2024美赛全方位备赛教学/翻译/写作模版/翻译/软件/资料

本文字数20000+，文章较长，建议先看目录，点击目录条目可以快速跳转。2024美赛大学生数学建模竞赛即将开始，不知道大家是否已经准备好相关资料如写作模板、常见算法的编程代码等等？评论区处有这些资料的下载方式。
文章结构介绍
作为一篇2万字长文，有必要先介绍一下本文结构：首先第一节针对大家在2024美赛各题中（包括美赛A题、B题、C题、D题、E题、F题）会遇到的几个常见问题及刚需分享一些解决方法
1.美赛常常阅读英文网页，如何完美翻译文字同时不翻译代码和公式?
2.收集到的数据经常是图片形式，如何从图片中提取所需数据?
3.如何使用grammerly高级版翻译最后的论文
然后第二小节从摘要、引言、假设与论证、符号及说明、数据准备、模型建立与求解、灵敏性分析、模型评价与总结、附录（文章、信件、备忘录、用户手册）详细介绍了美赛写作的方法
第三小节详细介绍了美赛排版方法，包括样式的使用、三线表、图表的制作和排版、PPT保存高清图片等等
第四小节总结汇总了常用的模型，包括优化模型、预测模型、动态模型、图论模型、评价模型、统计分析模型、现代智能算法、机器学习算法等等
第五小节汇总了美赛中常用的软件，包括编程相关、绘图相关、排版相关、LaTeX相关、公式相关、参考文献整理相关、PDF/Word/PPT处理相关、各种网站汇总、浏览器插件、以及其他一些提供美赛效率的软件
第六小节为本人整理的资料汇总，包括各大比赛的历年论文、按模型整理的美赛论文、按模型整理的国赛论文、按模型整理的研究生赛论文、数学建模美赛必备书籍汇总、数学建模美赛必备算法汇总、国赛和美赛LaTeX和Word模板等等，包括第一小节中提到的相关软件和代码也在里面，供大家下载

一、美赛实用技巧
技巧1：网页翻译不翻译代码、数学公式
问题描述
在美赛中，我们经常需要查询一些英文网页资料，在阅读这些英文网页的时候，如果我们不想直接看英文，一般可以右键翻译，不过翻译的时候会把代码或者数学公式给翻译了，给阅读带来了极大的麻烦
如何使谷歌翻译不翻译代码或者数学公式？
我们打开开发者工具，定位到不需要翻译的地方，在class里面添加 notranslate ,就能告诉翻译器不翻译这个元素。

以matlab的文档网站为例，学matlab虽然官方有很多中文文档，但很多工具箱是没有中文文档的，这时候不可避免需要阅读英文。
随便打开一个英文文档，找到一段代码，翻译一下，如图：
翻译前：

翻译后：

再来看数学公式的情况，翻译前：

翻译后：

想必这时候大家阅读代码就非常不方便了。为此，我们利用自动化脚本，实现加载网页时自动为每一个代码\数学元素添加 notranslate。
解决方法
首先需要在谷歌浏览器中安装油猴插件或者暴力猴插件，如果无法访问谷歌应用商店可以使用edge浏览器安装插件，然后新建脚本：

相关代码
脚本代码如下：2022.9.6更新：修复了mathjax公式延迟加载，脚本不起作用的问题
// UserScript// @name 网页翻译绕过代码块(适配大部分网站)// @description 让网页翻译插件翻译网页的时候，绕过代码块和一些无需翻译的元素// @match http*//// @license MIT// @grant none// /UserScript/*jshint esversion: 6 */(function () {
‘use strict’

function noTranslate (array) {
    array.forEach((name) => {
        [...document.querySelectorAll(name)].forEach(node => {
            if (node.className.indexOf('notranslate') === -1) {
                node.classList.add('notranslate')
            }
        })
    })
}

const bypassSelectorArray = [
  'pre',
  'code',
  '.prism-code',
  '.codeinput',
  '.CodeMirror-sizer',
  '.CodeMirror-lines',
  '.CodeMirror-scroll',
  '.CodeMirror-line',
  '.math',
  '.MathJax',
  '.MathJax_Display',
  '.MathRow',
  '.MathEquation',
  '.CodeBlock'
]
if (window.location.hostname.indexOf("github") !== -1) {
    // 如果是github 还需要处理一些别的元素
    const githubSelector = [
        '.bg-gray-light.pt-3.hide-full-screen.mb-5',
        'summary.btn.css-truncate',
        '.commit-author',
        '.js-navigation-open.link-gray-dark',
        '.Box-title',
        '.BorderGrid-cell > div.mt-3 > a.muted-link',
        '.BorderGrid-cell > ul.list-style-none'
    ]
    bypassSelectorArray.push.apply(bypassSelectorArray, githubSelector)

    //如果还有github的插件 还需要延迟追加一些
    setTimeout(function () {
        const githubPluginSelector = [
            '.github-repo-size-div',
            '.octotree-tree-view'
        ]
        noTranslate(githubPluginSelector)
    }, 3000)
}
if (window.location.hostname.indexOf("mathworks") !== -1) {
    // 如果是mathworks
    const mathworksSelector = [
        '.codeinput',
        '.code_responsive',
        '.inlineequation',
        'inline'
    ]
    bypassSelectorArray.push.apply(bypassSelectorArray, mathworksSelector)
}
noTranslate(bypassSelectorArray)

  setTimeout(function () {
  noTranslate(bypassSelectorArray)

}, 2000)
setTimeout(function () {
noTranslate(bypassSelectorArray)
}, 4000)
setTimeout(function () {
noTranslate(bypassSelectorArray)
}, 6000)
setTimeout(function () {
noTranslate(bypassSelectorArray)
}, 8000)
setTimeout(function () {
noTranslate(bypassSelectorArray)
}, 10000)
})()
要是发现其他的不想翻译的被翻译了，添加相关元素进脚本即可
翻译效果如下：

技巧2：从图片中识别曲线数据
问题描述
在美赛中，比赛方经常不直接提供数据，需要选手自己去找数据，然而大部分情况下是没有现成的数据的，很多都是以图表形式存在的，这时如何提取图表中的数据呢？我们接着往下看：
我们团队去年做的美赛A题，2022年美赛问题A为骑自行车的人的功率曲线，其中问题2的要求如下：
问题2：将你的模型应用于各种计时赛道，至少包括你在上面定义的每一个功率曲线的下列赛道。
2021日本东京的奥运计时赛道。
2021比利时弗兰德斯的UCI世界锦标赛计时赛赛道。
这时，我们就需要去找2021日本东京的奥运计时赛道数据，最终，我们找到了一个PDF文件，里面包括了2个数据图，第一个图是平面的赛道曲线图：

2021日本东京的奥运计时赛道平面数据
第一个图是是关于海拔的曲线图：

2021日本东京的奥运计时赛道海拔数据
因为我们的模型中有关于曲线曲率和海拔的建模，所以这时需要提取这两幅图中的平面距离数据和海拔曲线数据，但是如何提取呢，我们最后找到了2款软件有从图片中提取数据的功能，一个是Getdata，另一个是Engauge Digitizer，软件的下载见评论区
解决方法
GetData Graph Digitizer，一款俄罗斯开发的专业强大的图形数字化小型软件，利用自身先进的自动化数值算法，不仅能快速进行数据的转化，还能帮助用户将多种格式的图片转换成矢量图，从文章中提取图片和图标，实现了完全的数字化操作。目前其最新版本为2013年6月发行的2.26版本，软件大小仅有1086kb，可支持在Windows XP、Windows 7、Windows 8和Windows 10系统上运行。
Engauge Digitizer是一款好用的图形数字化软件，能够轻松的将曲线图转化成数据，支持对曲线图进行自动曲线追踪并自动去掉坐标网格，它为用户提供了一个交互式教程来解释基本步骤，此外图形坐标可以指定为日期和时间值。
这2款软件的使用比较简单，基本流程都差不多，流程如下
1.导入图片
2.点击自动提取曲线的功能按键
3.软件自动提取大部分数据
4.手动标注部分未成功提取的数据
5.导出数据
对于我个人而言，我更喜欢使用Engauge Digitizer这款软件，下面是使用Engauge Digitizer提取2022美赛A题相关数据的一个演示。
使用自动数据提取软件，可以大大减少找数据和处理数据的时间，为建模和写论文提供更充足的时间。

技巧3：免费使用grammerly高级版
问题描述
在美赛的写作阶段，一般的做法是先写好中文，然后使用deepL翻译，再使用grammerly翻译。
我们团队在2022美赛中就是使用的DeepL翻译，这个软件翻译相比有道翻译、百度翻译、谷歌翻译而言更专业，很多专业词汇经过我们的判断都准确地翻译了出来，而有道翻译很多时候翻译的一塌糊涂。当然，机器翻译也不是完美的，最后我们也使用了grammerly高级版进行润色。
解决方法
这里提供一个使用grammerly高级版进行的方法
1.使用Chrome或者Edge浏览器。
2.安装名为Cookie-Editor的谷歌Chrome扩展
3.打开Grammarly网站，使用CookieEditor删除所有cookie
4.Google搜索“Grammarly Premium Cookies”，可以看到一些网站提供了高级版Grammarly的cookies（cookie也就是登陆凭证的意思，使用cookie可以直接登陆对应的网站而不需要账号验证）
5.复制Cookie，转到Grammarly网站，导入Cookie
6.当然，作为程序员，我们可以将上面的步骤用Python爬虫自动化

打开Grammarly网站，使用CookieEditor删除所有cookie

Google搜索“Grammarly Premium Cookies”，可以看到一些网站提供了高级版Grammarly的cookies（cookie也就是登陆凭证的意思，使用cookie可以直接登陆对应的网站而不需要账号验证）

复制Cookie，转到Grammarly网站，导入Cookie

相关代码
作为程序员，我们可以将上面的步骤用Python爬虫自动化，搜索各大网站的Cookie，然后检查Cookie的有效性，并自动复制到剪贴板，可以大大节省了我们的时间

用Python爬虫自动化爬取Cookie
部分代码如下，完整代码见后文的资料汇总：
def collect_cookies_linkstricks():
print(‘>> 当前搜索网站为: linkstricks’)
cookies = []
for i in tqdm(range(1, 7), desc=‘搜索中…’):
url = f’https://www.linkstricks.com/grammarly-cookies-{i}/’
try:
soup = BeautifulSoup(requests.get(url, timeout=10).text, ‘lxml’)
except:
print(‘>> 访问超时, 2s后切换下一个链接’)
time.sleep(2)
continue
content = soup.find(‘code’, class_=‘language-json’).string
cookies.append(content)
return cookies

def collect_cookies_trytechnical():
print(‘>> 当前搜索网站为: trytechnical’)
cookies = []
for i in tqdm(range(1, 4), desc=‘搜索中…’):
url = f’https://trytechnical.com/working-grammarly-cookies-hourly-updated-{i}/’
try:
soup = BeautifulSoup(requests.get(url, timeout=10).text, ‘lxml’)
except:
print(‘>> 访问超时, 2s后切换下一个链接’)
time.sleep(2)
continue
content = soup.find(‘pre’, class_=‘wp-block-preformatted’).string
cookies.append(content)
return cookies

def collect_cookies_infokik():
print(‘>> 当前搜索网站为: infokik’)
cookies = []
for i in tqdm(range(1, 5), desc=‘搜索中…’):
url = f’https://infokik.com/grammarly-{i}/’
try:
soup = BeautifulSoup(requests.get(url, timeout=10).text, ‘lxml’)
except:
print(‘>> 访问超时, 2s后切换下一个链接’)
time.sleep(2)
continue
content = soup.find(‘pre’, class_=‘wp-block-code’).string
cookies.append(content)
return cookies
二、美赛写作
美赛论文写作框架
Summary Sheet(摘要页)
Contents(目录)
1 Introduction(引言)
2 Assumptions and Justifications(模型假设和合理性验证)
3 Notations(符号说明)
4 The name of model 1(模型1的建立和求解，一般用来解决题目问的第一个问题)
5 The name of model 2(模型2的建立和求解，一般用来解决题目问的第二个问题)
6 The name of model 3(模型3的建立和求解，一般用来解决题目问的第三个问题)
7 Sensitivity Analysis(灵敏度分析)
8 Model Evaluation and Further Discussion(模型的评价和进一步的讨论)
9 Conclusion(结论)
References(参考文献)
Appendices(附录)
Summary
Summary（摘要）是美赛论文的重要组成部分，应该放在论文的第一页展示。评委们对摘要相当重视，获奖论文和其他论文的区别往往就在于摘要的好坏！
• 什么是写得好的摘要呢？想象一个读者看到你的摘要后，是否会选择继续阅读文章的正文部分。你在摘要中的简明陈述要能激发读者去了解你论文的细节。
• 摘要一般放到论文的最后再去写，你的摘要需要清楚地描述你解决问题的方法并放上你最重要的结论。一定要安排好时间来写一个全面和清晰的摘要。
• 那些摘抄问题重述或者直接从引言部分复制粘贴拼凑出来的摘要都是不合格的。
常见的摘要布局
下面这种摘要的布局是美赛论文中最为常见的，和国赛的摘要完全一致

另一种常见的摘要布局：使用表达先后顺序的词语开头后，再来介绍求解每个问题的模型和得到的结论

Title & Keywords
Title指的是论文的标题，国赛论文的标题有下面两种写法，美赛论文可直接借鉴：
• 基于所使用的主要模型或者方法作为标题
e.g. (2020e)An Integrated Production-Waste-Harm Model Based on Combination Prediction and Dynamic Programming , (2020d)Teamwork Analysis of Huskies Based on Passing Networks （注意观察标题字母的大小写！一般，介词需要小写，例如常见的of on at in）
• 直接使用赛题所给的题目或者要研究的问题作为标题
e.g. (2020e)Global Disposable Plastic Waste Crisis, (2020d)Improving Team Performance During a Football Match
在美赛中，还有一种标题的写法：这种标题看着简短但有新意，能吸引读者，一般出现在偏社会、经济、文化类型的题目中：
e.g. (2020f) The Wandering Homeland, (2020f) NOT ME,US!, (2020e) Less Waste & better World
Introduction
Introduction可以翻译成引言部分，大部分特等奖论文的引言部分都包含两到三个小部分。

1. Problem Background(问题背景)
   这个小部分里面可以总结题目所给问题的背景，也可以加上自己查到的一些相关的资料，不要直接照搬题目。小技巧：美赛的问题比国赛要更开放，大家写这个部分时可以结合你对于赛题的理解，要将这个背景介绍有侧重的往自己研究的方向去靠。例如，某个现实问题往往会涉及到经济、社会、生态、文化等各个层面，如果你的模型主要针对该问题对经济造成的影响，那么你的背景介绍就侧重于对经济层面的影响来写。
2. Restatement of the Problem(问题重述)
   用自己的话来总结下题目问我们的问题。下面是一个通用的模版，大家可以改改：
   Considering the background information and restricted conditions identified in the problem statement, we need to solve the following problems:
   1.Problem 1
   2.Problem 2
   3.Problem 3
   注意，这个小部分也可以和问题背景合并到一起，作为第一个小部分(和国赛类似)，大家根据自己的需要调整。
3. Literature Review(文献综述)
   这部分主要是总结以前的学者针对这个问题已经做的研究。事实上，绝大多数期刊发表的论文都会有文献综述部分。但在美赛特等奖论文中，只有不到30%的论文有这一部分，不是说这部分不重要，而是这一部分很难写。
   国赛不需要写文献综述；针对美赛而言，如果你以前有写过学术论文的经历，那么可以考虑加上这一部分，这一部分可以称得上是论文的一个小亮点。
4. Our Work(我们的工作)
   这个小部分主要介绍论文的分析思路和建模的框架，有点像国赛论文中的问题分析部分，也有一些论文把这
   个部分叫做：Overview(概述) of Our Work.大家如果看特等奖论文的话，会发现很多论文在这一部分都绘制了一个漂亮的图形来介绍文章的思路，大家可以模仿模仿。

2021年A题2100454
Assumptions and Justifications
无论解答什么样的赛题，参赛小组在论文中都应该明确列出所有用到的假设条件，并解释其合理性。如果对某个假设无法给出满意的解释，则应重新考虑这个假设是否合理，并进行修改，使得修改后的假设能有满意的解释。评委不但会检查论文是否列出了在建模过程中用到的所有假设，而且还会审查这些假设是否合理，以及论文对这些假设的合理性是否给出了满意的解释。
总结：在假设的同时要论证假设的合理性，这一点和国赛不同，如下图例子所示：

Abbreviation and Definitions
Abbreviation就是缩写，Definitions就是定义，对应国赛论文中的符号说明部分，
We begin by defining a list of nomenclature (symbols) used in this article, cf. Table 2.

Data Description
Data Description翻译过来就是数据描述。如果自己收集了数据或者题目给了数据的话，可以先对数据进行一个简单的介绍，或者将数据可视化，然后再从图形中得到一些直观的结论。这里给大家一些相关的术语的翻译：
1.Data Collection(数据的收集)
2.Data Pre-processing(数据预处理) / Data Cleaning(数据清洗)
3.Data Visualization(数据可视化)
4.Descriptive Statistical Analysis of the Data(数据的描述性统计分析)

The name of model 1,2,3
在国赛的框架中，下一个部分应该是模型的建立与求解，美赛也不例外。关于这部分的具体写作方法，大家可以参考前面的内容。我们这里看看国赛和美赛的两点差异：排版布局和标题的命名方式。
（1）这部分的布局一般有右侧这两种方案，国赛中用的较多的是上面的这种布局（所有问题都放在一个大标题内），而在美赛中用的较多的则是下面的这种布局（每个问题单独构造一个大标题）。
（2）标题的命名方法不同。国赛这部分的命名非常直接，就像上图一样，一般直接命名为“问题一二三模型的建立和求解”；而美赛的命名方式五花八门，有些论文使用建立的模型的名称命名；有些使用论文要解决的问题命名；也有些论文使用和国赛一样简单粗暴的方式命名。我们后面会看到很多具体的例子。注意：这个差异是相对的，我这里只是总结的大多数论文的做法，没有对错之分，大家根据自己的写作风格来决定使用哪种布局和命名方法。
以模型命名的例子

以要解决的问题命名的例子

Sensitivity Analysis
在美赛中，明确要求需要进行Sensitivity Analysis，也就是灵敏性分析，不然直接S奖，所以我们在这里对灵敏性分析重点介绍：
灵敏度分析常见于优化或预测类问题，在优化中经常会将决策变量前面的参数直接取值，如运费的价格、物料的成本等，但事实上价格成本等因素受市场波动很大，因此需要进行稳定性测试；而预测类问题由于对未来情况的不确定性，往往对相关指标进行限定，如死亡率、移民率等，则需要进行对其进行灵敏度的分析。
灵敏性分析的成功应用通常要有较好的判断力，通常既不可能对模型中的每个参数都计算灵敏性系数，也没有这种特别的要求。我们需要选择那些有较大不确定性的参数进行灵敏性分析。对灵敏性系数的解释还要依赖于参数的不确定程度。原始问题中数据的不确定程度会影响我们对答案的自信度。
因此，灵敏度分析也是为了让自己所建的模型更具备一定的说服力。如果你建立的模型中核心参数仅仅对在某个点处可以比较好的解决问题，取其它值时，就不起作用了。那么这个模型的普适性就不强。
在建模过程中，如果发现结果随参数的改变而改变，并且变动幅度较大则说明改参数对模型的影响程度较大，不易将其作为常数处理，如果变动较小，则意味着该参数对结果影响较小，可以不予单独考虑。
以下是一些灵敏度分析的例子，可以看到，灵敏度分析部分的图主要为一些简单的曲线图、热图、误差图，所以当时间不足时，我们可以编造一些简单的数据直接绘图

Strength and Weakness
该部分可以翻译为模型的评价和进一步的讨论，对应于国赛框架中的模型的评价、改进与推广部分，具体的写法和国赛一样，请大家看前面的视频。
我们可以把这个大的部分拆分成三个小部分写：
（1）Strengths，这里写论文或者模型的优点
（2）Weaknesses，这里写缺点：缺点写的个数一般要比优点少
（3） Further Discussion，进行进一步的讨论，这里可以写模型的改进和拓展。模型改进：Model Improvements；模型拓展：Model Extensions
References
在美赛中，参考文献不要出现中文，如果要引用中文论文或者书籍需要自己翻译一下
Article（文章）

Letter（信件）

Memo（备忘录）

GUIDE（用户手册）

本人2022美赛F奖附录的GUIDE
三、论文排版
LaTeX和word排版模板（带样式）在上文【我收集的资料】一节
我的个人经验和观点，仅供大家参考：
（1）如果未来要走学术道路，特别是计算机或者数学专业的同学，LaTeX是必不可少的。很多国外的期刊投稿的论文需要用LaTeX排版。
（2）平时喜欢在电脑上做笔记而且有大量公式要编辑的同学也可以学习LaTeX，用熟练的话非常方便。
（3）LaTeX要学好真的很难，一个是安装配置LaTeX的编译环境比较复杂，对于中文的支持也不算友好；另一个就是遇到了错误有时候真的很绝望，相对于Word能找到的资料还是挺少的，最好是有LaTeX大神愿意带你。
（4）对于数学建模比赛而言，大家可以在美赛中尝试使用LaTeX进行排版，国内比赛没有必要。另外，新手使用LaTeX排版都是套用别人的模版，大家可以百度下LaTeX工作室这个网站，上面有很多模版。
欣赏优秀论文的排版
共同特点：
（1）整体结构完整，大多数论文都是使用三级标题式进行布局；
（2）论文正文部分排版紧凑，没有大段空行，内容看上去翔实；
（3）表格整洁，一般使用三线表形式，表格上方有对应的标题；
（4）图形清晰美观，下方有对应的标题，文中要解释图形意义；
（5）公式编辑规范，大部分论文使用公式编辑器，且带有编号。
我这里给一个较为美观的基本排版方案，然后再来制作对应的论文模版：
（1）论文的首页是摘要页，论文标题使用三号黑体，摘要两个字使用四号黑体，关键词两个字使用小四黑体。
（2）论文的正文部分使用小四宋体(中文)和小四Times New Roman字体(西文)，行距设置为单倍，首行缩进两个字符。
（3）一级标题使用四号黑体，无缩进居中对齐，段前段后6磅，单倍行距，编号使用“一、二、三、四、”等。
（4）二级标题使用小四黑体，无缩进左对齐，段后6磅，单倍行距，编号使用“1.1 1.2 2.1 2.2 2.3 ”等。
（5）三级标题使用小四黑体，无缩进左对齐，单倍行距，编号使用“3.1.1 3.1.2 5.3.1 5.3.2 ”等。不建议使用三级以上的标题，看起来太长了。
（6）论文中的图片、表格居中对齐，无缩进；表格上方和图片下方的标题使用五号宋体加粗(中文)和五号Times New Roman字体加粗(西文)，无缩进，居中对齐。
样式的使用
样式是一种预先定义好的文本或段落格式，包括字体、字号、颜色、对齐方式、缩进等，你可以把样式看成一个排版的模版。一般我们利用样式设置论文的多级标题。
多级列表通常配合样式功能使用。论文中不同级别的标题通常需要进行编号，将多级列表链接到标题样式后，就能够实现标题的自动编号功能。

使用样式的好处
1.打开导航窗格便于定位和查看文章内容
2.可以生成自动列表，对于书籍排版或者毕业论文排版很有帮助
3.将Word导出为PDF文件也可以得到相应的书签，方便读者阅读

三线表
三线表以其形式简洁、功能分明、阅读方便而在科技论文中被推荐使用。三线表一般主要由三条横线构成，从上到下分别称为顶线、栏目线和底线。（注意：表两侧没有竖线）其中顶线和底线为粗线，栏目线为细线。当然，三线表并不一定只有三条线，必要时可加辅助线，
后面我们会看到例子。在表格的上面要写上表格的编号和对应的标题，便于读者理解表格的内容。

对每个表格单独调整为三线表的格式比较费时，我们可以自己制作一个三线表的模版。以后遇到表格后，我们只需要轻轻点一下就能得到三线表的格式。（模板下载见上文【我收集的资料】一节）
图形的制作和排版
图形的排版比较简单，我们先将图片插入到论文中，然后设置无缩进居中对齐，最后在图片的下面写上图片的编号和标题即可。（记住：表上图下，即表的标题在上面，图的标题在下面）
图形的制作相对而言不那么好讲，因为图片的来源有很多种，例如:（1）Matlab、Python等编程软件绘制的图形（2）Excel、SPSS、Origin等数据统计分析工具得到的图形（3）展示模型或算法过程的流程图（4）描述问题分析或建模思路的示意图等等。
PPT保存高清图片
PPT中做好的图片怎么放到Word中呢？
第一步：将PPT中做好的图片组合起来（选中整个图片的所有对象，鼠标右键点击组合即可），让整个图片变成一个整体；
第二步：复制这个整体，到了Word中点击鼠标的右键，然后再粘贴为图片，最后根据你的需要修改下图片的大小和格式。
如果你想在Word中也可以修改这个图片，那么可以使用：插入-形状-新建画布这个功能，然后直接把这个整体粘贴到这个画布上，这时候可能需要修改下字体大小或者缩进，大家可以看视频的演示。建议大家直接粘贴为图片，这样比较省心，如果需要修改的话就直接在PPT上面修改，Word修改起来也没那么方便）
PPT中做好的图片怎么放到LaTeX中呢？
首先我们需要将ppt导出为图片，但是默认的ppt导出的图片的dpi为96，非常不清晰，这时候我们需要修改注册表，将ppt的dpi调高，一般学术论文要求的dpi为300或者600
具体方法如下：
默认情况下，要另存为图片的 PowerPoint 幻灯片的导出分辨率为每英寸 96 点 (dpi)。 若要更改导出分辨率，请执行以下步骤：
1.退出所有 Windows 程序。
2.右键单击“开始”，然后选择“运行”。 （在 Windows 7 中，选择“开始”，然后选择“运行”。）
3.在“打开”框中，键入“regedit”，然后选择“确定”。
4.根据你使用的 PowerPoint 版本，找到以下注册表子项之一： PowerPoint 2016、PowerPoint 2019、Microsoft 365 专属 PowerPoint HKEY_CURRENT_USER\Software\Microsoft\Office\16.0\PowerPoint\Options PowerPoint 2013 HKEY_CURRENT_USER\Software\Microsoft\Office\15.0\PowerPoint\Options PowerPoint 2010 HKEY_CURRENT_USER\Software\Microsoft\Office\14.0\PowerPoint\Options PowerPoint 2007 HKEY_CURRENT_USER\Software\Microsoft\Office\12.0\PowerPoint\Options PowerPoint 2003 HKEY_CURRENT_USER\Software\Microsoft\Office\11.0\PowerPoint\Options
5.单击“选项”子项，指向“编辑”菜单上的“新建”，然后选择“DWORD (32 位)值”。
6.输入“ExportBitmapResolution”，然后按 Enter 键。
7.确保选中“ExportBitmapResolution”，然后选择“编辑”菜单上的“修改”。
8.在“编辑 DWORD 值”对话框中选择“十进制”。
9.在“数值数据”框中，输入分辨率“300”。 或使用下表中的参数。

1.选择“确定”。
2.在“文件”菜单上，选择“退出”，退出注册表编辑器。
3.在 PowerPoint 中，打开幻灯片演示文稿，然后打开要导出的幻灯片。
4.在“文件”菜单上，选择“另存为”。
5.在“保存类型”框中，选择一种图片格式
6.选择 “保存”。 系统将显示以下提示对话框： 选择“仅当前幻灯片”。 幻灯片以新格式和分辨率保存在“保存位置”框中指定的位置。
7.若要验证幻灯片是否以指定的分辨率保存，请右键单击图片，然后选择“属性”

四、常见模型汇总
快速预览：

优化模型
性规划，半定规划、几何规划、非线性规划，整数规划，多目标规划（分层序列法），最优控制（结合微分方程组）、变分法、动态规划，存贮论、代理模型、响应面分析法、列生成算法。二分法、直接搜索法、变范围搜索、单因素优选法0.618 法（黄金分割法）、拉格朗日乘子法、信赖域算法，欧拉法\改进欧拉法，牛顿-拉弗森算法（牛顿迭代法）、拟牛顿法、梯度下降法
预测模型
微分方程，小波分析，回归分析，灰色预测，马尔可夫预测，时间序列分析(AR MA ARMA ARIMA,LSTM神经网络)，支持向量机，神经网络预测（与机器学习部分很多重合）
动态模型
微分方程模型（ODE、SDE、DDE、DAE、PDE），差分方程模型，元胞自动机，排队论，蒙特卡罗随机模拟
图论模型
最短路径，最小生成树，最小费用最大流，指派问题，旅行商问题，网络流，路径规划算法（Dijkstra，Floyd，A*，D*，RRT*，LPA*，D*lite）
评价模型
层次分析法，熵权法，最优赋权法，主成分分析法，主成分回归评价，因子分析，模糊综合评价，TOPSIS法，数据包络分析，秩和比法，灰色综合评价法，
最小二乘主客观一致赋权评价模型，BP神经网络综合评价法
统计分析模型
分布检验，均值T检验，方差分析，协方差分析，相关分析，卡方检验，秩和检验，回归分析，Logistic回归，聚类分析，判别分析，关联分析（Apriori算法）
现代智能算法
（求极值，多目标规划，TSP，车间调度等）模拟退火，遗传算法，粒子群算法，禁忌搜索、免疫算法，鱼群算法，神经网络，蚁群算法
机器学习
1.分类问题：KNN，逻辑回归，决策树，随机森林， ADABOOST、GBDT\XGBoost\LightGBM，支持向量机，朴素贝叶斯，神经网络
2.回归问题：线性回归， LASSO回归，岭回归，决策树回归，集成学习中回归方法，支持向量回归，高斯混合模型，神经网络
3.聚类问题：K均值聚类， DBSCAN聚类，EM算法
其他：
图像处理（计算机视觉）、深度学习。分治法，贪心法，其他想到再补充。
各种评价方法的适用条件

五、常用软件汇总
编程相关
1.MATLAB（物理建模）、python（数据分析）、R、其他（SPSS、Stata、Origin）
2.这里其实还有一个Lingo软件，不过我不推荐，有更好的替代方案，就是Yalmip工具箱+OPTI工具箱+gurobi求解器，Yalmip是基于matlab的求解规划问题的高级建模语言，OPTI提供众多开源的规划求解器，包括非线性求解器ipopt等，gurobi是当今世界上最优秀最快速的线性规划/二次规划求解器。以上搭配拥有更人性化的编程语言+更便捷的建模过程+更快的求解速度。上面的这个组合是matlab平台的，python平台有gurobipy或者cvxpy等等
3.pycharm的数据科学模式可以分段运行py文件，表格化查看中间变量，就像MATLAB一样，比jupyter（ipynb）更高效。
绘图相关
excel（简单绘图）、PPT（流程图）、visio（流程图、示意图等）、AxGlyph(物理示意图、受力分析图、流程图等)、Xmind（思维导图）
排版相关
1.word、latex（我主要用这个）、
2.typora+picgo（markdown语言，记笔记很方便，写好大纲再用latex写,picgo搭配gitee用来作图床），平时的报告也可以用typora写，github上有LaTeX风格的主题，自动编号等，支持导出word、pdf，十分高效
LaTeX相关
1.TeXLive（软件包）、Texstudio（IDE）、
2.excel2latex插件（导出latex表格，必装）、
3.XL toolbox（导出高清excel图片）
公式相关
1.Axmath（强烈推荐）
2.mathpix（公式OCR识别）
参考文献相关
Zetero+众多的插件，文献管理工具，配合插件等可以自动批量下载知网、谷歌学术等几百个数据库的文献，自动根据doi从scihub抓取文献，可以一键导出bib参考文献，方便LaTeX插入引文，也可以在Word里面进行参考文献的管理。
插件推荐
1.Jasminum（茉莉花）：中文文献自动重命名，知网直接下载PDF并添加书签目录
2.Zutilo：一个为Zotero增加了各种实用宏的工具箱
3.ZotFile：Zotero的高级PDF管理
4.Zotero PDF Translate：PDF翻译Zotero内置的PDF阅读器
5.Mdnotes for Zotero：导出Zotero项目和笔记到markdown
PDF、Word、PPT、Excel相关
1.PDF：ABBYY（最强PDF OCR识别工具、pdf转word和excel）、Adobe acrobat
2.word：office tab（像浏览器一样的标签页，适用于word\excel\ppt）
3.PPT：Islide（很多图标等工具）
4.Excel：excel2latex、XL toolbox，作用上文已经提到
网站汇总
1.Github：找开源的数学建模代码等；
2.百度网盘搜索引擎大力盘：搜索百度网盘丰富的资源，不管是软件还是书籍等，我平时找电子书或者大软件都在上面找；
3.Zlibrary：全球最大书籍网站，我经常在上面找书，很方便；
4.最后，最最最重要的网站，就是谷歌搜索，学会使用谷歌是解决很多问题的关键；
浏览器插件
1.Adblock Plus 广告屏蔽
2.Autopagerize 自动翻页
3.Chrono下载管理器
4.History Button 历史记录
5.IDM Integration Module IDM下载
6.Last Tab 防止关闭最后一个标签页chrome也关闭
7.Octotree github文件树
8.Simpleextmanager 插件管理器
9.The Great Suspender Original 暂时冻结不用的标签页，节省内存
10.ublacklist 屏蔽垃圾网站
11.ublock Origin 屏蔽广告
12.Zotero Connector 搭配zetero软件自动下载文献
13.暴力猴/油猴：用脚本达到开挂的效果
以上插件可以直接在商店安装，也可以在扩展迷、极简插件等网站下载
其他必备软件
1.IDM（高速下载工具）、
2.百度网盘高速下载工具、
3.snipaste（截图贴图工具，防遮挡）、
4.天若OCR（截图OCR识别工具）、
5.有道词典、copytranslater（翻译工具）、
6.QTTabbar（资源管理器标签页）
其他提高效率的工具
everything（文件搜索工具）、quicker（快捷启动工具）、quicklook（空格预览文件工具）、memreduct（内存自动清理工具）、TrafficMonitor（在任务栏显示网速）
六、资料汇总
无论是建模手还是编程手，或者是写作手，都需要系统学习数学建模，不然无法沟通。按我的理解，数学建模=文献检索+数学模型、算法+MATLAB&python编程+论文写作+word&latex排版，总共5个部分，缺一不可。数学建模要拿到顶尖的奖项，队伍中必须至少有一个熟悉上述全流程的角色存在，担任主持大局的作用。
对于我自己，我是作为全能手，也就是建模编程写作排版都熟悉。无论作为什么角色，都需要一份全面的资料，才能事半功倍。多看看往年竞赛的论文，了解建模和论文的套路。经过2年的数学建模比赛经历，我积累了这样一份全面的数模资料库。下文提到的内容资料库中都有，这些资料中的几百篇论文本人已经全部看完，最终获得了21国赛国二22美赛F，希望大家也能取得好成绩。资料库下载链接为 看评论区部分。
文件内容丰富，文件分类清晰，按论文、算法、书籍、模板等分类。包含各大比赛的历年论文，按模型分类的国赛、美赛、研究生赛论文、国赛真题讲解ppt及真题代码、国赛答辩ppt、美赛、美国大学生数学建模竞赛、全国大学生数学建模竞赛、华为杯研究生数学建模、国赛LaTeX模板、美赛LaTeX模板、mathorcup、电工杯、华中赛、APMCM、深圳杯、中青杯、华东杯、数维杯、东三省数学建模、认证杯、统计建模等比赛的历年题目论文、各种数学建模书籍全收集、各种模型算法的代码全收集、常用matlab算法、国赛评阅要点、软件模型算法汇总、智能算法、优化算法、现代的算法。以下是部分文件展示

各大比赛的历年论文
1.按模型分类的美赛论文
2.按模型整理的研究生赛论文
3.按模型整理的国赛论文
4.华为杯研究生数学建模历年题目和论文
5.美赛历年题目和论文
6.美赛M奖论文
7.收集的美赛OFM奖代码
8.美赛论文翻译版本
9.国赛历年题目和论文
10.国赛真题讲解ppt
11.国赛答辩ppt
12.Mathorcup数学建模挑战赛历年题目和论文
13.mathorcup大数据挑战赛题目和论文
14.华中杯数学建模历年题目和论文
15.电工杯数学建模挑战赛历年题目和论文
16.亚太杯APMCM数学建模挑战赛历年题目和论文
17.深圳杯数学建模历年题目和论文
18.五一数学建模竞赛历年题目和论文
19.中青杯数学建模竞赛历年题目和论文
20.华数杯题目和论文
21.数维杯数学建模竞赛历年题目和论文
22.东三省数学建模竞赛历年题目和论文
23.华东杯数学建模题目和论文
24.认证杯数学建模竞赛历年题目和论文
25.全国大学生统计建模大赛题目和优秀论文集
26.天府杯数学建模优秀论文
27.其他地区、学校小比赛
按模型整理的美赛论文
主成分分析PCA、优劣解距离法Topsis、元胞自动机cellularautomata、决策树decisiontree、动态规划dynamicprogramming、回归分析regressionanalysis、因子分析factoranalysis、层次分析法AHP、弗洛伊德算法Floydalgorithm、排队论queuingtheory、插值算法interpolation、支持向量机SupportVectorMachines、方差分析varianceanalysis、时间序列ARMA、模拟退火simulatedannealing、灰色预测GreyPrediction、神经网络neuralnetworks、聚类分析Clusteranalysis、迪杰斯特拉模型Dijkstra、逻辑回归logisticregression
按模型整理的研究生赛论文
主成分分析、优劣解距离法topsis、元胞自动机、典型相关分析、决策树、动态规划、回归、因子分析、图论Dijkstra模型、图论loyd算法、层次分析法、投影寻踪、拟合、排队论、插值、支持向量机、方差分析、时间序列ARMA、模拟退火、模糊综合评价、灰色关联分析、灰色预测、神经网络、粒子群、聚类、蒙特卡洛、蚁群、逻辑回归、遗传算法、马尔科夫
国赛和美赛优秀论文及其他比赛论文
包含1992-2021年题目和论文，美赛论文包含1995-2022年题目和论文。
以下是论文的收集情况：
国赛、美赛、研究生赛、mathorcup、APMCM、五一（苏北赛）、中青杯、数维杯、华数杯历年论文全部有
华东杯、华中赛、电工杯、深圳杯、东三省、部分年份论文有
数学建模书籍汇总
书籍按分类（100余本），常见和不常见的都有，如果没有，建议使用资料库里提供的书籍搜索方法
Latex学习《latex入门》；MATLAB数学建模方法与实践；工程应用书籍；机器学习与深度学习相关书籍；
美赛书籍：《美国大学生数学建模竞赛题解析与研究 第1-7辑》共7本全收集，《正确写作美国大学生数学建模竞赛论文》
优化类书籍；自动驾驶书籍；最优控制相关书籍；网络规划算法相关书籍
C++相关书籍、matlab与simulink相关书籍、R语言书籍、计算机视觉相关书籍、linux书籍
数学建模算法汇总
常用matlab代码、常用M代码：BP神经网络、CT图像重建、dijkstra-matlab-master、Floyd、Topsis、人口增长模型、传染病模型、分支定界法、层次分析法、指派问题（匈牙利算法）、搜索算法、最小生成树、模拟退火算法（TSP和背包问题）、灰色预测、粒子群算法、蒙特卡洛、遗传算法、图论算法及其MATLAB实现
现代的算法：小波分析、模拟退火法、神经网络、粒子群算法、蒙特卡洛法、计算机仿真、遗传算法、马尔科夫链
我自己整理的代码（重要）：TSP和VPRTW相关算法合集、熵权法、topsis、基于熵权法对Topsis模型的修正、最小二乘主客观一致赋权评价模型、45种最优化问题相关算法
常用python代码：数据处理与可视化、 Python在高等数学和工程数学的应用、概率论与数理统计、线性规划、整数规划与非线性规划、插值与拟合、微分方程模型、综合评价方法、图论模型、多元分析、回归分析、差分方程模型、模糊数学、灰色系统预测、Monte Carlo模拟、智能算法、时间序列分析、支持向量机、数字图像处理
常用python机器学习与深度学习代码：感知机、k近邻法、朴素贝叶斯、决策树、逻辑斯谛回归、支持向量机、提升方法、EM算法及其推广、隐马尔可夫模型、条件随机场、监督学习方法总结、无监督学习概论、聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡洛法、潜在狄利克雷分配、PageRank算法、
国赛和美赛LaTeX和Word模板
包含国赛LaTeX模板、国赛Word模板、美赛LaTeX模板、美赛Word模板，其中LaTeX模板和Word模板都有纯净模板和案例模板，案例模板用来学习，纯净模板用来比赛时直接写作