美赛O奖和F 奖的获奖经验-（2024美赛备赛必看）

1.常见误区

(1)模型要新

模型是为了解决具体问题而服务的，不是炫技巧。BP 神经网络、蚁群算法、 模拟退火算法这些名字听上去挺厉害的方法早已不是“版本之子”,在前几年很  流行的时候基本上套个模板就可以获奖，但当大家都学会划水后，评委老师也摒  弃了这些假大空的论文，翻阅近两年的论文可以发现，那些获奖的普遍是对于问  题分析条理清晰，模型切题的文章。再看看数学建模相关的教程目录，没有花里胡哨，都是经典方法。

(2)算法要多

算法并不是越多越好，甚至可以说， 一篇论文中都不一定要有算法!不要套 模板，在使用算法时要说明为什么用这个算法，它解决了什么问题，用它的好处在哪里?要注意算法的实用性和简洁性，比如预测问题，用大量数据拟合出预测方程， 再用少量数据检验方程，把误差控制在一定范围内就可以使用了，没必要追求高大上而建立一个神经网络。再比如蒙特卡罗算法，大家都知道可以用它求积分，但发现一些论文里对于某个特别简单的积分，也有人强行用蒙特卡洛算法，这就显得多此一举。大道至简，第一 原则是正确简洁地解决问题。

(3)美赛=美术大赛

2019年美赛A题“养龙”的一篇论文火了，因为0奖(Outstanding          winners)+精美的绘图让不少人感叹：美赛=美术大赛。

 

论文是最终提交给评委老师的作品，因此好的插图确实会起到锦上添花的作 业。但一定要分清楚“锦”和“花”的关系，如果模型没有很好的解决问题，那 么插图再精美也无济于事，能够帮助论文更清晰的向读者展示结果和你们的思路的插图才是有意义的。

最常见的问题是某些论文在摘要里面或者问题分析后插入一张流程图，以展 示解题思路，首先摘要里不能插图，这是格式问题。其次，问题分析板块就是为 了向读者阐述你的问题的分析，完全没必要再插入流程图。如果是为了简洁明了地展示思路，为何不只保留流程图呢?综合以上的误区分析，建议大家要练好基本功，熟练掌握几个经典的方法。

2.备赛建议

(1)组队

数学建模每个队伍最多3名队员， 一般来说，三人的分工是建模、编程和写 作，当然可以交叉工作。建议组队的小伙伴来自不同专业，因为美赛的题目灵活度和综合性较高，需要多专业知识的融合。

(2)读论文

读论文可以分两种方式： a) 按照题型读论文，根据美赛的6种题型选择论文 阅 读 ；b)按照模型或算法读论文。前者可以快速掌握每种题型的特点，学到专题 专用的解决方法，积累套路；后者可以深入地学习一种模型或者算法的具体使用方法。

以往大家读论文时都挑着0奖论文，其实我们不仅读好的，也要读烂的，要 知道一篇论文好在哪里，烂在哪里?可以阅读同一个题的从S 奖到0奖的各种论 文，再参照美赛的评分标准体会一下这些论文的区别。学习好论文的优点，别踩差论文的坑。

(3)积累模型

(a)   理清模型的数学原理， 毕竟是“数学”建模竞赛，建议把数学原理和

推导过程写下来，这样在写论文时直接Ctrl+C/V, 可以节省很多时间!

(b)   对模型分类， 要知道哪些模型可以解决哪些问题。比如预测问题可以 用拟合、灰度预测、微分方程；最短距离问题可以用迪杰斯特拉算法、Prime 算法 …

(c)   学习如何使用模型。举个例子，很多论文里都用了层次分析法，为什 么有些论文的评分更高呢?因为要针对具体问题优化模型，层次分析法的缺点是 给出的成对比较矩阵具有主观性，那么如何减少这种主观性就是优化的内容。比 如涉及到距离、时间、费用等，这些变量就可以量化地给出成对比较矩阵，减少主观性。

(d)   对结果进行检验。 一般有这几种方法：误差分析、鲁棒性分析和敏感 性分析。对结果的分析和评价既可以提高文章的完善度，又可以增强模型的可信度。

(4)真题训练

第一轮： 根据题型，选择最近一年的真题训练，要把6种题型都练习到，在 做题的时候严格按照比赛时的要求，模拟真实的做题流程。写完论文后，参照去

年的优秀论文，对比一下结果，学习优点。

经过 一 轮训练后，挑出做的最熟练的3类题， 这3类题是你们小组擅长的， 在正式比赛中应扬长避短，尽可能地选择该类题目，选3类是为了避免到时候某类题目过难或者出现数据搜集困难等问题。

第二轮： 强化训练小组擅长的题目。根据第一轮筛选出的3类题目，按照时间由近到远的顺序练习历年同类型真题，积累经验。数学建模竞赛并没有多难，希望同学们不要迷信技巧，要多积累、多思考、多总结，逐步构建一套自己的解题策略，勤加练习， 一定可以取得佳绩!

二)美赛0奖获奖经验分享

1关于组队

组队的时候建议大家都选择有保研意向的队员，当三个人都有很强烈的获奖 欲望的时候，这支队伍才能迸发出强大的力量，因为美赛的比赛时间只有四天，非常短暂。

当然对于那些参加过美赛/国赛已得过奖的同学，组队能组到这样的同学简 直太幸运了。如果不能组到有比赛经验基础的同学，也不要灰心，因为大多数的 队伍是三萌新，所以比赛还是讲究的团队协作，只要三个人契合度很高，结果一定不会差的。

下面介绍一下我们队伍三名队员的背景和工作分配，大家可以参考：

1 . 1建模队员

前期搜集相关的文献资料，阅读提取文献中有用的算法、模型等。和其他两 位队员一起讨论构建模型及其优化，在讨论完模型的完整思路后，将模型思想转 化为数学模型。中期，负责制作插图和数据可视化，和论文选手一起分析模型的 求解结果和书写文案。后期，初稿完成之后，与论文队友一起进行审稿、修改、排版。

1.2编程队员

擅长 python  进行数据分析，在计算机视觉和数据挖掘相关领域有一定研究。 作为团队的编程队员，擅于挖掘数据特征，和建模队员一起讨论构建模型，在模型建立后快速实现模型的算法，求解出结果。

1.3论文队员

前期和建模队友一起搜集相关文献和资料。在模型讨论期间给出模型方面的 一些建议和改进思路。在模型建立后，将模型转化文字叙述，阐明模型构建的思 路，并对模型求解的结果进行大量的分析总结。总体掌控论文的全局。在初稿完成之后，与建模队友一起进行审稿、修改、排版。

2备战方案

2.1初识数模

刚开始学习数模，还是需要学一定的基础知识的， B 站上有大量美赛相关视 频 课 程 这 里 推 荐 我 觉 得 最 好 的 学 习 资 料 ：     对于建模、编程和论文都有详细的 讲解与教学。此外，对于建模队员，建议看一些建模的书籍(数理统计、最优化、 机器学习等等),编程队员强化代码能力和数据分析知识、论文队友熟悉latex的使用。

2.2冲刺模拟

我们三个都是来自人工智能学院，在数据分析和机器学习方面都了解一些。所以一开始就选定做C 或 者D 题(这也为我们在准备方面更加目标明确)。实践是学习的最好方法，我们决定主要的准备路线就是看论文+写论文(练 习三道往年题目)。我们三个人都各自学习自己负责的部分：建模队友研究往年 的优秀模型与数据可视化，编程队员负责复现往年优秀论文的算法并且根据在自己的想法进行优化，论文队友负责总结整理往年论文的论文写作方法和分析思路。

2.2.1第一次培训：2020年D题

第一次做题还是很有挑战的，所谓万事开头难， 一开始确实没什么思路，中 间还参考了很多往年的优秀论文。这道题和今年的D题大有异曲同工之处，我们 也从中吸取了很多经验，学习了很多插图的制作和论文写作的技巧，对我们正式 比赛很有帮助(eg:gephi  绘制网络图，流程图就有几张套用的这次做的模板)。

第一次培训也确实暴露出来我们队伍的很多问题：时间安排不合理，任务分配有点混乱，论文排版也有一些问题。我们在之后的训练中针对性的对这些问题进行调整。

2 .2 .2第二次培训：2019年C 题

第二次培训，老师让我们自主选题，我们选择了19年的C 题，回归了我们 想要练习的数据题。这是一道研究美国阿片类药物泛滥传播的问题。在积累第一 次的经验后，这次我们拿到题目一起研讨，收集资料，建模，编程基本上是在不 参考往年论文的基础上独立实现的，这次培训是最接近比赛状态的一次。还学会了 用Tableau   进行地理图的绘制。

2.2.3第三次培训：2018年C 题

这是一道分析美国四个州清洁能源发展的问题，我们这次论文和图就做的比 较仓促，主要把重点放在了求解模型上，试着用了一些新的方法(例如 facebook研究的 Prophet     时间序列预测模型、从多尺度特征融合的角度建立模型等)。培训期间休息的日子，我们三个就研究往年的论文。培训期间大概研究了从 12年到20年C 题 和D题的所有优秀论文，总结他们的模型、算法、绘图排版技 巧等等，近六年的基本会在每一年优秀论文中选择最好的一篇精读和复现，在每年的优秀论文中总结每一问用的最好的模型。

3天道酬勤，持续成长

3.1正式比赛

我们的分工可能和大部分的队伍不一样，我们的模型雏形是编程队员在挖掘 数据的规律之后建立的，然后由三个人一起讨论，进一步构建出完整的模型思路 和改进。思路构建完成之后编程队员就负责代码求解，建模队友负责将模型思路 建立为完整数学表达的数学模型和论文插图的制作，论文队友负责根据我的数学 模型将其扩充总结成论文并总结分析模型求解的结果。有时会根据代码得到的更多结果来完善我们的模型。

3.2经验心得

3.2.1建立模型方面· 模型的建立要考虑全面，多从多尺度融合的角度来分析问题(长期&短期、宏观&微观等维度展开)。

· 不要为了为了用模型而生搬硬套：使用现有的模型时，考虑是否这个模 型适合本题，不是为了用算法而用算法，对不适合的题目用这个模型，最好还可以在现有的模型算法上针对本题适当改进。

·自信点使用自己创造的模型，不论算法是否简单，有理有据并且能够很好的应用再在题目上的就是好模型。

· 论文中模型的建立应当说理充分，从分析题目→选择模型→给出公式(为什么公式是这样) →求解模型 →分析结果，都要逻辑清晰。

· 论文写作的一点 trick:     可以将自己复杂的模型和参数名字尽量定义成自己的东西(比如用缩写之类的来代替模型的名字，显得简洁)

· 有 意 向 做C 和 D 题的同学最好学一下机器学习、数据挖掘和 python 的相关知识。

3.2.2编程求解

· 编程和建模不能太过独立，在数据题上应该是互相参与对方的工作，编 程手可以根据自己挖掘的能力提出最初模型假设，建模手进一步优化或者建模手

与编程手一起进行数据的探索，从而建立更好的模型。

· 拥抱开源库：例如对于 python 语言，有很多强大的开源的社区，而数模 的传统算法，大多数很经典的已经有开源库实现的，这些在官网都是有相关的 demo 的，只需要了解传入的参数是什么(这也是为什么学习算法的时候要明确 解决了什么问题)即可。例如在 sklearn 社区中，scikit-learn中文社区  里面几乎囊括了传统的机器学习算法，并且分类得很好了，也可以以此为纲要进

行学习。此外，matlab    的工具包更加强大，可以利用官方的文档进行学习。

3.2.3论文写作

(1)赛前准备

作为论文选手，在正式比赛前至少应该保证自己已经完整写过2~3篇以上的 数模论文。大量阅读往年的优秀论文，将论文分为：摘要，问题分析，模型建立，

求解与结果分析四个主要部分来看。摘要：第一遍阅读摘是为了帮助你快速了解文章的内容，了解作者对问题的

见解，使用的模型、方法，得到的最终结论。阅读完摘要后再开始正文的阅读。

问题分析：学习优秀论文切入问题的角度，学习他们是如何将文字化的问题

转换为需要用数学建模来解决的问题的。

模型建立：首先理解优秀论文模型的主要含义(必要时可和其他队员一起看， 并进行小组讨论交流，更加有利于理解模型),观察学习优秀论文的模型建立过  程中的表述方式并尝试用自己的语言将他们的模型建立过程再叙述一遍。还可以 训练自己在短时间内迅速学习一种算法、模型，并将其与题目本身结合进行表述的能力。

求解与结果分析：求解过程并不需要100%详细叙述求解答案的过程，尝试 学习优秀论文中，用概括性的语言和流程图、计算图来表述模型求解过程的方法。 结果的展示也十分重要，思考求解的结果与绘制的图像、表格之间的联系。用恰 当的方式来展示模型的求解结果，要求准确、直观、美观。结果的分析需要与前  文逻辑自洽，经得起推敲。图表必不可少，但要反问自己某个图表的出现是否有其具体意义，每个图表的存在都应该有其具体目的。

(2)比赛初期积极读题、检索论文

论文选手首先要认真读题，提取题目中的问题，并将大段的问题与任务进行 简化。在做题初期模型未出论文手暂时还没有事情可干，应根据题目查找相关的 参考文献，阅读文献摘要来判断是否可用于题目，保留合适的论文打包压缩与建模手与编程手共享。

(3)比赛过程中积极参与建模与求解过程

为避免与建模和编程手之间出现认知的断层，论文手需要在全程中参与建模 与求解的讨论，做到对模型的完全理解，达到可以独立完成论文的目的，充分解 放建模与编程选手，同时也对论文本身写作的流畅度与完善性有好处。出现自己不确定的内容时及时与队友沟通，避免后续的内容出现偏差。3.2.4插图绘制

· 对于较为复杂的模型最好要有插图来说明模型的构造。

·  图片尽量要高度压缩，不要再论文里面占据很大的大半页；多个类似的图尽量并排压小放置。

· 适当的对图片进行美化：例如标记出图片上的重点，增大字体(可以保证不放大PDF 的情况下可以看清字)

· 绘图软件推荐：

-统计可视化和地理图绘制 Tableau  (推荐看看这个软件，学生可以申请免费的),可以用来总览数据。复杂网络图绘制 Gephi  美化整理： PowerPoint

- 数据可视化： Excel   (不要小看Excel    )图片一定要尽量导出矢量图 (svg  或者 pdf 之类都可以),放在论文中的图一定要清晰。

3.3其他注意事项

·做到行文流畅，避免语法错误，若英文水平受限，可使用有道翻译与deepl   进行相互对照初翻，使用Grammarly 与人工进行纠错与流畅度检验。

· 文章内容充实图表美观丰富，审美要在线，色调统一。注意在每个图表 下都要进行至少三行以上的内容分析(这也可以很好地检验图表是否包含重要信息/是否是必要的)。

· 避免口语化的表述，同时也避免使用大量的长难句。以能够让读者最轻松地理解你所要表达的意思为佳。

·摘要是重中之重，建议多花些时间，三个人一起修改审核摘要内容。

· 确保公式的准确性，避免出现不规范的数学公式。对公式的符号与含义进行详实的解释。

· 灵敏性分析在美赛中必须存在，尽量以图+文字叙述的方式进行，有理有据。

· 强烈建议使用 LaTex 进行论文写作与排版，有学习成本，但带来的回报巨大。

3.4总结

1. 找准定位，明确目标：美赛一共有6道题，比赛的时候也不可能每一道题都读一遍，选取你们队伍适合的一两道题，在培训期间专攻这一类型的题。

2. 看论文!看论文!看论文!(这点很重要)多研究往年的优秀论文，不 仅是从中学习绘图技巧、排版方法，更要从中吸取优秀的模型、算法以及开阔解决问题的思路。

3. 认真完成每次培训。美赛培训一般也只有三四次，每一次都很珍贵。以 前也觉得这些算法也都知道个大概，用的时候查一查没问题，没必要浪费时间做 题。但是经过三次培训之后，明显能感觉到在团队配合、模型讨论时候的思路、还要论文的写作与绘图技巧都有了很大的提高。

4.模型、绘图、写作缺一不可。模型的建立尽量要考虑全面，从多尺度角 度来建立模型(长期、短期、微观、宏观等待),对于已有的算法，不能为了用 算法而用算法，不是越高级的算法越好，而要考虑是否这个算法能够很好的解决 这个问题，是否能在这个算法的基础上改进一下来更适应题目的求解。模型的插 图制作是为了让模型和结果更加的容易理解，因此每一张图片都应该有他的意义 和逻辑说明，而不只是图片的堆砌。写作方面，论文的叙述应当是逻辑清晰，层 层递进，我们为什么要这样考虑，我们做了什么,这样做的目的是什么,都需要清晰的叙述。

4收获与感想

数学建模过程中学到的东西：优化算法、统计理论、机器学习思想，英文论 文的写作和绘图，科研工具的使用、英文论文的阅读能力，为我的研究生的科研生活打下坚实的基础。

从初学数模负责编程到美赛负责建模，中间也遇到了很多挫折困难，但最终 还是坚持下来了。美赛成绩出来之后，开始是激动，没想到我们仁临时组成的队 伍，能够得到如此的眷顾。激动之后，心情也平和了下来。能够在专业课之余有 限的时间里学到自己喜欢的东西，做好自己喜欢的事情。这才是生活和学习的意义，这样的大学，值得了。