美国大学生数学建模竞赛F奖拿奖全过程

本次投稿来自于一名大二学妹，在此之前从未拿过建模奖、纯纯建模新手、同时非计算机专业，接下来将以学妹第一视角给大家分享下小白美赛获奖经验。

2022年，我与另外两外两伙伴组团美赛（美国大学生数学建模竞赛），并最终获得F奖。

01、团队介绍

我们的团队阵容是：985&大二&非计算机专业&三位美少女战士！

同学A：非常具有管理才干以及商科头脑。也是我们的领头人。队伍组建主要是小A负责的。小A在暑假的时候就给大家分了学习模块的工作，比如说Matlab、图论呀，几个美赛常用建模的知识模块，我们三个人一人负责一部分。对了，写作模板也是小A找的，有模板有什么好处呢？第一个是符合参赛标准，这是最基础的。

第二个就是大家都能参与到写作任务来，因为框架定好了，填充内容也不会有很明显的割裂感。如此一来，每个人都能担任写手的任务。众所周知，写文章不是一个容易活儿，倘若全然交付给一个人，且这些任务又并不是一个人做出来的，那么其所写内容与任务本身或多或少会存在些许差距。因而大家一起写文章能分担写作的压力。

比赛刚开始就很快地给大家分工、制定开会时间。总之，队伍中有个领头羊的角色是非常必要的，这会让大家的队伍不至于向无头苍蝇一般各干各的。

同学B：同学B具有坚实的理科基础，掌握Matlab以及C语言、Python、Java等编程语言。缺点是掌握的不太好（哈哈哈哈哈哈哈你懂得就是课程上学了但是学的不是很精深）。我想如果美赛的题目很偏理工科的话，小B就会很能发挥她的长处。

同学C：嗯嗯就是我。自夸自擂肯定不是什么美德。我一下子也想不出我有什么好处。可能就是态度积极认真，队长派遣的任务都能完成……？哈哈。

除了愿意做任劳任怨的打工人以外，我应该还有一个优点就是搞科研比较多，跟导师打工。所以我看论文还是挺多的。我们的整体思路上我贡献了不少力量，就是因为我从看论文中找到了可行的解决思路。第三个能说出来的好处就是我的写作经验还是蛮丰富的，你懂得~也是跟着老师打工，疯狂盘论文、磨论文的那种。

所以我们文章提纲挈领式的总结，以及最后给评委的那一封信都是我写的。总之，我们的队伍在彼此互相了解的前提下，进行深度合作，发挥（压榨）每一个人的价值，再加一点点好运气（指走对了方向、选对了思路），我们获得了F奖的殊荣。

此外，很多人对美赛组队还存在一定的误区，下面的Q&A提供部分问题的建议：

Q：参加美赛一定要计算机专业吗？

A：不一定。应当以掌握技术为判断标准而非专业，例如我们的团队中有一位来自大气科学的同学，她会使用Matlab。其实编程能力并不是一个很好的考察标准，对于三天就要完成的美赛来说，经验和已经掌握的软件（后续会介绍不会coding也能建模的神器！！）才是更能派上用场的。

Q：三个人最好是不同专业吗？

A：不是。上一条已经说了关键要看掌握的技能。还有就是，有的时候同专业的人可能更加熟悉，这也有利于后续的分工合作。

Q：要找一个英语好的人吗？

A：不重要。现在英语翻译软件多强呀！推荐一个号称最牛的学术翻译软件DEEPL，免费的，缺点是贼慢。考虑到排版上的问题，建议一段一段翻译。找一个英语专业的人就更是浪费名额了！

02关于选题

如果没有很明显的选题偏好或者队伍明显的强项的话，还是建议每道题都看一下的。我们采取的策略是，刚发题我们三个人就DEF一人看一道，然后给出基本的解决思路。大家再一起开会商量一下，主要考量解决方案的可行性。

当时选D题是因为这个数据感觉还是挺好找的，我们后面在Kaggle（一个找数据的平台）上找到了相关的人才之类的数据集。另外两个题我记得是什么小行星采矿，还有一个碳排放。小行星那个我们听起来就觉得很离谱，一点不懂就pass了。

碳排放倒是考虑了一下，因为我们有个学大气的同学嘛。但是后来考虑到数据搜集的问题还是选择了D题。而且D题基本思路就是做一个评价模型，我们发现SPSSPRO基本上很多评价模型都能免费做，就敲定D题了。

所以，回顾我们的选题过程，我觉得有三个必要条件，才能让你选择一个适合你们的好题。

第一点，提前充分了解每个队员的特点、擅长哪个方向；

第二点，合理的选题分工，即派队员去了解题目到底在说什么，知己知彼方能百战不殆；

第三点，快速选定、快速读文献找思路&找数据，此之谓行动力。

03写作经验

提前做好模板！！这个很重要。我们当时是从美赛经验贴里下载了一份Word模板，包括表的格式等等，很方便！至于很多人提到的LateX，我觉得还是有些麻烦，美赛嘛，效率至上。但是有一个LateX在线的公式编辑器我觉得很好用，免费的，可以在上面输公式也可以从论文上截图，转成清晰可编辑的公式。

04、建模经验

比赛之前多学习一些建模软件知识是很好的，我们在寒假的时候学习了一些图论的知识还有自然语言处理、爬虫、Matlab、SPSS等。不过现实是，学了不一定能用到！！最后我们用的基本上都是SPSSPro，也是赶巧了，D题要做的评价模型，包括AHP还有模糊综合评价、熵权法SPSSPro恰好都能做。

那么我们是怎么发现SPSSPro的呢？其实在暑假准备阶段就发现了，因为很多机器学习的模型，对于我们这些非计算机专业的人来说，编程实现还是很难的，所以我们就发现了这个“平替”SPSSPro，应用起来没啥难度，老师口中的“傻瓜软件”。但是美赛有一个Bug它不关心你怎么做出来的，能出结果就行。当然如果需要获得O奖这种水平，肯定不能仅仅靠现有模型的有机组合，而是从代码底层徐徐图之。这就是大佬要考虑的事情了！

回到我们的建模思路，我们做的一个创新点就是用熵权法+专家评估法结合来评价，我们当时是选择了三个维度来评价港口效率，最后再用模糊综合评价给出最终评价的结果。

那么为什么采取这三个维度呢？其实整体的思路在题目中已经有暗示了，我们来一起做“阅读理解”。

下面是2022年D题的真题中的Requirements。首先它开门见山地说，由于种种原因啊，不能给你数据（乐）。但是呢，我会在Page 3给你列出来数据类型，那么这就不言而喻了，意思就是需要自己找符合题目要求的数据。我们来看第一个keypoint，看它加粗的部分是在强调“绩效指标”，而且指标要在people、technologies，processes三个维度。这就非常清晰了，我们这次比赛的整体思路就是围绕三个维度建模。

整体的建模过程/思路如下：

① 阅读效率评价的相关文献，从三个维度构建多级评价指标体系；

② 制定数据收集策略（尽量找评价指标体系里的数据），用尽一切手段得到目标数据，然后进行数据处理（python甚至excel都可以用上）；阅读相关文献/博客，寻找可用性强的评价模型，测试模型的适用性；采用组合策略（我们是组合了RSR、AHP、TOPSIS）、优选策略不断优化设计现有模型。（PS：因为有的模型确实很难，妙用组合策略能起到很好的效果）

③ 模型评估+模型的优劣势分析（文字建模）+模型的拓展应用（这个是因为requirements里有要求~再次划重点：仔细审题！！）

05关于一些“弯路”和“歪路”

在美赛准备和实施的阶段，我们很可能走上一些“弯路”或者是“歪路”。前者很大程度上是不可避免的，例如在选题的时候选择了一种不是最优解的方案。但是这一点也无需放在心上，因为找到完美解决思路肯定是很难的而且有些运气成分在里头。然而，对于其中一些类型的弯路我们是能够尽可能避免的，例如在备赛过程中的学习、不合理的分工导致走弯路等等。

对于“歪路”，我只能说提高效率≠一味走捷径。我们在比赛的过程中也有陷入迷茫的阶段，一直找不到数据，没有数据的建模给人一种虚空的感觉。我们就在微博讨论区闲逛、各种群聊闲逛，企图发现一些找数据的思路。

我们在微博上看到一份数据好像能用，但是全部的数据那个博主收20块钱，虽然不多，但是——千万不要给！！我觉得对于我来说给人钱找数据是一件很屈辱的事情，我相信自己的检索能力！于是我顺藤摸瓜，终于在Kaggle上找到了原版的数据！

06关于Money

有人可能会担心，美赛是不是要花很多钱呀？其实还好。报名费需要637元，分到一个人头上是二百多块钱，说多不多说少不少吧。平时少搓几顿饭、少买几件衣服能省出来的。后面如果你要走歪路，那倒是会花钱，让别人帮你写这种……大可不必。首先别人写的未必有你好，你还没下功夫又怎么能知道呢？其次，有什么意义呢？不妨想想你参加比赛的初衷。

07结语

美赛虽然含金量在近几年有所下降，但是对于想保研、出国的uu来说还是值得一赛的，毕竟只有三天，也不会占用很多时间。所以我还是推荐大家参加美赛，当然，汲取大家的经验、用对方法也很重要！