按：这是一片转帖的文章（原作者：qcfy1984，我想他是1984年出生的，和论坛上大多数网友是差不多一个年龄段）。我们可以从文章看到现代学术成果发表的一些过程，也能了解到审稿人以及其它同行是如何平价和协助一项研究的。对大家发论文也有帮助。所以就转帖到江山版主的这个版，供大家参考。

还没从昨天（6月5日）获知第一篇会议论文被 ICIC 录用的兴奋中冷静下来，今天（6月6日）下午又收到《机器人》编辑部的邮件通知，有关蚁群算法的第2篇论文《基于修正蚁群算法的多机器人气味源定位策略研究》也被录用啦。呵呵，4月份不分昼夜的啃 Eng 文献、在 Matlab 代码中神游的日子，今天陆续收获硕果。对蚁群算法与机器人气味源定位的研究持续了一整个4月，从蚂蚁路径选择的概率方式（最大转移概率、轮盘赌选择）、启发函数和信息素的定义、气味源定位策略等几个方面进行了系列的仿真研究，得出了2中2英共4篇论文。一篇投ICIC，一篇投《机器人》，一篇投《自动化学报》，还有一篇投到10月底在北方交通大学举行的ICSP 2008。期待后面投稿的两篇文章也能顺利录用啦。

从目前已录用的两篇文章反馈回的Review来看，感觉这个课题还有很多的研究空间，有待进一步探索。ICIC 和 《机器人》的Reviewer都很负责，既有从论文的立意、仿真方法等学术层面提出了改进意见，也有详细提出我论文中参数表述、版面编排等方面的硬伤，提醒了我要阅读更多的文献资料，多动笔、多思考，用最精炼简洁的文字、表达出中心的研究思想和成果。路漫漫其修远兮，我还要加倍上下求索啊！

研究将蚁群算法应用到机器人气味源定位这一课题，首先非常感谢北航的陈伟海老师。目前考博就是准备报他的博士。在3月份1次Email中陈老师发给我有关 今年12月在越南举行的ICARCV'08 的资料，我收到后就认真阅读这些资料、并浏览会议官方网站，在得知会议截稿日期延迟至4月15日后，我便集中精力和时间尝试写一篇论文投到这个会议上。

从会议的征稿主题中，我选择了自己比较感兴趣、并且和目前专业对口的“Mobile Sensor Network”作为切入点，开始搜集、整理、总结相关资料，探索论文的思路。

在研一的时候，我就开始接触蚁群算法并自学了其基本原理；同时在选修《模式识别》课程的课堂论文中，选择了做移动机器人气味源定位方法研究的综述，对气味源定位方法的研究背景、现状和前景都有了基本的了解。

所以，在了解了 ICARCV’08 的会议主题后，我很快就想到了将蚁群算法应用到移动机器人气味源定位方法中。论文的基本思路在4月10日之前就基本形成了，然后开始编写算法程序和仿真实验，在15日当天终于基本实现了所构思的算法。虽然已经不可能在截稿之前完成论文了，我还是坚持进行程序的调试和优化，并着手起草论文。20日左右完成了10页长的中文论文初稿，然后在硕导骆老师的指导下对论文进行精简，并且在此基础上把论文作进一步简化，完成了论文的英文稿。

虽然赶不及在 ICARCV 的截稿期之前完成论文并提交，我并没有放弃，反而随着研究的深入，有了更多新 Idea，对算法不断改进，每作出一次大的改进，就注意总结经验、分析仿真结果的有效信息，然后整理出相应的论文。由此就有了最终的4篇论文，现在回想起来，觉得自己有点急功近利了，算法有点改进就写一篇论文，就像在拼文章数量一样。其实这样不利于自己长期的科研，以后要谨记，论文在精不在多，要沉得住气，拿出一个充分验证的成果，写出文字精炼、表述清晰的高质量论文，再向高水平的学术期刊投稿，这样才更有助于自己的学术成长、更能让自己有成就感和充实感。

可以稍减自己不安的是，前两篇论文都被录用了，而且不出意外的话，应该都能被EI收录。兴奋总会是有的，但更应该总结经验，静下心来作深入的研究。整个4月以来全心地投入到算法的探索、设计、实现和修改、优化，让我获益颇深，目前对蚁群算法在机器人方面的应用有一些新的想法，在接下来的几个月里，我计划对蚁群算法、模块化机器人技术、模式识别和小波变换等比较感兴趣的领域作进一步研究，探寻它们之间关联应用的方法和技术。

心怀梦想，踏实前行；努力求索，成败随缘 ……

P.S. 论文是4月23日投稿的，6月6日收到录用通知单，可以说速度是比较快的。对论文的撰写和怎样提高论文的审稿速度，和大家分享几点体会：
（1）首先，论文所述的研究应该有创新性，这里感觉学科的交叉结合比较容易实现创新，我的论文是蚁群算法和机器人气味源定位的结合，味源定位从1980年后起步，蚁群算法则起于1990后，但两者的结合还没有多少研究，从我自身有限的文献阅读所了解的，国内外只有不到10篇的相关文献；
（2）研究成果应该是自身实干所得，从前人的工作中得到 Idea，然后身体力行把 Idea 变为实际的、可实现的成果；
（3）论文的引言要简明扼要地指出领域内的研究历史和现状，点出有待改进和发展的方向，同时注意要保证有足够的文献引用；
（4）算法原理部分要减少共性理论和他人工作的内容，重点讲自己的工作和创新点；
（5）实验和讨论部分要有足够的数据和图表，表明你工作的成效。但是图表不能太多，要重点突出，并且讨论时，在文字表述上最好按图表分段，说明图表的意义，另外不要忽略了介绍实验环境、仿真参数、仿真平台等，使得他人能够充分重现你的实验过程。
（6）结论部分最好结合实验讨论部分的内容，分点指出工作成果和结论，最后简要提出成果展望或者后续研究方向。