉丁字母)
- 常数:$K, r$(大写或斜体)
- 时刻:$t$(下划线)
### 4.3 单位标注
- 方程后括号标单位:`(m³/s)`
- 或参数表中统一列表
### 4.4 常见错误
| ❌ 错误 | ✅ 正确 |
|---|---|
| 方程内用文本 | 方程内用数学符号 |
| 上下标混乱 | 下标用 `_`,上标用 `^` |
| 括号不匹配 | 用 `\left( \right)` |
| 无单位 | 明确单位 |
| 无编号 | 关键方程编号 |
---
## 第五部分:不同题型的"技术组合拳"
### A 题(连续/机理)推荐组合
```
模型:ODE 系统 + 环境耦合
灵敏度:单参数扫描 + 情景分析
验证:与简单模型理论对比
可视化:多曲线线图 + 相图
指标:自构 2-3 个(TB, CoV, S-W)
```
### B 题(离散/优化)推荐组合
```
模型:多目标规划 + 0-1 规划
灵敏度:参数重要性排序
验证:与基线对比 + 分解实验
可视化:分阶段柱状图 + 决策矩阵
指标:TOPSIS 得分 / 熵权
```
### C 题(数据洞察)推荐组合
```
模型:CA + CNN + 贝叶斯(多模态)
灵敏度:初始条件扰动 + KL 散度
验证:与基线对比 + 残差分析
可视化:热力图 + 地理图 + 时序
指标:自构 3-4 个
```
### D 题(网络科学)推荐组合
```
模型:PageRank 改进 + 相似度
灵敏度:子网络一致性
验证:双度量交叉验证
可视化:网络图 + 热力图 + 排名表
指标:PR 值 + 继承度
```
### E 题(环境/评价)推荐组合
```
模型:AHP + K-means + 子系统风险分解
灵敏度:单参数三档扫描
验证:与真实数据对照
可视化:地理热力图 + 分类分级图
指标:ESE 得分 + 风险等级
```
### F 题(政策)推荐组合
```
模型:AHP + DEA-Malmquist + Markov 链
灵敏度:情景分析
验证:多国交叉对照
可视化:雷达图 + 时间线 + 政策甘特图
指标:OPG 健康分 + 效率指数
```
---
## 快速索引
| 需求 | 章节 |
|---|---|
| 灵敏度方法选择 | §1 |
| 模型验证方法 | §2 |
| 图表选型 | §3 |
| 方程规范 | §4 |
| 题型技术组合 | §5 |
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |