2023年美赛开赛还有大概一个月，一个月时间完全来得及准备并且能够取得不错的奖项，关键在于你是否掌握了美赛的精髓。

　　作为2022年美国大学生数学建模竞赛E题O奖+Rachel Carson Award奖（全球唯一）得主，今天来和大家来讲一讲如何备战美国大学生数学建模竞赛，主要从以下三方面美赛入门介绍/队友选择及分工配合/赛前训练和准备~

　　对于很多同学来说美赛、数学建模这些词汇已经是很耳熟能详，并且已经有很深入的了解了，但在为了照顾到所有的同学，同时更深入强调美赛的一个规则，再进行一个简单的介绍。

　　首先，美国大学生数学建模竞赛（MCM/ICM）由美国数学及其应用联合会主办，是世界范围内最具影响力的数学建模竞赛。赛题内容涉及经济、管理、环境、资源、生态、医学、安全等众多领域。

　　这就意味着不管你是什么专业的，经管类、理工还是人文都可以在美赛的不同选题中，寻找到适合自己方向的载体。

　　竞赛要求三人为一组，在四天的时间内，就指定的问题完成从建立模型、求解、验证到论文撰写的全部工作，很明显这个过程实际是考察一个团队的合作能力，还是反映每个人的科研素养。

　　所以说，数学建模实际上如果说对于一些同学在保研、考研的过程中，如果说没有论文，那么有数学建模的一个奖项实际上也是能对自己的科研能力得到很好的展现。

　　②人数：三人为一组，所以要配置合理，需要有一些不同的学科进行的一个交叉，以保证在打比赛的时候能够做到专人有专长，然后互相配合分工合理；

　　③时间：美赛要求的是四天，这一点与国赛有点不同（国赛要求时间是3天），有的同学理解为美赛比国赛多了一天时间是专门用来润色和翻译的，但实际这种理解并不严谨。

　　美赛是一个加分与评奖评优的竞赛。很多时候我们会参加学科竞赛来为保研加分，实际上，数学建模在很多学校都是非常看重的，不仅可以在保研加分，还对简历起到一个助推的作用，夏令营面试的时候老师有可能会问相关问题，这就很好的证明科研能力和素养。

　　因为美赛是美国举办的数学建模竞赛，所以在国外的认可度还是比较高的，在出国申请的时候也能丰富履历；另一方面在计算综测、评奖学金的时候作为一个学科竞赛也是非常有帮助的。

　　但实际上美赛获奖的帮助和意义，不仅仅局限于这些，比方说是本科的毕业设计，我们都会要面临一个论文写作，就是毕业设计的构建，可能会考察到建模、编程甚至是写作能力，但这些在实际参加数模的过程中都能够得到一个很好的训练。可能在参加之前关于科研都没有一个很好的轮廓，但是在参加美赛之后会有一个质的突破。

　　前面讲到了美赛适合各种各样的学科和专业，它是有多个选题的。传统的理解是MCM更倾向于理工科的同学，ICM更倾向于经管人文社科的同学。

　　但近几年的赛题情况是不管是哪一个赛题，它的交叉程度越来越明显了，也就是说并不是很明显的区分哪个赛题具有哪些特征，比如说：

　　C题是大数据的，因为数据量很大，一般的电脑跑起来确实是很有压力的，所以这个需要有一定的硬件支撑；

　　对于E/F题很明显是非常交叉的一个学科，它基于不同的一个背景，要么环境要么是社会政策。社会环境只是一个外壳，然后在这个外壳下面可以通过多种复杂的复合的模型来解题，这也就是为什么E题和F题在历年的参赛选手中选择量最多的。

　　很明显E题和F题的占比已经占到了很大的一部分，D题往往占比很少。在参赛的时候要考虑到一个问题，美赛和四六级考试一样，是一种排位置。

　　也就是说，你的论文不是达到多少分才得到什么奖，而是说你占到前百分之几得，按哪个比例然后得什么奖。所以说，每个同学都要有自己的思考，是新手还是老手，在哪个分段，在哪个赛题中，或许能取到一个更好的效果。

　　美赛往往每年参加的人有两三万人，但实际其中的新手还是占大多数的，对于新手做题，很大概率会选择交叉学科性比较强的E题和F题。

　　优点就是读题之后相对于其他题来说，更容易获得一些自己的想法和见解，哪怕是构建的模型很简单，用一些很简单的甚至是语文建模，也能够把赛题完成。

　　但是其他四个题是不可以的，虽然说完成了论文，可以获得S奖，但这个论文的得分可能并不会太高。而这个赛题的分母就被拉大了，这就意味着这个赛题对应的那个O/F奖还有M奖的比例也会增大，所以说这就是赛题选择上的一个技巧。

　　有的同学感觉自己技术好，自己就是相关专业的，就非得要选相关的题。比如说B题，有时候套个化学背景的壳，那么我就非要做B题，这个是不一定的。

　　所以选题既要考虑到自己的学科优势还要考虑到自身能力以及得奖倾向，这样的话在选择赛题的时候有更有把握。

　　就说我的例子吧，我是学的是经济系下面的统计学，但是我负责是编程与模型优化，同时负责数据可视化；第二个学长他同时也是负责建模与模型解释；然后最后一个同学是负责排版和英文撰写。

　　很明显我和第二个同学有着非常交叉的职责，就是我俩做的很多东西几乎都是要一起做的，这个过程实际上是根据自身能力的倾向选择。

　　组队上我的建议是大家选题如果说偏向数据分析方向的，最好每个队要有数学或者统计背景的同学或者经济的同学也是可以 ；然后如果是选题偏运筹策略的或者是数据也要结合的，那就建议找管理科学与工程专业的同学，甚至是还可以找理工科同学，大部分学校我了解到有开设matlab的课程，与他们进行组队合作也是非常不错的。

　　②进度推进与模型优化同步进行，就是一个同学负责在题模型的推进，一个同学在后面对模型进行后续的深入复杂化、优化和一些可视化。这样就是既能保证论文能够完成还能够保证论文出来之后模型的质量也是非常高的；

　　整个竞赛相当于在这个比赛过程中人力资源调动的过程，美赛的时间相对来说还是比较紧张的就4天，如果说有能力的话，尽可能每位同学对各自工作都掌握，然后这个时候可以进行全栈化的交叉交流，要重视排版细节。

　　目前了解到很多学校都是在2月15日左右开学，也就是说今年美赛大概率可以在学校里面和队友一起线下的进行沟通和交流。

　　如果说是想要冲击最高奖项的话，可以完全可以附近找一个住三四天的地方，吃饭的时候点外卖都可以，但是也要劳逸结合，这是比较不错的防止打扰。

　　必要情况下甚至可以就是请假，因为刚开学的话确实有些课程上不能放松，但是有时候有些课还是可以请一下假的。

　　从今天开始，大概有30天的准备时间。组内成员最好保证一周开一次会，因为大家都在放寒假，要保证学习上的交流。你学习的什么算法，我学习的什么模型，我要理解你这个东西是怎么做的，我可以不会你这个东西，但我要知道你需要什么才能得到什么，就相当于把对方学习的东西黑箱化理解，这样子大家在沟通交流以及后面工作对接的时候是非常的方便的。

　　模型是不可或缺的，肯定要对模型进行一个学习，关于数学建模的模型有很多的，各种各样的，再加上实际数学建模和科研本身就是一种交叉关系。所以说科学在进步模型也在迭代创新，有很多新颖的模型。

　　但解决问题实际就四大类：评价、优化、分类、预测。针对于这四种类型，里面有各种各样的小模型，并不一定要求全都掌握，但是要掌握一些比较有代表性的，这个时候能保证我们稳到S奖，甚至是M奖。至于模型之间如何进行一个交叉结合是很考验数模功底的。

　　有Tableau、Python、PPT、MATLAB都是很好的选择，但如果说用matlab画完图之后，想进行深入加工的话还是可以学习一些其他的工具。

　　可以采用latex和word，网上和官网也有制定的latex的模板，可以直接套用就行，关于word也有类似的模板，这样可以减少排版的时间。

　　在学习语言的时候会考虑是学Python还是学matlab，还有同学用R，还有spss。不管是软件还是语言，实际都是一个工具，目的是要实现某一个功能。

　　也就是说实现哪个功能用的熟练，就用哪个工具，不要拘泥于某一项工具。工具是服务于人的，是为了提高效率的。但是必须要有一门语言非常的精通和熟练Python或者是matlab。

　　如果说大家在编程中比想用比较少的程序，就写出来相关的算法，更简单一点的或者说就是有些直接写好的现成的定义好的函数，那建议大家可以选用matlab。

　　我们要做的就是学习如何使用模型，如果说有一个模型非常冷门，搜不到资料也不知道怎么应用，这个时候怎么办，那证明这个模型普适性并不是太强，对于这种模型不用过多的强调略过就行。

　　而针对于那些交叉性的，经常比如说分类算法以及微分方程组模型，是怎么结合应用的，这个思维是我们要学习的重点，也可以积累一下数据，然后了解一下评分标准。