1. 为什么我一直说“选错题比做不出来更致命”很多人准备美赛MCM的第一反应是刷算法、囤论文模板、拉队友练配合这都没错但我见过太多队伍栽在第一步开赛看到六个题目或者MCM通道里的三道题凭第一印象挑了一个“看起来顺眼”的题结果第二第三天越做越心虚最后交上去一篇自己都没底的东西。我的态度很直接选错题后面96小时基本都是在给错误答案做美化包装建模做得再辛苦也是白搭。美赛的评阅逻辑其实和大多数校内数学建模课不一样评委拿到一篇论文时最先判断的不是“你的模型是否高深”而是“你有没有正面回答题目真正在问的东西”。只要建模方向和题目主旨发生了偏移后面哪怕用了再复杂的微分方程、再漂亮的整数规划在评委眼里也只是一堆“没有指向性的计算动作”。反过来如果一个问题选得准团队从一开始就知道每个步骤在为什么服务写作时也会顺畅得多。另一个容易忽略的点是纠错成本。美赛的时间窗口通常固定在二月上旬的连续四天左右比如很多队伍会在周四早上拿到题目下周一提交。这中间的可用时间很紧张几乎不可能在第三天才发现自己选错题然后完整换题重来。我以前见过一个队伍第一天下午选了一道看起来很“偏技术”的A题做了十几个小时之后发现题干中大量自然语言需要转化为真实物理场景而队里没有人能把这个场景描述清楚。第二天中午他们想换到C题结果发现重新下载数据处理数据、重新建立分析主线已经来不及最后只能硬着头皮交了一份自己都不满意的论文。所以关于MCM选题我一直把它当成和建模能力同等重要的一项“元能力”来训练。这篇文章不是押题文没有人能提前预测2026年那几道题的具体内容。我想分享的是更适合绝大多数队伍的选题方法论先用赛制结构和命题思路锁定自己能打的题组再用开赛后的前三小时快速验证可行性最后通过一套开题流程让团队快速建立信心。无论题目怎么换这套逻辑都是稳定的。2. 2026年MCM的基本盘先看懂“MCM”这三个字母是什么意思2.1 赛制、时间窗口和平台没有你想的那么“灵活”按照美赛多年的安排MCM/ICM通常在每年二月初的一个完整周期内进行2026年大概率也会落在二月的第一或第二个整周内具体起止日期一定要以官网最终通知为准。很多初次参赛的队伍容易忽略一个点报名时需要在MCM和ICM两个入口中做出选择这直接决定你能看到哪些题目。通常来说注册为MCM队伍后开赛时会看到MCM的三个问题Problem A、Problem B、Problem C。如果注册为ICM队伍则会看到另外三道交叉学科风格更明显的问题Problem D、Problem E、Problem F。很多人习惯把所有美赛题统称为“MCM”但严格说标题里的“MCM”往往是美赛数学建模竞赛的泛称。真正会在MCM通道出现的通常就是A/B/C三题。2026年备赛时你应该先跟队友确认到底注册了哪个入口别等到开赛之后才发现自己能选的题组和你提前准备好的方向不一致。提交规则也需要提前留意最后交的是完整的PDF论文里面需要包含摘要页Summary Sheet摘要页不得超出官方限制的一页。数据或代码是否接受附件、是否有AI使用声明之类的规定每年都可能调整不要拿去年的规则惯性套到今年。最稳妥的做法是开赛前把官网当期发布的参赛说明完整读一遍让一个人专门负责规则核对。2.2 A/B/C三题的“题设气质”完全不同如果说MCM的基本盘是固定的那这三道题的最大差异不是“连续、离散、数据”这三个词的字面解释而是它们各自代表的思维模式Problem A连续建模题面往往围绕一个随时间或空间演化的连续系统展开例如物理过程、生态动力学、宏观扩散现象等。它看重的是团队用数学语言描述连续变化、分析稳定性和预测趋势的能力。Problem B离散建模题面常常充满决策、调度、路径分配、资源调度、网络设计等词汇像一份项目委托书。它看重的是从大量离散选项中寻找可行且较优方案的能力。Problem C数据洞察题面通常会提供若干结构化数据文件需要你从数据出发挖掘趋势、预测结果或做出分类分级。它看重的不只是跑模型更是对数据质量、业务含义和误差来源的理解。很多第一次参赛的队伍看到A题里有“微分方程”就主观觉得“太难”看到B题字很多就认定“太繁琐”看到C题给了一堆CSV就觉得“这个最常用所以最安全”。实际并不是这样。A题不一定都需要解析解数值模拟同样能解决问题B题并不要求你包打天下找到核心决策变量往往比读完全部信息更重要C题虽然省去了“无数据”的恐惧但每年都有大量队伍因为只会把数据灌进黑盒模型而写不出有洞察的论文。2.3 奖项预期和你选择有什么关系美赛奖项从低到高通常是Successful ParticipantS奖、Honorable MentionH奖、Meritorious WinnerM奖、FinalistF奖和Outstanding WinnerO奖。建议从备赛第一天就设定一个具体目标是想“拿一个国际奖项丰富简历”还是想“冲击M甚至O奖”目标不同选题策略完全不同。如果团队目标是拿H奖甚至M奖不需要选一个“看起来最复杂”的题反而应该优先选“最容易在有限时间内形成完整闭环”的题。一道A题如果物理背景太陌生需要花大量时间补背景知识那大概率不如一道你们已经能快速设计出基线模型的C题来得稳妥。但反过来如果团队想冲F/O奖就必须考虑选题还能不能支撑起足够有深度的创新空间因为O奖论文通常不只做对题还会在方法或者思路上让评委觉得“眼前一亮”。3. 三道题的真实难度画像不是“哪个简单”而是“你的队伍是哪块料”3.1 A题是一道“高风险高回报”的题A题常被看作最“数理”的一题。它的优秀论文往往呈现出一个明显特征所有模型参数都有物理意义所有量纲都自洽而且数值实验能展示系统在不同条件下涌现出的行为。想真正做好A题队伍里至少要有人能顺畅理解以下类型的表述变化率由什么驱动、是否满足某种守恒关系、系统是否存在平衡点、参数扰动会让结果发生什么改变。我经常听到同学说“我们高数学得不错所以可以选A题”但高数知识和物理建模之间还有很大距离。有一个很简单的自检方法打开一道往年的A题拿出一张白纸看看自己能不能在半小时内写出一个带量纲的微分方程或积分关系式。如果你连题干里的核心量应该对应什么单位都判断不出来那我建议不要拿开赛后宝贵的几小时去赌自己能在短时间内补完大学物理的感觉。这里要说明A题并不等于只有物理题它也可能涉及生态、环境、流行病学或材料科学。但共性是你需要接受“连续介质思想”。一个特别适合A题的团队通常有具备科研阅读能力的人能快速通过文献找到类似系统的基本方程比如热传导方程、种群增长的Logistic方程、疾病传播的SIR框架等然后针对题目改边界条件和驱动项。3.2 B题考验的是“把复杂决策拆成可计算问题”B题经常以长篇背景开头夹杂大量约束和利益相关方描述。很多队伍看到这种长题干会产生一种错觉问题要求我们做一个极其复杂的全方位优化系统。于是开始设计一个包含几十个约束的整数规划模型求解器跑两小时没有可行解最后在Deadline前急得团团转。我个人的判断是B题对“熟手”而言其实是比较友好的一类题因为它通常有明显的”目标-约束-决策”结构。比如调度问题一定有资源的有限性网络问题一定有路径或流量的限制政策设计问题一定有可量化指标。做B题更需要的是系统思维、需求分析和算法落地能力而不是纯粹的高深数学。选B题之前你需要快速判断队伍是否具备以下能力是否有人能很快把自然语言题干“翻译”成一个带符号的规划模型是否熟悉一些启发式算法或常用的求解器调用方式是否能接受“模型的结果不是一个精确最优值而是一套可解释的决策规则”如果不具备选B题很可能会陷入“目标函数写了几个每个都不知道如何求解”的泥潭。3.3 C题不是“数据可视化大赛”它要求你会做数据分析报告C题是很多人眼中的“安全区”因为每年它都提供具体数据好像只要会调库就能做。也正是因为这种想法C题成为了“低质量同质化论文”的重灾区。评委每年会看到大量使用随机森林或XGBoost硬 train 一通、然后画一堆相关性热力图和特征重要性图的论文这些论文往往停留在“描述现象”却没有进一步回答题目真正关心的“so what”。如果你们队伍选C题至少要有人具备以下能力能区分数据粒度能识别缺失或异常值的业务原因能设计合理的验证方案而不是把所有数据都扔进同一个模型能把模型结果翻译成清晰的业务结论。C题也经常会包含预测型任务比如预测某一指标的未来值或某一对象的分类这种任务如果忽视时间泄露结果会过于乐观评委一眼就能看出问题。3.4 用团队能力矩阵做“人题匹配”与其讨论哪题难不如做一个直白的能力清单。开赛前一周可以拉一个表格评估团队在以下维度上的水平1-5分数学推导能力、代码实现能力、数据处理能力、可视化与排版能力、论文写作能力、快速查文献能力。能力维度A题权重B题权重C题权重数学推导与物理直觉高中低建模框架设计高高中代码实现中高高数据处理低低高可视化与写作中中高比如如果团队里有人能熟练处理Excel/CSV并且熟悉PandasC题会更容易上手如果团队里有人参加过需要设计调度策略的科创项目B题会有优势如果队伍对微分方程数值模拟已经积累了几个项目经验A题值得一试。不要先问“哪道题简单”而是先问“我手里的牌适合打什么牌型”。4. 拿到题后的头三小时把“喜欢哪题”换成“哪题能形成闭环”4.1 第一轮快读只做三件事开赛后最容易犯的错是所有人盯着屏幕逐字精读题干三个小时过去了还没决定做哪题。我建议拿到题目后先不要疯狂讨论每个人独立花30到40分钟快速浏览所有可见题目然后集中在一起做三件事圈出问题给出的输入是真实数据文件、抽象假设条件还是只有背景描述圈出题目要求交付的输出需要给出预测区间、决策方案、评估结果还是一份带政策建议的报告找到隐含的衡量标准题目读完以后你能不能说出“怎样算做完、怎样算做好”这三个信息决定了你后续建模的边界。有的团队选了一题之后做了很多额外计算但根本没有回答题目要求的具体指标这就是第一轮阅读出了问题。4.2 “可交付性验证”四个问题快速筛题对于任何一道你有点想选的题用30分钟尝试回答以下四个问题我能不能在5分钟内说出第一版模型的输入和输出分别是什么这个第一版模型能不能在24小时内完成基线结果如果这个思路走不通有没有明显的备选方案题目要求的结果能不能用清晰的表格或图形呈现这四个问题背后都是同一个逻辑数学建模竞赛是“有限时间内的完整呈现”不是一个纯研究项目。如果一道题让你在第一阶段就觉得“看不清楚输入输出”那后面你大概率也不会突然看清楚。不要低估直觉也不要高估激情。4.3 三轮快速淘汰法第一轮淘汰“读完两遍还不知道它在问什么”的题目第二轮淘汰“我们过去没有任何代码或者论文支撑”的题目第三轮淘汰“今天晚饭前无法做出一个粗糙基线版本”的题目。这个方法听起来很功利但它有用。因为4天时间看起来长实际扣除睡眠、吃饭和低效沟通后可能只有50到60个高效小时。开赛第一晚如果还没有完成最小可行模型整个队伍的心态会开始紧张。用三轮淘汰法筛完之后每个队员最好都把自己的排序和理由写在纸上先不要互相说服。然后队长统计每个人的前两选择选出一致性最高的题目继续深入其他题目暂时搁置。注意是“暂时搁置”不是“彻底否定”万一深入后发现第一选择不可行还可以回到第二选择。5. 初步分析不是“想想而已”是一套六步开题卡5.1 把题干改写成“决策变量目标限制”初步分析的第一步不是建模而是翻译。无论哪道题你都可以尝试用下面这个句式把题干压缩成一句话题目希望在满足某些限制的前提下通过调整某些可操作变量让某个或某几个指标尽可能好。A题可以说“通过调整环境参数或控制策略让某种动态系统达到期望行为”B题可以说“在资源有限且时序约束下为每个任务分配开始时间或路径”C题可以说“基于历史数据构造特征预测目标变量并给出可用于决策的解释”。如果你发现一句话怎么都写不出来说明你们还没有真正理解问题。这个改写不需要很学术但要把“主语”和“动作”搞清楚。我特别建议把这句改写后的句子贴在文档最顶部作为全篇论文的锚点避免后面写着写着就漂移了。5.2 画出全局信息流图哪怕只在纸上不建议直接打开编程软件建议先在纸上画一个全局关系图。中心是题目核心对象左边是给定的已知量或数据右边是要求输出的东西上边是问题假设下边是衡量指标。用箭头把这些要素连起来你会很快看到哪些环节还缺信息哪些环节是你们已经做过类似项目的哪些环节需要额外查文献这一步同时也是分工的依据。模型搭建、数据处理、文献补充、图表绘制四类工作可以提前分好负责人减少后来“谁都不想做文献”的扯皮。5.3 先建立一个“朴素基线模型”这是我认为最关键的步骤。很多队伍一开始就直奔高级算法或复杂微分方程最后连数据读取和预处理都没走通。正确顺序是先做一个简单但能跑的基线A题可以用平均场/常微分方程近似先不追求空间分布B题可以用贪心规则/优先级策略生成一个可行解先不追求全局最优C题可以先跑一个线性回归或决策树先把数据管道验证通。为什么一定要有这么朴素的第一步因为评委在评审时非常看重“与基线比较”。如果你们只呈现复杂模型却没有解释它比简单模型好在哪里、在哪些场景下提升显著论文的说服力会大打折扣。同时基线模型也是你们后续排错的最佳参照物如果复杂模型的结果还不如基线至少能逼你们思考哪里出了问题。5.4 给每个子问题配置“主模型 支撑模型 替代方案”一个常见的选题误区是希望用一个大一统模型一次性解决所有小问。实际上题目内部往往包含多个子问题每一个子问题都需要至少一个模型来支撑。建议你们在初步分析阶段就把题目拆成2到4个子问题为每个子问题规划一个主模型另选一个方法作为鲁棒性检验。比如一个偏B题风格的调度问题第一问可能只需要一个规则或线性规划第二问则需要引入随机模拟或元启发式而一个偏C题风格的预测问题第一问可能是分类模型第二问可能要做不确定性区间估计。初步分析要完成的是给每个子问题“安排住处”而不是等到第四天发现还有一问没有模型可用。5.5 头48小时的时间轴怎么排这是我的建议时间模板适用于大部分队伍第一天上午完成题目选择做好六步开题分析第一天下午完成每个子问题的基线模型至少跑通一版结果第二天全天针对核心子问题引入主模型完成第一次完整结果第三天白天补齐剩余问题、进行灵敏度分析和误差分析第三天晚上整理图表和主要结论第四天集中完成摘要页、全文写作和整篇论文的最终检查。很多队伍习惯先写完所有模型再开始写作这是非常危险的。最好安排一个人从第一天下午就开始记录“每步做了什么、为什么这么设定、结果说明了什么”这些素材可以直接转换成论文中的模型建立与结果分析部分。写作不是最后一天才开始的事情而是全程伴随着决策在发生。5.6 用“如果...那么...”句式来验收初步分析初步分析到底做得好不好可以用一个非常简单的方法检验你们能不能为每个子问题写出至少一句“如果...那么...”形式的判断句。例如“如果增加交通路网节点的容量那么整体疏散时间会下降但下降幅度呈现边际递减。”“如果把模型中的恢复速率参数提高10%那么传播峰值会显著延后。”“如果加入天气特征那么模型对高峰时段的预测误差会降低但对平峰时段影响有限。”这些句子代表模型有具体的、可以通过计算检验的推断而不是“我们用XGBoost跑了一下准确率较高”这种空话。O奖论文里最容易看到的就是大量这样的条件性结论因为它直接证明了你们的模型确实在研究问题。6. 中途发现题目选不下去时我的止损策略6.1 场景一A题很漂亮但队伍没有物理背景如果你的队伍在第一天结束后仍然写不出带量纲的核心方程那就要认真考虑止损了。有一种错误坚持是把大量时间花在阅读文献上试图用别人的模型硬套题目但效果通常不好因为A题牵涉的物理机制往往需要你们真正理解后再做改动。止损建议如果第一天下午6点前仍然无法在纸上写出一个“自洽的初始方程”果断退回备选方案。如果非要留在A题还有一个可走的路径是把系统当成“黑箱”通过数值模拟筛选关键参数这在少数情况下也能用但这种做法对数据量和计算量要求很高不建议没有相应项目经验的队伍尝试。6.2 场景二B题像一本小说读了两遍还理不出头绪B题文字多有时团队在“信息压榨”上花了10个小时才勉强弄清题目要求。这种情况下我会建议换个策略不再追求把题干所有信息都纳入模型而是只选其中一个最核心的决策模块来建模其他部分用合理简化和假设剥离掉。例如就算题目描述了完整区域、多类型设施、多时间阶段你可以先挑“最影响最终指标的决策变量”做细致建模其他维度用近似的规则处理。M奖以下通常不需要一个包罗万象的超大系统而是需要一个能跑通、能解释、能在灵敏度分析中展示稳定性的核心模型。6.3 场景三C题数据能跑但怎么都跑不出“亮点”C题最让人难受的往往是“精度到瓶颈”。这时候我特别不建议把时间都花在尝试各种集成模型上刷那零点几的准确率。更好的投入方向是分析误差结构哪些样本被分错了、哪些时间段预测不稳定、特征之间是否存在交互效应。把这些内容呈现出来往往比最终准确率数字更有价值。此外C题可以用“分层”来制造深度。例如不只预测总量而是按区域、按时间切片分别预测再讨论差异背后的原因。这样即使整体精度不高也展示了你们理解业务复杂性的能力。7. 距离2026年开赛的最后阶段我最想叮嘱的三件事7.1 不要押题押“流程”与其花时间猜测“今年一定考环境类或数据类”不如提前把你们的处理流程标准化。比如准备一套论文LaTeX/Word模板确定中英文摘要的写作结构存好一些适合竞赛排版的图表风格代码。去年我指导过一支队伍开赛后前两个小时别人还在折腾格式他们已经把模板填好了这个时间差是全队信心很重要的来源。7.2 找时间做一次“半程模拟赛”如果条件允许建议在赛前一周抽出一整天做一次“12小时半程模拟”。不要求写完论文目标是体会从拿到题目到做出第一个基线模型的完整过程同时测试你们的选题决策流程是否有效。模拟之后一定留一个小时复盘哪一个环节花的时间超出了预期哪类工作经常卡住有没有人一直空着等别人这些问题在正式比赛中大概率也会出现提前干预一次赛时就能顺很多。7.3 摘要页和最终自查表是“体面”的底线正式比赛中很容易出现低级失误队员控制号填错、图表没有编号、参考文献格式不统一、PDF最后压缩后文字模糊。建议安排一位队员专门在提交前负责“体面检查”所有页数都完整吗摘要页不超过一页吗每个图表有没有在正文中明确引用公式编号是否连续答案文件是否能正常打开这些不会帮你们加分但能避免不必要的扣分。最后聊一点个人经验。每年都有队伍在开赛第一晚就进入高度兴奋状态猛写代码、猛画图等到第二天结束才发现题目里最关键的任务还没有被正面回应。所以我的习惯是拿到题后的前三个小时忍住不做任何建模动作先借用审稿人的视角通读题干问自己一句——“如果这篇论文最后是我来评我最想看到作者解决什么问题”把这个问题的答案写下来再决定建模方向。这个方法听起来朴素却是帮我避开最多无效劳动的一个习惯。希望2026年开赛那天你们也能用好这个开头。