在上周美赛O奖大神圆桌圆完美收官后，我们特别邀请8大赛题解析讲座中，F赛题的主讲人之一Will学长独家分享自己的宝贵经验——
ps.本篇集结了美赛O奖大神组队&前期准备、建模、绘图的获奖心得，内容非常干，小保建议大家耐心读完~！
F赛题主讲人：Will学长
2023年美赛F题Outstanding Winner & SIAM Award
某双一流大学上岸复旦大学
20级经管类专业
美赛队长、建模手、副编程手
数学建模类比赛获奖
2022年全国大学生数学建模竞赛江苏省一等奖
2023年美国大学生数学建模竞赛 特等奖(Outstanding Winner)
非建模类竞赛获奖
第十三届“挑战杯”大学生创业计划竞赛全国金奖
“正大杯”第十三届全国大学生市场调查与分析大赛总决赛三等奖
▲ Will学长获奖证书
准备工作&队伍组建
我一共参加过两次美赛，分别是大二寒假和大三寒假。
在大二寒假的美国大学生数学建模比赛中，一个寒假的努力没有回报，令我有些丧气。但是当我和队友回想起参加数学建模比赛的初衷便是对数学建模的兴趣和喜爱时，便选择继续坚持了下来。
在大三寒假参赛时，我们团队选择了F题，从多变主义的视角，通过成本效益分析来评估从GDP向绿色GDP的转变带来的环境影响，最终拿到了O奖&SIAM奖。
数模国赛我也参加过两次，分别是大二暑假和大三暑假，第一次没有拿到奖，第二次拿到了省一等奖。其他诸如亚太杯、华数杯因为时间安排较紧、加分也不被学校认可就没有参加。
纵观四次数学建模比赛经历，我一直都是以队长的身份去寻找队员、协调队伍，还算积累了比较多的数模比赛经验，在此分享给大家：
1、国赛重结果，美赛重创新
国赛对建模方法的应用有严格的要求，对于特定的建模问题和情境假设，有特定的建模方法解题，解题时运用错误方法会极大地影响最终成绩，且国赛有答案的参考范围，若参赛队伍计算出来的答案偏离参考范围，也会极大地影响最终成绩；美赛主要考查建模的思路，一个创新性的解题思路将极大地受到青睐，且美赛对逻辑性要求比较强，模型前后之间的推导需要细致的展示。
2、对于组队和统筹工作
在队伍选择上，推荐找靠谱耐心的同学，建模类知识基本通过个人努力都能掌握，因此在组队时候可以找愿意沉下心学习、耐心细致的队友，不要“唯绩点论”；
在统筹协调上，作为队长的同学必须做到对队伍的实力有清晰的认知，如果没有直观感觉可以多参加其他诸如亚太杯之类的建模比赛，看看自身队伍实力和预期奖项是否有差距，对实力有了清晰认知之后才能知道队伍的提升空间。
3、对于获奖关键
在准备工作上，我认为获得国赛省一或者美赛M的基本要求是基础过关，更高国家级奖项的获奖关键则是创新。
50%建模编程+40%绘图写作+10%运气=好的奖项，因此学会并能熟练基本模型、掌握写作逻辑和绘图技巧非常重要。最好前期就选定2-3个主攻方向，例如我国赛主做C题，美赛主攻CEF题，选了题目就不要改因为中途修改题目所花费的时间就成了沉没成本。
我个人担任的工作是建模和部分编程，下面我主要介绍自己在美赛中关于建模和绘图的相关经验。
美赛建模心得
美赛常常被调侃为“美术大赛”，画图固然重要，但是不可置否的是，建模依然是整个数学建模过程中，最重要的环节之一，也是统领文章的核心和灵魂。
数学建模的过程可以分为四个步骤：
1）将现实问题抽象为数学模型
2）通过算法求解数学模型
3）根据求解结果给出问题答案
4）用现实信息去验证求解的答案
但实际上在美赛中，我认为可以分成初阶建模（套用模型）和进阶建模（改创组合模型）这两个阶段。初阶建模水平可获得H和M奖，进阶建模水平可获得M、F和O奖。
初阶建模——套用模型
要打好建模基础，需要合适的资料和持续不断的努力。根据我自身和对周围队伍的了解，选对合适的努力路径，大约1个月的学习+3次及以上模拟训练就能达到国赛省一、美赛M奖的获奖水平，因此大家也不必焦虑现在还没怎么正式开始。只要接下来最后一个月努力冲刺相信都能有不错的成绩。
在美赛的常见模型中，建议优先掌握基础模型、评价模型、预测模型、优化模型和统计模型，这是所有题目基本都会用到的基础模型。
▲ 美赛常用模型
书籍资料选择上，推荐司守奎《数学建模算法与应用》，这本书应该Matlab和Python版本都有、姜启源《数学模型》、《SPSS软件应用》、《MATLAB智能算法30个案例分析》，时间有限的话先学习司守奎老师的书，兼具理论价值和实践意义；
影像资料选择上，推荐清风数学建模、老哥数学建模；软件使用上，推荐Matlab、Python、Lingo、SPSS、SQL等，事实上熟练运用Matlab和Python足以应对90%以上的模型了。
值得一提的是，傻瓜式操作软件Spsspro、Spssau对小白非常友好，可以通过傻瓜式操作软件先了解模型以及模型的用途，至少能做到短时间会应用一个模型、对于模型原理还是要回归书本。
▲傻瓜式操作软件Spsspro
进阶建模——改创和组合模型
真正做过多次比赛的人会发现，有一些比赛题目你发现根本没有办法套用现有的模型，或者是你的模型库里面缺乏类似的模式。这时候，有些人会强行套用一个不合适的模型，例如一做综合评价类就来Topsis+熵权法，这种方法我认为是非常不合适的。
因此另外一种方式是，自己改造现有模型或者直接进行机理分析创造模型，这种方法由于原创性高，不容易和其他队伍撞车，在叙述清楚和逻辑清晰的前提下，是很容易获得考官的青睐的。
同时模型和模型之间的衔接性非常重要，这也是F奖O奖和H奖的区别，H奖给人的感觉就是模型的排列堆砌，而O奖则是模型的进一步组合和逻辑链的完整阐述。
例如22年美赛E题森林固碳，有一篇优秀论文就是综合评价类模型测算不同森林种类的固碳能力，并基于土地退化演变与植物固碳的函数关系，使用预测类模型分析森林未来的固碳能力，同时通过规划模型计算不同类型森林的固碳平衡点，聚类算法分析不同森林平衡点的差异，最后通过稳健性检验、成本效益分析等多个维度检验了模型结论，总结了现实意义。这就是一个完整的故事叙述。
美赛最重要的是讲一个令人信服的故事，模型只是工具，切莫追求工具高大上，最忌讳学会了很多高级模型但是最后文章只呈现了不同高级模型的堆砌。
美赛绘图心得
美赛既然被调侃为“美术大赛”，画图确实占评分的一个部分。美赛过程中我除了担任主建模手和副编程手以外，还负责绘图优化。下面我就基于如何绘制图片、如何优化图片进行分享。
如何绘制图片——绘图软件选择
我个人使用的绘图软件除了Python、Matlab、Tableau、Arcmap这些常用的软件以外，我认为Excel+PPT+AI也可以实现相当一部分的绘图，特别是PPT和AI能将不同的组件拆分合并，对图片进行微调的时候常常会用到。
图片的输出保存推荐大家使用可缩放矢量图、PDF等不易失真的形式，这样评委把图片放大时候也不会变模糊。
除此以外，我个人最喜欢的两个软件是Origin和R，这也是化学、医学等学科会常常使用到的科研软件，我作为经管专业学生只是了解了基本的使用，并能在美赛中利用画图工具画出好看的图，下面介绍一下origin和R语言绘图的功能和技巧以及作为小白怎么快速上手。
1、Origin
Origin里面有Learning Center，包括了各类看起来非常“酷炫”的图片，并配有每个步骤的详细解读和教学，因此上手很轻松。在掌握了基本的步骤和原理后，可以思考什么时候用什么图，如何应用比学会画图更重要。
例如在海拔、经纬度相关的图就可以考虑带投影的3D曲面图，加上洋流、山峰、森林等不同色彩的配色。关于配色可以学习SCI、Nature论文的配色，有不少博主有相关的分享，也可以访问Colors、Adobe Color Color Hunter 、Colorbrewer2等配色网站。
▲ origin教学中心 & 配色学习
2、R语言
大家都知道，平时使用R语言绘图的时候，比较麻烦的一点就是需要写代码，虽然说RStudio有代码提示功能，但有的时候，还是记不住。因此收藏一些常见的R语言绘图的网站，能快速找到绘图的代码进行科研绘图是尤为必要的。
在这里我介绍三个网站：
1）The R Graph Gallery。这个网站是我用比较多的一个网站，里面内置了非常多的R语言绘图工具和示例代码，包含基础绘图和ggplot2绘图，以及通过不同的方式进行查询。网址是：https://r-graph-gallery.com/。使用Python的小伙伴也可以访问https://python-graph-gallery.com/，两者的图形都是类似的，只不过是基于不同软件进行绘制。
2）R Charts
3）Plotly R Open Source Graphing Library
后两个网站有一些更新颖的图形。
▲ The R Graph Gallery网站，学习R语言相关绘图
如何优化图片——绘图优化思路
在学会绘图之后，如何优化自己的图片也是一个重要的环节。好看的图片不是画出来的，是改出来的，19年A题素描画龙便是美赛图片中绕不开的一个话题，遇到这种类型的图片，很难不觉得眼前一亮。
我认为好的文章和建模加上好的表达形式是获得F奖和O奖的关键，基本很少看到最终O奖论文图片较丑。
▲ 谈到美赛画图，绕不开的19年A题素描画龙
我分享一下自己在优化图片中的两个心得：
1、增加图像呈现的信息量
图像呈现的信息更多，就能将单调的图有更丰富的呈现。例如下面的堆积面积图和折线图，单独来看都很普通，但如果使用了局部放大效果，就要比原来单调的好看很多。
2、基于美赛O奖论文图片进行变形
“问渠哪得清如许，唯一源头活水来”，可以根据美赛O奖的图片进行调整和变形，例如下面的政策图优化之后就有一种立体感，更让人能体会到政策实施的阶段性目标。
▲一般的政策时间图 &优化后的政策时间图
除此以外也需要大家有“自省”的精神，看看自己的图片有没有什么可以改进的地方。
最后要强调的是，并不是所有地方的图都要看起来很华丽，例如进行稳健性检验、统计分析的时候，标准的图片、简洁的结论更加适合。图终究只是一种表达形式，核心和灵魂是文章的模型，不能“捡了芝麻丢了西瓜”。
【竞赛报名/项目咨询请加微信：mollywei007】
