第一次参加美赛，最容易卡住的往往是三个问题：选什么题，怎样判断模型是否有效，以及如何把结果写成一篇别人读得懂的英文论文。准备工作应围绕这三个问题展开，而不是先收集一长串算法名称。
下面按“理解任务—完成基线—验证模型—组织论文”的顺序梳理准备方法。比赛日期、提交格式和 AI 使用要求会更新，参赛时应以 COMAP 当届规则为准。
1. 先理解赛题要求，再按字母选题
MCM 通常提供 A、B、C 三个问题，ICM 提供 D、E、F 三个问题。连续建模、离散优化、数据分析、网络、环境和政策是常见方向，但题目字母不能替代对当年问题的阅读。
阅读每道候选题时，先写出四项内容：需要回答的问题、可获得的数据、能够实现的最简单模型，以及最后需要交付的图表或建议。如果这些内容仍说不清楚，就不适合仅凭“某类题容易获奖”作决定。
选题可以比较以下维度：
| 维度 | 应该检查的问题 |
|---|---|
| 问题理解 | 能否用自己的话说明目标、约束与输出？ |
| 数据条件 | 数据是否可用，变量含义和单位是否明确？ |
| 实现能力 | 团队能否完成一个可运行、可解释的基线？ |
| 验证条件 | 能否用留出数据、误差分析或敏感性分析检验结果？ |
| 写作条件 | 模型结果能否直接回答题目中的具体要求？ |
2. 用一个完整基线建立工作节奏
基线的任务是跑通整个问题。预测题可以先使用简单回归或朴素预测；优化题先给出可行解；机理题先建立简化关系。基线不一定是最终模型，但应能产生可以检查的结果。
建议团队尽早完成一次完整流程：读取数据、清洗、建模、输出结果、写出解释。之后每增加一个模块，都回答同一个问题：它相对于基线改善了什么，又增加了哪些假设和成本？
Python 和 MATLAB 都可以完成这些工作。优先选择团队熟悉的工具，并保存数据处理步骤、参数与随机种子，避免成员之间出现“同一个模型算出不同结果”的问题。
3. 模型可信度来自验证
拟合优度高并不自动意味着预测有效；得到一个最优值也不代表约束设置合理。验证方式要与任务对应。
预测任务应区分训练数据和评估数据；包含时间顺序时，避免把未来信息放入训练过程。优化任务应检查解是否满足约束，并说明与基线的差异。机理模型应核对量纲、边界情形和参数解释。
敏感性分析可以围绕关键参数展开：改变哪些参数会影响结论？影响有多大？是否出现方案排序反转？如果结论依赖一个无法验证的强假设，应直接说明。
4. 英文论文围绕结果组织
正文应让读者顺着问题理解方法，而不是按成员做事的先后顺序阅读。一个实用顺序是：问题与目标、必要假设、变量定义、模型与求解、结果验证、局限与建议。
每张图最好支持一个明确判断。图中写清变量、单位与比较对象；正文解释图能支持的结论，避免只说“结果如图所示”。
摘要最后写。它应交代解决了什么问题、采用什么方法、得到哪些主要结果，以及结果适用的条件。不要用算法清单和“具有较高准确性”替代具体发现。
5. O 奖论文应该怎么读
优先从 COMAP 历年赛题与结果进入，结合原题阅读公开论文和评审材料。MCMICM2 提供社区整理的 2023 年论文资源，使用时注意与官方题目、结果和版权信息核对。
读范文时，先遮住模型名称，检查作者怎样拆分问题、建立假设、选择验证方法。再尝试复现其中一张图或一个关键结果。这样比照搬目录更有用，也更容易发现论文中没有写明的前提。
Outstanding Winner、Finalist、Meritorious、Honorable Mention 和 Successful Participant 是不同结果等级。中文简称并非统一官方译名，获奖数量也随年份变化，比较时应注明年份与官方统计来源。
6. 赛前做一次提交演练
准备阶段应练习一次从源文件导出最终 PDF 的完整过程，检查公式、字体、图表、引用、页码与匿名要求。AI 工具的用途和引用按照当届政策记录，生成的文献、代码与计算结果仍需核对。
备赛结束时，团队最好已经拥有一个跑得通的小项目、一套统一的图表与符号习惯，以及一次完整的协作经验。它们比记住更多模型名称更能帮助团队在有限时间内作出判断。
相关阅读：Markdown 技术写作与排版。
如果你是第一次参加美赛的大二/大三学生，担心选错题、不会写英文论文、找不到参考范文——本文将为你系统梳理美赛全流程，并提供近年官方O奖论文GitHub资源，助你高效备赛！
美国大学生数学建模竞赛（MCM/ICM）是由美国数学及其应用联合会（COMAP）主办的国际性权威赛事，是全球最具影响力的数学建模竞赛之一。
美赛分为两类，共六道题目，参赛队伍需在四天内选择一道题完成建模、求解和英文论文撰写：
MCM（Mathematical Contest in Modeling）——偏理工科
- A题：连续型问题（如微分方程、物理建模）
- B题：离散型问题（如图论、组合优化）
- C题：大数据问题（数据挖掘、统计分析）
ICM（Interdisciplinary Contest in Modeling）——偏交叉学科
- D题：运筹学/网络科学（如调度、路径规划）
- E题：环境可持续性（如气候变化、生态保护）
- F题：政策类问题（如社会制度设计、公共政策评估）
奖项设置
| 奖项简称 | 中文名称 | 说明 |
|---|---|---|
| O奖 | Outstanding Winner | 特等奖，全球每年约30–40支队伍，含金量最高 |
| F奖 | Finalist | 特等奖提名，接近O奖水平 |
| M奖 | Meritorious Winner | 一等奖 |
| H奖 | Honorable Mention | 二等奖 |
| S奖 | Successful Participant | 成功参赛奖（三等奖） |
| US | Unsuccessful Participant | 未成功参赛（未提交或严重不符合要求） |
| DQ | Disqualified | 违规（如抄袭、泄露题目等），取消资格 |
参赛价值
- 提升数学建模、编程、英文科技写作三大核心能力；
- 获奖可作为保研、留学申请、奖学金评定的重要加分项；
- 培养团队协作与解决复杂实际问题的能力。
美赛2022年优秀论文https://github.com/cloudcollection/MCMICM美赛2023年优秀论文
https://github.com/cloudcollection/MCMICM2