企业官网建设流程全解析

美赛，全称一般写作MCM/ICM，全世界的数学建模参赛者在每年2月前后都会盯着它的题目和奖项。对那些第一次报名的队伍来说，最想搞清楚的就是两件事：一是“获奖到底怎么评的”，二是“六道题到底选哪道”。这篇文章就把这两件事一次性说透：从奖项等级的含金量、单题评审逻辑，到历年选题人数的真实分布规律，再到2026年备赛的选题预测和实操建议。不管你是第一次参赛的新手，还是想冲Meritorious以上的老手，这篇都能帮你把精力花在最该花的地方。

1. 获奖等级体系深度拆解

美赛公布成绩那天，系统里会显示一个等级缩写：O奖、F奖、M奖、H奖、S奖。这些字母背后代表什么、比例有多少、评委到底按什么标准给，很多人其实只看过一张图，不知道里面的门道。

1.1 从S到O，每一个等级到底代表什么

美赛的奖项设置从高到低一共五档，部分年份还会有Unsuccessful和Disqualified，分别指未成功提交和违反规则。正常提交且没有违规的队伍，最低也是Successful Participant。

先说最高等级的Outstanding Winner，也就是俗称的特等奖。这个档次的论文全球只有十几篇，比例通常在0.1%到0.2%之间，个别年份甚至低于千分之一。评委对这个等级的定义是“论文已经达到可发表水平”，意思是不仅模型用得对、算得准，表达也要像一篇正规的学术论文，所有逻辑闭环都能经得起评审追问。

接着是Finalist，国内常叫特等奖候选。比例大约在1%左右。能进入Finalist，说明评审在初轮筛选时已经把你列入“有希望冲击O奖”的范围内，只是论文在某个环节还有明显瑕疵，比如摘要不够干净、某个结论缺少必要的敏感性分析、或者图表表达拖了后腿。

再往下是Meritorious Winner，对应我们通常说的一等奖。获奖比例大致在7%到9%之间。这个档次的论文不是“没有错”，而是评委认可你的建模思路和求解路径，认为整篇文章完成度高、逻辑清晰。很多队伍都觉得M奖就是“差一口仙气”，实际上，M奖已经是综合能力很扎实的信号。

然后是Honorable Mention，二等奖，比例大概在14%到16%。能拿H奖，说明评委认可你做了完整的建模工作，但模型深度、求解过程或者写作表达中存在明显的提升空间。

最后是Successful Participant，成功参赛奖。这是绝大多数队伍的归宿，占比通常在70%上下。拿到S奖不丢人，我第一次带队参赛也是S奖，那一年战队的摘要就写得含糊不清，模型虽然跑通了，但论文没有把亮点讲出来。美赛就是这样一个现实的地方：做得出来和写得出来，是两种能力。

我用下面这张表做个总结，方便你对照历年水平做评估。

需要说明的是，以上比例不是官方固定的硬性指标，而是多年赛况的统计规律。每年的比例会随题目难度和参赛队伍质量小幅波动，但整体格局很稳定。

1.2 获奖率不是全赛统一，而是分题评出来的

很多队伍有一个误解，以为全赛统一划线，六道题放在一起比，谁综合分数高谁获奖。实际根本不是这样。

美赛分为MCM和ICM两大体系，MCM下对应A、B、C题，ICM下对应D、E、F题。两个体系分别评奖，各奖项的名额也是分别划定的。换句话说，C题里的M奖和A题里的M奖，是在各自题目的参赛池子里独立产生的，并不是所有M奖放在一起拉通排名。这个机制直接影响了选题策略。

因为每个题的参赛人数不同，单题的获奖率也会有差异。比如数据类的C题参赛人数常年最多，但它的获奖池也大；政策类的F题人数最少，但竞争强度未必小。后面第2章会专门分析选题人数，这里先把这个结论记住：选哪道题，不是选一个“获奖率最高”的题，而是选一个“你们队伍相对最有优势”的题。

同时，评审采用的是多轮滚动评审机制。第一轮快速筛掉格式严重不合格、摘要明显敷衍、模型无实质内容的论文；第二轮开始，评委按建模、分析、写作、创新等维度分别打分，再汇总排序。很多队伍误以为美赛和普通考试一样“按分划线”，实际上它是“按档推荐”：两位评委都推荐某篇论文进入更高档，它才会被标记为候选。这也是为什么有时候你觉得论文写完自我感觉良好，结果只拿S，问题很可能出在评审前30秒形成的印象。

2. 选题类型与人数分布全解析

每年2月正式赛题公布之后，各大群里讨论最热烈的就是“你们选哪题”。选赛道这个决定，会在第一小时就影响你接下来96小时的资料方向、建模思路和论文框架。所以，把六道题的画像和人数分布看清楚，是备赛里性价比最高的一步。

2.1 六道题的赛道画像

先给第一次参赛的同学一个快速认知模型：美赛六道题没有绝对的简单，但有清晰的气质。

A题是连续型建模题，典型对象是物理、力学、流体、热传导、种群变化等。它往往给你一个连续变化的过程，要求你用微分方程、偏微分方程去描述和求解。适合数学基础扎实、会解常微分方程数值解、熟悉MATLAB或者Python科学计算的队伍。

B题是离散型建模题，常见组合优化、图论、网络流、逻辑调度。近年B题的边界越来越模糊，有时也会混合连续建模的思想，但整体气质仍然是“用离散数学工具描述一个结构化问题”。适合思维敏捷、能快速抽象出约束条件、写过整数规划或动态规划的队伍。

C题是数据驱动型题，每年都会伴随大数据文件，常见的是预测、分类、聚类、时序分析。C题在六道题里最像机器学习项目，需要掌握pandas、numpy、sklearn这些Python技能包，还要会做数据清洗和特征工程。适合队伍中有一个“代码熟练工”的情况。

D题是运筹学与网络科学题，大多数时候涉及排队论、网络优化、资源配置、供应链调度。这类题目的难点在建模的工程感：要把现实约束翻译成数学模型，还要设计可求解的算法，常见工具包括NetworkX、Gurobi、启发式搜索算法。适合有运筹学基础、能沉下心做大量仿真的队伍。

E题是环境与可持续性题。它的特征是一半建模、一半“政策论述”，需要阅读大量背景资料，把开放性问题收敛成一个可量化的数学模型。评委看重的不只是公式，还有你把环境、社会因素转成模型假设的能力。写作能力强的队伍在这里很占便宜。

F题是政策与社科题，也是最开放的一题。题目经常讨论一些宏大的社会系统问题，几乎不会给你现成数据，需要自己定义核心指标，自己构造模型框架。F题的竞争人数常年最少，但题目难度和写作要求都很高，适合有野心、敢于重构问题、不依赖套路的队伍。

2.2 历年选题人数对比：C题一骑绝尘，F题常年冷门

综合近年公开统计来看，六道题的选题人数呈现出很稳定的“冷热结构”。

C题的参赛人数常年占据总参赛队伍的三成到四成，是最热门的单选。原因很直接：数据题最符合大多数参赛者对“数学建模”的想象，有现成数据文件，有固定的数据清洗、回归、预测套路，网上教程也最多。可正是因为它热，每年的C题撞车论文特别多，评委对平庸模型的容忍度很低。

A题和B题的人数大约各占15%到20%，属于中坚力量。A题吸引数学功底好的队伍，B题吸引喜欢抽丝剥茧做逻辑题的队伍。这两个赛道上“高手密度”通常比较大，因为敢做连续型或者离散型题目的人，往往不是新手。

D题和E题大致各占10%到15%。D题偏运筹应用，学生群体里真正系统学过运筹学的人不多，所以人数偏少。E题因为涉及环境与社会议题，写作要求高，拦住了一部分“只想算数据”的同学，人数也始终不算多。

F题人数最少，近年在个别赛中占比只有4%到6%。大多数队伍不敢碰它，是因为F题的“不可控感”太强，没有标准答案、没有现成数据集，连“从哪下手”都很难。但正是这种高门槛，带来了差异化空间：如果你能完成一个自洽且漂亮的框架，评委的关注度会明显更高。

我按“近年综合规律”给下面这张趋势表，方便对照理解。

这里要特别强调一个认知误区：不要因为C题人数多就避开它，也不要因为F题人数少就冲它。由于每一道题独立评奖，选题人数的影响并没有“直接换算成获奖难度”那么简单。人多带来的问题是评审疲劳，人少带来的问题是题目更难，两者不存在简单的性价比关系。

2.3 选题人数变化背后的深层原因

选题结构不是随机的，它反映的是大学生的能力结构和信息分布。

C题人数多，根源是它在“工具门槛”上最友好。会Python的同学多多少少都玩过机器学习，面对C题，至少知道第一步该读数据，这种“有处下手”的安全感非常重要。相比之下，F题连数据都要自己找，很多人打开题目后面对空白思考了两小时就换题了。

E题和F题人数少，很大程度上也是写作恐惧造成的。很多工科背景的队伍一看到“写政策建议”就头大，觉得不如多写几个公式踏实。但实际上，这几年的评审趋势越来越看重“模型之外的解释力”，E、F题获奖论文的“文本功底”往往比A、B、C题更加突出。

如果你们队里有较强的英语写作和资料检索能力，E、F题绝对值得认真考虑。反过来，如果你们队三个人都不擅长写长文，那即使F题人再少，也未必是你们的菜。选题不要逆着队伍能力结构来。

3. 2026年选题趋势预测与备赛策略

2026年的官方赛题信息还要以竞赛组织方发布的指南为准，但根据近年的稳定规律，可以提前做几个判断，并围绕不同选题给出可执行的备赛清单。

3.1 2026年选题趋势的三个判断

第一个判断：C题的数据量会继续变大，数据来源可能更“真实”。往年数据题已经出现过多文件、几千行甚至更有规模的数据集，队伍要花的时间不在于建模算法，而在于数据清洗。2026年大概率会延续这个方向，甚至加入缺失值、异常值、多源数据合并等更贴近真实业务的处理场景。目标冲C题的队伍，不要只练高大上的神经网络，先把手动数据清洗和特征工程练到条件反射级别。

第二个判断：E题、F题这类“软科学题”会越来越重视指标体系和可视化表达。开放性问题最怕的就是“空对空”，评委希望看到你能把模糊的宏大概念翻译成可计算的指标。2026年的E、F题大概率会要求队伍设计一个能复用的评价框架，画出一个信息完整的决策图或系统图，而不是只给一个模型公式。

第三个判断：跨学科交叉会更明显。A题不一定纯物理，可能融合生物、材料；B题不一定纯离散，可能加入数据验证。这个变化对备赛的启示是：不要只背模型库，要学会读题后快速定位“这个问题的核心机制是什么”，再决定用哪一类工具。

3.2 分题型备赛清单

针对不同赛道，我给一份可以直接照着练的清单。

如果目标锁定A题，重点把常微分方程和偏微分方程的数值解法吃透。至少要熟悉龙格-库塔法、有限差分法的实现，不能只会在纸上推公式。同时积累一些物理系统的常见量纲和参数范围，比如传热系数、阻尼比、种群增长率，避免建模时数字拍脑袋。

如果目标锁定B题，重点练习把文字条件转成约束方程。整数规划、动态规划、最短路径、排班调度这些经典模型要烂熟于心。求解器方面，至少要会调用开源的优化库或者商业求解器的试用版。最后的方案呈现要“决策变量清晰、约束条件完整、求解过程可复现”。

如果目标锁定C题，前两周时间分配给pandas数据清洗和可视化，而不是深度学习。比赛里真正消耗时间的不是模型训练，而是“把一团乱数据洗干净、画出趋势、找出异常”。建议提前准备一套自己的数据处理模板，包括缺失值填充、离群点标记、数据标准化、时间序列重采样，到时候直接套用能省半天时间。

如果目标锁定D题，把NetworkX和仿真工具练熟，重点理解排队论的基础指标（到达率、服务率、平均队长、平均等待时间），以及设施选址、资源调度这类经典问题的建模框架。D题的论文通常需要大量模拟结果图表，一定要预先把绘图模板做好。

如果目标锁定E题或F题，训练重心放在“快速读懂背景材料并提取约束”上。建议每周精读两篇往年的O奖论文，不是看公式，而是看作者怎样把一篇长达二十多页的赛题压缩成几个清晰的核心问题。写作方面，要练到能用一段话说清楚“问题背景、你的假设、建模思路、结果亮点”。

这里有个通用建议：不管你锁定了哪一题，赛前一定要用周日完整模拟一次四天流程，哪怕题目用以前的老题。模拟的核心不是把题目做出来，而是体验一次“时间不够用”的感觉，把队内流程跑熟。很多人第一次参赛败就败在流程不熟：第三天才开始写摘要，第四天晚上还在改模型代码，最后草草上交。

3.3 组队与分工的提前准备

2026年备赛的另一件关键事，是把队内角色彻底明确下来。美赛不是三个程序员凑在一起憋代码，也不是三个写手围在一起讨论作文。最合理的分工是：一个负责建模思路和论文主线，一个负责代码实现和结果验证，一个负责写作表达和图表排版。

角色分工最好从备赛第一天就固定下来，并且要在模拟赛中互相适应。比如写手要能读懂建模手给出的模型假设，建模手要能给代码手说清楚“这个参数需要输出什么格式的结果”，代码手则要把每个图表的文件名和对应章节写清楚。脆弱的分工是赛场上最大的隐性风险。

4. 评审打分逻辑与获奖关键点

美赛没有公开过一份评分细则，但通过大量评审反馈信息和历年O奖论文的共性，完全可以还原出评委的实际关注点。这一章把评审逻辑拆开讲，你能知道哪些地方是低投入高回报的。

4.1 评委拿到论文后，第一眼看什么

评委面对几千篇论文，不可能逐字逐句精读每一篇。他们第一轮的筛选速度非常快，一篇文章大约几分钟内就要决定“继续看还是淘汰”。这个速度下，摘要就是生死线。

摘要需要在一页里写清楚五件事：问题背景、你们做了什么核心假设、建立了什么模型、用什么方法求解、得到了什么结论以及模型有什么亮点。很多队伍把摘要写成“本文针对……问题，建立了……模型，并进行了……分析”这种空洞句式，评委看完根本抓不住你的实际工作。好的摘要要做到：即使评委不读正文，也能把你们的建模思路复述一遍。

第二眼看的是模型和方法的匹配度。评委不是要找一个“最先进”的模型，而是要看你的模型是否合理支撑题目中的问题。一个朴素但完整、每一步都有交代的回归模型，往往比一个强行套上去的神经网络得分更高。建模竞赛最怕的是“高级名词轰炸”，正文里堆满各种算法名，却说不清楚为什么选它们。

第三眼看的是结果是否有说服力。如果你的结论只体现在最后几行的数字，而没有任何敏感性分析、稳定性检验、误差分析，评委很难相信这个结果可靠。这里的核心不是你的结果有多“漂亮”，而是你能证明这个结果“不依赖随便拍脑袋的参数”。

4.2 评审最反感的三类硬伤

第一个硬伤是问题重述直接复制赛题原文。很多评委在访谈中明确说过，他们一看到大段复制粘贴的题目背景就会印象分下降。正确做法是把赛题重新组织和提炼，用你们的语言归纳出问题的核心矛盾，并明确指出“我们要着重解决哪些子问题”。

第二个硬伤是图表和正文脱节。图表要么不标单位，要么坐标轴文字看不清，要么没有配套的引用解释。评委每天看大量论文，一张混乱的图比一段平庸的文字更减分。深有体会的是，很多队伍把全部时间花在建模和代码上，最后只留一小时在PPT和论文排版上，结果图表缺失、格式错乱，这才是最可惜的。

第三个硬伤是结果无法复现。论文里写“用遗传算法求得最优值为XX”，但附录代码跑出来的数对不上，或者根本没有附录代码，这在冲高等级时几乎是致命的。交稿前你们三个人一定要做一次“代码复现检查”：把论文里的每一个关键数字追溯到代码中的输出，确保每一步都有据可查。

4.3 隐性加分项：让论文看起来像“精品”

获奖论文和平庸论文的差别，往往不在于模型的复杂程度，而在于完成度。几个判断“精品感”的细节：

第一，全文有一套统一的符号体系。变量定义清楚，公式编号完整，前后引用一致，这在Latex中如果规划好了会很加分，用Word也能做到，只不过需要你提前设置好。

第二，图表要自解释。图的标题不只是“Figure 1”，而是一句能概括结论的话，比如“不同参数下的模型预测结果与实际数据对比”。坐标轴名、单位、图例、置信区间都清楚地标出来，导图时要设置矢量格式或高DPI，别用模糊的截图。

第三，结论部分要讲清楚“模型的局限和未来改进方向”。这不是敷衍的套话，而是展示你作为建模者对问题边界的理解。一套模型能意识到自己在哪些场景失效、哪些假设最脆弱，比嘴上宣称“模型完美”要专业得多。

第四，附录和参考文献要规范。美赛不严格要求参考文献的格式，但引用要真实。有些队伍的参考文献列了一堆根本没读过的论文，评委如果抽查到，观感会很差。反过来，认真引用三五篇真实相关文献，并说明你从中参考了什么思路，会明显提升论文的专业感。

5. 常见问题与实战避坑指南

到了这个章节，说点最实在的。多年带赛和参赛经历里，有太多队伍倒在的不是技术，而是常识和流程上。

5.1 高频问题速查表

5.2 四天节奏控制与时间分配

根据大多数获奖队伍的节奏，我建议按下面这个框架分配时间，截图保存下来，比赛时直接照做。

第一天上午到中午，快速确定选题并完成赛题拆解。不要试图把所有题目都看懂，人的认知带宽有限，选定一题后就停止横向比较。当天下午完成资料收集、数据检查（如果是数据题）或问题假设列表，把“要解决什么、需要什么变量、能用什么模型”写成一张结构化笔记。晚上必须完成一个尽可能完整的初步模型框架。

第二天，把精力集中在求解和编码上。白天把模型跑通，哪怕结果粗糙。晚上开始整理求解结果，并记录“模型目前有哪些问题”。这里很多人会陷入反复调参的泥潭，一定要记住：第二天只求“跑通”，不求“完美”。

第三天，上午根据第二天的结果修正模型，下午做敏感性分析和结果对比，晚上写摘要初稿和论文主体。这句话再说一遍：不要等到第四天才写摘要，第三天晚上的摘要初稿，即使只能写80%，也能给第四天留下充足的打磨空间。

第四天，上午只做一件事：写作和图表完善。下午做全文逻辑检查和代码复现核对。晚上至少提前两小时完成提交准备，包括文件命名、PDF转换、邮件/系统上传，绝不要卡着最后一分钟提交。

5.3 几条真实踩坑记录

我第一次参赛时，队伍里没有明确写手，三个人都是建模背景，结果第四天下午才意识到摘要还没写，最后只能用二十分钟草草收尾。那次文章的模型其实做得不差，但摘要信息量太低，最终只拿了S奖。后来复盘清清楚楚：比赛不是“模型做得越难越能获奖”，而是“摘要、正文、图表、代码全部完整”，才能进入评委的“高完成度”池子。

另一个常见坑是“换题冲动”。有队伍第一天晚上觉得C题数据太脏，第二天早上想转E题，结果两头都没做好。一般来说，正式开赛后24小时内必须锁死选题，之后无论遇到什么困难，都不要整体推倒重来。模型可以修，方向不能换。

如果你看到这里，说明你真的想认真准备2026年美赛了。我最想说的体会是：获奖不是一个玄学，它等于“选择合适赛道+完整执行流程+逻辑自洽的写作”。与其背一堆华丽的算法名词，不如把题读透、把模型做扎实、把摘要写到“不看正文也能复述思路”的程度。最后再分享一个建议：赛前最后一周，不要刷难题了，把近三年的获奖论文按你们选定的赛道各精读两篇，然后用周日完整模拟一次提交流程。准备到这种程度，赛场上你就不会慌。