1. 这道题藏在编号里的备赛逻辑为什么一份2026年MCM备忘录值得单独整理我翻了翻自己的电子笔记发现每年美赛结束后我都会留下一个名为“memo”开头的文件夹里面乱七八糟堆着现场写了一半的代码、临时改的公式截图、凌晨三点发给队友的语音转文字以及赛后复盘时随手记的“下次绝对不能再犯”的教训。2026年MCM的111号备忘录就是这类资料里最有代表性的一份标题看起来只是一串字符但对准备过美赛的人来说它意味着一次完整的、从选题到提交的全流程记录。我写这篇内容的目的是把它还原成一个任何人都能复用的备赛框架。你不需要真的等题目出了才开始紧张更不需要靠通宵硬扛把“memo2026mcm111”当成一个项目案例来拆你会发现美赛的本质其实就三件事题目拆解、模型匹配、论文表达。这篇更偏实战适合第一次参赛或者前几次成绩不理想、想系统改进的本科团队也适合指导老师拿来当备赛时间线的参考。关于美赛有一个很多人不愿意承认的事实大部分队伍输在的不是建模能力而是把三天时间花在了无意义的争吵和返工上。所以这份备忘录里我最想保留下来的不是哪个模型比哪个模型高级而是我们如何用一套固定流程把不确定性降到最低。2. 灵魂拷问MCM到底在考什么以及为什么90%的队伍一开始就偏了2.1 组委会没有写在官网上的评分逻辑很多第一次参赛的人会在FAQ页面反复找评奖细则官方实际上给出的只有几条大方向问题表述是否清晰、是否用了合适的数学工具、假设是否合理、是否做了敏感性和鲁棒性分析、结论是否可读。听起来都很虚对不对我踩过一次坑之后才慢慢想明白这些条条框框背后其实就指向一件事评委想看的是有逻辑的数学思维过程而不是一个完美的答案。MCM的题目大多是开放的真实场景问题没有标准解。也就是说最终成绩完全取决于你讲了一个多完整的故事。以我复盘过的多篇O奖论文为例它们的共同点是“一眼扫过去就知道队伍在想什么、怎么想、想到了哪一步”。相反很多队伍花了大量时间把模型做得特别复杂结果假设本身就站不住脚或者随便加了一堆不现实的条件评委很容易就看出这是个理论花架子。我把这个逻辑称作“评委十分钟判卷原则”。一份40页左右的解决方案评委真正仔细看的很可能只有摘要、模型概述、结果分析、结论这几块剩下的内容是用来支撑“整体感”的。所以备忘录里我把“讲清楚”放在了“做准确”前面这不是说精度不重要而是说你首先要让读者愿意读下去。2.2 一个合格的备赛团队该长什么样团队的岗位划分标准配置一般是建模、编程、写作很多人就真的各管一摊直到提交前六小时才发现写作同学看不懂模型代码编程同学不知道论文重点在哪。但仔细想想论文是唯一交付物代码只是用来产生结果的工具所以真正的核心岗位应该是“论文主笔人”其他两个人的所有工作都是为了降低主笔人的认知负担。这里我建议一个调整后的分工方式建模负责人同时负责画示意图和写模型推导部分编程负责人同时负责结果可视化的图表输出写作负责人统筹全篇但要求至少掌握用Python跑通简单的小米聚类和回归。这样一来每个人都会在各自负责的片段里对自己写出来的内容负责沟通成本会明显降低。我在备忘录里给每个岗位都列了一个“当天必须产出”的清单比如第一天建模岗要产出三个候选方法说明和适用条件对比表编程岗要做完基础数据清洗并输出前三个可视化图写作岗必须搭出完整论文框架并写出摘要初稿。2.3 千万别被标题里的年份限制住思维再扯远一点“memo2026mcm111”里的年份和编号在很多人看来是具体的比赛信息但更有价值的解读方式是把它当成一个版本迭代的代号。真正值得反复回顾的不是最新的题目而是过去五年的O奖论文里那些可以移植的套路和分析思路。比如MCM大部分题目都可以归成几大类资源分配与规划、网络与流量、环境与生态、政策评估、数据处理与特征分析。每一类都有相对成熟的分析路径如果你在比赛前就针对这五类题目分别准备过一套基座模型和配套可视化方案比赛时的任务就不是从零开始而是做适配和扩展。我把这叫做“预制菜策略”——听起来不够酷但非常实用。提前准备不是作弊因为模型本身还是要根据具体题重新调参和论证只是把最大块的时间和返工风险提前消化掉了。3. 核心工具箱赛前三个月我到底做了哪些准备3.1 编程栈配置与代码资产沉淀我见过有人为了美赛临时去学MATLAB也见过有队伍为了显得“专业”硬用Mathematica。工具本身没有高低贵贱但比赛时效率第一强烈建议统一用Python生态原因是团队协作和代码复用最方便而且可视化输出审美上限高。常用的核心库就是那些NumPy、pandas、scipy、scikit-learn、matplotlib、plotly偶尔用networkx做图论模型。但比装库更重要的是建立自己的代码资产库。我在赛前花了三个星期做了这样一件事把过去几年的题目大致跑了一遍针对“数据清洗—探索性分析—基础建模—结果输出”四个阶段各沉淀了三五个可以一键套用的小脚本。比如数据清洗阶段有个脚本专门处理缺失值和异常值输入一个DataFrame就能输出一份清洗报告结果输出阶段有一个脚本模板可以快速生成统一风格的折线图、热力图和三维散点图。这些脚本都不复杂加起来不到两千行但它们在比赛那三天帮我们把大量时间从“写工具”挪到了“调模型”上。从实际效果看这套配置最大的收益并不在于算法多先进而在于减少了团队成员之间的“代码理解成本”。三个人都查同一个模板库哪怕队友第一次看你写的函数三分钟内也能知道怎么改参数。3.2 论文写作模板与可视化审美的固定化很多备赛建议喜欢让人从零开始练写作我是反对的。比赛的三天里连标题格式、字体、图表编号这种鸡毛蒜皮的事都有可能引发争论所以必须提前把论文模板定死。我在备忘录里保存了一套自己反复打磨过的LaTeX模板用Overleaf打开就能直接编章节结构和常用环境定理、算法、表格都预设好了摘要单独留出一个矩形区域表格用booktabs风格代码用默认的等宽字体。可视化这块建议赛前就建立好一个配色方案并形成肌肉记忆。我不会推荐花里胡哨的颜色因为评委看多了奥奖论文就会发现成功作品的图表往往用色克制、标注清晰。你可以固定一个主色和两三个辅助色比如深蓝、橙色系把这一套写到matplotlib的自定义样式文件里包括坐标轴标签的字体大小、图例位置、网格是否要开。我甚至提前写好了几个成品图模板直接用自己数据套导出后图片风格非常统一。这些细节在形成整体论文观感时会发挥很大作用因为评委扫到图表这块第一反应是“舒服”还是“杂乱”直接决定了后续的阅读耐心。3.3 拿得出手的数学基础模块清单比环境和模板更要紧的是数学方法的积累。三天的比赛里想重新理解一个新算法风险非常高所以赛前必须把常用的方法吃透。我给自己列了一个“不需要思考就能用”的模块清单分成四个层级数据处理层线性回归、Logistic回归、主成分分析PCA、K-means、层次聚类、DBSCAN评价与决策层层次分析法AHP、熵权法、TOPSIS、灰色关联分析、模糊综合评价规划与优化层线性规划、整数规划、动态规划、贪心算法用于近似解预测层时间序列分析ARIMA、指数平滑、简单神经网络MLP、随机森林真的够用了。很多队伍的问题不是方法不够而是太想“炫技”引入了一大堆自己都解释不清的算法结果评委一问假设就得露馅。在MCM的场景下用常见方法把故事讲完整远胜于用冷门算法把漏洞留给自己。我把这份清单也直接放在备忘录的软件工程部分每项后面都附了对应Python实现的封装函数名以及哪天复现过一遍的记录。比赛时一旦确定题目方向我只需要在清单里勾选两三个候选方法然后和队友快速评审优缺点大大压缩了选题讨论的时间。4. 七十二小时的节奏一份没那么痛苦的时间管理方案4.1 第一天周五理解题目比急着动手重要一万倍美赛题目一般是北京时间早上六点放出很多队伍在题目发布一小时内就强行选定了一题理由是“早点开始”。这种做法我极其不推荐因为头几个小时的兴奋感会让你产生过度自信的判断。我在备忘录里记录的节奏是所有人花两小时单独阅读全部题目每人用自己的话写一段“这题在要我做什么”的解释再互相交换阅读。等到上午十点大家一起开讨论会时我们已经有了一份差异化的理解基础交流起来效率极高。有人会从数据可得性角度说这个题不好做有人会指出某个问题的实际物理意义不明确这些信息对选题非常重要。这时候定题才是基于信息的决策而不是靠直觉拍脑袋。定题之后立刻做三件事一是确定基本假设哪怕只是第一版粗假设也要写下来二是构建问题解决的框架图可以简单画一个输入—模型—输出的箭头示意三是明确数据集来源和格式把可用的外部数据也列出来。中午之前一定要完成这些下午就要沉下心正式开始建模和编程了。4.2 第二天周六模型迭代和论文初稿可以并行传统的做法是建模组先做两天模型最后一天开始让写作的人写论文。结果是最后一天往往只能做到“把已有内容填进模板”根本没有时间梳理思路论文逻辑稀碎。我后来调整成“写作伴随模型进行”的模式第一天下午写作负责人根据所选的题目和模型框架先把论文除结果以外的骨架全部写出来——背景、问题重述、假设、符号说明、模型概述都可以在最终结果是空的情况下先完成。第二天的主要任务就是模型实现和结果生成。这个阶段最关键的是跑通一根完整的“最小流水线”哪怕用的是非常简化的模型也要在当天下午前出一个初步结果让全队亲眼看见从数据到图表的完整链路。我先跑通再逐步优化这个顺序可以防止最后一天出现灾难性的集成问题。同时当天晚上需要根据初步结果把摘要初稿写出来这个初稿即使只有几句话也非常有价值因为后续所做的优化都有了明确的对齐目标。4.3 第三天周日留出六小时以上的缓冲区间这是我理解的“111号备忘录”和泛泛而谈的备赛经验最大的区别最后一整天是用来打磨的不是用来赶工的。很多队伍周日还在调代码、改模型结果论文、附录、参考文献都来不及检查大大小小的问题。我给自己立了一个规矩早上十点前必须冻结所有模型参数和算法选择也就是说十点之后只允许做两种修改——修正重大错误和改善论文表达。模型冻结后剩下的时间全部投入论文打磨和附属材料整理。我会做的事包括逐段审视摘要和结论的一致性、检查每个图是否都有编号与正文引用、核对所有参考文献格式、确保代码附录可以完整跑通。这些琐碎的检查看起来不起眼但在评委那里非常加分。下午五点前完成内部统稿之后做最后一次全文通读松一口气准备提交。5. 拆题到建模一套可以反复套用的实战方法论5.1 题目文本的“要素抽取法”很多队伍卡在第一天的原因是不知道怎么把一段两三页的赛题描述变成可操作的任务。我摸索出一个“要素抽取法”把赛题的每一段都用固定维度重新梳理一遍约束条件、优化目标、决策主体、可获取的数据、希望得到的结论。这四个维度在两三个小时的集体讨论里就能输出来之后所有工作都围绕这份要素表展开。比如一个典型的环境规划类题目你可以很快抽出“约束条件资源总量、生态红线等”、“优化目标经济效益最大化或污染最小化”、“决策主体政策制定者或企业”、“数据和结论需要量化方案评估”。把这些要素写在一张共享文档里并随着思考深入不断修改模型选择就会变得非常自然。你不至于等到代码写了一半才猛然发现忽略了某个关键约束。5.2 模型选型的“三问原则”我在备忘录里写了一个模型选型时的“三问原则”每次需要敲定某个方法时就问自己三个问题这个问题真的要复杂模型吗简单方法能不能给出合理基线我的数据量和数据质量支撑得起这个方法吗如果评委问“为什么用这个方法”我能用三句话说清楚吗这三问可以避免很多无意义的炫技和过度工程化。我在实际比赛时经常发现最简单的线性回归加一个合理的分段处理效果比强行上深度学习好得多。比赛不是发论文评委更在意逻辑自洽性和结果的可解释性而非方法的前沿程度。如果你选择的模型连队友都解释不清楚那风险就非常大了。5.3 敏感性分析和鲁棒性验证的正确姿势自从MCM成绩评审越来越看重模型的稳健性之后敏感性分析就成了比较关键的加分项。很多队伍只会做一件事改一个参数看结果变不变。这种分析一方面不系统另一方面也没法给评委留下深刻印象。更推荐的做法是选取两到三个核心参数以初始值为中心在合理范围内进行若干次采样画出结果随参数变化的趋势图。然后挑出最敏感的参数额外讨论它的现实含义和可能取值空间。再配合一个不同随机种子下模型结果的变化范围图鲁棒性说明就完整了。最好在模型阐述时单独开一个小节标题就叫“敏感性分析”里面用两三张图配文字说明评委看到这种结构会觉得你很老练。我在备忘录里记录过一次经典的失误第一版模型对某个参数非常敏感但我们没做分析就直接提交了评委在评审意见里明确指出了这一点。从那之后我就把敏感性分析当成建模的必需环节而不是可选项。6. 论文写作的隐形扣分点那些你以为不重要但评委都在看的地方6.1 摘要整篇论文中最容易拉开差距的部分MCM的摘要其实要控制在一页以内很多队伍写着写着就超了。评委阅读评委的时间非常有限摘要基本决定了他们对整篇论文的印象分。我建议的摘要结构是固定的五段式研究背景和问题重述两到三行、模型概述最重要的位置说明用了什么方法、主要结果用具体数值或趋势描述、敏感性分析结论、最后加一句模型适用性和推广价值。有个经验是摘要中一定要有一个可以被人记住的“数字结论”。比如“本模型预测准确率为91.2%”比“本模型预测效果良好”有说服力得多。哪怕预测本身不完美也要尽量用一个量化指标来说明模型表现。另外摘要里别放公式和引用这些细节容易被忽略却会直接影响观感。6.2 假设与符号表体现团队数学素养的“隐蔽战场”假设部分很多人都草草两句话带过其实这是评委观察你有没有认真思考题目的窗口。好的假设列表应该满足三条第一每个假设都可以对应到模型推导里确实使用过的地方第二假设之间不互相矛盾第三对可能导致偏差的假设后面做了敏感性分析来量化影响。符号表同样不能敷衍。统一使用数学排版按出现顺序排列注意大小写和希腊字母的用法。不要小看这个部分因为人脑处理视觉杂乱信息时会下意识降低对专业水平的评价。一个排版严谨、符号统一的论文即使数学模型一般也会给人更专业的感觉。6.3 参考文献和附录有多少队伍栽在格式这个小坑上参考文献的格式一定要在赛前就设置好推荐使用BibTeX在模板里预置好常见参考文献类型。团队可以约定用Google Scholar一次性导出所有引用这样格式基本统一省下一堆手工调整的麻烦。附录里放代码时确保每段代码都有简单注释并且将代码块整理成可以直接从头跑通的顺序。附录虽然不参与正文评分但它给了评委一个“验证你们工作真实性”的窗口代码整洁的队伍通常更可信。6.4 图表的使用与图注写作规范图表是论文中直观表达结果的主要方式很多队伍对图表的设计认识不够。一个合格图表的评判标准是所有信息在一米开外就能看得懂图例位置、标签大小、颜色对比度都要拉满。图注不要写“结果图”这种废话而是写清楚“在参数X变化下模型输出Y的变化趋势可以看到在XK处达到最优”。这种图注等于直接把结论讲给评委听而非让评委自己在图里找信息。7. 复盘即成长赛后我从111号备忘录里提取的五个可复用习惯写到这里我想回到“memo2026mcm111”这个标题本身。它对我来说不光是一次比赛的数据存档更是一个知识管理的切片。每次赛后我都会在新的备忘录里记录三类内容做得好的、做得差的、下次要改的。这个过程比拿奖本身更有价值因为竞赛的收获不应该只是一张电子证书而应该是一套可以迁移到科研、工作和生活中的做事能力。五个我反复用到的习惯可以分享给读者。首先是任何决策都要有记录哪怕只是一句话的理由也能避免同一天里重复讨论同样的问题。其次是前一天晚上必须明确第二天的核心目标和完成标准把模糊的“再做做模型”变成具体的“完成三次参数实验并出图”。第三是随时备份到云端包括代码、数据、论文稿和截图防止某台电脑意外失灵这种事情真的每年都在发生。第四是每个成员每天结束时写三行总结分别回答“我今天完成了什么”“卡点在哪”“明天的计划是什么”。这三行文字赛时看着没什么赛后复盘时价值巨大。最后是对评审意见保持开放心态无论成绩好坏认真读一遍评委反馈很多问题会暴露出来这些问题往往不是模型问题而是表达和逻辑问题。备忘录里那次比赛的成绩不是队史最佳但刷新了我对团队协作和赛程管理的理解。如果这篇文章能让你在下次比赛中少走一段弯路把更多精力放到理解题目、讲好故事上那就已经很有价值了。比赛本身只有三天但它逼出来的方法、习惯和视角可以一直用下去。 MCM美赛备赛框架：从题目拆解到论文提交的系统实战指南
1. 这道题藏在编号里的备赛逻辑为什么一份2026年MCM备忘录值得单独整理我翻了翻自己的电子笔记发现每年美赛结束后我都会留下一个名为“memo”开头的文件夹里面乱七八糟堆着现场写了一半的代码、临时改的公式截图、凌晨三点发给队友的语音转文字以及赛后复盘时随手记的“下次绝对不能再犯”的教训。2026年MCM的111号备忘录就是这类资料里最有代表性的一份标题看起来只是一串字符但对准备过美赛的人来说它意味着一次完整的、从选题到提交的全流程记录。我写这篇内容的目的是把它还原成一个任何人都能复用的备赛框架。你不需要真的等题目出了才开始紧张更不需要靠通宵硬扛把“memo2026mcm111”当成一个项目案例来拆你会发现美赛的本质其实就三件事题目拆解、模型匹配、论文表达。这篇更偏实战适合第一次参赛或者前几次成绩不理想、想系统改进的本科团队也适合指导老师拿来当备赛时间线的参考。关于美赛有一个很多人不愿意承认的事实大部分队伍输在的不是建模能力而是把三天时间花在了无意义的争吵和返工上。所以这份备忘录里我最想保留下来的不是哪个模型比哪个模型高级而是我们如何用一套固定流程把不确定性降到最低。2. 灵魂拷问MCM到底在考什么以及为什么90%的队伍一开始就偏了2.1 组委会没有写在官网上的评分逻辑很多第一次参赛的人会在FAQ页面反复找评奖细则官方实际上给出的只有几条大方向问题表述是否清晰、是否用了合适的数学工具、假设是否合理、是否做了敏感性和鲁棒性分析、结论是否可读。听起来都很虚对不对我踩过一次坑之后才慢慢想明白这些条条框框背后其实就指向一件事评委想看的是有逻辑的数学思维过程而不是一个完美的答案。MCM的题目大多是开放的真实场景问题没有标准解。也就是说最终成绩完全取决于你讲了一个多完整的故事。以我复盘过的多篇O奖论文为例它们的共同点是“一眼扫过去就知道队伍在想什么、怎么想、想到了哪一步”。相反很多队伍花了大量时间把模型做得特别复杂结果假设本身就站不住脚或者随便加了一堆不现实的条件评委很容易就看出这是个理论花架子。我把这个逻辑称作“评委十分钟判卷原则”。一份40页左右的解决方案评委真正仔细看的很可能只有摘要、模型概述、结果分析、结论这几块剩下的内容是用来支撑“整体感”的。所以备忘录里我把“讲清楚”放在了“做准确”前面这不是说精度不重要而是说你首先要让读者愿意读下去。2.2 一个合格的备赛团队该长什么样团队的岗位划分标准配置一般是建模、编程、写作很多人就真的各管一摊直到提交前六小时才发现写作同学看不懂模型代码编程同学不知道论文重点在哪。但仔细想想论文是唯一交付物代码只是用来产生结果的工具所以真正的核心岗位应该是“论文主笔人”其他两个人的所有工作都是为了降低主笔人的认知负担。这里我建议一个调整后的分工方式建模负责人同时负责画示意图和写模型推导部分编程负责人同时负责结果可视化的图表输出写作负责人统筹全篇但要求至少掌握用Python跑通简单的小米聚类和回归。这样一来每个人都会在各自负责的片段里对自己写出来的内容负责沟通成本会明显降低。我在备忘录里给每个岗位都列了一个“当天必须产出”的清单比如第一天建模岗要产出三个候选方法说明和适用条件对比表编程岗要做完基础数据清洗并输出前三个可视化图写作岗必须搭出完整论文框架并写出摘要初稿。2.3 千万别被标题里的年份限制住思维再扯远一点“memo2026mcm111”里的年份和编号在很多人看来是具体的比赛信息但更有价值的解读方式是把它当成一个版本迭代的代号。真正值得反复回顾的不是最新的题目而是过去五年的O奖论文里那些可以移植的套路和分析思路。比如MCM大部分题目都可以归成几大类资源分配与规划、网络与流量、环境与生态、政策评估、数据处理与特征分析。每一类都有相对成熟的分析路径如果你在比赛前就针对这五类题目分别准备过一套基座模型和配套可视化方案比赛时的任务就不是从零开始而是做适配和扩展。我把这叫做“预制菜策略”——听起来不够酷但非常实用。提前准备不是作弊因为模型本身还是要根据具体题重新调参和论证只是把最大块的时间和返工风险提前消化掉了。3. 核心工具箱赛前三个月我到底做了哪些准备3.1 编程栈配置与代码资产沉淀我见过有人为了美赛临时去学MATLAB也见过有队伍为了显得“专业”硬用Mathematica。工具本身没有高低贵贱但比赛时效率第一强烈建议统一用Python生态原因是团队协作和代码复用最方便而且可视化输出审美上限高。常用的核心库就是那些NumPy、pandas、scipy、scikit-learn、matplotlib、plotly偶尔用networkx做图论模型。但比装库更重要的是建立自己的代码资产库。我在赛前花了三个星期做了这样一件事把过去几年的题目大致跑了一遍针对“数据清洗—探索性分析—基础建模—结果输出”四个阶段各沉淀了三五个可以一键套用的小脚本。比如数据清洗阶段有个脚本专门处理缺失值和异常值输入一个DataFrame就能输出一份清洗报告结果输出阶段有一个脚本模板可以快速生成统一风格的折线图、热力图和三维散点图。这些脚本都不复杂加起来不到两千行但它们在比赛那三天帮我们把大量时间从“写工具”挪到了“调模型”上。从实际效果看这套配置最大的收益并不在于算法多先进而在于减少了团队成员之间的“代码理解成本”。三个人都查同一个模板库哪怕队友第一次看你写的函数三分钟内也能知道怎么改参数。3.2 论文写作模板与可视化审美的固定化很多备赛建议喜欢让人从零开始练写作我是反对的。比赛的三天里连标题格式、字体、图表编号这种鸡毛蒜皮的事都有可能引发争论所以必须提前把论文模板定死。我在备忘录里保存了一套自己反复打磨过的LaTeX模板用Overleaf打开就能直接编章节结构和常用环境定理、算法、表格都预设好了摘要单独留出一个矩形区域表格用booktabs风格代码用默认的等宽字体。可视化这块建议赛前就建立好一个配色方案并形成肌肉记忆。我不会推荐花里胡哨的颜色因为评委看多了奥奖论文就会发现成功作品的图表往往用色克制、标注清晰。你可以固定一个主色和两三个辅助色比如深蓝、橙色系把这一套写到matplotlib的自定义样式文件里包括坐标轴标签的字体大小、图例位置、网格是否要开。我甚至提前写好了几个成品图模板直接用自己数据套导出后图片风格非常统一。这些细节在形成整体论文观感时会发挥很大作用因为评委扫到图表这块第一反应是“舒服”还是“杂乱”直接决定了后续的阅读耐心。3.3 拿得出手的数学基础模块清单比环境和模板更要紧的是数学方法的积累。三天的比赛里想重新理解一个新算法风险非常高所以赛前必须把常用的方法吃透。我给自己列了一个“不需要思考就能用”的模块清单分成四个层级数据处理层线性回归、Logistic回归、主成分分析PCA、K-means、层次聚类、DBSCAN评价与决策层层次分析法AHP、熵权法、TOPSIS、灰色关联分析、模糊综合评价规划与优化层线性规划、整数规划、动态规划、贪心算法用于近似解预测层时间序列分析ARIMA、指数平滑、简单神经网络MLP、随机森林真的够用了。很多队伍的问题不是方法不够而是太想“炫技”引入了一大堆自己都解释不清的算法结果评委一问假设就得露馅。在MCM的场景下用常见方法把故事讲完整远胜于用冷门算法把漏洞留给自己。我把这份清单也直接放在备忘录的软件工程部分每项后面都附了对应Python实现的封装函数名以及哪天复现过一遍的记录。比赛时一旦确定题目方向我只需要在清单里勾选两三个候选方法然后和队友快速评审优缺点大大压缩了选题讨论的时间。4. 七十二小时的节奏一份没那么痛苦的时间管理方案4.1 第一天周五理解题目比急着动手重要一万倍美赛题目一般是北京时间早上六点放出很多队伍在题目发布一小时内就强行选定了一题理由是“早点开始”。这种做法我极其不推荐因为头几个小时的兴奋感会让你产生过度自信的判断。我在备忘录里记录的节奏是所有人花两小时单独阅读全部题目每人用自己的话写一段“这题在要我做什么”的解释再互相交换阅读。等到上午十点大家一起开讨论会时我们已经有了一份差异化的理解基础交流起来效率极高。有人会从数据可得性角度说这个题不好做有人会指出某个问题的实际物理意义不明确这些信息对选题非常重要。这时候定题才是基于信息的决策而不是靠直觉拍脑袋。定题之后立刻做三件事一是确定基本假设哪怕只是第一版粗假设也要写下来二是构建问题解决的框架图可以简单画一个输入—模型—输出的箭头示意三是明确数据集来源和格式把可用的外部数据也列出来。中午之前一定要完成这些下午就要沉下心正式开始建模和编程了。4.2 第二天周六模型迭代和论文初稿可以并行传统的做法是建模组先做两天模型最后一天开始让写作的人写论文。结果是最后一天往往只能做到“把已有内容填进模板”根本没有时间梳理思路论文逻辑稀碎。我后来调整成“写作伴随模型进行”的模式第一天下午写作负责人根据所选的题目和模型框架先把论文除结果以外的骨架全部写出来——背景、问题重述、假设、符号说明、模型概述都可以在最终结果是空的情况下先完成。第二天的主要任务就是模型实现和结果生成。这个阶段最关键的是跑通一根完整的“最小流水线”哪怕用的是非常简化的模型也要在当天下午前出一个初步结果让全队亲眼看见从数据到图表的完整链路。我先跑通再逐步优化这个顺序可以防止最后一天出现灾难性的集成问题。同时当天晚上需要根据初步结果把摘要初稿写出来这个初稿即使只有几句话也非常有价值因为后续所做的优化都有了明确的对齐目标。4.3 第三天周日留出六小时以上的缓冲区间这是我理解的“111号备忘录”和泛泛而谈的备赛经验最大的区别最后一整天是用来打磨的不是用来赶工的。很多队伍周日还在调代码、改模型结果论文、附录、参考文献都来不及检查大大小小的问题。我给自己立了一个规矩早上十点前必须冻结所有模型参数和算法选择也就是说十点之后只允许做两种修改——修正重大错误和改善论文表达。模型冻结后剩下的时间全部投入论文打磨和附属材料整理。我会做的事包括逐段审视摘要和结论的一致性、检查每个图是否都有编号与正文引用、核对所有参考文献格式、确保代码附录可以完整跑通。这些琐碎的检查看起来不起眼但在评委那里非常加分。下午五点前完成内部统稿之后做最后一次全文通读松一口气准备提交。5. 拆题到建模一套可以反复套用的实战方法论5.1 题目文本的“要素抽取法”很多队伍卡在第一天的原因是不知道怎么把一段两三页的赛题描述变成可操作的任务。我摸索出一个“要素抽取法”把赛题的每一段都用固定维度重新梳理一遍约束条件、优化目标、决策主体、可获取的数据、希望得到的结论。这四个维度在两三个小时的集体讨论里就能输出来之后所有工作都围绕这份要素表展开。比如一个典型的环境规划类题目你可以很快抽出“约束条件资源总量、生态红线等”、“优化目标经济效益最大化或污染最小化”、“决策主体政策制定者或企业”、“数据和结论需要量化方案评估”。把这些要素写在一张共享文档里并随着思考深入不断修改模型选择就会变得非常自然。你不至于等到代码写了一半才猛然发现忽略了某个关键约束。5.2 模型选型的“三问原则”我在备忘录里写了一个模型选型时的“三问原则”每次需要敲定某个方法时就问自己三个问题这个问题真的要复杂模型吗简单方法能不能给出合理基线我的数据量和数据质量支撑得起这个方法吗如果评委问“为什么用这个方法”我能用三句话说清楚吗这三问可以避免很多无意义的炫技和过度工程化。我在实际比赛时经常发现最简单的线性回归加一个合理的分段处理效果比强行上深度学习好得多。比赛不是发论文评委更在意逻辑自洽性和结果的可解释性而非方法的前沿程度。如果你选择的模型连队友都解释不清楚那风险就非常大了。5.3 敏感性分析和鲁棒性验证的正确姿势自从MCM成绩评审越来越看重模型的稳健性之后敏感性分析就成了比较关键的加分项。很多队伍只会做一件事改一个参数看结果变不变。这种分析一方面不系统另一方面也没法给评委留下深刻印象。更推荐的做法是选取两到三个核心参数以初始值为中心在合理范围内进行若干次采样画出结果随参数变化的趋势图。然后挑出最敏感的参数额外讨论它的现实含义和可能取值空间。再配合一个不同随机种子下模型结果的变化范围图鲁棒性说明就完整了。最好在模型阐述时单独开一个小节标题就叫“敏感性分析”里面用两三张图配文字说明评委看到这种结构会觉得你很老练。我在备忘录里记录过一次经典的失误第一版模型对某个参数非常敏感但我们没做分析就直接提交了评委在评审意见里明确指出了这一点。从那之后我就把敏感性分析当成建模的必需环节而不是可选项。6. 论文写作的隐形扣分点那些你以为不重要但评委都在看的地方6.1 摘要整篇论文中最容易拉开差距的部分MCM的摘要其实要控制在一页以内很多队伍写着写着就超了。评委阅读评委的时间非常有限摘要基本决定了他们对整篇论文的印象分。我建议的摘要结构是固定的五段式研究背景和问题重述两到三行、模型概述最重要的位置说明用了什么方法、主要结果用具体数值或趋势描述、敏感性分析结论、最后加一句模型适用性和推广价值。有个经验是摘要中一定要有一个可以被人记住的“数字结论”。比如“本模型预测准确率为91.2%”比“本模型预测效果良好”有说服力得多。哪怕预测本身不完美也要尽量用一个量化指标来说明模型表现。另外摘要里别放公式和引用这些细节容易被忽略却会直接影响观感。6.2 假设与符号表体现团队数学素养的“隐蔽战场”假设部分很多人都草草两句话带过其实这是评委观察你有没有认真思考题目的窗口。好的假设列表应该满足三条第一每个假设都可以对应到模型推导里确实使用过的地方第二假设之间不互相矛盾第三对可能导致偏差的假设后面做了敏感性分析来量化影响。符号表同样不能敷衍。统一使用数学排版按出现顺序排列注意大小写和希腊字母的用法。不要小看这个部分因为人脑处理视觉杂乱信息时会下意识降低对专业水平的评价。一个排版严谨、符号统一的论文即使数学模型一般也会给人更专业的感觉。6.3 参考文献和附录有多少队伍栽在格式这个小坑上参考文献的格式一定要在赛前就设置好推荐使用BibTeX在模板里预置好常见参考文献类型。团队可以约定用Google Scholar一次性导出所有引用这样格式基本统一省下一堆手工调整的麻烦。附录里放代码时确保每段代码都有简单注释并且将代码块整理成可以直接从头跑通的顺序。附录虽然不参与正文评分但它给了评委一个“验证你们工作真实性”的窗口代码整洁的队伍通常更可信。6.4 图表的使用与图注写作规范图表是论文中直观表达结果的主要方式很多队伍对图表的设计认识不够。一个合格图表的评判标准是所有信息在一米开外就能看得懂图例位置、标签大小、颜色对比度都要拉满。图注不要写“结果图”这种废话而是写清楚“在参数X变化下模型输出Y的变化趋势可以看到在XK处达到最优”。这种图注等于直接把结论讲给评委听而非让评委自己在图里找信息。7. 复盘即成长赛后我从111号备忘录里提取的五个可复用习惯写到这里我想回到“memo2026mcm111”这个标题本身。它对我来说不光是一次比赛的数据存档更是一个知识管理的切片。每次赛后我都会在新的备忘录里记录三类内容做得好的、做得差的、下次要改的。这个过程比拿奖本身更有价值因为竞赛的收获不应该只是一张电子证书而应该是一套可以迁移到科研、工作和生活中的做事能力。五个我反复用到的习惯可以分享给读者。首先是任何决策都要有记录哪怕只是一句话的理由也能避免同一天里重复讨论同样的问题。其次是前一天晚上必须明确第二天的核心目标和完成标准把模糊的“再做做模型”变成具体的“完成三次参数实验并出图”。第三是随时备份到云端包括代码、数据、论文稿和截图防止某台电脑意外失灵这种事情真的每年都在发生。第四是每个成员每天结束时写三行总结分别回答“我今天完成了什么”“卡点在哪”“明天的计划是什么”。这三行文字赛时看着没什么赛后复盘时价值巨大。最后是对评审意见保持开放心态无论成绩好坏认真读一遍评委反馈很多问题会暴露出来这些问题往往不是模型问题而是表达和逻辑问题。备忘录里那次比赛的成绩不是队史最佳但刷新了我对团队协作和赛程管理的理解。如果这篇文章能让你在下次比赛中少走一段弯路把更多精力放到理解题目、讲好故事上那就已经很有价值了。比赛本身只有三天但它逼出来的方法、习惯和视角可以一直用下去。