从2025年下半年开始，很多队伍就已经在为2026年美赛做准备了。MCM/ICM作为全球参与范围最广的大学生数学建模竞赛之一，跟国赛相比有个很明显的特点：它更看重“把一个开放问题讲圆”的完整性，而不是单纯比谁的结果更精确。很多第一次参赛的队伍，最大的困惑往往不是不会建模，而是不知道这四天到底该怎么推进、代码写到什么程度才够用、论文什么时候开始写才不会在最后一天崩盘。这篇文章就把美赛从选题到提交的完整思路拆开讲，结合我带队和参赛的实际经验，把六道题的分析方法、时间分配、算法落地、论文写作和常见翻车点都过一遍。内容适合第一次参赛的萌新，也适合已经拿过奖想冲O奖/F奖的老手。
1. 赛制认知与选题策略：六道题背后的评阅逻辑
1.1 MCM与ICM六道题的本质差异
美赛一共六道题，MCM是A、B、C，ICM是D、E、F。很多队伍选题时只看题目形式，这其实是最容易踩坑的地方。比赛说到底是一道“用数学语言回答现实问题”的题目，不同题号对应的是不同的学科语境和建模范式，选错题等于在用自己的短板去打别人的长板。
- A题（连续型）：通常涉及微分方程、物理过程、连续介质。比如热传导、流体运动、种群动态之类。适合数学功底扎实、擅长机理建模的队伍。
- B题（离散型）：常见的是图论、网络流、组合优化。资源调度、路径规划、网络可靠性都属于这个范畴。需要较强的算法实现能力和离散数学基础。
- C题（数据洞察型）：需要处理大量数据，通常涉及时序分析、回归、分类、机器学习。它对数据清洗和特征工程的要求明显高于其他题，好用的地方是数据容易找到，难点在于“怎么从数据里讲出故事”。
- D题（运筹学/网络科学）：经常涉及复杂网络、交通流、排队系统。题目开放性高，需要大量假设支撑。
- E题（环境科学）：往往涉及可持续性指标、资源评估、政策评价。需要构建指标体系，对查资料和综述能力要求高。
- F题（政策/社会科学）：最“文科”的题目，涉及利益相关者分析、政策模拟、公平性讨论。写作能力强、逻辑清晰的队伍在这道题上很有优势。
这里有一个常见误区：觉得C题有数据、好上手，于是全员无脑冲C。但C题对代码能力弱的队伍其实很不友好。C题的数据清洗和模型训练极其耗时，如果队伍里没有熟练的数据分析手，四天会非常难受。相反，如果写作能力强，F题反而可能成为“低竞争高回报”的选择——F题参赛人数相对少，且评阅更看重思维的完整性和表达能力。
1.2 基于能力矩阵的选题决策方法
我建议每支队伍在拿到题目后的前三个小时，不是立刻开始查资料，而是先做一次“能力盘点”。用一张简单的表给队友打分，每人按1到5分评估自己的数学功底、编程水平、写作能力和信息检索能力，把三人的分数加总，再对照六道题的风格特征去匹配。
比如队伍里两个人都是编程好手、数学一般，那C题或者B题大概率是合适的。如果队伍里有一个对微分方程很敏感的人，A题值得认真考虑。如果三个人写作都很利索、表达能力强，但代码只能跑通简单脚本，F题可能是最优解。
选题还有一个实用技巧：看“问题的可延展性”。美赛的评阅很看重模型是否经得起追问，也就是说，一个可以从简单模型逐步扩展到复杂模型的题目，远比一个“一步到位”的题目好写。比如让你做一个“海豚种群保护策略”，你可以先用Logistic生长模型给出基线，再扩展成空间分布模型，最后加人类活动干扰参数——这种递进结构天然适合写论文。选题时多问一句：“这个题能不能拆出至少三个层次的模型？”如果拆不出来，换题。
定题之后，必须立刻做一件事：用三句话把“我们到底要回答什么问题”写下来。很多人备赛两天后发现队友之间对题目的理解完全不一致，这就是因为一开始没把问题定义清楚。这三句话应该包含“我们要解释的现象是什么”“我们打算用什么数学工具”“最终交付什么结果”，写出来贴在共享文档最顶部，每次开会先看一遍。
2. 赛前准备清单：模板、代码库和数据源一次配齐
2.1 论文模板就是你的作战地图
美赛对论文排版有明确的格式要求，但很多队伍直到比赛前一天才开始弄模板，结果摘要页字体不对、页数超限、参考文献格式混乱，白白扣印象分。准备一个“拿来就能用”的LaTeX模板，是赛前性价比最高的一件事。
模板至少需要包含以下内容：
- 标准的Summary页结构，包含问题重述、模型概览、主要结果三项；
- 目录页自动生成；
- 带编号的公式环境、三线表、插图环境；
- 符合美赛要求的参考文献格式（BibTeX管理）；
- 页数控制在20页以内的版式预设。
如果你不熟悉LaTeX，至少也要在Word里把标题样式、目录、公式编辑器设置好。我个人强烈建议花一个周末学LaTeX，原因很简单：数学公式的排版质量直接影响评阅人对你专业程度的判断，LaTeX的公式效果是Word完全比不上的。Overleaf可以直接用美赛官方模板，提前创建好项目、放进一两张示例图和写好的章节，比赛时只需要改内容而不是改格式，能省下大量时间。
2.2 代码库与数据源：把“打仗用的弹药”提前备好
美赛四天里，最消耗时间的不是写核心模型代码，而是写各种“边角料”代码——读Excel、画散点图、做相关性热力图、输出结果表。这些功能赛前完全可以准备好，做成一个带注释的函数库，比赛时直接调用。
我建议赛前至少准备这些“代码块”：
- 数据读写：pandas读取Excel/CSV，处理缺失值（删除、均值填充、插值）；
- 统计检验：正态性检验（Shapiro-Wilk）、相关性分析（Pearson/Spearman）、方差齐性检验，美赛的数据题常需要这些做建模前的探索性分析；
- 数据预处理：归一化（Min-Max、Z-score）、标准化、数据切分（训练集/测试集）；
- 常用模型：线性回归、Logistic回归、聚类（KMeans）、层次分析法（AHP）、熵权法、TOPSIS、灰色预测GM(1,1)、简单BP神经网络、遗传算法主框架；
- 可视化模板：matplotlib的样式设置，包括字体大小、线条粗细、图例位置、dpi=300输出。
代码不要求写得多么花哨，但每条代码必须有一个明确的输入输出注释。比赛时你是没有时间现查函数写法的。至于数据源，建议提前收藏几个稳定的渠道：Kaggle的数据集搜索、GitHub上的公开数据集仓库、各国政府的公开数据平台、世界银行和UN Data、UCI机器学习库。美赛题目有时候会给数据文件，但更多时候需要你自己找。赛前花半小时把常用数据源的网址整理进一个书签文件夹，比赛时能节省大量搜索时间。
3. 四天时间轴怎么走：每天输出什么才算数
3.1 Day 1：选题、破题与数据落库
美赛通常是从北京时间早上六点开始，到第四天早上九点提交（以官网实际通知为准）。第一天上午的核心任务就两件：选题和破题。
选题必须在当天中午前确定。不要拖到下午，因为你后面每一分钟都很值钱。定题之后立刻做“问题拆解”——把主问题拆成3到5个子问题，每个子问题对应一个可计算的数学模型。比如题目问“如何评估一个城市的洪水风险”，你可以拆成：“洪水的自然驱动因素分析”“城市暴露度与脆弱性评估”“风险等级的空间分布预测”三个子问题，分别对应统计回归、指标权重模型、聚类或插值方法。
拆完之后，马上进入“数据落库”阶段。把找到的数据全部下载到本地，统一命名为“数据名称_来源_时间”的格式，建一个data文件夹放好。如果你发现某个关键数据找不到，这是最危险的信号——要么换题，要么调整模型假设。不要在缺数据的情况下硬着头皮建模，美赛评阅人一旦发现你的数据支撑不了结论，分数会很低。
第一天的产出物必须包括：题目确认、问题拆解图、数据清单、初步模型框架。如果晚上十点前这些都没搞定，说明节奏已经滞后了，赶紧找原因，大概率是选题时犹豫太久。
3.2 Day 2：核心模型搭建与第一次全流程跑通
第二天是建模的黄金时间，也是压力最大的24小时。这一天的目标不是“模型完美”，而是“逻辑通顺并且在代码里跑出一个初步结果”。哪怕结果很差，也必须跑通全流程。
先做最小可行版本（MVP）。所谓MVP，就是用最简化的假设、最基础的方法先把一个结果算出来。比如最终计划用随机森林，MVP阶段先用线性回归算一个趋势；最终计划做动态优化，MVP阶段先在一个时间步内求静态最优解。这一步的目的非常实际：验证你的数据格式是否兼容、代码链路是否顺畅、结果是否落在合理范围。很多队伍在第二天就直接上复杂的深度模型，结果跑不出来或者报错连环，心态直接崩掉。先跑通再优化，永远是建模最稳的路径。
跑通MVP之后，再升级模型复杂度。每加一个参数、每换一个新算法，都要保留上一版本的代码和输出。我强烈建议用Git管理代码，如果没有Git经验，至少也要用“模型_v1”“模型_v2”这样的版本命名，防止改崩了没法回退。第二天结束前，两条主线必须同时推进：模型代码有新的输出，论文草稿里已经写好了问题重述和模型假设部分。
3.3 Day 3：调参、敏感性分析与论文合稿
到第三天，模型的初版结果应该已经出来了。这一天的关键词是“验证”和“表达”。
先说验证。你需要系统性地检查模型是否稳定，美赛特别看重敏感性分析——也就是当你的参数变化时，结论是否会发生剧烈变化。做法很简单，挑两三个关键参数，上下浮动10%、20%，看输出结果的变化幅度。变化小说明模型稳健，变化大说明模型对参数敏感，你需要在论文里专门解释这一点。还有一个必须做的验证是“模型对比”：至少准备一个替代模型（比如用简单线性回归作为复杂模型的对照），证明你选用的模型确实更优。
再说表达。第三天下午开始，论文必须进入“合稿”阶段。不要等到最后一晚再写——美赛很多队伍的失败不在于模型差，而在于论文写得像实验报告，没有逻辑主线。建议安排一名写作主力负责连贯打磨，另两人继续跑数据和画图。摘要页的初稿必须在第三天晚上前出来，因为摘要页是评阅人最先看到的内容，直接决定第一印象。
4. 常用模型选型与代码落地：从预测到优化
4.1 预测类题目的模型选择与实现
美赛的C题和部分E题经常会落到“预测”上，比如预测气温变化、预测某种资源的需求量、预测事件传播趋势。很多队伍一看到“预测”就直接上LSTM或者Transformer，这其实是误区。竞赛数据通常只有几十到几百条样本，深度学习根本没有足够的数据量去学习，效果往往还不如一个精心调整过的线性回归或ARIMA模型。
在美赛环境下，我建议按照“数据量级”来确定模型：
- 数据量小于50条且有明显趋势：采用灰色预测GM(1,1)或简单指数平滑，这类模型对小样本友好，参数少、好解释；
- 数据量在50到500条之间且带周期性：考虑ARIMA、STL分解加回归、神经网络等；
- 数据量超过1000条且特征较多：使用随机森林、XGBoost等集成学习模型，配合特征重要性分析。
以灰色预测为例，很多人直接用现成库，但并不知道它有个硬伤：GM(1,1)要求原始数据序列非负且近似指数增长，否则预测精度很烂。用的时候可以做残差修正，也就是把模型预测值与真实值的残差再建一个GM模型，叠加到原预测上。这招在国赛和美赛里都很好用，能让评阅人看到你在现有方法之上做了改进。
下面给一个修正版灰色预测的核心代码思路（Python）：
import numpy as np def gm11(x0, predict_len): # x0: 原始序列 (numpy array) n = len(x0) # 1. 累加生成 x1 = np.cumsum(x0) # 2. 构造紧邻均值序列 z1 = (x1[:-1] + x1[1:]) / 2.0 # 3. 构造B矩阵和Y向量 B = np.column_stack([-z1, np.ones(n - 1)]) Y = x0[1:].reshape(-1, 1) # 4. 最小二乘估计参数 a, b [[a], [b]] = np.linalg.inv(B.T @ B) @ B.T @ Y # 5. 累减还原，得到拟合值 x1_hat = np.zeros(n + predict_len) x1_hat[0] = x0[0] for k in range(1, n + predict_len): x1_hat[k] = (x0[0] - b / a) * np.exp(-a * (k - 1)) + b / a x0_hat = np.diff(x1_hat, prepend=x1_hat[0]) return x0_hat[:n], x0_hat[n:] # 拟合值, 预测值 # 残差修正 def gm11_with_residual(x0, predict_len): fit, pred = gm11(x0, predict_len) resid = x0 - fit[:len(x0)] # 对残差序列建立第二个GM(1,1)模型 fit_r, pred_r = gm11(resid, predict_len) pred_corrected = pred + pred_r return fit + fit_r[:len(x0)], pred_corrected这段代码的核心是两步：先用原始序列建立基础GM模型，再对残差序列重复同样的流程，把两个预测结果叠加。这样处理之后，预测精度通常会明显提升，同时代码量并不大，写进论文的“模型改进”部分也很有说服力。
用任何时间序列模型之前，先画出数据的时序图，观察趋势、周期和异常点。这一步虽然简单，但能帮你避免把带季节性的数据直接扔进不适合的模型，很多翻车现场就是这么来的。
4.2 优化类题目的建模、编码与收敛性问题
B题和D题经常涉及优化问题，比如路径规划、资源分配、排班调度。这类题目的核心难点通常不在“求解”，而在“建模”——把题干中的模糊要求转换成数学上可计算的约束条件和目标函数，这个转换的过程决定了后续所有工作的质量。
建模时，有一些常见的坑需要警惕：
- 约束条件遗漏：比如“每个节点只能访问一次”“车辆不能超载”“服务时间在窗口内”，漏掉一条就会导致结果在现实中不可用；
- 目标函数不够明确：没有说清楚是要最大化总收益，还是最小化总成本，还是两者加权；
- 变量定义混乱：决策变量、中间变量、参数混在一起，导致代码根本无法实现。
一旦把问题写成标准形式，求解要看问题的规模。小规模问题可以用整数规划（比如Python的PuLP或scipy.optimize.milp）；中大规模且带有复杂的非线性约束，就要用启发式算法（遗传算法、模拟退火、粒子群）。美赛的B题和D题经常会是NP-hard类型的问题，规模一大精确解算不动，所以必须掌握至少一种启发式算法的写法。
以遗传算法为例，实战中要解决三个关键问题：编码方式、适应度函数、约束处理。编码方式是第一个坑。常用的二进制编码在某些问题里会引入大量无效解，我建议优先尝试实数编码或者直接使用问题本身的自然表示。约束处理也很关键，最简单的做法是罚函数法——如果某个个体违反约束，就给它一个很高的惩罚值，让适应度变差，遗传几代后种群自然会避开这些不可行解。
下面是一个遗传算法的主循环框架，重点看约束与迭代部分：
import numpy as np def fitness(individual): # 这里写目标函数 # 如果违反约束，返回一个很大的负数（因为适应度是越大越好） if not constraint_check(individual): return -1e6 return objective(individual) def select(population, fit_vals, num_parents): # 锦标赛选择：随机抽k个个体，取适应度最高的 parents = [] for _ in range(num_parents): idx = np.random.choice(len(population), size=5, replace=False) best = idx[np.argmax(fit_vals[idx])] parents.append(population[best].copy()) return np.array(parents) def crossover(a, b): # 单点交叉 point = np.random.randint(1, len(a)) child1 = np.concatenate([a[:point], b[point:]]) child2 = np.concatenate([b[:point], a[point:]]) return child1, child2 def mutate(individual, mutation_rate=0.01): for i in range(len(individual)): if np.random.rand() < mutation_rate: individual[i] = np.random.rand() # 按变量范围随机生成 return individual # 主循环 pop_size = 100 population = np.random.rand(pop_size, dim) for gen in range(200): fit_vals = np.array([fitness(ind) for ind in population]) parents = select(population, fit_vals, pop_size // 2) new_pop = [] while len(new_pop) < pop_size: a, b = parents[np.random.randint(0, len(parents), size=2)] c1, c2 = crossover(a, b) new_pop.extend([mutate(c1), mutate(c2)]) population = np.array(new_pop[:pop_size])这段代码体现了一个实战原则：遗传算法不是越复杂越好，关键是把选择、交叉、变异三个算子写对，适应度函数写清楚。调参方面，种群规模从50到200之间比较常见，交叉率设0.7到0.9，变异率设0.01到0.1。如果你发现算法收敛到一个明显不合理的值，优先检查约束函数，而不是调参数。我见过太多队伍花几个小时调遗传算法参数，最后发现是约束条件里少乘了一个系数。
4.3 评价与决策类题目的权重计算细节
E题和F题经常需要构建评价指标体系，比如“可持续发展评估”“政策影响评价”。这类题目的核心是确定指标的权重。常见的方法有层次分析法（AHP）和熵权法，两者可以组合使用，形成“主观+客观”的综合权重。
AHP的关键是判断矩阵一致性的检验。很多队伍照着网上的代码敲了一遍，结果一致性比例CR大于0.1却不检查，这个结果拿出去会被评阅人一眼看穿。这里提供一个简单的实现思路：
import numpy as np def ahp_weight(matrix): # matrix: n x n 判断矩阵 n = matrix.shape[0] eigvals, eigvecs = np.linalg.eig(matrix) # 找到最大特征值对应的特征向量 max_idx = np.argmax(eigvals.real) max_eig = eigvals.real[max_idx] weight = eigvecs[:, max_idx].real weight = weight / weight.sum() # 一致性检验 CI = (max_eig - n) / (n - 1) RI = {1:0, 2:0, 3:0.52, 4:0.89, 5:1.12, 6:1.26, 7:1.36, 8:1.41, 9:1.46} CR = CI / RI.get(n, 1.4) return weight, CR实际使用中，如果CR大于0.1，首选做法不是重新生成整个矩阵，而是让领域内专家（或者你们自己在讨论中）重新评估最关键的那个判断，把矛盾集中在某几个元素上，而不是全部推翻重来。如果判断矩阵始终无法通过一致性检验，可以考虑改用熵权法——它完全从数据出发，不需要专家判断，不会有一致性检验的问题，但对数据质量的要求更高。
熵权法有一个容易被忽略的细节：如果某个指标的熵值接近1，说明该指标变异程度极小，几乎没有区分度，权重会趋近于0。这种情况下，直接把这个指标从模型里去掉比保留它更合理。另外，用熵权法时数据中不能有非正值，如果原始数据里有负数或0，需要先做平移处理，否则对数运算会报错。做熵权法之前先做数据清洗和归一化，这一步比权重计算本身更容易出错。
5. 论文和可视化：别让建模成果死在表达上
5.1 摘要页的黄金结构：评阅人只看前五分钟
美赛评阅有一个现实：一份论文的完整评阅时间是有限的，摘要页会在第一时间决定评阅人的第一印象。官方要求摘要页单独成页、不超过一页，但实际上它也是“电梯演讲”——你应该用最精炼的语言把问题、方法、结果和创新点讲清楚。
我的经验是，摘要页按五段式结构写：
- 第一段：用两三句话重述问题背景，并明确说明你要解决的核心问题；
- 第二段：阐述数据来源与预处理思路，让评阅人知道你认真处理过数据；
- 第三段：核心模型介绍。包括你用了哪几个模型、每个模型解决了什么问题、为什么这样结合；
- 第四段：主要结果。写1到2个关键的量化结果，比如“模型的预测精度达到92.5%”“优化的总成本降低了18.6%”；
- 第五段：总结模型优势，尤其是创新点和敏感性/稳健性分析的结果。
写摘要时必须避免空泛的表述，比如“得到了较好的结果”“具有较高的精度”——这等于没说。每一句话都要有信息量，每一个结论都要带具体数字或方法名称。摘要页是用最少的字展示最多的工程成果，你的模型再牛，如果摘要写得像流水账，评阅人很可能直接略过细节，给你一个中规中矩的分数。
5.2 绘图规范与表格设计：让每一张图都有存在的意义
美赛论文里，图形不是装饰品，而是论证工具。一张高质量的图能替代几百字的说明，一张低质量的图则会直接拉低论文的专业感。我见过太多论文的图是默认配色的折线图、没有标题的散点图、字小到看不清的流程图，这些细节累计起来会让评阅人对你的“工程素养”产生怀疑。
绘图方面有几个硬性要求：
- 输出分辨率：至少300dpi，避免打印模糊；
- 字体大小：图中文字不能小于正文的0.8倍，坐标轴标签、图例必须清晰；
- 配色：使用色盲友好配色方案，不要用红配绿；
- 线条宽度：2px以上，避免线条太细看不清；
- 坐标轴标注：必须带单位，比如“时间 (day)”“温度 (°C)”；
- 图形数量：正文控制在10到15张图，每张图都要在正文中引用并说明结论。
matplotlib有一个推荐的样式设置，可以直接放在代码开头：
import matplotlib.pyplot as plt plt.rcParams.update({ "figure.dpi": 300, "font.size": 11, "axes.titlesize": 13, "axes.labelsize": 12, "legend.fontsize": 10, "lines.linewidth": 2, "axes.grid": True, "grid.alpha": 0.3, "axes.spines.top": False, "axes.spines.right": False, })表格的风格同样重要。美赛论文中比较主流的是三线表，不要使用Word默认的全边框表格。三线表也很简单：顶部一条粗线、底部一条粗线、表头下方一条细线，其他位置所有竖线一律去掉。如果表格内容较多，可以把原始数据放在附录里，正文只放整理后的汇总表。记住一个原则：评阅人不需要看原始表格，他们需要的是“你已经把数据抽炼成模型和结论”的证据。
6. 实战中那些必须提前避开的坑
6.1 数据处理中的隐藏雷区
数据预处理是美赛中最容易“忙中出错”的环节。先分享几个最常见的现场翻车情况。
第一个是单位不统一。比如某个数据集里风速用m/s，另一个用km/h，直接合并后模型输出距离真实含义差了一截。解决办法是拿到数据后立刻做一次“数据字典”，把每一个字段的单位、含义、类型、缺失情况列成表格，统一后再开始建模。
第二个是时间轴错位。比如你预测的是“未来30天的趋势”，但数据里的时间戳有时区差异或者跨了夏令时，直接把日期字符串转成时间戳就会偏几个小时。建议统一使用UTC时间戳，并在最后输出时再转换回可读格式。
第三个是异常值处理不当。很多队伍一看到“离群点”就删掉，这是不负责任的做法。异常值既可能是测量错误，也可能是真实的极端事件。正确处理流程是先判断异常值来源，如果是传感器误差或录入错误，删除或修正；如果是真实数据点，保留并在论文中说明其对结果的影响。
第四个是泄漏问题。在构建预测模型时，如果用到了未来信息去做特征（比如用第t+1天的数据去预测第t天的结果），模型在训练集上会表现得特别好，但一旦拿到新数据就会崩盘。这种问题代码不会报错，结果也不离谱，但评阅人一旦深挖就会看出问题。处理方法是严格按时间划分训练集和测试集，特征只用历史窗口内的数据，绝对不“偷看”未来。
6.2 团队协作与代码版本管理的实战经验
美赛四天熬夜非常多，团队内部的协作混乱往往比技术问题更致命。最常见的场景是：三个人分别改了同一个文件的不同部分，然后手动合并时互相覆盖，最后谁都不知道哪个版本是完整的。解决这个问题的办法很简单，在比赛开始前就把Git仓库建好，四个人（包括队长）各自拉分支或者用overleaf的多人协作功能实时同步，避免手动拷贝文件。
如果团队不熟悉Git，至少要做到以下几点：代码文件按“用途_姓名_日期”命名，比如“model_zhang_0401.py”；论文草稿每天导出一次PDF并同步到共享文件夹；每次修改模型前先备份当前可运行的版本。关键代码文件顶部必须写清楚“输入”“输出”“最后修改时间”“修改人”，这一条看起来很简单，但在四天的高压下能救命。
还有一个容易被无视的点：每个人只负责自己的模块，但模型之间的接口必须提前约定好。比如A负责数据预处理，B负责跑模型，A输出的数据格式必须跟B代码中的输入格式完全一致，包括列名、dtype、缺失值标记方式。建议在Day 1就把接口文档写好，哪怕只有一页。否则到了Day 3，B会因为A的数据格式不对而被迫返工，这种情况真的太常见了。
6.3 提交前的最后检查：别让细节毁掉整个四天
提交阶段每年都有队伍因为低级失误错失参赛资格或者被取消成绩。这里整理一份我自己的检查清单，出发前逐项打勾：
- PDF页数：是否在官方限定的25页以内？美赛对页数有严格限制，超过会被直接判为不合格；
- 摘要页：是否单独成页？是否在摘要页中明确了所有问题的答案？有些队伍的摘要写成了“重述题目+方法清单”，没有给出具体结果，这是最大的硬伤；
- 文件名格式：是否按照官方要求的格式命名？通常要求是队伍控制号和题目编号的组合，这个细节每年都有人错；
- 发送邮箱：是否使用官方认可的邮箱？是否在截止时间前收到确认回执？不要卡着最后一分钟发邮件，提前一个半小时提交完毕；
- 附件检查：代码和数据文件是否额外放在附录或单独上传的位置？确认没有错传其他队伍的文档；
- 团队信息：姓名、学校、队员编号是否正确？这些问题看似机械，却决定你的论文会不会因“形式不合格”被直接排除。
还有一个关于“最后24小时”的个人忠告：不要用最后半天写摘要页。摘要页应该在Day 3晚上完成初稿，Day 4早上只做润色和微调。如果你发现摘要页在最后两个小时还在大幅修改，说明你的论文主线在Day 3时还没立住，这本身就是一种风险信号。最理想的凌晨状态应该是：代码已经跑完，图表已经嵌入，论文只剩文字打磨，大家轮流休息一下，而不是全员通宵赶最后一版图表。
最后的几件事：把比赛当成一次真实的科研预演
美赛和国赛最大的差别在于它更接近“开放的科研任务”——没有标准答案，没有固定方法，你面对的是一堆真实世界的复杂因素。我参加过几届美赛，最大的收获并不是那个奖状，而是学会了一套应对未知问题的方法论：先拆解、再建模、小步快跑、持续验证、清晰表达。这套方法论在后来的课程项目、科研训练和工作中的影响力远比一张证书更持久。
如果你正在备战2026年的MCM/ICM，我的建议很直接：赛前花至少一天时间把模板、代码库和数据源整理好，比赛时严格按照“Day 1定题拆解、Day 2跑通MVP、Day 3完成验证与初稿、Day 4润色提交”的节奏走。每次在方案上纠结时，问自己一个问题：“如果只能保留一个模型，我最希望评阅人记住什么？”然后让论文的所有内容都围绕这个答案展开。等到比赛结束，你会发现自己不仅学会了建模，也学会了如何在混乱和压力下保持理性决策——这也许才是美赛最大的价值。